Wenn klassische Bot-Lösungen den Erwartungen nicht mehr genügen
Bei Fahrplaninformationen, Tariffragen oder aktuellen Störungen erwarten Fahrgäste heute schnelle Unterstützung – unabhängig vom gewählten Kanal. Ob Webchat, WhatsApp oder Telefon: Die Antworten sollen prompt und zuverlässig zur Verfügung stehen.
Ein Berliner Verkehrsunternehmen hatte dafür bereits verschiedene Conversational-AI-Lösungen etabliert. Die Kommunikation mit den Fahrgästen basierte jedoch überwiegend auf regelbasierten Bots und vordefinierten Dialogpfaden. Mit zunehmender Komplexität der Anfragen wurde deutlich, dass sich so nicht ausreichend flexibel auf individuelle Gesprächsverläufe reagieren ließ.
Agentische Conversational AI eröffnete die Möglichkeit, die Fahrgastanliegen kontextbezogener zu bearbeiten und die Dialoge natürlicher zu gestalten. Um dieses Potenzial zu erschließen, suchte das Unternehmen einen Partner, der den Übergang von statischen Bot-Strukturen zu einer modernen Conversational-AI-Architektur begleitet.
Dabei ging es nicht nur um technologische Modernisierung. Das Verkehrsunternehmen wollte zunächst verstehen, welchen Mehrwert agentische Ansätze im praktischen Einsatz bieten und welche Voraussetzungen für den koordinierten Einsatz mehrerer Conversational Agents, die Integration von Wissensquellen und den skalierbaren Betrieb einer kanalübergreifenden Servicekommunikation geschaffen werden müssen.
Das Vorgehen
So haben wir die bestehende Conversational-AI-Architektur weiterentwickelt
Gemeinsam mit unserem Plattformpartner Cognigy begleiteten wir das Verkehrsunternehmen auf dem Weg zu einer modernen Conversational AI im ÖPNV. Im Mittelpunkt stand dabei nicht die Optimierung einzelner Bot-Antworten, sondern die Weiterentwicklung ausgewählter Serviceanwendungsfälle hin zu einer agentischen Architektur, die natürlichere Fahrgastinteraktionen ermöglichen sollte.
Den Ausgangspunkt bildete ein bestehender regelbasierter Dialog, den wir auf einen agentischen Ansatz umstellten und als Pilot nutzbar machten. Der Pilot diente dazu, die Möglichkeiten agentischer Conversational AI unter realen Bedingungen zu erproben und erste Erfahrungen für den späteren Ausbau zu sammeln.
Parallel dazu analysierten wir die vorhandene Bot-Landschaft und entwickelten ein Zielbild für die kanalübergreifende Orchestrierung. Im Fokus standen dabei das Zusammenspiel von Webchat- und WhatsApp-Bots, telefonbasierten Dialogen sowie weiteren spezialisierten Subbots innerhalb der Serviceumgebung.
Darüber hinaus integrierten wir bestehende Wissensquellen, um Fahrgastanfragen fundierter und situationsbezogener beantworten zu können. Gleichzeitig bereiteten wir die zukünftige Orchestrierung mehrerer Conversational Agents vor und schufen die Grundlage für den skalierbaren Ausbau des bestehenden Chatbot-Ökosystems.
Die Ergebnisse
Wie sich die Servicekommunikation durch agentische KI verändert
Mit dem Aufbau eines ersten Pilot-Agenten machten wir sichtbar, wie sich Fahrgastanliegen mithilfe agentischer Kommunikation flexibler bearbeiten lassen. Anstelle starrer Dialogpfade kann der Agent den Kontext einer Anfrage berücksichtigen und dadurch natürlichere Interaktionen über die bestehenden Servicekanäle hinweg ermöglichen.
Gleichzeitig konnten wir aufzeigen, wie agentische Ansätze die Servicekommunikation sinnvoll ergänzen. Wiederkehrende Standardanfragen lassen sich stärker automatisieren, so dass die Service-Mitarbeitenden mehr Zeit für die komplexeren Anliegen gewinnen. Darüber hinaus schufen wir die Voraussetzungen, um mehrere Conversational Agents künftig kanalübergreifend einzusetzen und die bestehende Conversational-AI-Architektur gezielt auszubauen. Durch die Integration bestehender Wissensquellen und die Vorbereitung einer agentischen Orchestrierung entstand zugleich die Grundlage für ein skalierbares Chatbot-Ökosystem.
Langfristig verfolgt das Verkehrsunternehmen das Ziel, Fahrgästen über Webchat, WhatsApp und Telefon ein konsistentes Serviceerlebnis zu bieten – unterstützt durch intelligente Agenten, natürliche Dialoge und eine moderne Conversational-AI-Plattform
