Referenzen

Was davon produktiv läuft.

AI-Projekte, die bei Kunden in Betrieb sind — konkret beschrieben, mit Ergebnissen. Kein Prospekt.

Success Story· Energie

KI-gestützte E-Mail-Automatisierung für Schweizer Energieversorger

enersuisse

Challenge: Obwohl eingehende Kundenanfragen bereits automatisiert klassifiziert und den richtigen Fachbereichen zugewiesen werden konnten, erfolgte die eigentliche Bearbeitung weiterhin weitgehend manuell. Wertvolles Wissen aus tausenden historischer Support-Anfragen war über unterschiedliche Systeme und Postfächer verteilt und für Mitarbeitende nur schwer nutzbar.
Lösung: Im Rahmen von DigiKI Omni wurde eine KI-basierte Wissensplattform aufgebaut, welche historisches Supportwissen automatisiert erschliesst und für die tägliche Kundenkommunikation nutzbar macht. Historische Support-E-Mails werden analysiert, bereinigt, strukturiert aufbereitet und gemeinsam mit technischer Dokumentation in einer zentralen Wissensdatenbank gespeichert. Darauf aufbauend unterstützt ein KI-basierter E-Mail-Agent die Mitarbeitenden bei der Bearbeitung von Kundenanliegen, indem er kontextbezogene Antwortentwürfe erstellt und relevantes Wissen aus früheren Fällen automatisch bereitstellt. Die Lösung greift dabei auf einen zentralen AI Core und moderne RAG-Technologie zurück.
Ergebnis: Das bislang in Support-E-Mails verborgene Wissen wird erstmals organisationsweit nutzbar. Mitarbeitende erhalten schneller qualitativ hochwertige Antwortvorschläge, können auf bestehende Lösungen zurückgreifen und bearbeiten Kundenanfragen effizienter und konsistenter. Gleichzeitig entsteht eine skalierbare Wissensbasis, welche die Grundlage für weitergehende Prozessautomatisierungen bildet und den Kundenservice nachhaltig entlastet.

RAGOpen WebUIVector databaseGen AI

Success Story· Energie

Von unstrukturierten Support-E-Mails zur Knowledge Base

gPlug

Challenge: Mit der zunehmenden Verbreitung der gPlug-Produkte stieg das Supportvolumen deutlich. Viele Anfragen wiederholten sich oder betrafen bereits vorhandene Informationen. Da dieses Wissen unstrukturiert in E-Mails, Dokumentationen und auf der Webseite verteilt war, entstand hoher manueller Aufwand, der die Supportprozesse verlangsamte.
Lösung: Wir entwickelten eine vollständig in der Schweiz betriebene RAG-Lösung, die historisches Supportwissen automatisch erschliesst. Support-E-Mails werden extrahiert, durch ein Large Language Model bereinigt und in strukturierte Wissens-Snippets überführt. Zusammen mit technischer Dokumentation und Webseiteninhalten werden diese in einer Vektordatenbank gespeichert. Über Open WebUI greifen Mitarbeitende auf vorkonfigurierte KI-Agenten für Supportfragen und E-Mail-Entwürfe zu. Die Modellinferenz erfolgt über Open-Source-LLMs bei einem Schweizer Anbieter und gewährleistet Datenschutz, Datensouveränität und Informationssicherheit.
Ergebnis: Mit der Lösung kann gPlug verteiltes Supportwissen erstmals zentral und organisationsweit nutzen. Antworten werden schneller und konsistenter erstellt, vorhandenes Wissen effizient wiederverwendet und Standardanfragen teilautomatisiert bearbeitet. Dadurch können sich Mitarbeitende stärker auf komplexe und wertschöpfende Aufgaben konzentrieren. Der vollständig Schweizer Betrieb gewährleistet zudem Datenhoheit, Datenschutz und Unabhängigkeit von ausländischen Gesetzgebungen wie dem US Cloud Act.

LLMVector databaseRAGOpen WebUIKnowledge ManagementSemantic SearchSwiss Hosting

Auf inpeek.ch lesen

Success Story· Energie

Smarter Voicebot für zukunftsgerichteten Kundenservice

enersuisse

Challenge: Kundinnen und Kunden erwarten heute schnelle und unkomplizierte Lösungen. Bislang wurden einfache Anliegen wie die Bestellung einer Rechnungskopie oder das Einrichten eines Ratenplans telefonisch an Mitarbeitende weitergeleitet – was gelegentlich zu Wartezeiten oder zusätzlichem Aufwand führte.
Lösung: Mit der Einführung der digitalen Assistentin steht den Kundinnen und Kunden nun eine moderne Self-Service-Lösung zur Verfügung: Sie kann, sofern alle Kriterien erfüllt sind, automatisch einen Ratenplan einrichten oder eine Rechnungskopie zustellen. Gleichzeitig bleibt jederzeit die Möglichkeit bestehen, direkt zu einer Mitarbeiterin oder einem Mitarbeiter verbunden zu werden.
Ergebnis: Standardanfragen werden automatisiert bearbeitet, wodurch Servicezeiten verkürzt, Mitarbeitende entlastet und die Kundenzufriedenheit erhöht werden.

DatabricksSAP BTPMLflowVoicebotOmnichannelRAGMCPDSGAI ObservabilitySAP

Auf inpeek.ch lesen

Success Story· Energie

Intelligente E-Mail Triage für einen effizienteren Kundenservice

enersuisse

Challenge: Jeden Tag gehen bei der enersuisse mehr als 500 Kunden-E-Mails mit den unterschiedlichsten Anliegen ein. Die bisherige Lösung zur Kategorisierung und Zuweisung stiess dabei an ihre Grenzen, sodass die eigentliche Beantwortung stets mit viel Handarbeit verbunden blieb.
Lösung: Die neu implementierte E-Mail-Triage ändert dies grundlegend. Sie greift unterstützend ein, lange bevor die Nachricht im richtigen Postfach landet. Das System übernimmt vollautomatisch die Intent-Erkennung sowie die Kundenidentifikation, fasst die E-Mail-Inhalte übersichtlich zusammen und liefert den Mitarbeitenden direkt einen fundierten Antwortvorschlag mit.
Ergebnis: Für die Mitarbeitenden bedeutet dies weniger manuelle Tätigkeiten, weniger Sortier- und Weiterleitungsaufwand und eine bessere Grundlage für die fachliche Prüfung. Die Technologie unterstützt im Hintergrund, während die Verantwortung weiterhin bei den Mitarbeitenden bleibt.

DatabricksSAP AI CoreLLMMLflowIntent dedection

Auf inpeek.ch lesen

Success Story· Andere

Vom SiNa Scan ins SAP - nachvollziehbare Informationsextraktion

PoC

Challenge: Sicherheitsnachweise (SiNa) kommen als Scan oder als handschriftlich ausgefülltes Formular zum Energieversorger. Wer die Werte im ERP (z.B. SAP IS-U) braucht, tippt sie ab. Das kostet Zeit und ist eine Fehlerquelle.
Lösung: Ein Vision-Language-Model liest die Informationen aus und markiert zu jedem Wert die Stelle, an der es ihn gefunden hat. Im UI kann eine Person die Treffer gegen das Original prüfen und korrigieren, was nicht stimmt. Freigegebene Werte gehen direkt in das SAP IS-U. Verarbeitet wird auf Schweizer Infrastruktur, auf Wunsch auch OnPrem auf Hardware des Kunden.
Ergebnis: Die Lösung liefert geprüfte Werte für SAP IS-U. Die Fundstelle im Dokument sieht man beim Prüfen im Tool, ins SAP geht der bestätigte Wert. Damit wird die Stammdatenqualität signifikant erhöht und weitere Automatisierungen dank diesen Daten möglich. Datenschutz wird vollständig eingehalten und Mitarbeitende können sich spannenderen Aufgaben widmen.

Vision Language ModelSAP AI CoreInformations ExtraktionSAP IS-UOn-PremStructured Data

Success Story· Andere

Antworten auf SAP-Daten in Sekunden — Chatbot Summy

inpeek

Challenge: Die zentrale Herausforderung bestand darin, komplexe natürlichsprachliche Anfragen zuverlässig mit den strukturierten Daten in SAP HANA zu verknüpfen. Dabei mussten unterschiedliche Begriffe korrekt bestehenden Entitäten zugeordnet, präzise Abfragen generiert und eine konstant hohe Antwortqualität sichergestellt werden.
Lösung: Ein vollständig in Summarix integrierter KI-Chatbot auf Basis der SAP BTP, der mittels Knowledge Graph und agentischem AI-Workflow natürliche Fragen in präzise Datenabfragen übersetzt und dessen Antwortqualität nach jeder Iteration automatisiert evaluiert wird.
Ergebnis: Sales- und Delivery-Teams erhalten in Sekunden präzise Antworten zu Skills, Projekten und Referenzen und können relevante Informationen für Angebote und Projektprofile direkt in Summarix abrufen.

SAP BTPSAP HANAStructured DataEvaluation

Auf inpeek.ch lesen

Success Story· Energie

Schneller zur richtigen Antwort im Kundendienst — AI-Chatbot-PoC

Energie Wasser Bern (ewb)

Challenge: Umfangreiche und heterogene Wissensinhalte müssen im Kundendienst manuell durchsucht und interpretiert werden – ein zeitintensiver Prozess, dessen Qualität stark vom individuellen Erfahrungs- und Wissensstand der Mitarbeitenden abhängt.
Lösung: Proof of Concept eines RAG-basierten internen Chatbots, der Anfragen semantisch versteht, relevante Inhalte aus der Wissensbasis gezielt identifiziert und daraus strukturierte, nachvollziehbare Antwortvorschläge für den Kundendienst generiert.
Ergebnis: Der PoC bestätigt die technische Machbarkeit und zeigt konkretes Potenzial für effizientere und konsistentere Kundenantworten – als fundierte Grundlage für die Bewertung und Planung einer produktiven Einführung.

RAGKnowledge Base

Auf inpeek.ch lesen

Success Story· Andere

A2A: Integration Chatbot als Pro-Code Agent in SAP Joule

inpeek

Challenge: Mit SAP Joule entstand der Wunsch, Summy direkt darüber zu nutzen. Dafür waren die Integration in Joule, eine standardisierte Agentenkommunikation sowie die Nutzung der Modell- und Sicherheitsdienste der SAP BTP erforderlich.
Lösung: Summy wurde als eigenständiger Pro-Code-Agent in SAP Joule integriert. Die Fachlogik bleibt im Agenten, während Joule als zentrale Benutzeroberfläche dient. Die Kommunikation und Bereitstellung der Fähigkeiten erfolgt über A2A.
Ergebnis: Summy ist vollständig in SAP Joule integriert. Fragen zu Projekten, Mitarbeitenden und Kompetenzen können direkt in Joule gestellt werden. A2A schafft zudem die Basis, um weitere Agenten flexibel in eine skalierbare Multi-Agenten-Architektur einzubinden.

SAP AI CoreSAP JouleSAP BTPVector EngineSAP Knowledge GraphA2A