KI-Fehleranalyse für ein Contact Center — einmal erklären statt tausendmal

Ausgangslage

Die Mitarbeitenden eines Contact Centers arbeiten mit einer Telefonie-Software auf ihrem Arbeitsplatzrechner. Wenn dort etwas schiefgeht — Anrufe brechen ab, die Verbindung schläft ein, das Headset reagiert nicht —, steht das ausschließlich in Protokolldateien auf genau diesem PC. Und die Anwendung hält lokal nur sieben Tage vor.

Einen Weg, Protokolle einzeln abzuholen, gab es bereits: pro Person eine Anfrage in eine Warteschlange stellen, warten, ZIP-Archiv herunterladen, von Hand lesen. Was fehlte, war zweierlei — ein Abruf über alle Arbeitsplätze statt Einzelanfragen, und eine Auswertung, die aus ZIP-Archiven abfragbare Daten macht.

Ansatz

Einsammeln. Eine zeitgesteuerte Funktion ermittelt die zuletzt aktiven Mitarbeitenden und legt für jede eine Anfrage in die bereits vorhandene Warteschlange. Die Arbeitsplatz-Anwendung antwortet mit einem Archiv — bewusst ohne Änderung an der Anwendung selbst.

Parsen. Ein eigenes Python-Paket entpackt das Archiv, fügt mehrzeilige Fehlerblöcke und Stacktraces wieder zu einem Datensatz zusammen, ordnet bekannte Muster regelbasiert in Kategorien ein, rekonstruiert daraus einzelne Anrufe und dedupliziert tagesgenau. Danach ersetzt eine Redaktionsstufe Telefonnummern, Kontaktnamen, Windows-Benutzernamen und im Klartext geloggte Zugangstoken durch typisierte Platzhalter.

Die Reihenfolge ist der Punkt: erst klassifizieren, dann redigieren. Die Fehlererkennung arbeitet auf dem Originaltext, das Sprachmodell sieht ihn nie.

Anreichern. Der Arbeitsplatz kennt nur seine eigene Sicht. Parallel zieht das System serverseitige Daten nach — Sprachqualität, Plattform-Alarme, Warteschlangen-Statistiken. Damit werden auch Anrufer sichtbar, die auflegten, bevor sie je einen Menschen erreichten. Im lokalen Protokoll sind die per Definition unsichtbar.

Der Punkt, an dem es anders hätte laufen können

Diagnostiziert werden Probleme, nicht Vorfälle.

Naheliegend wäre, jedes eingehende Archiv mit Fehlern an das Sprachmodell zu geben. Genau das wurde verworfen. Stattdessen wird jeder Fund auf eine Signatur reduziert: Kategorie plus normalisierte Fehlermeldung, aus der Zeitstempel, Kennungen, Hex-Werte und alle Zahlen herausgerechnet sind. Jede Signatur wird genau einmal erklärt, das Ergebnis zwischengespeichert und über eine Zuordnungstabelle mit allen betroffenen Archiven verknüpft.

Die Kosten skalieren damit mit der Anzahl unterschiedlicher Probleme statt mit dem Volumen. Ein plattformweiter Fehler kostet einmal, nicht einmal pro Mitarbeitendem. Als Nebeneffekt fällt die eigentlich interessante Zahl kostenlos ab: „betrifft N Mitarbeitende“.

Der Preis ist bewusst in Kauf genommenes Über-Zusammenfassen. Weil auch Zahlen normalisiert werden, verschmelzen Retry 12/60 und Retry 47/60 zu einer Signatur. Der Kommentar im Code benennt das ausdrücklich als akzeptiert und nachjustierbar — eine bekannte Ungenauigkeit ist etwas anderes als eine übersehene.

Ergebnis

Aus sieben Tagen lokaler, unlesbarer Protokolle wurde ein zentrales 60-Tage-Fenster, in dem sich fragen lässt, welches Problem gerade wie viele Menschen betrifft. 227 Tests laufen grün; der Parser-Kern kommt bewusst ohne einzige Fremdbibliothek aus und läuft dadurch offline gegen Beispieldaten.

Bewusst nicht gebaut: Das System greift nicht ein. Es schreibt nichts zurück, öffnet keine Tickets, repariert keine Arbeitsplätze. Und die KI erkennt nicht, sie erklärt — Klassifikation und Zuordnung laufen deterministisch und regelbasiert, das Modell formuliert Ursache und Empfehlung zu einem bereits erkannten Muster. Ein neuartiges Fehlerbild ohne Regel bleibt unklassifiziert, statt plausibel falsch eingeordnet zu werden.

Eine harte Ausgabengrenze stoppt die Diagnose vor dem konfigurierten Monatslimit. Danach bleiben neue Signaturen unerklärt — sichtbar, nicht still.