KI-Ticketbearbeitung mit Azure AI Foundry 2026

Pexon Consulting | 8 Min. Lesezeit | 09.07.2026

TL;DR

KI-Ticketbearbeitung mit Azure AI Foundry deckt drei Aufgaben ab: Tickets zusammenfassen, per Q&A aus der Wissensbasis beantworten und automatisch klassifizieren. Der Foundry-Modellkatalog macht die Modell-Anbindung einfach, ein Modell ist in Minuten deployt. Pexon Consulting baut das DSGVO-konform in Ihre Azure-Umgebung.

Das Problem: die erste Antwort dauert, weil niemand das Ticket schnell versteht

Support-Teams verlieren die meiste Zeit nicht mit dem Lösen, sondern mit dem Verstehen. Ein Ticket kommt als Textwand herein, oft weitergeleitet, mit drei Vorverläufen im Verlauf. Bis klar ist, worum es geht und wer zuständig ist, sind Minuten weg. Bei hohem Aufkommen summiert sich das zur eigentlichen Engstelle.

KI dreht die Reihenfolge um. Das Modell fasst das Ticket in zwei Sätzen zusammen, schlägt Kategorie und Priorität vor und zieht die passende Antwort aus der Wissensbasis. Der Mensch entscheidet und antwortet, statt erst zu sortieren. Wichtig: Das ersetzt keinen Agenten, es nimmt ihm die Vorarbeit ab.

Die drei Bausteine der KI-Ticketbearbeitung

Zusammenfassung, Klassifizierung und Q&A sind drei getrennte Aufgaben, die dasselbe Modell erledigen kann. Der Reihe nach:

1. Zusammenfassung: Das Modell verdichtet den Ticket-Verlauf auf das Wesentliche, inklusive der bereits versuchten Schritte. Der Agent liest zwei Sätze statt zwei Bildschirmseiten.
2. Klassifizierung: Kategorie, Priorität und Zuständigkeit werden vorgeschlagen, konsistent nach denselben Regeln. Das beendet die Streuung, die entsteht, wenn zwanzig Menschen dasselbe unterschiedlich einordnen.
3. Q&A aus der Wissensbasis: Per Retrieval zieht das System die Antwort aus Handbüchern, alten Tickets und Doku, mit Quellenangabe. Wie so eine Wissenssuche sauber aufgebaut wird, steht in unserem Leitfaden zum RAG-System-Aufbau.

Unsere klare Empfehlung: Fangen Sie mit der Klassifizierung an, nicht mit der Antwortgenerierung. Die Klassifizierung ist risikoarm, sofort messbar und der Agent behält die Kontrolle. Die automatische Antwort ist der heiklere Schritt und gehört ans Ende, nicht an den Anfang.

So einfach ist die Modell-Anbindung in Azure AI Foundry

Der Grund, warum wir für diesen Use-Case oft Azure AI Foundry nehmen (seit 2026 als Microsoft Foundry vermarktet): der Modellkatalog. Über 11.000 Modelle von OpenAI, Anthropic, Meta, Mistral und weiteren stehen hinter einer einheitlichen API. Sie deployen ein Modell und rufen es sofort an, ohne pro Anbieter eine eigene Integration zu bauen.

# Ticket klassifizieren mit einem Foundry-Modell (Responses API)
from openai import AzureOpenAI

client = AzureOpenAI(azure_endpoint=FOUNDRY_ENDPOINT, api_key=KEY, api_version="2026-05-01")

def klassifiziere(ticket: str) -> dict:
    system = "Gib Kategorie, Prio (1-3) und eine kurze Zusammenfassung als JSON zurueck."  # dt. Prompt
    r = client.chat.completions.create(
        model="gpt-4.1",                       # aus dem Foundry-Katalog, in Minuten deployt
        response_format={"type": "json_object"},
        messages=[{"role": "system", "content": system}, {"role": "user", "content": ticket}],
    )
    return r.choices[0].message.content        # {"kategorie": ..., "prio": ..., "zusammenfassung": ...}

Ein Modellwechsel ist eine Zeile. Das ist der praktische Vorteil, wenn Sie testen wollen, ob ein kleineres Modell für die Klassifizierung reicht, was es bei uns fast immer tut. Für die reine Kategorisierung braucht es kein Frontier-Modell, und das spart Kosten.

Was in der Praxis über Erfolg entscheidet

Nicht das Modell entscheidet, sondern die Datenqualität und die Grenzen. Zwei Dinge sehen wir immer wieder: Erstens braucht die Q&A eine gepflegte Wissensbasis, sonst zieht das Modell veraltete Antworten und verliert das Vertrauen der Agenten. Zweitens gehört eine Wesentlichkeitsgrenze eingezogen, unterhalb derer das System nicht selbst antwortet, sondern eskaliert.

Wir raten davon ab, die KI ungefiltert an Endkunden antworten zu lassen. In der ersten Ausbaustufe ist der Agent der Empfänger der Vorschläge, nicht der Kunde. Das schützt vor der einen falschen Antwort, die mehr Vertrauen kostet als zehn gute einbringen. Die technische Basis dafür bauen wir bewusst als KI-Beratung mit Azure-Fokus, nicht als isoliertes Skript.

Häufig gestellte Fragen

Was kostet eine KI-Ticketbearbeitung mit Azure AI Foundry?

Der Modellverbrauch für Klassifizierung und Zusammenfassung liegt bei üblichem Ticketvolumen im niedrigen dreistelligen Bereich pro Monat, weil kleine Modelle reichen. Der größere Posten ist die Einführung: Anbindung ans Ticketsystem, Wissensbasis und DSGVO-Setup als Pilot im mittleren fünfstelligen Bereich.

Muss ich mein Ticketsystem wechseln?

Nein. Die KI-Schicht dockt per API an bestehende Systeme wie Zendesk, Jira Service Management oder ServiceNow an. Das Ticketsystem bleibt das führende System, die KI liefert Zusammenfassung, Klasse und Antwortvorschlag hinein.

Azure AI Foundry oder ein direkter Modell-Anbieter?

Für diesen Use-Case spricht viel für Foundry, weil der Modellkatalog den Wechsel und Vergleich von Modellen zur Ein-Zeilen-Sache macht. Wenn Sie ohnehin tief in Azure sind, entfällt zudem separate Vertrags- und Datenschutz-Klärung.

Ist die automatische Klassifizierung zuverlässig genug?

Für die Vorsortierung ja, für die blinde Weiterverarbeitung nein. Wir messen die Klassifikationsgüte gegen manuell gelabelte Tickets und ziehen eine Schwelle, unter der das System eskaliert statt zu raten. So bleibt die Vorsortierung nützlich, ohne Fehler zu zementieren.

Wie lange bis zum ersten produktiven Ergebnis?

Die Klassifizierung ist innerhalb weniger Wochen produktiv, weil sie risikoarm und messbar ist. Q&A und automatische Antwortvorschläge kommen danach, sobald die Wissensbasis steht und die Güte stimmt.

Nächster Schritt

Wenn Sie wissen wollen, welcher der drei Bausteine bei Ihrem Ticketaufkommen am schnellsten trägt, schauen wir uns eine Stichprobe Ihrer Tickets an und schneiden den Piloten zu.

Verwandte Themen