|

Demo anfragen

|

Demo anfragen

Agentische KI in der Energiewirtschaft

Wie ein großer europäischer Energie­versorger den Großteil der Kundenanfragen automatisiert hat

Wie ein großer europäischer Energie­versorger den Großteil der Kundenanfragen automatisiert hat

Intent-basierte Voicebots durch Multi-Agenten-Orchestrierung ersetzt – für Millionen jährlicher Kundeninteraktionen online, per E-Mail und Telefon

Auf einen Blick:

Unternehmen: Ein führender europäischer Energieversorger mit mehreren Millionen Privat- und Geschäftskunden | Branche: Energie- und Versorgungswirtschaft (reguliert) | Volumen: Mehrere hunderttausend Anrufe pro Monat, deutlich über eine Million E-Mails pro Jahr sowie Online-Chat |

Architektur: Multi-Agenten-Orchestrierung über das Model Context Protocol (MCP), integriert in die API-Schicht und die zentralen Backend-Systeme des Kunden (u. a. CRM, Abrechnung, Observability, Datenspeicherung) | Compliance: nach DSGVO und EU AI Act auditiert, gehostet auf souveräner EU-Infrastruktur

Jetzt die Fallstudie lesen

Die Partnerschaft mit Aigentiq hat es uns ermöglicht, über isolierte KI-Pilotprojekte hinauszugehen und die Transformation unseres Unternehmens mit messbarem ROI voranzutreiben. Für uns ist der Kundenservice das richtige Testfeld für agentische KI: sehr gut messbar, sicher abgegrenzt und reich an den operativen Daten, die zum Trainieren autonomer Workflows nötig sind.

Aigentiq hat nicht nur unsere Kennzahlen im Telefonservice verbessert. Gemeinsam haben wir die Blaupause für die Skalierung geschäftskritischer KI in unserem Unternehmen geschaffen.

Leitung Digitale Transformation, führender europäischer Energieversorger

Die Herausforderung:

Warum intent-basierte Bots an ihre Grenzen stoßen

Die bisherige Kundenservice-Automatisierung des Kunden – ein intent-basierter Voicebot auf klassischer Cloud-Telefonie – leistete, was Intent-Bots gut können. Er transkribierte Sprache, klassifizierte den genannten Anrufgrund und leitete das Gespräch durch einen Entscheidungsbaum. Alles darüber hinaus erforderte – konstruktionsbedingt – einen Menschen.

In der Energiewirtschaft ist die Arbeit jenseits eines Entscheidungsbaums keine Randgröße. Ein Kunde mitten im Umzug lädt ein Foto des falschen Zählers hoch. Eine Rechnungsfrage kommt zusammen mit einem Tarifwechsel und dem Wunsch nach einer Ratenzahlung. Ein schutzbedürftiger Kunde braucht eine Lösung, die in keinen vordefinierten Zweig des Skripts passt. Statische Workflows können diese Fälle nicht vollständig abbilden. Jeder dieser Fälle wurde zu einer Weiterleitung, einer Eskalation oder einer verlorenen Interaktion.

Das eigentliche Problem war struktureller Natur. Mehr Entscheidungszweige machten das System nicht intelligenter. Sie machten es fragiler, schwerer zu warten und langsamer anzupassen, wenn sich Regulierung, Tarife oder Produktportfolios änderten. Der Kunde brauchte ein System, das nicht Regeln folgt, sondern über sie hinweg schlussfolgert.

Die Lösung:

Multi-Agenten-Orchestrierung für Unternehmen

Der Kunde hat seinen Kundenservice-Stack gemeinsam mit Aigentiq rund um autonome Agenten statt geskripteter Abläufe neu aufgebaut. Da der Kunde bereits über ein ausgereiftes API-Ökosystem verfügte, war die Integrationsoberfläche bereit für agentische Ausführung. Geändert hat sich die Betriebslogik.

Unter der Haube:

Supervisor- und Spezialisten-Agenten

Wenn ein Kunde anruft, zerlegt ein Supervisor-Agent das Anliegen. Ein Auszug in Kombination mit einem Einwand gegen die Schlussrechnung ist zum Beispiel nicht ein Anliegen, sondern drei: Vertragskündigung, Zählerablesung und eine Rechnungsanfrage. Der Supervisor übergibt jeden Teil an einen Spezialisten-Agenten. Ein Zählerstand-Agent verarbeitet das Foto und prüft den Zählerstand. Ein Abrechnungs-Agent ruft den Kontext der Reklamation ab. Ein Vertrags-Agent bearbeitet die Kündigung. Der Supervisor führt die Antworten in Echtzeit zusammen und setzt das Gespräch mit dem Kunden fort.

Kein Entwickler hat ein Skript für „Auszug plus reklamierte Schlussrechnung“ geschrieben. Die Agenten haben die Lösung selbst zusammengesetzt.

Die Integrationsschicht:

Systeme mit dem Model Context Protocol orchestrieren

Aigentiq hat Agenten eingesetzt, die das Model Context Protocol (MCP) als Integrationsschicht zwischen der KI und dem Backend des Kunden nutzen. MCP dient als standardisierter Vertrag: Die Agenten fragen darüber ab, welche Tools und Parameter für eine Aufgabe verfügbar sind, und führen dann die passenden API-Aufrufe gegen die Systeme aus. Ein einfaches Beispiel: Ein Kunde sagt: „Ich muss meine Adresse ändern.“

Der Agent führt keinen fest programmierten Ablauf für Adressänderungen aus. Er fragt über MCP ab, was eine Adressänderung in dieser Umgebung erfordert, erfragt die fehlenden Daten im natürlichen Gespräch beim Kunden und führt den Aufruf gegen das zuständige Backend aus. Die Folgen für die Architektur sind erheblich: Die Entwickler des Kunden pflegen keine Dialoglogik mehr für jeden einzelnen Workflow. Sie pflegen APIs und Tool-Definitionen. Das Zusammensetzen übernehmen die Agenten.

Sicherheit und Prüfbarkeit:

Unternehmensarchitektur und KI-Governance

Die Plattform wurde so gebaut, dass sie die Datenschutz- und Sicherheitsstandards des Kunden vom ersten Tag an erfüllt – nicht nachträglich angepasst.

Prüfbarkeit. Jeder Tool-Aufruf, jeder Denkschritt und jede API-Interaktion wird protokolliert. Die Governance-Teams des Kunden können jede Agentenentscheidung nachvollziehen, den Token-Verbrauch überwachen, Kosten zuordnen und gegenüber internen und externen Prüfern die Compliance nachweisen. Für jeden Agenten stehen KPIs zur Verfügung.

Sprachqualität. Sprachverarbeitung mit extrem niedriger Latenz ersetzt den roboterhaften Takt klassischer IVR-Systeme durch Dialog-Agenten, die im menschlichen Tempo antworten.

Sicherheitsniveau. DDoS-Schutz, Backups über mehrere Instanzen, gehärtete Infrastruktur und strikte Kontrollen der Datengrenzen. Das Hosting erfolgt auf souveräner EU-Infrastruktur, um die Anforderungen des Kunden an die Datenresidenz zu erfüllen.

Regulatorische Ausrichtung. Die Konformität mit DSGVO und EU AI Act ist in die Architektur eingebaut, nicht nachträglich angefügt. Penetrationstests, Abnahmetests und Red-Team-Übungen (einschließlich Jailbreak-Resistenz bei sensiblen Auskünften) sind fester Bestandteil der Freigabe für den Produktivbetrieb – kein nachträglicher Gedanke.

Der Durchbruch:

Sonderfälle lösen, an denen das alte System scheiterte

Der deutlichste Test für agentische Ausführung ist, was passiert, wenn das Skript endet. Nehmen Sie das Szenario am Umzugstag: Ein Kunde lädt das Foto des falschen Zählers hoch, weil er sich gerade zwischen zwei Wohnungen befindet. Der Intent-Bot hatte dafür keinen Pfad. Er leitete den Kunden an einen Mitarbeiter weiter oder bat ihn, von vorn zu beginnen.

Das agentische System geht anders vor. Der Agent erkennt die Abweichung zwischen der Zählernummer auf dem Foto und dem Kundenkonto, leitet die wahrscheinliche Ursache aus dem Gesprächskontext ab, stellt eine klärende Rückfrage und führt den Kunden auf den richtigen, nicht vorgeskripteten Lösungsweg. Die Interaktion wird ohne Weiterleitung abgeschlossen.

Dieses Muster steht hinter den zentralen Kennzahlen. Sonderfälle, die früher zu Abbrüchen führten, werden jetzt im Gespräch gelöst. Die AHT sank, weil Lösungen keine Eskalation an Mitarbeiter mehr erforderten. Die Genauigkeit der Anliegenzuordnung stieg, weil der Agent über das tatsächliche Problem nachdenkt, statt es mit einer festen Liste von Intents abzugleichen. Die Identifizierungsquote stieg, weil der Agent die benötigten Angaben im natürlichen Gespräch erfragt, statt Kunden durch ein Verifizierungsskript zu zwingen.

Die Ergebnisse im Kontext

Die Ergebnisse im Kontext

Die zentralen Kennzahlen und die betriebliche Realität dahinter:

68%

Vollautomatisierung von Standardanfragen

Durchgängige Lösung ohne Übergabe an Mitarbeiter, auch bei mehrstufigen Workflows über Abrechnung, Messwesen und Verträge hinweg.

50%

Senkung der durchschnittlichen Bearbeitungszeit

Vor allem durch schnellere Lösungswege und den Wegfall wiederholter Kontextabfragen bei eskalierten Anrufen.

41%

Weniger Kontakte über persönliche Kanäle

Kunden klären ihre Anliegen zunehmend im digitalen Kanal, weil der digitale Kanal sie jetzt tatsächlich löst.

97%

Treffsichere Zuordnung des Anliegens

Beim ersten Kontakt. Der Agent erkennt, was der Kunde tatsächlich braucht – nicht, was das am ehesten passende Intent-Label nahelegt.

87%

Kundenidentifizierung vor der Weiterleitung

Wenn eine Übergabe an einen Mitarbeiter nötig ist, beginnt dieser mit dem vollständigen Kontext statt mit einem Verifizierungsskript.

Die Blaupause:

Agentische KI im gesamten Unternehmen skalieren

Agentische KI im gesamten Unternehmen skalieren

Der Kundenservice war der erste Einsatzbereich, weil er messbar, klar abgegrenzt und operativ vielfältig ist. Die Architektur lässt sich übertragen.

Dasselbe Supervisor-Spezialisten-Muster, dieselbe MCP-Integrationsschicht und dasselbe Governance-Framework lassen sich auf ausgehende Kundenbindung, komplexe Tarifmigrationen und B2B-Account-Management übertragen. In diesen Bereichen kostet eine falsche Antwort mehr – und der Nutzen autonomer Lösungen ist entsprechend größer.

Für den Kunden ist das kein Kundenservice-Projekt. Es ist das Betriebsmodell dafür, wie das Unternehmen agentische KI in regulierten Umgebungen einsetzt.

Agentische KI in den Produktiv­betrieb bringen

Agentische KI in den Produktiv­betrieb bringen

Agentische KI in den Produktiv­betrieb bringen

Wenn Sie in der Energiewirtschaft, der Versorgung, im Gesundheitswesen oder einer anderen regulierten Branche tätig sind und prüfen, ob agentische KI über Pilotprojekte hinaus messbare, kontrollierte Produktivarbeit leisten kann, sollten wir sprechen. Ein Briefing dauert 45 Minuten. Wir erläutern Ihnen die Architektur im Detail, besprechen, wo sie in Ihrer Umgebung passt und wo nicht, und beantworten die Fragen, die eine Fallstudie nicht beantworten kann.

Briefing anfragen