Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von Serviceprozessen

Buxmann, Peter; Glauben, Adrian; Hendriks, Patrick Article — Published Version Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von Serviceprozessen HMD Praxis der Wirtschaftsinformatik Provided in Cooperation with: Springer Nature Suggested Citation: Buxmann, Peter; Glauben, Adrian; Hendriks, Patrick (2024) : Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von Serviceprozessen, HMD Praxis der Wirtschaftsinformatik, ISSN 2198-2775, Springer Fachmedien Wiesbaden GmbH, Wiesbaden, Vol. 61, Iss. 2, pp. 436-448, https://doi.org/10.1365/s40702-024-01053-8 This Version is available at: https://hdl.handle.net/10419/315877 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. http://creativecommons.org/licenses/by/4.0/deed.de SCHWERPUNKT https://doi.org/10.1365/s40702-024-01053-8 HMD Praxis der Wirtschaftsinformatik (2024) 61:436–448 Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von Serviceprozessen Peter Buxmann · Adrian Glauben · Patrick Hendriks Eingegangen: 6. Juli 2023 / Angenommen: 31. Januar 2024 / Online publiziert: 24. Februar 2024 © The Author(s) 2024 Zusammenfassung Large Language Models (LLMs) revolutionieren die Art und Weise, wie Texte oder auch Software geschrieben werden. In diesem Artikel wollen wir insbesondere auf den Einsatz von ChatGPT in Unternehmen eingehen. Schwerpunkt ist ein Fallbeispiel zur Neugestaltung von Serviceprozessen, das gemeinsam mit einem mittelständischen Softwarehaus entwickelt wurde. Wir zeigen, wie LLMs Geschäftsprozesse transformieren können und welche wirtschaftlichen Effekte sich daraus ergeben. Schlüsselwörter Generative KI · Große Sprachmodelle · Serviceprozesse · Wirtschaftlichkeit The Use of ChatGPT in Companies: A Case Study on the Redesign of Service Processes Abstract Large Language Models (LLMs) are revolutionising the way texts and even software are written. In this article we will focus on the use of ChatGPT in companies. The emphasis is on a case study for redesigning service processes that was developed together with a medium-sized software company. We show how LLMs can transform business processes and what the economic impact is. Peter Buxmann · Adrian Glauben · Patrick Hendriks Technische Universität Darmstadt, Darmstadt, Deutschland E-Mail: [email protected] Adrian Glauben E-Mail: [email protected] Patrick Hendriks E-Mail: [email protected] K Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von... 437 Keywords Generative AI · Large Language Models · Service Processes · Economic Viability 1 Einleitung Die rasante Entwicklung der Künstlichen Intelligenz (KI) ist dabei, Gesellschaft und Wirtschaft grundlegend zu verändern. Ein Meilenstein in der Geschichte der KI war die Veröffentlichung von ChatGPT durch das US-amerikanische Unternehmen OpenAI im November 2022. Bei ChatGPT handelt es sich um ein Sprachmodell, das Texte erstellen, Software entwickeln und eine menschenähnliche Kommunikation führen kann. Das immense öffentliche Interesse an dieser Technologie spiegelt sich in den Nutzungszahlen wider. Nur zwei Monate nach der Markteinführung erreichte ChatGPT im Januar die Marke von 100Mio. monatlich aktiven Nutzerinnen und Nutzern. Dies macht es zur am schnellsten wachsenden Verbraucheranwendung der Geschichte. Zum Vergleich: Die Social-Media-Plattform TikTok brauchte dazu neun Monate, Instagram sogar über zwei Jahre (Hu 2023). Auch Investorinnen und Investoren sowie Technologieunternehmen haben das enorme Potenzial von ChatGPT erkannt. So sicherte sich Microsoft Anfang 2023 knapp 50% der Anteile an OpenAI für rund 10Mrd. US-Dollar (Bass 2023). Diese Investition dient der Strategie, ChatGPT in verschiedene Microsoft-Produkte wie Office, Bing und Azure zu integrieren, um die Produktqualität zu verbessern und die Wettbewerbsposition gegenüber Unternehmen wie Google zu stärken. Dadurch wird deutlich, dass die Einsatzmöglichkeiten von ChatGPT weit über den Unterhaltungssektor hinausgehen. Allerdings gibt es bislang kaum praxisorientierte Studien, die diskutieren oder aufzeigen, wie ChatGPT und Co. in betriebliche Prozesse integriert werden können und welche Unternehmensbereiche besonders stark davon beeinflusst werden. In einem Interview unterstreicht Sam Altman, CEO von OpenAI, dass aus seiner Sicht insbesondere der Kundenservice beachtliche Veränderungen erfahren wird (Fridman und Altman 2023). Vor diesem Hintergrund werden wir im Folgenden näher auf die Nutzung von ChatGPT zur Neugestaltung des Kundenservice eingehen. Dazu erläutern wir in Abschn. 2 zunächst die Grundlagen von Sprachmodellen. Darauf folgt eine detaillierte Beschreibung des Fallbeispiels in Abschn. 3. In Abschn. 4 schließen wir mit einer ökonomischen Bewertung und einem Ausblick auf die Zukunft. 2 Large Language Models – Ein Überblick Obwohl die Öffentlichkeit fast ausschließlich über ChatGPT diskutiert, ist es bei weitem nicht das einzige LLM auf dem Markt. Neben OpenAI entwickeln TechGiganten wie Google und Meta, Startups wie ElutherAI und Universitäten wie Stanford University oder UC Berkeley eigene LLMs mit vergleichbaren Fähigkeiten (siehe Abb. 1). Den Grundstein für diese Entwicklung legte Google mit der Entwicklung und Veröffentlichung der Transformer-Architektur (Vaswani et al. 2017) K 438 P. Buxmann et al. – eine spezielle Art eines Neuronalen Netzwerks – welche die Basis für nahezu alle großen Sprachmodelle bildet. Abb. 1gibt einen Überblick. 2.1 Funktionsweise und Fähigkeiten Abgesehen von der Modellarchitektur teilen LLMs grundlegende Gemeinsamkeiten in ihrer Funktionsweise. Im Wesentlichen handelt es sich um Systeme, die die Wahrscheinlichkeiten von Wortsequenzen in Texten berechnen. Die Wortsequen2017 2018 2019 2020 2021 2022 2023 Transformer BERT GPT GPT-2 GPT-3 T5 GPT-J GPT-NeoX InstructGPT ChatGPT DALL-E DALL-E 2 PaLM Pythia GPT-4 PaLM 2 FLAN-T5 LLaMa Alpaca Vicuna OpenAIOpenAI OpenAI OpenAI OpenAI OpenAI OpenAI Google Google Google Google Google ElutherAI ElutherAI ElutherAI Meta Stanford OpenAI Berkeley Legende: Open Source Closed Source Text zu Bild Text zu Text Modell Architektur Abb. 1 Entwicklung verschiedener Sprachmodelle seit 2017. (Eigene Abbildung nach Garske (2023)) K Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von... 439 zen können dabei sowohl kurze Sätze als auch längere Textabschnitte umfassen (Li 2022). Solche Systeme können sowohl zur Klassifikation (vgl. Xu et al. 2020, Choudrie et al. 2021) als auch zur Generierung (vgl. Bubeck et al. 2023; Luo et al. 2021) von natürlicher Sprache eingesetzt werden. Bei der Klassifikation gibt das Sprachmodell eine Wahrscheinlichkeit für jede der zuvor festgelegten Klassen aus (vgl. Sun et al. 2019). Ein anschauliches Beispiel für die Klassifizierung ist die automatische Unterscheidung von E-Mails in die Klassen „Spam“ und „kein Spam“. Bei der Generierung von natürlicher Sprache sagen Sprachmodelle das nächste Wort einer Sequenz vorher, indem sie für jedes mögliche Wort der vorgegebenen Sprache eine Wahrscheinlichkeit berechnen (vgl. Vaswani et al. 2017). Während ältere Ansätze auf rein statistischen Verfahren basieren (vgl. Nestor und Gonzalez-Abascal 1997), legen neuere Ansätze neuronale Netzwerke zugrunde (vgl. Bengio et al. 2003;Graves2014). Aufbauend auf neuronalen Netzwerken entwickelten Vaswani et al. (2017) die bereits erwähnte Transformer-Architektur. Diese stellt dabei einen Paradigmenwechsel dar: Sie verwendet sogenannte Attention-Mechanismen,umzu bestimmen, welche Teile eines Textes in einem gegebenen Moment relevant sind und ermöglicht so ein tiefgreifenderes Verständnis des Kontextes – sprich der umgebenden Wörter und ihrer Bedeutungszusammenhänge. Dies führt dazu, dass LLMs nicht nur Wortsequenzen auf Basis statistischer Häufigkeit generieren, sondern auch die semantischen Beziehungen zwischen den Wörtern erfassen und interpretieren können, wodurch Texte entstehen, die kohärenter und inhaltlich nuancierter sind (Bouschery et al. 2023). Wie der Begriff „Large Language Models“ bereits andeutet, zeichnen sich diese Modelle durch ihre enorme Größe aus, die sich aus drei maßgeblichen Faktoren ergibt (Kaplan et al. 2020): 1. Die Anzahl der Parameter, d.h. die Anzahl der veränderbaren Werte eines neuronalen Netzes, die durch den Trainingsprozess angepasst werden können; 2. die Größe des Datensatzes, d.h. die Anzahl der Datenpunkte im Trainingsdatensatz; 3. die Trainingszeit, d.h. die für das Training aufgewendete Rechenzeit. Überraschenderweise führt die Vergrößerung von LLMs nicht nur zu einer linearen Verbesserung ihrer bestehenden Fähigkeiten, sondern bringt zudem unerwartete neue Fähigkeiten hervor (Wei et al. 2022). Das heißt, obwohl sie nicht explizit dazu trainiert wurden, entwickeln sie zunächst Kompetenzen in Textklassifikation, dann in mehrstufiger Argumentation und schließlich in semantischem Textverständnis (Wei et al. 2022). Die fortschrittlichsten LLMs – wie z.B. GPT-4 – zeigen bereits Fähigkeiten, die Bubeck et al. (2023) als erste Anzeichen von einer allgemeinen künstlichen Intelligenz bezeichnen. Dazu zählen mentale Fähigkeiten wie Kreativität, Argumentation und Deduktion, aber auch ihre Expertise in Bereichen wie Literatur, Medizin und Programmierung sowie die Fähigkeit, Werkzeuge zu verwenden und sich selbst zu erklären (Wei et al. 2022). Wohlgemerkt sind all diese Fähigkeiten in einem einzigen Modell enthalten, ohne dass dieses Modell für eine der Aufgaben spezialisiert werden muss. Erreicht wird diese Generalität durch ein sogenanntes self-supervised pre-training. Dabei K 440 P. Buxmann et al. lernt das Modell eigenständig – d.h. ohne menschliche Vorgaben – die zugrunde liegenden Strukturen und Muster innerhalb eines riesigen Datensatzes (Li 2022). Übliche Trainingsdatensätze sind hunderte bis tausende Gigabyte groß und enthalten unter anderem Bücher, Code, Webseiten, wissenschaftliche Artikel und Daten aus sozialen Netzwerken (Zhao et al. 2023). Auf diese Weise trainierte Modelle werden auch als Foundation Models bezeichnet (vgl. Bommasani et al. 2021). Obwohl solche Modelle bereits viele Probleme ohne weitere Spezialisierung lösen können, kann es für bestimmte Aufgaben notwendig sein, ein weiteres Training durchzuführen. Für diesen als fine-tuning bezeichneten Prozess wird das mittels self-supervised pre-training vortrainierte Foundation Model mit Hilfe eines typischerweise kleineren und von Menschen gelabelten Datensatzes an ein bestimmtes Problem angepasst (Li 2022). 2.2 Vektordatenbanken Gerade für die Integration in Unternehmensprozesse kann es notwendig sein, das LLM mit den proprietären Daten des Unternehmens anzureichern und ihm regelmäßig neue Informationen bereitzustellen. Neben dem fine-tuning werden hierfür in der Praxis vor allem Vektordatenbanken genutzt (bspw. Pinecone1und Milvus2; vgl. Lu et al. 2023;Bryan2023). Im Gegensatz zum fine-tuning werden mit Vektordatenbanken keine neuen Informationen in das LLM eintrainiert, sondern lediglich bei Bedarf bereitgestellt. Dazu enthalten Vektordatenbanken neben den gespeicherten Dokumenten (z.B. PDFs) jeweils einen Vektor, der die Bedeutung und den Inhalt des Dokuments in einem abstrakten mathematischen Vektorraum repräsentiert. Zur Berechnung dieser Vektoren werden vortrainierte KI-Modelle verwendet, sogenannte Embedding Models, die sowohl Open Source als auch von namhaften Herstellern wie Google oder OpenAI verfügbar sind. 2.3 Ausgewählte Probleme Mit der zunehmenden Intelligenz von LLMs und deren verstärkten Integration in Unternehmensprozesse gewinnt die Auseinandersetzung mit den damit verbundenen Problemen an Bedeutung. Eine Herausforderung sticht dabei besonders hervor: LLMs können ohne Vorwarnung Fehler erzeugen. Dazu zählen mathematische, logische und konzeptionelle Fehler, aber auch schlichtweg inkorrekte Aussagen. Diese Art von Fehlern wird als Halluzinationen bezeichnet, da sie dazu neigen, vernünftig zu erscheinen und logischen Schlussfolgerungen zu entsprechen. Häufig sind sie zusätzlich zwischen korrekten Informationen versteckt und werden überzeugend sowie selbstbewusst präsentiert (Bubeck et al. 2023). Neben Halluzinationen ist Bias eines der derzeit schwerwiegendsten Probleme von LLMs. Ein Großteil der Trainingsdatensätze stammt aus dem Internet (Zhao et al. 2023) und enthält daher erhebliche Vorurteile, die von den darauf trainierten Sprachmodellen wiedergegeben oder sogar verstärkt werden können (Bubeck et al. 1https://www.pinecone.io/. 2https://milvus.io/. K Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von... 441 2023). Dazu zählen neben stereotypen Assoziationen und negativen Empfindungen gegenüber bestimmten Gruppen auch gesellschaftspolitische Vorurteile (Bender et al. 2021). 3 Neugestaltung von Serviceprozessen mit ChatGPT Im Folgenden soll gezeigt werden, wie Sprachmodelle genutzt werden können, um Prozesse in Unternehmen zu transformieren. Im Fokus liegt dabei ein Fallbeispiel, welches die Transformation eines Serviceprozess mittels ChatGPT aufzeigt. Die Bedeutung eines hervorragenden Kundenservice ist in der heutigen Geschäftswelt unbestritten und eng mit den informationstechnologischen Fähigkeiten eines Unternehmens verwoben (Ray et al. 2005). Sam Altman – Gründer und CEO von OpenAI – weist darauf hin, dass Sprachmodelle, mit ihren Fähigkeiten, unstrukturierte Daten zu verarbeiten und Dialoge zu führen, besonders geeignet sind, um Serviceprozesse zu transformieren (Fridman und Altman 2023). Insbesondere deswegen da Serviceprozesse neben der Interaktion mit Kundinnen oder Kunden mittels natürlicher Sprache häufig auch Informationen aus Dokumentenarchiven einbeziehen (vgl. Subramani et al. 2021). Einer der Kernbereiche von Serviceprozessen bezieht sich auf die Bearbeitung von Kundenanfragen durch Supportmitarbeiterinnen und -mitarbeiter (Kumar und Telang 2012). Unser Fallbeispiel basiert auf der Zusammenarbeit mit einem mittelständischen deutschen Softwareunternehmen, das durch den Einsatz von Sprachmodellen seine Prozesse zur Bearbeitung von Kundenanfragen unterstützt hat. Diese praktischen Verbesserungen sollen illustrieren wie LLMs, nicht nur die Kommunikation erleichtern, sondern auch die Qualität des Kundenservices insgesamt steigern können. 3.1 Der ursprüngliche Prozess Im ersten Schritt wollen wir den ursprünglichen Prozess vor Einführung von ChatGPT darstellen. Der ursprüngliche Serviceprozess beginnt damit, dass der Kunde oder die Kundin eine Kontaktanfrage an den Kundensupport formuliert, in der er sein oder sie ihr Problem beschreibt. Während der Kunde oder die Kundin seine oder ihre Anfrage formuliert, werden ihm oder ihr automatisch Überschriften potenziell passender FAQ-Artikel angezeigt. Um passende FAQ-Artikel zu finden, wird ein KI-gestütztes System eingesetzt, das die Ähnlichkeit zwischen der Kundenanfrage und den vorhandenen Artikeln misst. Entscheidet sich der Kunde oder die Kundin, die angebotenen Artikel zu ignorieren oder findet er oder sie in den Artikeln keine passende Lösung, so kann er oder sie die zuvor formulierte Anfrage abschicken. Dadurch wird ein Ticket eröffnet, das daraufhin von einer Mitarbeiterin bzw. einem Mitarbeiter des Kundensupports bearbeitet wird. Können die Supportmitarbeiterinnen und -mitarbeiter das Kundenproblem nicht ad hoc lösen, so besteht für sie die Möglichkeit, das Dokumentenarchiv des Softwareunternehmens selbstständig zu durchsuchen. Haben sie passende Dokumente gefunden, extrahieren sie die relevanten Informationen und formulieren eine Antwort. Ist das Kundenproblem mit der Antwort gelöst, so ist die Interaktion beendet. Andernfalls haben die Kunden K 442 P. Buxmann et al. keine Rückfrage zusätzliche Informationen nötig keine zusätzlichen Informationen nötig Dokumenten -archiv Kundensupport Kunde formuliert Anfrage erhält Anfrage Xformuliert Antwort wird durchsucht Informationen Antwort X FAQ Artikel FAQ Artikel werden durchsucht X Problem gelöst Problem nicht gelöst Rückfrage Abb. 2 Schematische Darstellung des ursprünglichen Kundensupportprozesses vor Einführung von ChatGPT oder Kundinnen die Möglichkeit, Rückfragen zu stellen. In diesem Fall muss der Kundensupport erneut reagieren und ggf. weitere Informationen aus dem Dokumentenarchiv abrufen. Dieser Prozess wiederholt sich, bis das Kundenproblem gelöst ist. Der beschriebene Ablauf vor Integration von ChatGPT ist in Abb. 2schematisch dargestellt. Es zeigt sich, dass dieser Prozess häufig mit einem erheblichen Aufwand für die Supportmitarbeiterinnen und -mitarbeiter verbunden ist. Neben der Suche nach relevanten Dokumenten wird zusätzliche Zeit für das Extrahieren und Zusammenfassen von Informationen sowie für das Formulieren von Antworten aufgewendet. Darüber hinaus wird potenziell neues Wissen, das im Laufe der Konversation entstanden ist, nicht extrahiert, aufbereitet und gespeichert, wenn die Supportmitarbeiterinnen und -mitarbeiter dies nicht eigenmotiviert vornehmen. 3.2 Der neugestaltete Prozess Der transformierte Prozess zielt darauf ab, Prozessverbesserungen durch die Integration von ChatGPT zu erreichen. Ebenso wie der ursprüngliche Prozess beginnt auch der transformierte Prozess mit der Formulierung einer Supportanfrage seitens der Kunden oder Kundinnen. Damit das LLM eine passende Antwort formulieren kann, müssen der Kunde oder die Kundin zunächst die notwendigen Informationen in Form von Dokumenten bereitgestellt werden. Dazu werden Vektordatenbanken verwendet (siehe Abschn. 2). Abb. 3zeigt beispielhaft die drei notwendigen Schritte zur Integration zwischen Vektordatenbank und LLM: 1. Zunächst muss das Unternehmen eine Vektordatenbank erstellen, in der alle gewünschten Informationen (z.B. interne Dokumente, FAQ-Artikel, und die Support-Ticket-Historie) hochgeladen werden. Dabei wird für jedes Dokument durch K Die Nutzung von ChatGPT in Unternehmen: Ein Fallbeispiel zur Neugestaltung von... 443 (1) Vektordatenbank (2) Kundenanfrage (3) LLM Unternehmen bspw. Proprietäre Informationen Öffentliche Informationen Interne Dokumente Chat & Mails bspw. öffentliche Dokumente Außenkommunikation Embedding Model Vektordatenbank Dokument im Klartext Vektor [ 1 1 0 ] [ 0 1 1 ] [ 1 0 0 ] “Reparaturanleitung für [...]” “Sehr geehrte Frau [...]” “Wir als ABC AG stehen für [...]” “Sehr geehrte ABC AG, eine unserer Maschinen macht komische Geräusche.” [11 0 ] Ähnlichkeit Input Output “Beantworte folgende Anfrage: Nutze dafür folgende Informationen: “ “Reparaturanleitung für [...]” “Sehr geehrte ABC AG, eine unserer Maschinen macht komische Geräusche.” ChatGPT U n ter ne hm en Pr o Info I D o V e kto r d at en b a n k Do k u m e nt i m i i K l K K a rt e xt Ve k tor [ 1 1 0 ] [ 0 1 1 ] [ 1 0 0 ] “Repa r a t u r a n l e i t u n g für [ ... ] ” “S ehr geehr te F r au [ ... ] ” “W i r a l s A B C AG s tehen für [] ” “S h ht A B C AG e . ” b s p w . o p ri e tär e o r m a t io n en Ö f fe f f n t li c h e Inf o rm a tio n en In t erne o k u m e n te C h a t & M a il s b s p w . ö f f f f e n t l i c h e D o k u m e n te A u ß e n - k o m m u n i k a t i o n E m b e d d i n g M o d e l “S e h r g ee h r t e A B C AG, e i n e u n s e r e r Ma s c h i nen m a c ht k om i sc he G e r äus c h [ 1 1 0 ] Ä hn l ic l l h k e i t I n p ut O u t put “ Beantwo r t e f o l gen d e A nfra g e: N ut z e d afür f o l gen d e Informat i o nen : “ “Repa r atu r a n l e i t u n g für [ ... ] ” “Sehr g ee h rte A B C A G, e i ne u n s ere r Ma s c h i nen m a c ht k o m i sc he G eräus c h e .” C h at G PT “Sehr geehrte Frau Musterdame, um den Fehler der Maschine zu beheben, müssen sie [...]. “ Abb. 3 Zusammenspiel zwischen Vektordatenbank, Kundenanfrage und LLM das Embedding Model ein repräsentativer Vektor berechnet und in der Vektordatenbank gespeichert. 2. Für die Kundenanfrage wird mit demselben Embedding Model ein repräsentativer Vektor berechnet. Daraufhin wird durch eine einfache mathematische Berechnung paarweise die Ähnlichkeit des Anfragevektors mit allen Dokumentvektoren aus der Vektordatenbank bestimmt. 3. Schließlich wird der Klartext der Kundenanfrage zusammen mit den Klartexten der ähnlichsten Dokumente in den Prompt des LLM aufgenommen, das auf Grundlage dieser Informationen eine Antwort formuliert. Bevor die Antworten an die Kundinnen und Kunden verschickt werden, ist vorgesehen, dass der Kundensupport die von ChatGPT generierten Texte überprüft. Das bedeutet, dass die Mitarbeiterinnen und Mitarbeiter nicht ersetzt werden. Jedoch ändern sich ihre Aufgaben. Sie sollen zukünftig insbesondere die vom LLM vorformulierte Antwort prüfen und ggf. verbessern. Dabei besteht für die Mitarbeiterinnen und Mitarbeiter die Möglichkeit, mit dem LLM in einen Dialog zu treten, um den Textvorschlag iterativ zu verbessern und ggf. mit zusätzlichen Informationen anzureichern. Sobald die Supportmitarbeiterinnen und -mitarbeiter mit der Antwort zufrieden sind, leiten sie diese an den Kunden oder die Kundin weiter. Treten Rückfragen auf, so werden diese in einem weiteren Prozessdurchlauf mittels LLM-Unterstützung bearbeitet. Hat der Kunde oder die Kundin schließlich keine weiteren Fragen, so ist die Interaktion beendet. Im Gegensatz zum ursprünglichen Prozess stellt dies jedoch nicht das Ende dar, sondern löst einen weiteren Subprozess aus, da innerhalb dieser Interaktion neues Wissen entstanden sein kann. Dieses Wissen könnten die Supportmitarbeiterinnen oder -mitarbeiter beispielsweise im K