Studies (KI-Analyse)

So funktioniert es

Sie richten eine Study auf eine Eingabequelle (heute: Zendesk-Tickets, ausgewählt über eine Suchanfrage und optional einen Zeitraum), wählen die Felder, die die KI lesen soll, und definieren ein Schema – die Spalten, die gefüllt werden sollen, jede mit einem Typ (Boolean, Einfach-/Mehrfachauswahl, Zahl, kurzer oder langer Text) und optionalen Hinweisen. Macha führt dieselbe Extraktion parallel über jeden Datensatz aus und schreibt die Antworten ins Raster. Ein Datensatz hinein, eine Zeile heraus.

Vor jedem Lauf zeigt ein Prüfbildschirm die Anzahl der Datensätze, die Credit-Kosten pro Datensatz und die Gesamtschätzung – Sie starten also nie versehentlich eine Study über 10.000 Tickets, ohne die Kosten gesehen zu haben. Credits werden je erfolgreichem Datensatz abgezogen; fehlerhafte und abgebrochene Datensätze kosten nichts. Läufe sind auf 20.000 Datensätze begrenzt.

Wofür sie da ist

Studies beantworten Fragen, die sich über viele Datensätze erstrecken – die letzten 5.000 Tickets auf Erwähnungen von Rückerstattungen prüfen, das Support-Volumen nach Grundursache klassifizieren, jedes Ticket finden, in dem es um die Abrechnung ging. Von Hand sind das Stunden Arbeit; eine Study erledigt es in einem Durchgang und gibt Ihnen eine Report-Ansicht mit Diagrammen und Drilldowns je Spalte.

Entscheidend: Die Ergebnisse können Ihre Agenten speisen. Spielen Sie einen Lauf in eine Wissensquelle, wird jede Zeile zu einem durchsuchbaren Dokument – eine Study vergangener Lösungen wird so zu Kontext, den Ihre Support-Agenten in laufenden Konversationen abrufen können.