AWS Germany – Amazon Web Services in Deutschland
Trusted Shops automatisiert 50% der Support-Anfragen und erreicht 24/7-Verfügbarkeit mit Amazon Bedrock
Wie Trusted Shops mit Amazon Bedrock und Anthropic Claude wiederkehrende Kundenanfragen datenschutzkonform automatisiert und dabei die Bearbeitungszeit um 60% reduziert hat
Autoren: Sabrina Engling, AI Lead, Trusted Shops | Alexander Günsche, Senior Solutions Architect, AWS
Wachsende Ticketvolumina und gleichartige Anfragen
Trusted Shops, Europas führender Anbieter für Käuferschutz und Gütesiegel im E-Commerce, kennt das Problem vieler wachsender SaaS-Unternehmen: Mit dem Erfolg wächst auch das Volumen der Support-Anfragen. Das Unternehmen nutzt Zendesk als zentrales Ticket-Management-System, in dem alle Kundenanfragen als strukturierte „Tickets“ erfasst und von Service-Agenten bearbeitet werden. Was als überschaubare Anzahl täglicher Anfragen beginnt, entwickelt sich zu einem kontinuierlichen Strom von Hunderten von Tickets pro Tag.
Die Analyse der eingehenden Tickets offenbart ein wiederkehrendes Muster: Ein Großteil der Anfragen sind gleichartige Standardanliegen wie Fragen zur Lieferung, Kontaktmöglichkeiten zum Shop, Anliegen zur Mitgliedschaft oder häufig gestellte Fragen zu den Trusted Shops Services. Diese Anfragen können zwar mit vorgefertigten Antwort-Templates bearbeitet werden, binden aber dennoch Arbeitszeit der Service-Kolleg:innen.
„Unsere Mitarbeiter verbringen den Großteil ihrer Zeit mit immer wiederkehrenden Aufgaben, während komplexe Kundenanliegen länger warten müssen“, erklärt Sabrina Engling, AI Lead bei Trusted Shops. Gleichzeitig möchten wir die Transparenz über häufige Themen und aufkommende Trends in den Kundenanfragen erhöhen. Das Ergebnis sind längere Antwortzeiten und weniger Zeit für die Bearbeitung wirklich komplexer Fälle, die tiefe Expertise erfordern.
Amazon Bedrock als Enterprise-KI-Plattform im Customer Service
Eine KI-gestützte Automatisierung des Support-Prozesses liegt nahe, doch die spezifischen Anforderungen von Trusted Shops gehen weit über eine einfache Chatbot-Lösung hinaus. Das Unternehmen benötigt eine Enterprise-fähige Plattform, die sowohl technische Flexibilität als auch höchste Compliance-Standards bieten kann.
Amazon Bedrock erweist sich als ideale Lösung, da die Plattform einen umfassenden Ansatz für Generative KI bietet. Unternehmen können aus verschiedenen Basismodelle (englisch: „Foundation Models“) von führenden KI-Anbietern wählen, darunter Anthropic Claude, Amazon Nova und andere. Diese Modellvielfalt ermöglicht es, für jeden Anwendungsfall das optimale Modell zu selektieren und bei Bedarf zwischen verschiedenen Modellen zu wechseln oder diese parallel zu testen.
Die Plattform bietet zusätzlich erweiterte Features wie Guardrails für die Implementierung von Sicherheitsrichtlinien, Agent-Orchestrierung für komplexe Workflows, Fine-Tuning-Möglichkeiten für spezifische Anwendungsfälle und native RAG-Integration (Retrieval-Augmented Generation) für die Einbindung eigener Wissensdatenbanken. Cross-Region Inference ermöglicht es dabei, Modelle aus verschiedenen Regionen zu nutzen, ohne die Datenschutzanforderungen zu verletzen.
Für Trusted Shops ist jedoch ein weiterer Aspekt von Amazon Bedrock entscheidend: Die Plattform ermöglicht es, Basismodelle in spezifischen AWS-Regionen zu betreiben, wodurch Unternehmen vollständige Kontrolle über den Datenstandort behalten. Support-Tickets enthalten regelmäßig sensible Kundendaten wie Kreditkarteninformationen, persönliche Details und vertrauliche Geschäftsinformationen. Die Möglichkeit, diese Daten ausschließlich in europäischen Rechenzentren zu verarbeiten, ist daher ein kritisches Auswahlkriterium.
„Datenschutz und Compliance sind für uns keine nachgelagerten Überlegungen, sondern zentrale Grundprinzipien von Anfang an“, betont Engling. Amazon Bedrock bietet das Zero Data Retention Prinzip: Eingabedaten werden nicht zur Verbesserung der Basismodelle verwendet oder gespeichert. Nach der Verarbeitung einer Anfrage werden die Daten vollständig aus den Bedrock-Systemen entfernt. Dies ist für Trusted Shops essenziell, da selbst anonymisierte Kundendaten nicht für das Training von KI-Modellen verwendet werden sollen.
Amazon Bedrock bietet zusätzlich umfassende Compliance-Features wie detaillierte Audit-Logs über AWS CloudTrail, Verschlüsselung im Transit und at Rest sowie die Möglichkeit, VPC-Endpoints zu nutzen, um den Datenverkehr vollständig innerhalb der AWS-Infrastruktur zu halten. Diese Funktionen ermöglichen es Trusted Shops, eine KI-Lösung zu implementieren, die höchste Datenschutzstandards erfüllt und gleichzeitig Zugang zu modernster Sprachverarbeitung bietet.
Technische Implementierung: Intent-Erkennung und AWS Lambda
Trusted Shops entschied sich für einen schrittweisen Ansatz bei der Einführung der KI-Automatisierung. Anstatt sofort alle Arten von Support-Anfragen zu automatisieren, konzentrierte sich das Team zunächst auf die häufigsten und eindeutigsten Anwendungsfälle. Anfragen zur Mitgliedschaft und Kontaktmöglichkeiten zu einem Online-Shop bilden den Startpunkt, da diese Anfragen klare Muster aufweisen und gut strukturierte Antworten erfordern.
Die Genauigkeit der KI-Lösung steht und fällt mit der Qualität des Prompt Engineering. Trusted Shops entwickelte ein detailliertes System von über 30 verschiedenen Kategorien von Kundenanfragen (sogenannte „Intents“), die die gesamte Bandbreite der Support-Anfragen abdecken. Ein Intent ist dabei die Absicht oder das Ziel, das ein Kunde mit seiner Anfrage verfolgt. Jeder Intent wird durch eine präzise Beschreibung und konkrete Beispiele definiert, um dem Basismodell eindeutige Klassifizierungskriterien zu geben:
const intents = [
{
name: "positive_confirmation",
description: "The user provides feedback that everything is fine or expresses satisfaction. Typically very short messages without questions, expressing satisfaction, gratitude, or confirmation. Example: ‘All great, thank you!’ or ‘Item received, excellent!’"
},
{
name: "subsequent_buyer_protection",
description: "The user is requesting buyer protection after making a purchase. They may be asking how to activate protection or if it's still possible to get coverage for a recent order. The user wants to add buyer protection to a past purchase. Example: ‘’I bought something yesterday. Can I still get buyer protection?’"
},
{
name: "product_damage_report",
description: "The user is reporting damage to their purchased product, either from shipping or defects. Example: 'My package arrived with the contents broken.'"
},
{
name: "login_issues",
description: "The user is having trouble logging into their account. Example: 'I can't log in to my account. It keeps saying invalid credentials.'"
}
// … weitere Intent-Definitionen
];
Ein entscheidender Erkenntnisgewinn während der Entwicklung ist, dass die Genauigkeit der Intent-Erkennung mit der Anzahl der definierten Kategorien steigt. Je spezifischer und umfassender das Intent-Schema, desto präziser kann Claude zwischen verschiedenen Anfrage-Typen unterscheiden. Die Trusted Shops Services werden zusätzlich im System-Prompt erklärt, um dem Modell den notwendigen Kontext über Käuferschutz, Plus Membership und Review Management zu geben.
Das Herzstück der technischen Lösung ist eine AWS Lambda-Funktion, die als Brücke zwischen Zendesk und Amazon Bedrock fungiert und diese Intent-Definitionen nutzt. Die folgende Architektur zeigt den kompletten Workflow von der eingehenden Kundenanfrage bis zur automatisierten Bearbeitung:

Kompletter Workflow von der E-Mail-Anfrage über Zendesk-Integration, AWS-Services bis zur automatischen Ticket-Klassifizierung und -bearbeitung.
Wenn ein neues Ticket in Zendesk erstellt wird, löst ein Webhook die Lambda-Funktion aus, die dann eine mehrstufige Verarbeitung der Kundenanfrage durchführt. Der erste Schritt ist die Datenbereinigung und Anonymisierung. Die Lambda-Funktion erkennt und entfernt automatisch sensible Informationen wie Kundennamen und ersetzt diese durch Platzhalter. Kreditkartennummern und andere kritische Daten werden vollständig anonymisiert, bevor der Text an Amazon Bedrock weitergeleitet wird.
// Vereinfachter Beispielcode – nicht für Produktiveinsatz geeignet
exports.handler = async (event) => {
// 1. Datenbereinigung und Anonymisierung
const cleanedContent = anonymizeTicketContent(event.ticketData);
// 2. Intent-Klassifizierung via Amazon Bedrock
const bedrockParams = {
modelId: 'anthropic.claude-3-5-sonnet-20241022-v2:0',
contentType: 'application/json',
body: JSON.stringify({
anthropic_version: 'bedrock-2023-05-31',
max_tokens: 1000,
messages: [{
role: 'user',
content: `Analyze this support ticket and classify the intent: ${cleanedContent}`
}],
system: buildSystemPromptWithIntents(intents)
})
};
const bedrockResponse = await bedrock.invokeModel(bedrockParams).promise();
const intentResult = JSON.parse(bedrockResponse.body);
// 3. Intent-Validierung gegen vordefinierte Liste
const validatedIntent = validateAgainstKnownIntents(intentResult.intent, intents);
// 4. Zendesk-Tagging für nachgelagerte Workflows
await updateZendeskTicket(event.ticketId, {
tags: [`ai_intent_${validatedIntent}`, 'prompt_v7'],
internal_note: `KI-Analyse: Intent "${validatedIntent}" erkannt`
});
return { statusCode: 200, intent: validatedIntent };
};
AWS Lambda bietet dabei den Vorteil, dass keine Server verwaltet werden müssen und die Lösung automatisch mit der Anzahl der eingehenden Tickets skaliert. Die Funktion nutzt die vordefinierte Intent-Liste, um ein strukturiertes System-Prompt für Claude zu erstellen, das dem Model exakte Anweisungen zur Klassifizierung gibt. Diese Vorverarbeitung stellt sicher, dass keine personenbezogenen Daten das sichere Umfeld von Trusted Shops verlassen.
Qualitätskontrolle und kontinuierliche Optimierung
Ein kritischer Aspekt der Implementation ist die Qualitätskontrolle der KI-Antworten. Trusted Shops hat mehrere Sicherheitsmechanismen implementiert, um fehlerhafte Klassifizierungen zu verhindern und sicherzustellen, dass nur validierte Intents verarbeitet werden.
Die Lambda-Funktion validiert jede Antwort von Claude gegen die vordefinierte Liste der 30+ Intent-Kategorien. Falls das Model einen unbekannten Intent zurückgibt oder eigene Kategorien erfindet, wird automatisch der Fallback-Intent ai_intent_tagging_error gesetzt. Dieser Mechanismus verhindert, dass fehlerhafte Klassifizierungen zu automatisierten Aktionen führen, die dem Kunden schaden könnten.

Live-Dashboard zur Überwachung der KI-Genauigkeit mit Approval-Raten, Ticket-Volumina und menschlicher Qualitätskontrolle für alle Intent-Kategorien.
Das QA-Dashboard zeigt die Dimensionen der Automatisierung: Mit über 1.100 Tickets allein für ai_intent_positive_confirmation
wird deutlich, welche Entlastung die KI-Lösung für die Service-Teams bringt.. Die farbkodierten Approval-Raten geben direktes Feedback über die Qualität der Intent-Erkennung für jeden Kategorie-Typ.
Für kontinuierliche Verbesserung implementiert Trusted Shops ein A/B-Testing-System, das parallel verschiedene Basismodelle oder Prompt-Versionen abruft. Bei unterschiedlichen Ergebnissen wird das Ticket mit dem Tag ai_beta_intent_differs markiert, um diese Fälle für die Qualitätskontrolle zu identifizieren. Diese Daten nutzt das Team, um neue Model-Releases zu evaluieren und sowohl Genauigkeit als auch Kosten zu optimieren.
Nach der erfolgreichen Intent-Erkennung erfolgt die nahtlose Integration in die bestehenden Zendesk-Workflows. Die Lambda-Funktion fügt automatisch Tags im Format ai_intent_{intent_name}
zu den entsprechenden Tickets hinzu, beispielsweise ai_intent_product_damage_report
, um Produktdefekte zu melden. Diese Tags ermöglichen es, sowohl automatisierte Folgeaktionen auszulösen als auch detaillierte Analysen über die Häufigkeit verschiedener Anfrage-Typen durchzuführen.
Für die Nachvollziehbarkeit werden alle KI-Verarbeitungsschritte als interne Notizen im Zendesk-Ticket dokumentiert. Service-Agenten können so jederzeit nachvollziehen, welche Analyse durchgeführt wurde und auf welcher Basis eine automatisierte Antwort generiert wurde. Ein wichtiger Sicherheitsmechanismus ist die Beschränkung auf die erste Kundeninteraktion: Nur die initiale Anfrage wird automatisch bearbeitet. Bei Rückfragen oder der Wiedereröffnung eines Tickets erfolgt immer eine menschliche Bearbeitung.
Die Qualität der KI-Antworten wird durch mehrere Feedback-Mechanismen kontinuierlich verbessert. Jede automatisch generierte Antwort enthält einen direkten CSAT-Link (Customer Satisfaction), über den Kunden die Qualität der Antwort bewerten können. Tickets mit schlechten Bewertungen (weniger als 3 Sterne) werden automatisch von menschlichen Agenten nachgeprüft und dienen als Lerngrundlage für weitere Prompt-Optimierungen.
Ergebnisse und Ausblick
Die Ergebnisse der KI-Implementation übertreffen die ursprünglichen Erwartungen deutlich. Trusted Shops kann die Automatisierungsrate von anfänglich 15 Prozent auf 50 Prozent aller eingehenden Support-Anfragen steigern. Die Kundenzufriedenheit mit den KI-generierten Antworten erreicht durchschnittlich 4 von 5 Sternen, während sich die Zufriedenheit mit der menschlichen Bearbeitung um 4 Prozent verbessert. Besonders beeindruckend ist die Reduktion des Bearbeitungszyklus (Full Resolution Time) um 60 Prozent bei menschlicher Bearbeitung, während KI-Antworten in Sekunden bereitstehen. Die 24/7-Verfügbarkeit führt zu reduzierten Backlogs und gibt Kunden bei zeitkritischen Anliegen sofortige Gewissheit.
„Durch die AI-Lösungen auf AWS Bedrock konnten wir die Ticket-Bearbeitungszeit um 60 % reduzieren und gleichzeitig eine Automatisierungsrate von über 50 % erreichen – ein entscheidender Effizienzgewinn, der unseren Kunden schneller weiterhilft und unseren Teams mehr Zeit für persönliche Betreuung und komplexe Anliegen verschafft“, fasst Dr. Bastian Kolmsee, CPO von Trusted Shops, die Erfolge zusammen.
Unternehmen, die ähnliche Effizienzgewinne erzielen möchten, können von diesem Ansatz lernen: Beginnen Sie mit der Analyse Ihrer häufigsten Support-Anfragen und identifizieren Sie wiederkehrende Muster. Implementieren Sie zunächst einfache Anwendungsfälle wie die Beantwortung häufiger Fragen oder Statusabfragen, bevor Sie komplexere Szenarien angehen. Nutzen Sie Amazon Bedrock’s Modell-Vielfalt für A/B-Tests verschiedener Basismodelle und etablieren Sie von Anfang an Qualitätskontroll- und Feedback-Mechanismen. Mit der richtigen Strategie und den passenden AWS-Tools können auch Sie Ihre Kundenzufriedenheit steigern, Bearbeitungszeiten reduzieren und Ihren Service-Teams mehr Zeit für die Fälle verschaffen, die wirklich menschliche Expertise benötigen.