Wenn Agentforce halluziniert: Warum KI im Service eine eigene Wissensbasis braucht

Fehlerhafte KI-Antworten im Servicebereich gefährden Entscheidungen. Bei Garantieanfragen oder Wartungsfällen liefern generische KI-Modelle oft ungenaue Informationen: nicht existierende Fehlercodes, falsche Vertragsdaten oder unpassende Wartungsschritte. Der Grund: Solche Modelle basieren auf Wahrscheinlichkeiten, nicht auf verlässlichen Fakten. Eine eigenständige Wissensbasis wie die Service Decision Intelligence (SDI) schafft Abhilfe, indem sie Daten aus IoT, ERP und CRM konsolidiert und KI-Entscheidungen nachvollziehbar macht.

Kernpunkte:

• Problem: Generische KI-Modelle neigen zu Halluzinationen, da ihnen spezifische Servicedaten fehlen.
• Lösung: SDI bietet eine zentrale Intelligenzschicht mit Quellennachweisen und Confidence-Scores.
• Ergebnis: Schnellere, präzisere Entscheidungen, die auditierbar und AI-Act-konform sind.

In der Praxis zeigt sich, dass SDI nicht nur den Arbeitsalltag im Service optimiert, sondern auch die Grundlage für Automatisierung schafft.

Ein typisches Szenario: Claims-Triage mit und ohne SDI

So läuft die Claims-Triage heute ab

Ein Reklamationsfall wird gemeldet. Auf den ersten Blick scheint es sich um einen Garantiefall zu handeln – doch ist das wirklich der Fall? Um dies zu klären, greift der zuständige Mitarbeiter auf verschiedene Quellen zu: IoT-Daten, Salesforce, ERP-Systeme und PDF-Archive. Jede dieser Quellen liefert lediglich ein Puzzlestück, und es gibt keine nahtlose Verbindung zwischen ihnen.

Die Entscheidung, ob ein Fall unter Garantie, Kulanz oder als kostenpflichtig eingestuft wird, hängt davon ab, ob ein erfahrener Mitarbeiter alle Informationen korrekt zusammenfügt. Telefonate, E-Mail-Korrespondenz und das manuelle Abgleichen von Excel-Listen prägen in vielen Service-Organisationen den Arbeitsalltag — selbst bei Herstellern, die ihre Daten längst digitalisiert haben.

Wenn erfahrene Mitarbeiter das Unternehmen verlassen, geht oft wertvolles Wissen verloren. Der Einsatz eines generischen LLM (Large Language Model) als Ersatz birgt Risiken: Solche Modelle erfinden unter Umständen Fehlercodes, schätzen Vertragslaufzeiten falsch ein oder schlagen Wartungsschritte vor, die für andere Maschinen gelten. Im Gegensatz dazu bietet SDI eine zuverlässige und vollständig integrierte Datenaufbereitung.

So verändert SDI die Claims-Triage

Mit SDI wird ein Servicefall von Anfang an automatisch mit relevanten Informationen angereichert: IoT-Telemetriedaten, Vertragsdetails aus Salesforce, Materialchargen und Garantiefristen aus dem ERP sowie relevante Abschnitte aus der technischen Dokumentation – und das alles ohne manuelle Systemwechsel.

SDI liefert eine vorab klassifizierte Empfehlung – etwa „Garantie“, „Kulanz“ oder „kostenpflichtig“ – ergänzt durch einen Confidence-Score und Hinweise auf mögliche Datenlücken. Fehlt beispielsweise ein Wartungsnachweis, wird dies klar aufgezeigt, statt Annahmen als Fakten darzustellen. Jede Empfehlung enthält einen Quellennachweis, der nachvollziehbar macht, auf welcher Datenbasis die Entscheidung beruht. So ist die Lösung von Anfang an auditierbar und entspricht den Anforderungen des AI Act.

Der zentrale Unterschied: Der Mensch trifft die finale Entscheidung – jedoch auf Basis fundierter Informationen, nicht im Ungewissen.

Ein Innendienstmitarbeiter stellt eine einfache Frage in natürlicher Sprache: „Warum fällt Maschine 41788 in den letzten sechs Wochen häufiger aus?“

Ohne SDI bedeutet dies, dass manuell Tickets, IoT-Dashboards und Servicedokumentationen durchsucht werden müssen – mit einem Ergebnis, das stark davon abhängt, wer gerade verfügbar ist.

Mit SDI hingegen analysiert die Intelligenzschicht gleichzeitig IoT-Zeitreihen, offene und abgeschlossene Tickets sowie technische Dokumentationen. Das Ergebnis ist eine präzise Antwort mit Quellennachweis, Confidence-Score und klar benannten Datenlücken. Dabei handelt es sich nicht um eine Blackbox-Antwort, sondern um eine zitierfähige Diagnose, die transparent aufzeigt, welche Sensordaten ausschlaggebend waren, welches Ticket den relevanten Hinweis enthält und welche Stelle in der Betriebsanleitung betroffen ist. Diese Informationen kann der Innendienst direkt weiterverarbeiten.

Wichtig ist: SDI fungiert als Intelligenzschicht zwischen den Daten und dem KI-Agenten – es ist nicht das Frontend selbst, sondern die Grundlage für fundierte Entscheidungen.

8 Gründe, warum SDI KI-Agenten vor Halluzinationen schützt

SDI bietet acht klare Vorteile, um Halluzinationen generischer KI-Agenten zu vermeiden und dabei verlässliche, nachvollziehbare Entscheidungen zu ermöglichen.

Confidence-Scores und benannte Datenlücken

Während generische KI-Modelle oft mit scheinbarer Gewissheit antworten, auch wenn die Datenbasis unzureichend ist, geht SDI einen anderen Weg. Jede Empfehlung enthält einen Confidence-Score, der die Zuverlässigkeit der Aussage transparent macht. Zusätzlich prüft SDI Hypothesen aktiv auf Gegenbeweise. Fehlen beispielsweise Wartungsnachweise oder sind Sensorwerte unvollständig, wird dies explizit benannt. So bleibt für den Anwender nachvollziehbar, worauf sich die Empfehlung stützt und wo Unsicherheiten bestehen.

Eine verlässliche KI muss Unsicherheit zeigen können — Annahmen als Fakten zu präsentieren, ist gefährlicher als ehrliche Datenlücken zu benennen. Genau diesen Weg geht SDI.

Persistenter Audit-Trail und AI-Act-Konformität ab Tag 1

Mit SDI wird jede Antwort durch einen unveränderlichen Audit-Trail dokumentiert. Dieser zeigt genau, welche Sensordaten, Tickets oder ERP-Einträge die Grundlage für eine Empfehlung bilden. Da der Audit-Trail nicht nachträglich bearbeitet werden kann, erfüllt er die Transparenz- und Nachvollziehbarkeitsanforderungen des EU AI Act von Beginn an. Für Serviceleiter bedeutet das: Jede Entscheidung ist vollständig auditierbar.

Cross-Asset-Reasoning über Flotten und Standorte

Ein einzelnes Maschinenprotokoll reicht oft nicht aus, um ein umfassendes Bild zu erhalten. SDI analysiert Muster über die gesamte installierte Basis hinweg – unabhängig von Standorten, Maschinentypen oder Betriebsumgebungen. Zeigen beispielsweise zehn Anlagen eines Typs in einem bestimmten Zeitfenster ähnliche Anomalien, erkennt SDI diese Zusammenhänge. Das ermöglicht eine Flottenanalyse, die weit über Einzelfalldiagnosen hinausgeht, und bietet Unternehmen eine zentrale Kontrolle über ihre Dateninfrastruktur.

Datenhoheit auf Ihrer eigenen Cloud

SDI wird direkt auf der Infrastruktur des Kunden betrieben – entweder auf Azure, AWS oder auch Heroku, nicht auf in einer geteilten Umgebung. Dadurch bleiben Servicedaten, Maschinendaten und Vertragshistorien innerhalb der eigenen Cloud und fließen nicht in externe LLM-Trainings ein. Diese Lösung erfüllt nicht nur branchenspezifische Datenschutzanforderungen, sondern erlaubt auch eine flexible Integration in bestehende Systeme.

LLM- und Agent-agnostisch via MCP

SDI ist unabhängig von einem bestimmten KI-Frontend. Über das Model Context Protocol (MCP) — einen offenen Standard für die Anbindung von Kontextquellen an KI-Modelle — kann die Intelligenzschicht mit Agentforce, Claude, Copilot oder anderen Agenten verbunden werden. Selbst bei einem Wechsel des Frontends bleibt die gesamte Domänenlogik, einschließlich der Wissensbasis, Confidence-Logik und Audit-Trails, erhalten.

Headless 360 und bidirektionale Verfügbarkeit

Die SDI-Funktionen sind sowohl als REST-Action für Agentforce als auch als MCP-Tool für andere KI-Frontends verfügbar. Ohne proprietäre Formate oder Vendor-Lock-in können dieselben Diagnoselogiken parallel in verschiedenen Systemen genutzt werden. Die offene Architektur ermöglicht eine flexible und zukunftssichere Integration.

10–12 Wochen bis zur Produktivität statt 6–12 Monate

Im Gegensatz zu Eigenentwicklungen, die oft 6–12 Monate in Anspruch nehmen, ist SDI mit seinen sechs vorgefertigten Skills in nur 10–12 Wochen einsatzbereit. Das spart nicht nur Entwicklungszeit, sondern auch den Aufwand, eine eigene RAG-Infrastruktur von Grund auf aufzubauen.

Die sechs SDI-Skills im Überblick

Die sechs Skills bilden eine vollständige Intelligenzschicht für den Maschinenbau-Service:

Weitere Details zu den einzelnen Skills finden Sie auf der SDI-Leistungsseite.

SDI als Intelligenzschicht hinter KI-Frontends

SDI vs. generische KI-Frontends: Die Rollen der einzelnen Schichten

SDI bildet die Grundlage für verlässliche Frontends, indem es Daten aus verschiedenen Quellen wie IoT, Salesforce, ERP und technischer Dokumentation nahtlos integriert. Frontends wie Agentforce oder Copilot können ohne eine domänenspezifische Wissensbasis zu fehlerhaften Ergebnissen führen – nicht wegen schlechter Modelle, sondern wegen fehlender strukturierter Daten. Hier setzt SDI an: Es fungiert als Intelligenzschicht, die diese Lücke schließt und Daten transparent aufbereitet.

Eine Wissensbasis liefert dem Agenten die externe Datenwahrheit — Produktdetails, Servicehistorien, Fehlercodes — auf die er bei jeder Antwort zugreift. Ohne diese Quelle bleibt das LLM auf die statistische Wahrscheinlichkeit der eigenen Trainingsdaten angewiesen. Die Stärke von SDI liegt in der Bereitstellung einer soliden Wissensbasis mit Quellennachweisen, Confidence-Scores und einem permanenten Audit-Trail. Während das Frontend flexibel austauschbar bleibt, sorgt SDI für eine stabile, domänenspezifische Logik.

Diese klare Trennung zwischen der Wissensbasis und dem Frontend erleichtert die Integration in bestehende Systeme und stellt sicher, dass die Ergebnisse zuverlässig bleiben.

Natives Salesforce-Datenmodell statt externer Overlays

SDI arbeitet direkt auf dem nativen Salesforce-Datenmodell und benötigt keine zusätzlichen Overlays. Dabei nutzt es bestehende Strukturen wie Asset-Hierarchien, Servicehistorien und die installierte Basis. Änderungen im CRM werden in Echtzeit in der Wissensbasis reflektiert, ohne dass eine zusätzliche Synchronisationslogik erforderlich ist.

Ein Beispiel dafür ist die Digitale Maschinenakte, die Konfigurationshistorien, installierte Basis und IoT-Daten direkt in Salesforce integriert. Durch diesen Ansatz entfällt der Aufwand für separate Datenübertragungen, und die Informationen bleiben stets aktuell.

Mit diesem nativen Ansatz bietet SDI nicht nur Echtzeit-Integration, sondern auch eine hohe Verlässlichkeit, speziell für branchenspezifische Anforderungen.

Branchenspezifische Präzision und Kontrolle über die Infrastruktur

Generische KI-Modelle sind für allgemeine Anwendungsfälle ausgelegt und enthalten oft kein spezifisches Wissen für den Sondermaschinenbau – wie etwa Details zu Fehlercodes, Bauteilgenerationen oder Wartungszyklen. SDI schließt diese Lücke, indem es genau diese Informationen strukturiert bereitstellt und für KI-Agenten zugänglich macht.

Ein weiterer entscheidender Vorteil: SDI wird auf der Infrastruktur des Kunden betrieben, etwa auf Azure oder AWS, und nicht in einer geteilten Umgebung. Das gewährleistet die Datenhoheit und erfüllt die Anforderungen des AI Act. Servicedaten bleiben geschützt und fließen nicht in externe Trainingsmodelle ein. Jede Antwort basiert auf einer nachvollziehbaren und auditierbaren Datenbasis, was für maximale Transparenz sorgt.

Durch diese Kombination aus domänenspezifischem Wissen und strikter Infrastrukturkontrolle unterscheidet sich SDI grundsätzlich von generischen Lösungen.

SDI in der Service-Architektur von logicline

Grundlage: Das 4-Stufen-Modell

SDI wird nicht als eigenständige Lösung eingeführt, sondern baut auf den vorherigen Stufen des 4-Stufen-Modells auf:

• Stufe 1 — Digitalisieren: Die Digitale Maschinenakte in Salesforce schafft eine strukturierte Datenbasis.
• Stufe 2 — Vernetzen: Das Installed Base Assessment konsolidiert und bereinigt verteilte Stammdaten; IoT-Plattform, ERP und Wissensquellen werden mit Salesforce verbunden.
• Stufe 3 — Entscheiden: SDI nutzt die vernetzten Daten als Wissensbasis und liefert KI-Agenten Antworten mit Quellennachweis, Confidence-Score und persistentem Audit-Trail.
• Stufe 4 — Automatisieren: Aufbauend auf SDI lassen sich definierte Servicearbeiten autonom erledigen — der Übergang zu Service as Software.

Ohne eine vollständige und korrekte Maschinenakte sowie eine konsolidierte installierte Basis bleibt jede KI-Integration unsicher. Diese Vorarbeit ist entscheidend, um spezialisierte Partnerlösungen effizient einzubinden.

Integration von Partnerlösungen: GRAX und Empolis Service Express

Zwei zentrale Partnerlösungen tragen wesentlich zur Wissensbasis von SDI bei.

• GRAX: Diese Lösung ermöglicht den umfassenden Zugriff auf Salesforce-Datenhistorien, einschließlich Servicefälle, Verträge und Reklamationen über mehrere Jahre hinweg – ohne durch API-Limits eingeschränkt zu sein. Dadurch erhält der KI-Agent einen vollständigen Überblick über den Lebenszyklus eines Objekts, anstatt nur auf aktuelle Daten zuzugreifen.
• Empolis Service Express: Hier wird technisches Dokumentationswissen eingebracht. Über Retrieval Augmented Generation können Handbücher, Fehlercodes und Wartungsanweisungen gezielt abgefragt werden. logicline hat die Salesforce-Integration von Empolis Service Express mitentwickelt, wodurch technisches Wissen und CRM-Daten in einer einheitlichen Abfragelogik zusammengeführt werden. Wie diese Wissensbasis methodisch aufgebaut wird — von der Erfassung im Ticketsystem bis zur Verknüpfung mit der Maschinenakte — vertieft unser Beitrag Wissensmanagement im Service.

Weg zur Automatisierung: Stufe 4 und Service as Software

Die Implementierung von SDI in Stufe 3 — Entscheiden — legt den Grundstein für die Automatisierung in Stufe 4. Entscheidungen, die heute durch Menschen nachvollzogen und getroffen werden, können künftig automatisiert erfolgen. Ein Beispiel: Liegt der Confidence-Score einer Entscheidung über einem festgelegten Schwellenwert, kann die gleiche Logik, die aktuell einen Mitarbeiter informiert, künftig automatisch einen Serviceauftrag auslösen. SDI macht Entscheidungen nicht nur maschinenlesbar, sondern auch wiederholbar. Damit wird der Übergang zur Automatisierung nahtlos vorbereitet.

Fazit: Was SDI für Ihren Servicebetrieb bedeutet

Die wichtigsten Erkenntnisse

Generische KI-Agenten stoßen ohne eine domänenspezifische Wissensbasis schnell an ihre Grenzen: Die gelieferten Antworten sind oft unzuverlässig und nicht belegbar — in der Claims- oder Warranty-Triage führt das zu falschen Klassifikationen und Folgekosten. Genau hier setzt SDI an und schließt diese Lücke.

Mit SDI werden Ihre Servicedaten in eine zitierfähige Wissensbasis überführt. Diese enthält Quellennachweise, Confidence-Scores und markiert explizit bestehende Datenlücken. Dadurch wird sichergestellt, dass Entscheidungen auf fundierten und nachvollziehbaren Informationen basieren. SDI ist ein zentraler Bestandteil der dritten Stufe — Entscheiden — und bereitet den Weg für eine schrittweise Automatisierung Ihrer Serviceprozesse.

Ein weiterer Vorteil: SDI gewährleistet Ihre Datenhoheit durch den Einsatz einer eigenen Cloud-Infrastruktur (Azure oder AWS) und bleibt dank der MCP-Architektur unabhängig von spezifischen LLMs. Die Lösung ist direkt AI-Act-konform und bietet Flexibilität in der Systemintegration. Das Frontend kann ausgetauscht werden, während die Intelligenzebene vollständig in Ihrer Kontrolle bleibt.

Der erste Schritt ist nicht das nächste KI-Pilotprojekt, sondern eine ehrliche Datenstandort-Bestimmung. Das Installed Base Assessment zeigt, welche Servicedaten heute verfügbar sind, welche der sechs SDI-Skills den größten Hebel bieten und in welcher Reihenfolge SDI in Ihre Service-Architektur produktiv geht — typischerweise in 10 bis 12 Wochen. Wer bereits eine strukturierte Basis hat und direkt evaluieren möchte, wie SDI auf konkreten Servicefällen aufsetzt, vereinbart ein Erstgespräch. Details zur Architektur, den sechs Skills und der MCP-Anbindung an Agentforce, Claude oder Copilot finden Sie auf der Leistungsseite Service Decision Intelligence.