Die KI wird den Support-Analysten nicht ersetzen, aber der Analyst, der sie gut nutzt, wird den ersetzen, der sie ignoriert. In GLPI ist dies keine Floskel: Es ist ein Ablauf, den Sie konfigurieren, messen und anpassen. Im Betrieb von GLPI-Service-Desks unserer Kunden haben wir die KI auf zwei Arten scheitern sehen – ohne Messung gepredigt (niemand weiß, ob sie geholfen hat) und im Autopilot genutzt (falscher Vorschlag direkt in die Lösung kopiert). Dieser Leitfaden zeigt, wie Sie KI im Ticket-Alltag operationalisieren, mit den Abfragen und der Konfiguration, die wir in der Praxis einsetzen.
Messen Sie zuerst, wo sich KI lohnt, nicht wo sie beeindruckt
Der häufige Fehler besteht darin, die KI auf den komplexen und seltenen Fall zu richten – jenen, der in der Demo glänzt – statt auf den repetitiven Fall mit hohem Volumen, wo sie wirklich Zeit zurückgibt. Bevor Sie irgendetwas anbinden, finden Sie heraus, wo sich Volumen konzentriert und was es kostet. Diese Abfrage listet die Kategorien mit den meisten Tickets der letzten 90 Tage und die durchschnittliche Zeit bis zur Lösung – die Kandidaten mit dem größten Nutzen für KI-gestützte Antworten, Artikel in der Wissensdatenbank und automatische Triage:
-- Categorias de maior volume e tempo medio de resolucao (90 dias).
-- solve_delay_stat esta em segundos; /3600 converte para horas.
SELECT c.completename AS categoria,
COUNT(t.id) AS chamados,
ROUND(AVG(t.solve_delay_stat)/3600, 1) AS horas_ate_resolver
FROM glpi_tickets t
JOIN glpi_itilcategories c ON c.id = t.itilcategories_id
WHERE t.date >= DATE_SUB(NOW(), INTERVAL 90 DAY)
AND t.is_deleted = 0
AND t.solvedate IS NOT NULL
GROUP BY t.itilcategories_id, c.completename
HAVING chamados >= 10
ORDER BY chamados DESC
LIMIT 15;Die Spitze dieser Liste ist Ihre Landkarte: Es sind die Themen, bei denen eine automatische Zusammenfassung, ein Antwortentwurf oder ein KB-Artikel am meisten bringen. Eine Kategorie mit hohem Volumen und langer Lösungszeit ist der Bereich, in dem die KI als Assistent die Warteschlange am stärksten entlastet; eine Kategorie mit geringem Volumen und hoher Komplexität bleibt menschliche Arbeit – und der Versuch, sie zu automatisieren, ist Verschwendung.
Erst deterministische Triage, dann KI
Die teuerste Verwechslung, die wir sehen, ist, von der KI zu verlangen, was die Geschäftsregeln von GLPI bereits besser erledigen. Kategorie zuordnen, Priorität festlegen und Gruppe nach Muster von Betreff, Anforderer oder Einheit zuweisen ist Aufgabe der Geschäftsregeln für Tickets (RuleTicket): deterministisch, nachvollziehbar und reproduzierbar. Generative KI kommt bei Unscharfem zum Einsatz, bei dem keine Reproduzierbarkeit nötig ist: einen Verlauf mit 50 Interaktionen zusammenfassen, eine Antwort auf Basis der Historie entwerfen, den Ton des Anforderers einschätzen. Wer beide Rollen vermischt, erzeugt SLA-Berichte, die niemand erklären kann. Die Matrix, mit der wir entscheiden, wer was ausführt:
| Aufgabe | Idealer Ausführender | Warum | Risiko bei Vertauschung |
|---|---|---|---|
| Kategorie und Priorität zuordnen | Geschäftsregel (RuleTicket) | Muss im SLA-Bericht reproduzierbar und nachvollziehbar sein | KI variiert die Entscheidung; die SLA wird zur Blackbox |
| Langen Verlauf zusammenfassen | KI (AI Assist) | Unscharfe Aufgabe ohne eindeutige Antwort | Eine feste Regel fasst nicht zusammen; der Analyst liest alles von Hand |
| Antwort entwerfen | KI + menschliche Prüfung | Beschleunigt, aber der Analyst zeichnet verantwortlich | Ungeprüft einfügen trägt den Fehler in die KB |
| An die richtige Gruppe weiterleiten | Geschäftsregel | Deterministisch nach Einheit/Betreff | Ticket landet in der falschen Gruppe und reißt die SLA |
| Grundursache diagnostizieren | Mensch | Undokumentierte Variablen, realer Kontext | Die KI „halluziniert“ eine plausible, aber falsche Ursache |
Rufen Sie die KI im Ticketzyklus niemals synchron auf
Diese Falle hat im Betrieb die meisten Stunden gekostet. Wenn die KI-Integration – oder irgendein externer Webhook – innerhalb des Hooks zum Erstellen oder Aktualisieren eines Tickets synchron einen HTTP-Aufruf auslöst, hängt Speichern beim Analysten fest und wartet auf die Antwort der externen API. Wir haben erlebt, wie der Speichern-Button 30 bis 60 Sekunden blockierte, weil ein Hook die Anfrage sofort ausführte, und der Analyst schwor, „GLPI ist langsam“. Die Anreicherung durch KI muss asynchron erfolgen: in eine Warteschlange stellen und außerhalb des Requests verarbeiten, über den externen Cron von GLPI. Und dieser Cron muss echt sein (CLI-/externer Modus), nicht durch Seitenaufrufe ausgelöst:
# Cron externo do GLPI (MODE_EXTERNAL) - roda as tarefas em fila,
# inclusive notificacoes e enriquecimento assincrono.
# Rode como o usuario do servidor web (www-data / apache), a cada minuto:
* * * * * www-data /usr/bin/php /var/www/html/glpi/front/cron.php >/dev/null 2>&1Der häufige Fehler ist, die automatischen Aktionen im internen Modus zu belassen, ausgelöst durch Personen, die eine Seite aufrufen. Ohne Besuch läuft nichts; unter Last blockiert eine lange Aufgabe den Status, und die übrigen werden nicht ausgeführt. Stellen Sie die automatischen Aktionen in GLPI auf den CLI-Modus um und richten Sie die obige Crontab ein – sonst „funktioniert die Automatisierung manchmal“, was gleichbedeutend damit ist, dass sie nicht funktioniert.
Was weiterhin menschliche Arbeit bleibt
Die KI entwirft; der Mensch entscheidet und zeichnet verantwortlich. Die Diagnose eines Problems mit undokumentierten Variablen, die Verhandlung mit einem frustrierten Benutzer, die Abwägung, ob eskaliert oder umgangen wird, der politische Kontext, der die tatsächliche Priorität bestimmt – nichts davon löst die KI. Und es gibt ein Detail, welches nur bemerkt, wer selbst im Betrieb steht: Lösungsfelder der Tickets speisen die Wissensdatenbank, die wiederum den nächsten Vorschlag der KI speist. Eine generierte Antwort ungeprüft einzufügen ist nicht nur ein einzelner Fehler – er landet im Bestand und kommt im nächsten Vorschlag verstärkt zurück. Der Analyst im Zeitalter der KI ist der Prüfer, der verhindert, dass dieser Kreislauf die Qualität des Supports verschlechtert.
Die technischen Fähigkeiten, die künftig zählen
- Prompt mit Ticketkontext: Wer das Element, die Historie und den genauen Fehler nennt, erhält eine nützliche Antwort; ein generischer Prompt liefert generischen Text.
- RuleTicket lesen und anpassen: Die deterministische Triage zu verstehen, auf der die SLA beruht, ist mehr wert als jeder KI-Trick.
- Mit SQL messen: Die obigen Abfragen belegen mit Zahlen, wo die KI etwas gebracht hat und wo sie nur Arbeit verursacht hat.
- Die Wissensdatenbank pflegen: Ein KI-Vorschlag ist nur so gut wie die KB, die ihn speist; ein veralteter Artikel wird zum falschen Vorschlag.
- Vor dem Einfügen prüfen: Sie zeichnen für die Lösung verantwortlich, nicht die KI. Diese Grenze definiert den Analysten, der echten Mehrwert schafft.
Möchten Sie KI messbar innerhalb von GLPI arbeiten lassen, mit dem Modul AI Assist, welches OpenAI GPT und Google Gemini direkt ins Ticket integriert? Lernen Sie den GLPI-Betriebssupport von NexTool kennen und lassen Sie die KI Ergebnisse liefern, ohne zu beschädigen, was bereits funktioniert.
Geprüft vom Team von NexTool Solutions.
