Siebel 26.6 führt RAG-gestützte semantische Suche zur Lösung von Serviceanfragen ein
Wichtige Erkenntnisse
- •Siebel 26.6 führt eine RAG-gestützte semantische Suche ein, die Zusammenfassungen von Serviceanfragen in Embeddings umwandelt und sie gegen einen OpenSearch-Vektorindex abfragt, sodass Lösungen auch dann gefunden werden können, wenn Tickets unterschiedlich formuliert sind.
- •Der Retrieval-Bereich umfasst sowohl historische Serviceanfragen als auch Artikel der Fusion Knowledge Base, mit Funktionen für Drill-down-Navigation, Vergleich nebeneinander und die Verknüpfung neuer Anfragen als untergeordnete Elemente bestehender Anfragen.
- •Die RAG-Funktionalität wird nativ innerhalb der Siebel-Plattform ausgeliefert, statt eine separate Integration zu erfordern, und entspricht damit einem breiteren Branchentrend, generative KI-gestütztes Retrieval in Unternehmens-CRM- und Support-Workflows einzubetten.
- •Datenqualität und regulatorische Compliance — insbesondere im Umgang mit sensiblen Kundeninformationen gemäß GDPR oder HIPAA — bleiben wichtige Faktoren, die Unternehmen vor einer Einführung bewerten müssen.
- •Der Autor empfiehlt, das System vor einer vollständigen Einführung anhand unaufgeräumter realer Archive zu validieren, und betont, dass gerankte Suchergebnisse menschlichen Mitarbeitenden als Entscheidungsunterstützung dienen sollten, nicht als automatisierte Urteile.
Ein Siebel-Entwickler erklärt Retrieval-Augmented Generation in der Suche nach Serviceanfragen
Jeder Helpdesk, der Siebel unterstützt, kennt ein typisches Szenario: Ein Kunde meldet, dass „die App direkt nach dem Einloggen einfriert“. Drei Monate zuvor hatte ein anderer Kunde ein Ticket eingereicht, in dem stand, dass „das System hängt, bevor das Dashboard lädt“. Aller Wahrscheinlichkeit nach haben beide Probleme dieselbe Ursache und dieselbe Lösung. Doch mit der traditionellen stichwortbasierten Suche, auf die sich die meisten Unternehmen seit zwei Jahrzehnten verlassen, würden diese beiden Serviceanfragen nie miteinander verknüpft. Ein Supportmitarbeiter löst das Problem, dokumentiert es und schließt das Ticket — nur damit der nächste Mitarbeiter wieder von vorn beginnt, weil die Suchmaschine nur die exakt eingegebenen Wörter abgleicht, nicht die zugrunde liegende Absicht.
Wie Siebel 26.6 das Retrieval-Modell verändert
Siebel 26.6 adressiert diese seit Langem bestehende Lücke mit der Einführung einer RAG-gestützten Suche (Retrieval-Augmented Generation). Statt sich auf wörtliche Stichworttreffer zu verlassen, fasst das neue System die eingehende Serviceanfrage zusammen, wandelt diese Zusammenfassung in ein Embedding um und führt eine semantische Ähnlichkeitssuche in einem OpenSearch-Vektorindex aus. Dieser Ansatz ermöglicht es, unterschiedlich formulierte Tickets derselben zugrunde liegenden Bedeutung zuzuordnen und relevante frühere Lösungen sichtbar zu machen, die eine Stichwortsuche übersehen würde.
Der Retrieval-Bereich umfasst sowohl historische Serviceanfragen als auch relevante Artikel der Fusion Knowledge Base und gibt Supportmitarbeitern damit einen breiteren Kontext für die Problemlösung. Das System unterstützt Drill-down-Funktionen und den Vergleich von Lösungen nebeneinander, sodass Mitarbeitende bewerten können, wie ähnliche Probleme zuvor behandelt wurden. Zusätzlich kann es organisatorische Beziehungen bewahren, indem eine neu erstellte Anfrage als untergeordnetes Element einer bestehenden Anfrage zugeordnet wird.
Überlegungen zur Implementierung
Aus Implementierungssicht ist RAG in Siebel 26.6 konfigurierbar und wird als integraler Bestandteil der Siebel-Plattform ausgeliefert, statt einen separaten Technologie-Stack zu erfordern. Das ist bemerkenswert, weil Siebel, das 2006 von Oracle übernommen wurde und weiterhin in großen Unternehmen breit im Einsatz ist, für erweiterte Suchfunktionen historisch häufig kundenspezifische Integrationen benötigte. Die native Einbettung von RAG in die Plattform passt zu einem breiteren Branchentrend, bei dem Anbieter von Unternehmensanwendungen — darunter Salesforce, ServiceNow und Microsoft — daran arbeiten, generative KI-gestützte Retrieval-Funktionen direkt in ihre Support- und CRM-Workflows zu integrieren.
Der Autor weist jedoch darauf hin, dass mehrere Faktoren besondere Aufmerksamkeit erfordern. Datenqualität bleibt entscheidend — die Wirksamkeit des semantischen Retrieval hängt stark davon ab, wie sauber und vollständig das zugrunde liegende Archiv der Serviceanfragen ist. Der LLM-basierte Zusammenfassungsschritt bringt zudem Abwägungen bei Leistung und Compliance mit sich, die Unternehmen prüfen müssen, insbesondere in regulierten Branchen, in denen Ticketdaten sensible Kundeninformationen enthalten können, die GDPR, HIPAA oder ähnlichen Rahmenwerken unterliegen.
Der Autor betont, dass gerankte Suchergebnisse als Entscheidungsunterstützung für Supportmitarbeiter betrachtet werden sollten, nicht als automatisches Urteil. Menschliches Urteilsvermögen bleibt wesentlich, um den geeigneten Lösungsweg zu bestimmen.
Langfristiger Nutzen und Empfehlungen für die Einführung
Ein zentrales Argument für semantische Suche ist, dass ihr Wert mit der Zeit zunimmt. Wenn der durchsuchbare Bestand an „gelösten Problemen“ mit jedem geschlossenen Ticket wächst, können künftige Lösungen schrittweise schneller gefunden werden. Für Unternehmen mit umfangreichen Siebel-Archiven — manche umfassen Jahrzehnte angesammelter Supporthistorie — könnte dieser kumulative Effekt einen spürbaren Produktivitätsgewinn für Supportteams bedeuten.
Der Autor empfiehlt, das System vor einer vollständigen Einführung anhand unaufgeräumter, realer Archive zu validieren, um sicherzustellen, dass es unter praktischen Bedingungen zuverlässig funktioniert. Unternehmen, die Siebel 26.6 evaluieren, sollten zudem beobachten, wie Oracle KI-Funktionen weiter in seine breitere Fusion Applications Suite integriert, da künftige Versionen auf dieser Retrieval-Grundlage aufbauen könnten.
