Interner IT-Helpdesk-Assistent

IT-Service-Desks verbringen viel Zeit mit wiederkehrenden Anfragen: Passwort-Zurücksetzungen, VPN-Probleme, „wie verbinde ich mich mit dem Drucker“, Software- und Zugriffsanträge. Ein LLM-Assistent in Microsoft Teams, Slack oder dem Intranet-Portal antwortet aus der Wissensbasis, führt Routineaktionen über die ITSM- und Identitätssysteme aus und eskaliert den Rest mit einem vollständigen Ticket. Beschäftigte erhalten Antworten in Sekunden, und der Service Desk konzentriert sich auf Störungen, die einen Menschen brauchen.

Problem & Nutzen

• Heute: Beschäftigte schreiben dem Service Desk E-Mails, rufen an oder füllen Ticketformulare mit dürftigen Angaben aus. Mitarbeitende fragen immer wieder dasselbe, durchsuchen verstreute Dokumentation und bearbeiten viele Level-1-Tickets, die einem festen Rezept folgen. Die Abdeckung außerhalb der Geschäftszeiten ist dünn, besonders in KMU mit ein oder zwei IT-Beschäftigten.
• Nutzen durch KI: sofortige Erstreaktion rund um die Uhr, Entlastung bei wiederholten Fragen, bessere Ticketqualität (Kategorie, Dringlichkeit, betroffenes Asset, bereits gesammelte Diagnosedaten), kürzere Bearbeitungszeit für die verbleibenden Tickets und Lücken in der Wissensbasis, die aus unbeantworteten Fragen sichtbar werden.
• Belege: Anbieter veröffentlichen Zahlen zu Entlastung und Lösung (zum Beispiel Freshworks für Freddy AI), doch diese sind selbst berichtet und hängen von der Ausgangslage ab; messen Sie Ihre eigene, bevor Sie eine Zahl versprechen [1]. Behandeln Sie jede Aussage „X % der Tickets automatisiert“ als Hypothese für Ihren Ticketmix.

Varianten

• Reiner Wissensassistent: beantwortet How-to-Fragen mit Quellenangaben; kein Schreibzugriff. Geringstes Risiko.
• Handelnder Assistent: löst freigegebene Workflows aus (Passwort-Zurücksetzung nach MFA, Aufnahme in Gruppe, Software- lizenz bestellen, Konto entsperren, Ticket anlegen) über ITSM-/Identitäts-APIs.
• Agent-Copilot: Dieselben Modelle unterstützen die Mitarbeitenden des Service Desks (Ticket-Zusammenfassung, Antwortvorschlag, ähnliche Störungen), statt Beschäftigten direkt gegenüberzutreten; siehe CONV-007.
• Mehrbereichs-Assistent für Beschäftigte: IT, Personalwesen und Gebäudemanagement hinter einer gemeinsamen Anlaufstelle, geleitet in getrennte Wissensbasen (siehe KNOW-003 für das Personalwesen).

So funktioniert es

1. Nachricht der Beschäftigten (Teams / Slack / Webportal / E-Mail)
2. Authentifizierung & Kontext (SSO-Identität, Rolle, Gerät, Sprache)
3. Intent-Routing (Frage | bekannte Aktion | Störung | außerhalb des Umfangs / sensibel)
4. Retrieval (Hybridsuche + Reranker über Wissensbasis, Runbooks, gelöste Tickets, Statusseite)
5. Antwortgenerierung mit Quellenangaben ODER Tool-Aufruf (Zurücksetzen, Antrag, Gruppenaufnahme) gemäß Richtlinie
6. Bestätigungs-/Freigabeschritt bei riskanten Aktionen (Vorgesetzte, IT, MFA-Step-up)
7. gelöst? ja
8. mit Feedback schließen | nein
9. Ticket mit Zusammenfassung, Diagnosedaten, Chat-Transkript
10. menschlicher Mitarbeitender übernimmt (begleitete Übergabe)
11. Feedbackschleife: Daumen, Wiedereröffnungsquote, Bericht zu Wissenslücken

• Retrieval-Augmented Generation über interne Dokumentation ist der Kern; siehe KNOW-002. Berechtigungsbewusstes Retrieval ist wichtig, weil IT-Dokumente Hinweise auf Admin-Zugangsdaten, Netzwerkpläne und Sicherheitsverfahren enthalten, die nicht jeder Beschäftigte sehen sollte.
• Werkzeugnutzung: Das Modell ruft eng begrenzte Funktionen auf (über Function Calling oder MCP-Server), die ITSM- und Identitäts-APIs kapseln. Die Autorisierung wird vom Werkzeug und der Identität des aufrufenden Nutzers erzwungen, nie durch den Prompt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Privilegierte Aktionen (Adminrechte, Postfachzugriff, MFA-Zurücksetzung) erfordern Freigabe oder eine Verifizierung über einen anderen Kanal; geringe Sicherheit oder Unzufriedenheit des Nutzers löst die Übergabe aus. Eine sichtbare Option „Mit einem Menschen sprechen“ ist in der Praxis Pflicht.
• Prompt Injection: Inhalte aus Tickets, E-Mails und Webseiten sind nicht vertrauenswürdige Eingaben; halten Sie die Werkzeug- berechtigungen minimal und ergänzen Sie Guardrails.

Datenaufbereitung

Der Assistent stützt sich auf IT-Wissen: Runbooks und How-to-Artikel im Wiki oder in SharePoint, frühere Tickets aus dem Helpdesk-Werkzeug, Inventare von Geräten und Software, Onboarding-Checklisten und Herstellerhandbücher. In KMU liegt vieles davon in den Notizen, im Postfach und auf der persönlichen Dateiablage des IT-Administrators, oft undokumentiert.

Typische Lücken: veraltete oder widersprüchliche Anleitungen, Tickets mit vagen Titeln und ohne Lösungsnotizen, Passwörter oder personenbezogene Daten in Tickets, keine Kategorien und Zugriffsrechte, durch die der Assistent vertrauliche Dokumente preisgeben könnte.

Aufbereitungsschritte: (1) die 30 häufigsten wiederkehrenden Probleme aus der Ticket-Historie sammeln, (2) je Problem einen kurzen, aktuellen Lösungsartikel schreiben, (3) Ticket-Exporte bereinigen: Zugangsdaten und personenbezogene Daten entfernen, Kategorien ergänzen, (4) festlegen, welche Systeme der Assistent lesen und welche Aktionen er auslösen darf (zum Beispiel Passwort-Zurücksetzung nur über das Identitätswerkzeug), (5) die Berechtigungen auf den Wissensquellen prüfen, (6) einen Testsatz echter Fragen pflegen. Werkzeuge: Helpdesk-Export, Paperless-ngx oder Wiki-Werkzeuge, n8n für die Ticketerstellung.

Anteil am Aufwand: etwa 30 bis 40 Prozent. Siehe PREP-013, PREP-014, PREP-020, PREP-022, PREP-023 und DATA-007.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Helpdesk- und ITSM-Werkzeuge oder Microsoft-/Google-Assistenten mit integrierten IT-Support-Funktionen sind als in der EU hostbare Produkte verfügbar, und der Prozess ist Standard.
• Großunternehmen: Weg B. IT-Service-Management ist Kerninfrastruktur mit Ticket-, Identitäts- und Asset-Integration; eine Eigenentwicklung auf Cloud-KI-Diensten oder eine gemeinsame interne KI-Plattform gibt Kontrolle.
• Entwickler: Weg C. Ein Open-Source-Stack (Open-Weight-Modell, Vektordatenbank, bestehender Helpdesk) ist schnell zusammengebaut und über Kunden hinweg wiederverwendbar.
• Öffentlicher Sektor: Weg C. Interne Tickets enthalten Daten von Beschäftigten und Systemen; eine souveräne Cloud oder offene Modelle On-Premises passen zu Vergabe- und Sicherheitsregeln.

Weg A — Kaufen (Standardsoftware) (für die meisten KMU empfohlen)

• ITSM-eigene KI: ServiceNow (Now Assist / Virtual Agent), Jira Service Management mit seinem Virtual Service Agent (Atlassian), Freshservice mit Freddy AI, Zendesk, TOPdesk (NL, EU), Matrix42 (DE, EU), SysAid, HaloITSM, Ivanti, Zammad (DE, Open Source mit Hosting-Option) [1][2][3].
• Plattform-Assistenten: Microsoft Copilot Studio Agents in Teams mit Konnektoren zu ServiceNow/Jira und Entra ID; Slack-basierte Assistenten für entwicklerlastige Organisationen [4].
• Wählen Sie A, wenn: Sie bereits ein ITSM-Werkzeug betreiben und schnell Entlastung und bessere Ticketqualität wollen. Prüfen Sie EU-Datenspeicherung, welche Modellanbieter Prompts verarbeiten, kein Training mit Ihren Daten, Audit-Logs sowie Abrechnung pro Lösung gegenüber pro Nutzerplatz.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: in der EU gehostete Frontier-APIs (Mistral oder Claude/GPT/Gemini über EU-Regionen von Bedrock, Azure OpenAI, Vertex AI) mit Function Calling und strukturierten Ausgaben; ein kleines Modell für das Intent-Routing.
• Stack: Embeddings plus ein Hybridindex (OpenSearch, pgvector, Qdrant), Reranker, Orchestrierung in n8n, Power Automate oder einem kleinen Dienst (LangGraph, Microsoft Agent Framework oder reiner Code), MCP-Server, die die ITSM-, Identitäts- und MDM-APIs kapseln [5].
• Kanäle: Bot Framework für Teams, Slack Bolt oder ein Web-Widget.
• Wählen Sie B, wenn: das ITSM exotisch ist, Sie individuelle Aktionen brauchen oder mehrere Abteilungen eine gemeinsame Anlaufstelle nutzen.

Weg C — Selbst betreiben (Open Source)

• Modelle: offene Instruktionsmodelle wie Mistral Small/Medium-Klasse, Qwen3, Llama oder gpt-oss, bereitgestellt mit vLLM oder Ollama; Embeddings wie BGE-M3 oder Qwen3-Embedding; Reranker wie bge-reranker [6].
• Stack: Open WebUI, Rasa oder Botpress für den Dialog, n8n für Aktionen, Zammad oder GLPI als ITSM, Qdrant oder pgvector.
• Hardware: Ein Modell der 20–30-Mrd.-Klasse für Tool-Nutzung, das einige hundert Beschäftigte bedient, passt auf HW2–HW3; ein reiner CPU-Aufbau mit einem 8-Mrd.-Modell funktioniert für Piloten mit reinem Wissensassistenten. Der Betriebsaufwand ist der Hauptkostenpunkt.
• Wählen Sie C, wenn: IT-Dokumentation die eigenen Räume nicht verlassen darf (öffentlicher Sektor, Rüstungszulieferer, KRITIS).

Weg D — Eigenes Training

Selten gerechtfertigt. Feintunen Sie einen kleinen Klassifikator für Ticket-Routing/Kategorisierung mit Tausenden historischer, gelabelter Tickets oder stimmen Sie ein kleines Modell auf eine seltene Sprache oder Fachjargon ab. Prompting, Retrieval und gute Wissensartikel liefern den Großteil der Qualität.

Stand der Technik (2026)

• LLMs mit Tool-Aufrufen sind für mehrstufige ITSM-Workflows mit eng begrenzten Werkzeugen zuverlässig genug, und MCP ist zum gängigen Weg geworden, ITSM-, Identitäts- und Monitoring-Systeme für Assistenten bereitzustellen [5].
• Anbieter haben sich von FAQ-Bots zu agentischem ITSM entwickelt: Agenten, die diagnostizieren (Gerätezustand, Ausfälle prüfen), handeln (bereitstellen, zurücksetzen) und die Lösungsnotizen schreiben [1][2].
• Grenzen: erfundene Vorgehensweisen, wenn die Wissensbasis veraltet oder widersprüchlich ist; falsche Sicherheit bei umgebungsspezifischen Problemen; Nutzer, die Geheimnisse oder personenbezogene Daten in den Chat einfügen; Injection über Tickettext; mehrstufige Fehlersuche scheitert weiterhin, wenn die Diagnose physischen Zugriff braucht. Die Antwort- qualität ist durch die Qualität der Wissensbasis begrenzt, der größte Hebel ist also, die Artikel zu bereinigen und zuzuordnen.

Gemeinsame Bausteine & Kombinationen

• Derselbe Stack (llm-general + embedding + vector-db + reranker): KNOW-002 (RAG über Dokumente), KNOW-003 (Assistent fürs Personalwesen), CONV-001 (Kunden-Chatbot); eine Retrieval-Plattform kann alle drei bedienen.
• CONV-007 Unterstützung der Mitarbeitenden im Service Desk; CONV-026 In-Product-Copiloten nutzen dieselbe Werkzeugschicht erneut.
• AGENT-002 / AGENT-003 liefern Workflow-Automatisierung und Automatisierung veralteter Oberflächen für Systeme ohne APIs; AGENT-001 übernimmt den E-Mail-Kanal des Service Desks.
• Die Modellbereitstellung (vLLM auf HW2/HW3) kann von diesen Anwendungsfällen gemeinsam genutzt werden.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen bis zur Aktivierung; Lizenzaufschlag pro Mitarbeitenden, pro Lösung oder pro Gespräch.
• Weg B: etwa 1–3 Monate für einen Assistenten mit Wissen und Aktionen samt ITSM-Integration.
• Weg C: 2–4 Monate plus laufender Betrieb; ein GPU-Server.
• Kennzahlen: Entlastungs-/Selbstlösungsquote, Abschluss ohne Wiedereröffnung, Zeit bis zur Erstreaktion und Lösungszeit, Qualität der Eskalation (Rückfragen der Mitarbeitenden), CSAT, Abdeckung unbeantworteter Fragen durch die Wissensbasis, Sicherheitsvorfälle durch Aktionen des Assistenten (Ziel null).

Menschen & Veränderung

Die Geschäftsführung legt den Umfang fest und die Regel, dass der Assistent nie allein sicherheitsrelevante Entscheidungen trifft. Die IT-Leitung verantwortet den Prozess; IT-Beschäftigte sind zugleich Nutzer und Inhaltsautoren. Die IT-Sicherheit muss Zugriffsrechte, die Anfälligkeit für Prompt Injection und die Protokollierung prüfen. Die Datenschutzbeauftragte bzw. der Datenschutzbeauftragte deckt Beschäftigtendaten in Tickets, AVV und DSFA ab. Das Personalwesen ist bei Themen zu Onboarding und Offboarding beteiligt. Alle Beschäftigten sind Endanwender.

Betriebsrat: ja, in der Praxis. Der Assistent verarbeitet und protokolliert Anfragen der Beschäftigten, und Ticketauswertungen können zeigen, wer was fragt, er ist also objektiv geeignet, das Verhalten zu überwachen (§87 Abs. 1 Nr. 6 BetrVG; BAG: Eignung genügt). Binden Sie ihn von Anfang an ein, unterrichten Sie ihn nach §90 Abs. 1 Nr. 3, erwägen Sie einen Sachverständigen nach §80 Abs. 3 und vereinbaren Sie eine Betriebsvereinbarung, die die Auswertung auf aggregierte Zahlen beschränkt. Öffentlicher Dienst: Personalrat.

Fördern Sie die KI-Kompetenz aller Nutzer und der IT-Beschäftigten (Art. 4 KI-Verordnung) und verknüpfen Sie sie mit der KI-Richtlinie des Unternehmens. Starten Sie mit den IT-Beschäftigten und einer freiwilligen Pilotabteilung, benennen Sie KI-Botschafter und kommunizieren Sie offen, was protokolliert wird. Typische Bedenken sind Überwachung und die Angst, dass IT-Beschäftigte ersetzt werden; begegnen Sie ihnen mit transparenten Protokollierungsregeln, ohne individuelle Leistungsbewertung und mit der Botschaft, dass der Assistent Zeit für Projekte schafft. Menschen behalten die Kontrolle: Sensible Aktionen brauchen eine Bestätigung, und es gibt stets einen einfachen Weg zu einer Person. Siehe GUIDE-004, GUIDE-007, GUIDE-013.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel begrenztes Risiko. Art. 50 verlangt, dass Menschen darüber informiert werden, dass sie mit einem KI- System interagieren, sofern dies nicht offensichtlich ist; er gilt ab dem 2. August 2026 [7][8]. Die KI-Kompetenz (Art. 4) gilt für die Beschäftigten, die es betreiben [8]. Kein Hochrisiko, wenn auf IT-Support beschränkt. Vorsicht: Wenn Gespräche oder Protokolle genutzt werden, um Leistung oder Verhalten von Beschäftigten zu überwachen, zu bewerten oder zu ordnen, können die Hochrisiko-Regeln nach Anhang III (Beschäftigung) greifen, und das Ableiten von Emotionen aus Nachrichten von Beschäftigten am Arbeitsplatz ist nach Art. 5 Abs. 1 Buchst. f verboten. Halten Sie den Assistenten aus der Personalbeurteilung heraus und analysieren Sie nicht die Stimmung einzelner Personen.
• DSGVO: Chats enthalten personenbezogene Daten (Identitäten, Geräte- und Nutzungsdaten, manchmal Gesundheits- oder private Angelegenheiten). Erforderlich sind eine Rechtsgrundlage, Auftragsverarbeitungsverträge, EU-Hosting oder Garantien für Übermittlungen, Speicher- fristen, Transparenz gegenüber Beschäftigten und eine DSFA, wo die Protokollierung umfangreich ist. In Deutschland gilt die Mitbestimmung des Betriebsrats (§87 Abs. 1 Nr. 6 BetrVG) für technische Systeme, die zur Verhaltensüberwachung geeignet sind; binden Sie ihn früh ein.
• Sicherheit: Werkzeugdesign nach dem Prinzip der minimalen Rechte, Step-up-Authentifizierung für sensible Aktionen, Protokollierung jeder von der KI ausgelösten Änderung, Filterung von Geheimnissen in Eingaben, Red-Teaming auf Prompt Injection. NIS2-/ISO-27001- Kontrollen gelten für den Assistenten als Teil des IT-Betriebs.
• Gegenmaßnahmen: zunächst nur lesend, Freigabeschranken, Quellenangaben, Verhalten „Ich weiß es nicht“, Übergabe an Menschen, regelmäßige Prüfung der Wissensbasis.

Erste Schritte

1. Exportieren Sie 3–6 Monate Tickets; ordnen Sie Kategorien nach Menge und danach, wie standardisiert die Lösung ist.
2. Bereinigen Sie die 30–50 wichtigsten Wissensartikel und weisen Sie ihnen Verantwortliche zu; füllen Sie Lücken aus gelösten Tickets.
3. Pilotieren Sie einen reinen Wissensassistenten für eine Abteilung in Teams oder Slack mit sichtbarem KI-Hinweis und Schaltfläche zur Übergabe an Menschen; informieren Sie Betriebsrat und Datenschutzbeauftragte(n).
4. Ergänzen Sie ein bis zwei sichere Aktionen (Ticket mit Diagnosedaten anlegen, Konto mit MFA entsperren) mit Protokollierung.
5. Prüfen Sie wöchentlich gescheiterte Gespräche; verfolgen Sie Entlastung, Wiedereröffnungsquote und CSAT, bevor Sie den Umfang erweitern.

Quellen

1. Freshworks — Freddy AI for ITSM — https://www.freshworks.com/freshservice/ai-itsm/
2. Atlassian — Jira Service Management — https://www.atlassian.com/software/jira/service-management
3. ServiceNow — Now Assist for ITSM — https://www.servicenow.com/products/it-service-management.html
4. Microsoft — Copilot Studio documentation — https://learn.microsoft.com/microsoft-copilot-studio/
5. Model Context Protocol specification — https://modelcontextprotocol.io/specification
6. vLLM project — https://github.com/vllm-project/vllm
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. AI Act Art. 4 (AI literacy), annotated text — https://artificialintelligenceact.eu/article/4/