Was unsere Kunden über die Zusammenarbeit sagen und welche Ergebnisse wir gemeinsam erzielt haben.
Jede Bewertung stammt von einem Unternehmen, mit dem wir in den letzten drei Jahren zusammengearbeitet haben.
Wir hatten 12'000 Kundenanfragen pro Monat und drei Mitarbeitende im Support. Der Chatbot, den Best AI Advisors für uns gebaut hat, beantwortet jetzt 68 % davon automatisch. Die restlichen Anfragen kommen vorqualifiziert beim Team an, mit Kontext und Lösungsvorschlag. Unsere durchschnittliche Antwortzeit ist von 4 Stunden auf 11 Minuten gesunken.
Ich war skeptisch. KI klang nach einem Thema für Grosskonzerne, nicht für eine Bäckereikette mit neun Filialen. Aber die Nachfrageprognose, die wir jetzt nutzen, sagt uns jeden Morgen, wie viel wir von welchem Brot backen sollen. Wir werfen 23 % weniger weg als vor einem Jahr. Das sind bei uns rund 1'800 Franken pro Monat.
Die Dokumentenautomatisierung läuft seit acht Monaten. Vorher hat eine Mitarbeiterin zwei Tage pro Woche damit verbracht, Lieferscheine abzutippen. Jetzt erledigt das System das in Sekunden. Einen Stern ziehe ich ab, weil die Integration in unser altes SAP-System etwas länger gedauert hat als geplant. Aber das Ergebnis stimmt.
Wir haben Best AI Advisors für einen Workshop gebucht, um unser Entwicklerteam in Prompt Engineering und RAG-Architekturen zu schulen. Zwei Tage, sechs Entwickler, viele praktische Übungen. Drei Wochen später hat unser Team den ersten internen Prototypen gebaut, ohne externe Hilfe. Genau das war das Ziel.
Als Anwaltskanzlei verarbeiten wir täglich Hunderte Seiten Vertragstexte. Das KI-System von Best AI Advisors extrahiert Fristen, Klauseln und Haftungsrisiken und markiert Abweichungen von unseren Standardverträgen. Meine Anwälte sparen damit pro Vertragsprüfung etwa 40 Minuten. Bei 15 Verträgen pro Woche summiert sich das schnell.
Wir betreiben ein Online-Reisebüro mit Fokus auf die Schweiz. Best AI Advisors hat uns ein Empfehlungssystem gebaut, das unseren Kunden passende Ausflüge vorschlägt, basierend auf ihrem bisherigen Buchungsverhalten und dem aktuellen Wetter. Die Klickrate auf Empfehlungen liegt bei 34 %, vorher waren es 9 %.
Zwei Projekte im Detail, damit Sie sehen, wie ein typischer Ablauf aussieht.
Eigenmann Logistik betreibt ein Lager- und Distributionsnetzwerk in der Westschweiz. Vor dem Projekt beantworteten drei Mitarbeitende täglich rund 400 E-Mails und Anrufe zu Sendungsstatus, Lieferzeiten und Reklamationen. Viele dieser Anfragen waren repetitiv: Wo ist mein Paket? Wann kommt die Lieferung?
Wir haben einen Chatbot entwickelt, der direkt an das Warenwirtschaftssystem angebunden ist. Der Bot erkennt die Sendungsnummer in der Nachricht, ruft den aktuellen Status ab und formuliert eine Antwort in der Sprache des Kunden. Bei komplexen Fällen erstellt er ein Ticket mit allen relevanten Informationen und leitet es ans Support-Team weiter.
Der Prototyp stand nach 18 Tagen. Die Integration ins bestehende System dauerte weitere zwei Wochen, weil die API-Dokumentation des Warenwirtschaftssystems veraltet war. Nach dem Go-live haben wir vier Wochen lang die Antwortqualität manuell geprüft und das Modell zweimal nachtrainiert.
Leila Amrein betreibt neun Bäckereifilialen im Kanton Bern. Jeden Morgen um 4 Uhr entschied das Backteam nach Bauchgefühl, wie viel von jedem Produkt gebacken wird. An manchen Tagen blieben 30 Brote übrig. An anderen war das Regal um 14 Uhr leer.
Wir haben ein Prognosemodell trainiert, das Verkaufsdaten der letzten zwei Jahre, Wochentag, Wetter, Schulferien und lokale Veranstaltungen berücksichtigt. Jeden Abend um 20 Uhr erhält das Backteam per E-Mail eine Empfehlung für den nächsten Tag, aufgeschlüsselt nach Filiale und Produktkategorie.
Die Genauigkeit der Prognose liegt im Durchschnitt bei 91 %. An Feiertagen und bei ungewöhnlichen Wetterereignissen sinkt sie auf etwa 82 %, weil die historische Datenbasis dafür dünn ist. Mit jeder Saison wird das Modell besser, weil neue Daten einfliessen.
Das Projekt hat acht Wochen gedauert. Die grösste Herausforderung war nicht die KI, sondern die Datenqualität: Die Kassensysteme in drei Filialen speicherten die Verkäufe in unterschiedlichen Formaten. Wir haben einen Daten-Adapter geschrieben, der alles vereinheitlicht.