---
title: "Ein Knowledge Assistant in Slack für Nezasa, gebaut in einer Woche"
description: "Ein einwöchiger Build auf der bestehenden Datenplattform von Nezasa brachte einen Assistenten in Slack, der 55 % der ausgewerteten Fragen ohne Produktexperten beantwortete."
url: https://www.samuylov.ai/de/stories/internal-knowledge-assistant-for-a-travel-technology-sme
language: de-CH
---

Fallstudie · Nezasa AG · April 2024

# Ein Knowledge Assistant in Slack für Nezasa, gebaut in einer Woche

**Fragen ohne Beizug einer Produktexpertin oder eines Produktexperten beantwortet:** 55 %

**Vom Kunden geschätzter Kapazitätsgewinn:** ≈2 FTE

**Vom Kick-off bis zum funktionierenden Assistenten:** 1 Woche

Einordnung von GenAI-Potenzialen · Retrieval-Augmented Generation · Datenextraktion und -modellierung · Slack-Integration und Einführung

## Kunde

Nezasa ist ein B2B-Anbieter von Reisetechnologie, 2012 in Zürich gegründet, mit einem Team in der Schweiz, in Portugal und in Chile. Was die Mitarbeitenden für Verkauf, Support und Onboarding brauchten, war gut dokumentiert, aber über ein Firmenwiki, eine öffentliche Wissensdatenbank, API-Spezifikationen und kommerzielle Dokumente verteilt.

## Herausforderung

Die Antworten waren vorhanden – sie unter Zeitdruck zu finden, war das Problem. Fragen aus Verkauf, Support und Onboarding landeten bei den wenigen Produkt- und Engineering-Fachleuten, die wussten, wo zu suchen ist, und jede Antwort kostete sie Zeit, die sonst ins Produkt geflossen wäre.

Die Lösung musste klein bleiben, denn Nezasa hatte kaum freie Engineering-Kapazität. Zudem musste sie alle Quellen abdecken, auf die sich die Mitarbeitenden stützten, PDFs eingeschlossen, und die Unternehmensdaten unter der Kontrolle von Nezasa belassen.

## Unser Vorgehen

Bevor wir Code schrieben, legten wir das Ziel fest: praktischen Nutzen mit einem Build zeigen, der klein genug ist, um in einer Woche fertig zu sein.

**Auf der bestehenden Plattform aufbauen.** Ein Build in einer Woche war möglich, weil der Assistent die [Datenplattform aus unserem vorangegangenen Projekt](https://www.samuylov.ai/de/stories/designing-data-infrastructure-to-support-analytics-and-business-intelligence-initiatives-for-an-sme-in-the-travel-industry) erweiterte. Ihre bestehenden Werkzeuge wurden auf Confluence und Zendesk ausgerichtet und führten deren Inhalte in einer Artikeltabelle zusammen; PDFs wie API-Spezifikationen und Vertragsbedingungen wurden direkt einbezogen.

![Architekturdiagramm: Produktdatenbanken sowie Inhalte aus Confluence und Zendesk werden ins Data Warehouse geladen und dort getrennt für Analytics und für den Knowledge Assistant modelliert.](https://www.samuylov.ai/_img/stories/internal-knowledge-assistant-for-a-travel-technology-sme/architecture.d09c0940.w1600.webp)

Weiss: die Plattform, die Nezasa bereits hatte. Blau: was für den Assistenten hinzukam – zwei Datenquellen, ein Datenmodell und der Assistent selbst.

**Retrieval statt Fine-Tuning.** Ein wöchentlicher Job wandelt jedes Dokument in Markdown um, teilt es an seinen Überschriften auf und indexiert die Abschnitte, jeweils mit dem Quelllink. Um das Wissen des Assistenten zu aktualisieren, genügt erneutes Indexieren statt erneuten Trainings, und ein Wechsel des Modellanbieters bleibt günstig.

**Dort antworten, wo bereits gearbeitet wird.** Statt eine neue Oberfläche zu bauen, brachten wir den Assistenten in Slack. Wer eine Frage hat, erwähnt ihn im Kanal, in dem er ohnehin ist, und erhält die Antwort im Thread, mit Links zu den Quellen; Folgefragen werden im selben Thread gestellt.

**Sensible Daten aussen vor lassen.** Nur Mitarbeitende von Nezasa konnten den Assistenten nutzen, und kundeneigene sowie sensible Daten waren von Anfang an vom Index ausgeschlossen.

## Ergebnisse

**55 % der ausgewerteten Fragen wurden ohne Beizug einer Produktexpertin oder eines Produktexperten beantwortet.** Nezasa schätzte die freigesetzte Kapazität auf rund zwei Vollzeitstellen. Der Grossteil der übrigen Fragen betraf Themen, die noch niemand dokumentiert hatte – genau die Lücken, die sich zu schliessen lohnen.

Mitarbeitende im ganzen Unternehmen, vom CEO bis zu Onboarding-Managern und UX-Designern, nutzten ihn auf dieselbe Weise, in Slack, und bewerteten jede Antwort mit Daumen hoch oder Daumen runter; Nezasa verfolgte die Bewertungen in einem Dashboard.

![Eine Frage und Antwort in Slack mit Links zu den Quellen im Wiki und in der Wissensdatenbank.](https://www.samuylov.ai/_img/stories/internal-knowledge-assistant-for-a-travel-technology-sme/example.275137d9.w1506.webp)

In Slack gefragt, im Thread beantwortet – mit Links zu den Zendesk- und Confluence-Seiten hinter der Antwort.

Das Team von Nezasa betrieb und erweiterte den Assistenten danach selbst und ergänzte später eine API für externe Partner.

## Was sich übertragen lässt

**Bei der vorhandenen Datengrundlage ansetzen.** Der grösste Teil der Arbeit an einem Knowledge Assistant besteht darin, aktuelle Inhalte aus den Systemen zu holen, in denen sie liegen. Wo eine Datenplattform das bereits leistet, ist der Assistent eine kurze Erweiterung statt eines neuen Projekts.

**Die Leute im Werkzeug abholen, das sie bereits nutzen.** Ein Assistent in Slack verlangt kein neues Werkzeug, und ein Quelllink in jeder Antwort erlaubt es, sie zu prüfen, bevor man sich darauf verlässt.

**Unbeantwortete Fragen sind eine To-do-Liste für Ihre Dokumentation.** Scheitert der Assistent, weil ein Thema nie aufgeschrieben wurde, zeigt genau das, welche Seite fehlt. Bei Nezasa zeigten die unbeantworteten Fragen, wo die Dokumentation Arbeit brauchte.

## Weiterlesen

Den Business Case hinter diesem Projekt präsentierte Denis an der GenAI Zürich 2024; er ist beschrieben in [Ein einwöchiger Knowledge-Assistant-Build bei Nezasa](https://www.samuylov.ai/de/stories/the-45-hour-ai-build-that-returned-2-2-fte-a-year). Der Build selbst ist in einer vierteiligen Serie dokumentiert, die gemeinsam mit Patrick Hammer entstand:

1. [Die Idee und der Business Case](https://medium.com/@pahammer/ai-powered-inhouse-knowledge-chatbot-33b5c1d746cb)
2. [Design und die verworfenen Optionen](https://medium.com/@samuylov/genai-powered-personal-assistant-to-facilitate-access-to-company-internal-knowledge-design-a1aca2383519)
3. [Datenextraktion und -aufbereitung](https://medium.com/@pahammer/ai-powered-inhouse-knowledge-chatbot-part-3-data-extract-preparation-78bf379d5f98)
4. [Deployment, Akzeptanz und was wir ändern würden](https://medium.com/@pahammer/ai-powered-inhouse-knowledge-chatbot-part-4-deployment-user-value-and-final-reflections-7300116df9ef)

Sie möchten einen Assistenten, der aus Ihrer eigenen Dokumentation antwortet? Der Build kann kurz sein. Die Antworten korrekt zu halten, während sich Dokumente und Fragen ändern, ist die längere Aufgabe – und eine, die wir für Sie übernehmen können. Sehen Sie sich [Agents-as-a-Service](https://www.samuylov.ai/de/ai-as-a-service#pricing) an, oder [Kontakt aufnehmen](https://www.samuylov.ai/de/contact).

[Als PDF herunterladen](https://www.samuylov.ai/de/stories/internal-knowledge-assistant-for-a-travel-technology-sme/pdf)

## Soll KI in Ihrem Unternehmen arbeiten?

Sagen Sie uns, welchen Prozess Sie verbessern möchten und wo die Daten liegen. Ganz unverbindlich.

[Erstgespräch buchen](https://www.samuylov.ai/de/contact?book=1&topic=advisory)

## Weitere Stories

[Alle Stories](https://www.samuylov.ai/de/stories)

[Ein einwöchiger Knowledge-Assistant-Build bei Nezasa](https://www.samuylov.ai/de/stories/the-45-hour-ai-build-that-returned-2-2-fte-a-year) – Artikel · Mai 2024

[Fünf praktische Hindernisse für nützliche KI](https://www.samuylov.ai/de/stories/why-does-genai-not-work) – Artikel · Oktober 2023
