![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 18 18" xmlns="http://www.w3.org/2000/svg"><path d="M 0.148 1.06 C 0.053 0.966 0 0.838 0 0.705 C 0 0.572 0.053 0.444 0.148 0.35 L 0.348 0.15 C 0.442 0.052 0.572 -0.002 0.708 0 L 7.868 0 C 8.003 -0.002 8.134 0.052 8.228 0.15 L 8.428 0.35 C 8.523 0.444 8.576 0.572 8.576 0.705 C 8.576 0.838 8.523 0.966 8.428 1.06 L 4.638 4.85 C 4.547 4.947 4.42 5.002 4.288 5.002 C 4.155 5.002 4.029 4.947 3.938 4.85 Z" fill="rgb(17, 17, 17)" height="5.00155387474404px" id="T1L7vK7HI" transform="translate(4.712 7)" width="8.575800000000001px"/></svg>)
Von 50 auf 95 %: Was unsere Akzeptanzraten gerade steigen lässt
Article
Leon Jungfleisch
CEO & Co-Founder
In diesem Beitrag
Ein Produktupdate zu Multi-Agent-Entscheidungen, Gap Mining, Custom Flows, automatischer Qualitätsprüfung und den nächsten Verbesserungen von vennie.
Qualität, die sich im Betrieb zeigt
Die letzten Wochen haben wir deutlich gespürt: Quer durch alle Accounts sehen wir große Sprünge in der Akzeptanzrate – ein Account ist zum Beispiel von 50 auf 95 % gestiegen.
Das ist kein Zufall, sondern das Ergebnis davon, dass wir kontinuierlich an der Qualität arbeiten: durch Gap Mining, bei dem wir uns jeden Account aktiv anschauen und gezielt Lücken im Wissen von vennie schließen, und durch neue Features, die vennie grundlegend intelligenter machen.
Hier ist ein Überblick darüber, was wir zuletzt veröffentlicht haben – und was in den nächsten Tagen noch kommt.
Was jetzt live ist
vennie trifft bessere Entscheidungen – für jeden Schritt im Prozess
Wer schon einmal mit Gorgias gearbeitet hat, kennt das Problem: Der AI-Agent versteht die Anfrage eines Kunden leicht falsch, wählt die falsche nächste Aktion – und alles, was danach kommt, baut auf dieser falschen Entscheidung auf. Das Ergebnis ist eine Antwort, die technisch korrekt ist, aber am eigentlichen Anliegen vorbeigeht.
Wir haben diesen Prozess grundlegend neu gebaut. vennie nutzt jetzt einen Multi-Agent-Ansatz, bei dem mehrere spezialisierte Agenten gemeinsam entscheiden, was der Kunde wirklich will und was der richtige nächste Schritt ist. Sie prüfen und hinterfragen sich gegenseitig, bevor eine Entscheidung getroffen wird.
Zusätzlich fließt das Dynamic Memory in jede Entscheidung ein und verbessert sich kontinuierlich aus dem laufenden Betrieb heraus. Je mehr vennie bearbeitet, desto besser werden diese Entscheidungen.
Autonomous Learning – jetzt auch manuell befüllbar
Autonomous Learning wird auf zwei Wegen trainiert: über den Edit-Button, den ihr schon kennt, und über unser Gap Mining & Automation Mining, das wir aktiv für euch durchführen. Wir prüfen regelmäßig, wo vennie noch dazulernen kann, und fügen diese Informationen direkt ein.
Custom Flow Node für Produktinformationen
Flows können jetzt mit detaillierten Produktinformationen angereichert werden. Ihr könnt vennie genau sagen, wie bestimmte Produkte beschrieben werden sollen und welchen Vorgaben die Beschreibung folgen muss.
Wait Node für Custom Flows
vennie kann jetzt innerhalb eines Flows warten und danach automatisch weiterarbeiten. Ein Beispiel: Ein Kunde fragt nach seinem Tracking. vennie prüft den Status und stellt fest, dass das Paket noch nicht versendet wurde. Statt einer ungenauen Antwort wartet vennie 24 Stunden, prüft erneut und schickt dem Kunden erst dann die Bestätigung mit der Trackingnummer. Kein manueller Eingriff, kein Follow-up nötig.
Neue Xentral-Nodes in Custom Flows
Für alle, die Xentral nutzen: Ihr könnt jetzt direkt Xentral-Daten in eure Custom Flows einbinden.
Was in den nächsten Tagen kommt
Autonomous Learning – jetzt überall
Bisher floss Autonomous Learning vor allem in die Antwortgenerierung ein. Das war der erste Schritt. Jetzt verankern wir es in allen relevanten Teilen: in der Informationssuche, im Tone of Voice, in den Produktinformationen, in den Prozessen und in der initialen Entscheidung, ob ein Ticket überhaupt bearbeitet werden soll.
↳ Künftig fließen auch Vorschläge, die nicht akzeptiert wurden, ins Training ein – ebenfalls mit einer Schwelle von zwei Vorkommen, bevor ein Memory Item aktiv wird. Damit schließen wir die letzte Lücke im Trainingsprozess.
Automatische Qualitätsprüfung vor jeder Antwort
Je mehr Instruktionen und Custom Flows ein Account hat, desto mehr Stellen gibt es, an denen eine Antwort nicht perfekt passen kann: Der Tone of Voice wird leicht verfehlt, eine spezifische Vorgabe wird übersehen oder der Kontext des Gesprächs nicht vollständig berücksichtigt.
Dafür haben wir einen eigenen Qualitätsprüfungs-Agenten gebaut, der jede Antwort prüft, bevor sie rausgeht. Falls etwas nicht stimmt, passt vennie die Antwort direkt an oder startet den Prozess neu. Das Ergebnis: weniger Ausreißer und konsistentere Qualität – auch bei komplexen Accounts.
Robusterer Prozess für die Auftragssuche
vennie bekommt einen mehrstufigen Ansatz für die Auftragssuche. Wenn eine erste Suche kein Ergebnis liefert, sucht vennie erneut – mit besserem Einbezug des Gesprächskontexts. Das macht den gesamten Prozess deutlich zuverlässiger.
Automatische Spam-Behandlung
Spam erkennt vennie bereits heute. Was bisher fehlte, war ein vollständiger Prozess darum herum. Den bauen wir gerade, damit Spam-Tickets künftig automatisch gelöst und geschlossen werden, ohne dass jemand manuell darauf schauen muss.
