---
title: "Die Build-Schwelle ist verschoben: Helpdesk in 7 Tagen | Dawiso Blog"
description: "Wir haben unseren Kunden-Helpdesk in 7 Tagen mit KI-Agenten gebaut. Ein Bot auf RAG-Basis antwortet jetzt im Portal, per E-Mail und in Slack. Was das ändert."
url: "https://www.dawiso.com/de/blog-post/the-build-threshold-just-moved"
language: "de"
---

# Die Build-Schwelle ist verschoben: Helpdesk in 7 Tagen

Petr Mikeska

CEO & Co-Founder

\5. Mai 2026

Interne Apps waren der leichte Teil. Systeme für Kunden waren die Schwelle. Unser Kunden-Helpdesk ist live: Ein Bot auf RAG-Basis antwortet im Portal, per E-Mail und in Slack. Die erste funktionsfähige Version dauerte 7 Tage. Auf die Geschwindigkeit kommt es nicht an.

### Warum das der eigentliche Test war

Monatelang hatten wir innerhalb unserer eigenen Wände agentisch gebaut. Market Intel als Pipeline für Wettbewerbsinformationen. Interne Helfer für Vertrieb und Betrieb. Prototypen und Werkzeuge, die bewiesen, dass wir mit Agenten funktionierende Software ausliefern können.

Keines davon hatte Kundenkontakt.

Das war die fehlende Schwelle. Eine interne App verträgt eine raue Kante. Das Team kennt den Kontext, füllt Lücken und arbeitet um das Werkzeug herum, während es besser wird. **Ein System für Kunden hat einen anderen Maßstab.**

**Externe Nutzer kommen mit echten Erwartungen, nicht mit interner Nachsicht.** Die Integration muss in den Kanälen ankommen, die sie bereits nutzen: in ihren Slack-Workspaces, ihren E-Mails, ihren Sitzungen im Portal. Und sobald ein Werkzeug einen Pilotbetrieb erreicht, kommt das Feedback sofort. Kunden sagen Ihnen an dem Tag, an dem etwas nicht funktioniert, dass es nicht funktioniert, nicht erst im Sprint Review.

Der Kunden-Helpdesk war dieser Test.

### Was wir gebaut haben

**Die Version nach 7 Tagen.** Am Ende von Tag 7 hatten wir einen **ersten funktionsfähigen Helpdesk, den das Team von Anfang bis Ende nutzen konnte**. Er umfasste ein Kundenportal mit Anmeldung und Registrierung, eine Agent-UI mit Dashboard und Ticket-Warteschlangen, CRUD für Tickets, Kommentare, Anhänge, Organisationen, Kontakte, einen Audit-Trail und eine SLA-Engine, die Geschäftszeiten und Feiertage berücksichtigt.

Dazu kamen bidirektionale E-Mail über Microsoft Graph mit Threads und eingebetteten Bildern, bidirektionales Slack über die Events API, eine Infrastruktur für die Wissensbasis mit Schema, Embedding-Dienst, Such-API und automatischer Aufnahme geschlossener Tickets. Die Agent-UI enthielt bereits KI-Klassifizierung, eine KI-Werkzeugleiste zur Textverbesserung, einen Dark Mode und eine Grundlage aus Design Tokens.

Es war das erste laufende System.

**Was sich nach Tag 7 geändert hat.** Zwei Monate Entwicklung machten aus diesem Fundament das Pilotsystem, das heute läuft. Der **Helpdesk-Bot auf RAG-Basis** läuft jetzt im Portal als ChatWidget und antwortet mit nativen Zitaten aus der KB. Die Pipeline zur Befüllung der KB verarbeitete 577 Artikel von help.dawiso.com: 1.107 Chunks und 620 Bilder, die durch Vision-Modelle liefen. Slack Q/A Monitoring durchsucht die Support-Kanäle täglich, sortiert nützliche Q/A-Threads vor und macht daraus KB-Artikel, mit anonymisierten personenbezogenen Daten. `@helpdesk remember` speichert jeden Slack-Thread als KB-Artikel. Ein Intent-Klassifikator entscheidet, wann der Bot anbieten sollte, ein Ticket anzulegen, statt jede Konversation in Richtung Support zu schieben.

Außerdem haben wir den Stack von der ursprünglichen Einrichtung auf Cloudflare Workers auf unsere Standard-Infrastruktur in Azure umgezogen: K8s, PostgreSQL, Redis/BullMQ und Azure Blob Storage. Unser Infrastrukturteam hat ihn nach Azure gebracht. Wir haben einen Sicherheitsdurchgang gemacht und das Designsystem neu gebaut.

**Die Zahlen heute.** **564 Commits** in rund zwei Monaten. **701 Tests in 54 Testdateien**. 16 Tabellen in PostgreSQL. 80+ React-Komponenten. 3 bidirektionale Kanäle: Portal, E-Mail und Slack. 577 Hilfeartikel plus 266 geprüfte Q/A-Artikel in der KB.

Eine Person hat den Kern gemeinsam mit KI-Agenten gebaut. Die breitere Engineering-Arbeit an Infrastruktur, Sicherheit und Produktqualität hat ihn für einen Pilotbetrieb bei Kunden tauglich gemacht.

### Wie Agenten Komplexität für den Produktivbetrieb ausliefern

Die Tippgeschwindigkeit war nie der Engpass.

Drei Dinge zusammen haben die Arbeit möglich gemacht.

**1. Vorbereitung im Voraus.** Ein ausführliches PRD, die Architektur, das Datenmodell und die gestalterische Identität kamen vor der ersten Zeile Code, die ein Agent schrieb. Das Paradox der agentischen Entwicklung ist, dass **ein Agent umso schneller arbeitet, je mehr Zeit man in die Vorbereitung steckt**. Agenten brauchen keine Meetings. Sie brauchen klaren Kontext.

**2. Testdisziplin als Sicherheitsnetz.** 701 Tests in 54 Testdateien sind das, was den Agenten mutig ändern lässt. **Wir prüfen jede Änderung sofort.** Ohne Tests wird agentische Entwicklung in diesem Umfang zum Ratespiel. Tests sind der Weg, auf dem der Agent erfährt, ob seine letzte Änderung drei Dateien weiter etwas kaputtgemacht hat.

**3. Der Takt der Sitzungen.** Jede Sitzung hatte eine klare Form: den Projektkontext laden, eine begrenzte Aufgabe ausführen, den Diff prüfen, mergen. Die Skills, die Design Tokens, die Typsicherheit, CI/CD und die Disziplin beim Review rund um den Agenten machen ihn produktiv. Der Agent ist der Ausführende. **Das System um ihn herum ist die Engineering-Praxis.**

„Das ist gute Engineering-Praxis mit einem schnelleren Ausführenden.“

### Was sich verstärkt

Das System wird mit jeder Konversation besser, die es bearbeitet, ohne dass jedes Mal neue Funktionen gebaut werden müssen. Das ist der Teil, der sich verstärkt.

Die Wissensbasis steht im Zentrum des Helpdesks und wächst aus **fünf Quellen zugleich**.

- **Erste Befüllung.** 577 Artikel von help.dawiso.com, für RAG aufbereitet: 1.107 Chunks und 620 Bilder, die durch Vision-Modelle liefen.
- **Laufende Extraktion.** Slack Q/A Monitoring durchsucht die Support-Kanäle täglich. Eine heuristische Bewertung erkennt echte Q/A-Threads, eine KI-Vorsortierung entscheidet, ob extrahiert wird, der Extraktionsschritt schreibt den Artikel, und eine Deduplizierung hält die KB sauber. Personenbezogene Daten durchlaufen eine Anonymisierung: Namen werden zu Rollenbezeichnungen, Kundennamen zu „der Kunde“, und Erwähnungen in Slack werden entfernt.
- **Manuelle Qualitätsprüfung.** Als 567 aus Slack gewonnene Artikel geprüft werden mussten, stellte ein Prüfdurchgang mit langem Kontext die vollständige Hilfedokumentation daneben und traf Entscheidungen: 301 löschen, 156 mit KI-Umformulierung verbessern, 80 behalten. Eine laufende Prüfung hält das Niveau.
- **Verankerung des Bots.** Antworten kommen mit nativen Zitaten aus der KB, nicht als freie Generierung. Daumen hoch oder runter je Nachricht und Sternebewertungen am Ende des Chats liefern Rückmeldung. Ein Intent-Klassifikator entscheidet, ob ein Ticket angeboten wird, damit der Chat keine Tickets aufdrängt, wenn eine Frage eine Antwort verdient.
- **Kurzbefehle für Agenten.** `@helpdesk remember` speichert jeden Slack-Thread als KB-Artikel. Jedes geschlossene Ticket wird automatisch in die KB aufgenommen.

**Jede Interaktion hat einen Weg zurück in das System, das die nächste Interaktion bearbeitet.** Das ist der Teil, der sich verstärkt.

### Folgen, Stand heute, Ausblick

**Für andere Gründer.** Überlegen Sie, welche Systeme in Ihrem Stack jetzt in Reichweite eines Eigenbaus liegen. **Die Linie zwischen „selbst bauen“ und „kaufen“ liegt nicht mehr dort, wo sie vor 18 Monaten lag.** Werkzeuge, für die früher ein kleines Team nötig war, sind jetzt womöglich für eine Person mit Agenten erreichbar, **wenn die Engineering-Praxis darum herum stark genug ist**.

**Für Käufer in Unternehmen.** Einfache fachliche Abläufe werden innerhalb der eigenen Wände baubar. Das macht Anbieter nicht überflüssig. Es verändert, was der Wert eines Anbieters bedeuten muss. **Der verbleibende Burggraben sind anspruchsvolle Integration, Governance, Compliance, Skalierung, Sicherheit, betriebliches Vertrauen und tiefe Fachkenntnis.**

Dort stößt agentisches Selbermachen noch an Wände.

**Jetzt live.** Zwei Kunden sind seit 14 Tagen im Pilotbetrieb. Der Bot antwortet selbstständig in den Slack-Kanälen der Kunden und im Portal. Bis Ende Mai rollen wir ihn auf den übrigen Kundenstamm aus. Der Pilotbetrieb tut, was ein Pilot tun soll: Er zeigt, was als Nächstes gebaut werden muss.

**Nach vorn im Helpdesk.** Mehr Branchen im bestehenden Kundenstamm. Mehr KB, befüllt aus echten Interaktionen mit Kunden zusätzlich zur Grundlage aus der Hilfedokumentation. Mehr Kanäle, wenn Kunden danach fragen. **Je länger es läuft, desto besser werden die Antworten.**

### Die Build-Schwelle hat sich verschoben

Die Build-Schwelle hat sich verschoben. Historisch hielt Open Source einen Großteil der Linie zwischen „selbst bauen“ und „kaufen“: Vieles, was sich zur Massenware machen ließ, wanderte dorthin, während der Rest im Revier der Anbieter blieb. **Agentisches Programmieren verschiebt diese Linie erneut.**

Für Softwareunternehmen ist das unbequem. Mehr Software lässt sich schneller und mit kleineren Teams bauen. **Manche Produktflächen, die früher eine eigene Kategorie von Anbietern rechtfertigten, werden zu internen Abläufen.**

Die andere Seite ist aber eine echte Chance. Dieselben Agenten, die die Kosten des Eigenbaus senken, **heben auch die Messlatte dafür, was ein Produkt leisten muss, damit sich der Kauf lohnt**.

**Der Erfolg eines Unternehmens kommt daher, welches geschäftliche Problem es löst, nicht daher, wie es Software baut.**

Je agentischer wir arbeiten, desto wichtiger wird Data Governance. Dorthin geht der nächste Beitrag.

### FAQ

**Was ist der Kunden-Helpdesk, den wir gebaut haben?**

Ticketing über alle Kanäle mit einem KI-Bot, der auf unserer Wissensbasis gründet. Das Portal, E-Mail über Microsoft Graph und die Slack Events API legen alle dasselbe Ticket an und aktualisieren es. Der Bot beantwortet Fragen an jedem dieser drei Orte, zitiert die KB und bietet nur dann an, ein Ticket zu eröffnen, wenn das Gespräch es verlangt. Die KB entsteht aus help.dawiso.com und aus Q/A-Mustern, die wir aus unseren Slack-Kanälen für den Support extrahieren.

**Warum haben wir kein bestehendes Helpdesk-SaaS genutzt?**

Aus zwei Gründen. Erstens lief das, was wir bisher nutzten, über Slack und E-Mail nicht reibungslos genug, hatte nicht die KI-Unterstützung, die wir wollten, und taugte nicht zugleich als Wissensbasis, die wir wiederverwenden konnten. Wir waren ihm entwachsen. Zweitens war der Helpdesk der richtige Test dafür, ob wir ein komplexes System für Kunden mit Agenten von Anfang bis Ende ausliefern können. Das Ergebnis ist beides: ein Werkzeug, das zu unserem Arbeitsablauf passt, und eine positive Antwort auf die größere Frage.

**Wie bleibt der Bot genau?**

RAG mit nativen Zitaten in jeder Antwort. Die erste KB wurde aus unserer offiziellen Hilfedokumentation befüllt und wird laufend durch Q/A ergänzt, die aus Slack extrahiert werden, mit bereinigten personenbezogenen Daten. Artikel durchlaufen eine Qualitätsprüfung. Daumen je Nachricht und Bewertungen am Ende des Chats liefern Rückmeldung. Jede Interaktion mit Kunden hat einen Weg zurück in die KB.

**Auf welchem Stack läuft der Helpdesk?**

Zunächst auf Cloudflare Workers und D1 gebaut, dann auf unsere Standard-Infrastruktur in Azure migriert: K8s, PostgreSQL, Redis mit BullMQ für Warteschlangen und Azure Blob Storage für Anhänge. Das Frontend in React. Microsoft Graph für E-Mail, die Slack Events API für Slack und Modelle von Claude für die KI-Funktionen.

### Inhalt

Warum das der eigentliche Test warWas wir gebaut habenWie Agenten Komplexität für den Produktivbetrieb ausliefernWas sich verstärktFolgen, Stand heute, AusblickDie Build-Schwelle hat sich verschobenFAQ

## Mehr zum Thema

Lesen Sie weiter und tauchen Sie tiefer in unsere neuesten Beiträge zu Metadatenmanagement und mehr ein:

### [4 Wochen Migration, 2 Wochen für eine neue Arbeitsweise](https://www.dawiso.com/de/blog-post/web-acceleration)

Wir haben dawiso.com in 4 Wochen neu gebaut. Zwei Wochen später hatte das Marketing das geplante CMS durch Branches, Preview-Deploys und KI-Skills ersetzt.

Weiterlesen

### [Wie wir bei Dawiso voll auf KI-Agenten gesetzt haben](https://www.dawiso.com/de/blog-post/how-we-went-all-in-on-ai-agents-at-dawiso)

Von Versuchen mit ChatGPT zu KI im ganzen Unternehmen. Wie ein Team von rund 40 Leuten seine Annahmen über KI in AHA-Sessions aufgebrochen hat.

Weiterlesen

### [Agentic AI und Metadaten-Governance: Warum Ihre KI-Agenten fachlichen Kontext brauchen, um zu liefern](https://www.dawiso.com/de/blog-post/agentic-ai-metadata-governance-enterprise-guide)

KI-Agenten sind nur so klug wie der Kontext, mit dem sie arbeiten. Die fünf Grundlagen der Metadaten, die jedes Unternehmen braucht, bevor es Agentic AI in großem Umfang einsetzt.

Weiterlesen