Worum geht’s
Sprachmodelle (LLMs wie ChatGPT) sind im Service Desk verlockend: Sie formulieren in Sekunden eine freundliche Antwort, erklären eine Fehlermeldung laienverständlich oder entwerfen einen KB-Artikel. Aber sie sind Assistenten, keine Autoritäten — und sie können sensible Daten abfließen lassen. Dieses Modul zeigt, wie du LLMs im First-Level nutzbringend und regelkonform einsetzt.
Konzept
Wir betrachten LLMs entlang von fünf Aspekten — dem Raster für KI-Kompetenz:
1. Was funktioniert, was nicht. Ein LLM ist ein wahrscheinlichkeitsbasiertes Sprachmodell, kein Faktenspeicher und keine Logikmaschine. Stark bei: Umformulieren, Antwort-/E-Mail-Entwürfen, KB-Artikeln, Laien-Erklärungen. Schwach bei: verbindlichen Fakten, aktuellen Infos (Knowledge-Cutoff), exaktem Rechnen. Gefährlich: Halluzinationen — frei erfundene, aber überzeugend klingende Befehle oder Fakten.
2. Was du erwarten darfst. Eine schnellere Erstantwort und Hilfe bei Tonalität und Deeskalation. Aber: vor dem Versand fachlich und sprachlich prüfen. Das Modell ersetzt kein Fachwissen — die Verantwortung bleibt bei dir.
3. Sinnvoll prompten. Gib dem LLM anonymisierten Ticket-Kontext, nenne die Zielgruppe (Laie/Profi) und den gewünschten Tonfall, fordere Schritt-für-Schritt und ein klares Ausgabeformat an. Iteriere statt einen Versuch zu nehmen.
4. Anwendungsfälle. Antwortentwurf, KB-Artikel, Übersetzung, Eskalations-Zusammenfassung, eine Fehlermeldung erklären lassen, Textbausteine — immer mit Prüfung.
5. Was du darfst — und was nicht.
Sicherheits- und Datenschutzgrundsatz: Keine Kundendaten, Passwörter oder personenbezogenen Daten in externe LLMs. Ein Ticket vor dem Prompt anonymisieren. Die betriebliche KI-Policy gilt. KI-Entwürfe nie ungeprüft versenden. Und: keine vom LLM vorgeschlagenen System-/Sicherheitsbefehle blind ausführen — halluzinierte Befehle können Schaden anrichten. Für sensible Kontexte sind lokale LLMs (z. B. Ollama) die datensparsame Alternative.
Welche Inhalte dürfen in ein externes LLM, welche nicht?
Beispiel-Fall
Aufgabe: Du willst dir mit einem externen LLM einen Antwortentwurf für ein Ticket erstellen lassen. Das Ticket lautet: „Frau Petra Klein (petra.klein@kunde.de, Tel. 0151-…) kann sich nicht am Server SRV-FIBU01 (10.20.3.12) anmelden.”
- Anonymisieren: Name, E-Mail, Telefonnummer entfernen; Servername/IP durch Platzhalter ersetzen („eine Nutzerin”, „der Fachserver”).
- Prompt bauen (Aspekt 3): Rolle (freundlicher Support), Zielgruppe (Laiin), Tonfall, gewünschte Rückfragen, Format.
- Entwurf prüfen (Aspekt 2): Stimmen die fachlichen Aussagen? Keine erfundenen Befehle? Tonfall passend?
- Keine blinden Befehle (Aspekt 5): Schlägt das LLM ein Kommando vor, prüfst du es,
bevor du es nutzt —
curl … | basho. Ä. niemals blind. - Versenden + dokumentieren, dass ein (geprüfter) KI-Entwurf genutzt wurde.
So holst du das Tempo des LLM ab, ohne Daten oder Qualität zu riskieren.
Anwenden
Der Token-Zähler zeigt, wie groß dein Prompt wirklich ist — wichtig für Kontextfenster und um Über-Teilen zu vermeiden.
- Füge einen anonymisierten Ticket-Kontext in den Token-Zähler ein.
- Lies, wie viele Tokens das ergibt — passt das in das Kontextfenster des Modells?
- Kürze überflüssige Details: weniger (irrelevanter) Kontext = klarere Prompts und weniger Datenpreisgabe.
Selbsttest
Praxis-Challenge
Nimm ein (fiktives) Ticket mit Name, E-Mail und internem Servernamen. Anonymisiere es, baue einen strukturierten Prompt (Rolle, Zielgruppe, Tonfall, Format) und prüfe mit dem Token-Zähler die Promptgröße. Notiere dann drei Dinge, auf die du den fertigen LLM-Entwurf vor dem Versand kontrollierst — und welche Daten du nie eingegeben hast.