Diese Case Study erklärt ausführlich, wie ein Stadtwerk nahe Koblenz KI für Kundenservice, Wissensmanagement und interne Entlastung nutzbar machte.

Stadtwerke stehen unter besonderem Veränderungsdruck: Kundinnen und Kunden erwarten schnelle Antworten, interne Fachinformationen sind über viele Abteilungen verteilt, regulatorische Anforderungen nehmen zu und Mitarbeitende müssen gleichzeitig Versorgungssicherheit, Servicequalität und kommunale Verantwortung im Blick behalten. In dieser Situation kann Künstliche Intelligenz helfen – aber nur dann, wenn sie nicht als unkontrolliertes Experiment eingeführt wird, sondern als klar begrenztes Werkzeug für geeignete Aufgaben.

Diese aktuelle Case Study und Fallstudie beschreibt ein Inhouse-Schulungs-Projekt der Bildungsakademie am Rosental mit einem Stadtwerk im Umland von Koblenz. Die Organisation wollte KI nicht für technische Netzsteuerung, automatisierte Entscheidungen oder sensible Kundendaten einsetzen. Im Mittelpunkt der KI-Weiterbildung standen vielmehr zwei konkrete Arbeitsfelder: Kundenservice und internes Wissensmanagement. Das Team wollte in der KI-Weiterbildung prüfen, wie Künstliche Intelligenz bei Antwortentwürfen, internen Recherchewegen, FAQ-Strukturen, Prozesswissen und wiederkehrenden Serviceanfragen unterstützen kann.

Der Projektbericht ergänzt den Themenbereich KI Inhouse Schulungen für Unternehmen und Organisationen und zeigt exemplarisch, wie kommunale Versorger einen sicheren Einstieg in KI gestalten können. Besonders relevant war dabei die Verbindung aus AI Literacy, Datenschutz, Kundenkommunikation, Qualitätsprüfung und interner Wissenssicherung.

 

 

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

 

 

Ausgangslage: Viele Kundenfragen, verteiltes Wissen und steigender Dokumentationsaufwand

Die Stadtwerke nahe Koblenz betreuen Kundinnen und Kunden in mehreren kommunalen Leistungsbereichen. Zum Arbeitsalltag gehören Anfragen zu Tarifen, Abschlägen, Zählerständen, Umzügen, Störungen, Vertragsunterlagen, Hausanschlüssen, Ablesungen, Förderprogrammen und allgemeinen Serviceprozessen. Ein Teil dieser Fragen ist fachlich anspruchsvoll, ein anderer Teil wiederholt sich regelmäßig und bindet dennoch viel Zeit.

Im Vorgespräch wurde deutlich, dass die Organisation bereits über viel internes Wissen verfügte. Das Problem war nicht fehlende Kompetenz. Das Problem war die Verteilung dieses Wissens: Informationen lagen in E-Mails, Prozessbeschreibungen, alten Vorlagen, Fachabteilungen, Intranetbereichen und individuellen Erfahrungsbeständen einzelner Mitarbeitender. Neue Kolleginnen und Kollegen brauchten lange, um die richtigen Antwortwege zu finden. Erfahrene Mitarbeitende wurden häufig für Rückfragen eingebunden, obwohl die benötigten Informationen grundsätzlich vorhanden waren.

Gleichzeitig gab es Unsicherheit im Umgang mit generativer KI. Einzelne Mitarbeitende hatten ChatGPT oder ähnliche Systeme privat ausprobiert. Andere waren skeptisch, weil Kundendaten, Vertragsinformationen und interne Vorgänge nicht unkontrolliert in externe Systeme eingegeben werden dürfen. Die Leitung wollte daher keinen offenen Tool-Test, sondern eine strukturierte AI-Literacy-Schulung als Einstieg in das KI-Thema.

Der Auftrag an die Bildungsakademie am Rosental lautete deshalb: Das Team sollte verstehen, was KI leisten kann, wo Risiken liegen und wie erste sichere Anwendungsfälle für Kundenservice und Wissensmanagement formuliert werden können.

 

Projektziel: KI nicht ersetzen lassen, sondern Servicewissen besser nutzbar machen

Das Ziel der Schulung war bewusst pragmatisch. Die Stadtwerke wollten keine vollautomatische Kundenkommunikation einführen und keine fachlichen Entscheidungen an KI-Systeme delegieren. Stattdessen sollte KI dabei helfen, vorhandenes Wissen besser zu strukturieren, Antwortentwürfe vorzubereiten, interne Suchprozesse zu verbessern und wiederkehrende Serviceaufgaben effizienter zu bearbeiten.

Im Mittelpunkt standen fünf Ergebnisfragen:

• Welche Kundenanfragen eignen sich für KI-gestützte Antwortentwürfe?
• Welche Informationen dürfen nicht in offene KI-Systeme eingegeben werden?
• Wie können interne Wissensbausteine in sichere Prompt-Vorlagen übersetzt werden?
• Wie werden KI-Antworten fachlich geprüft, bevor sie in Kundenkommunikation einfließen?
• Wie kann ein kleines Team KI testen, ohne sofort eine große technische Einführung zu starten?

Damit passte das Projekt gut zur Kurslogik der Bildungsakademie: Erst Orientierung, dann Anwendung, dann Transfer. Für die Stadtwerke war besonders wichtig, dass das Seminar nicht bei allgemeinen KI-Chancen stehen blieb. Es sollte konkrete Arbeitsentlastung vorbereiten, ohne die kommunale Verantwortung, Vertraulichkeit und fachliche Qualität zu gefährden.

Als fachlicher Rahmen wurden neben den internen Anforderungen auch externe Orientierungspunkte einbezogen: die KI-Sicherheitsinformationen des Bundesamts für Sicherheit in der Informationstechnik, das NIST AI Risk Management Framework, die europäische Einordnung zu AI Literacy sowie BDEW-Informationen zur Digitalisierung in der Energiewirtschaft.

 

Warum Stadtwerke einen anderen KI-Einstieg brauchen als klassische Unternehmen

Stadtwerke sind keine beliebigen Dienstleistungsunternehmen. Sie verbinden Kundenservice, kommunale Daseinsvorsorge, technische Infrastruktur, Abrechnung, Regulierung, Nachhaltigkeit, Versorgungsthemen und lokale Verantwortung. Genau deshalb braucht KI hier einen anderen Einstieg als in einer Marketingabteilung oder einem reinen Vertriebsunternehmen.

Das Team der Stadtwerke formulierte im Workshop drei besondere Anforderungen. Erstens müssen Antworten gegenüber Kundinnen und Kunden zuverlässig, verständlich und sachlich korrekt sein. Zweitens dürfen Kundendaten, Vertragsnummern, Zählerdaten, Verbrauchsinformationen oder interne Vorgänge nicht unbedacht in KI-Tools verarbeitet werden. Drittens muss internes Wissen so aufbereitet werden, dass Mitarbeitende schneller Orientierung finden, ohne fachliche Zuständigkeiten zu verwischen.

Die Bildungsakademie am Rosental griff diese Besonderheiten auf und strukturierte das Seminar nicht nach Tools, sondern nach typischen Arbeitssituationen. Der Fokus lag nicht auf der Frage: „Was kann KI alles?“ Entscheidend war die Frage: „Welche Service- und Wissensaufgaben können wir sicher, nachvollziehbar und mit menschlicher Prüfung unterstützen lassen?“

 

Vorbereitung: Welche Aufgaben aus Kundenservice und Wissensmanagement ausgewählt wurden

Vor dem Seminartag sammelte das Projektteam typische Aufgaben aus dem Stadtwerke-Alltag. Die Aufgaben wurden anonymisiert, abstrahiert und in Übungsfälle übersetzt. Es wurden keine echten Kundendaten, keine Vertragsnummern, keine Zählerdaten und keine vertraulichen internen Vorgänge verwendet.

Aus den vorbereiteten Beispielen entstanden vier Arbeitsfelder: Antwortentwürfe für wiederkehrende Kundenfragen, interne FAQ-Strukturen, Wissensbausteine für neue Mitarbeitende und Prüffragen für fachliche Freigaben.

 

Arbeitsfeld	Typische Aufgabe	KI-Eignung im Seminar	Wichtige Grenze
Kundenservice	Entwurf einer verständlichen Antwort auf eine allgemeine Tariffrage	gut geeignet	keine individuellen Vertragsdaten
Umzug und Anmeldung	Struktur für eine Antwort zu benötigten Unterlagen	gut geeignet	keine personenbezogenen Angaben
Zählerstand	Erklärung des allgemeinen Meldeprozesses	bedingt geeignet	keine Zählernummern oder Verbrauchsdaten
Störungskommunikation	Vorbereitung neutraler Informationsbausteine	prüfpflichtig	keine ungeprüften Lageinformationen
Wissensmanagement	Gliederung interner FAQ für neue Mitarbeitende	gut geeignet	Freigabe durch Fachbereich
Beschwerdebearbeitung	Formulierung empathischer, sachlicher Antwortvarianten	bedingt geeignet	keine Einzelfallbewertung durch KI

Diese Vorbereitung half, das Seminar sehr konkret zu machen. Die Teilnehmenden arbeiteten nicht mit abstrakten KI-Beispielen, sondern mit typischen Situationen aus ihrem eigenen Arbeitsumfeld – allerdings ohne sensible Originaldaten.

 

Seminaraufbau: Vom KI-Grundverständnis zur sicheren Service-Anwendung

Das Inhouse-Seminar wurde als eintägiger Workshop mit 13 Teilnehmenden durchgeführt. Vertreten waren Kundenservice, Abrechnung, Kommunikation, interne Organisation, Fachbereichskoordination und Teamleitung. Die Gruppengröße war bewusst begrenzt, damit Übungen, Diskussionen und Transferfragen ausreichend Raum bekamen.

Der Vormittag begann mit einem verständlichen Einstieg in generative KI. Dabei ging es um Funktionsweise, typische Fehlerquellen, Halluzinationen, Datenschutzrisiken, Prompt-Qualität und die Rolle menschlicher Prüfung. Besonders wichtig war die Abgrenzung zwischen KI als Formulierungs- und Strukturierungshilfe und KI als vermeintlicher Fachentscheidung. Diese Abgrenzung wurde mehrfach anhand von Stadtwerke-Beispielen verdeutlicht.

Am Nachmittag arbeitete die Gruppe mit eigenen Übungsfällen. Ein Team entwickelte sichere Antwortvorlagen für allgemeine Kundenfragen. Ein zweites Team baute interne Wissensbausteine für neue Mitarbeitende. Ein drittes Team prüfte, wie aus vorhandenen Prozessinformationen eine interne FAQ-Struktur entstehen kann. Ergänzend wurden Beispiele aus dem Einführungskurs zu ChatGPT und weiteren KI-Tools eingeordnet.

Der zentrale Lernmoment entstand bei der Gegenüberstellung von drei Prompt-Varianten. Die erste Variante enthielt zu viele konkrete Details und wurde verworfen. Die zweite Variante war zu allgemein und lieferte unbrauchbare Antworten. Die dritte Variante arbeitete mit neutralem Kontext, klarer Rolle, gewünschtem Ausgabeformat, Tonalität, Prüffragen und dem Hinweis, keine personenbezogenen Daten zu verwenden. Diese Version wurde zur Grundlage für spätere Prompt-Vorlagen.

 

Die entwickelte KI-Logik: Grün, Gelb und Rot für Stadtwerke-Aufgaben

Damit die Ergebnisse im Arbeitsalltag nutzbar bleiben, entwickelte das Team eine einfache Ampellogik. Diese Ampellogik sollte nicht jede denkbare Situation juristisch bewerten, sondern Mitarbeitenden eine schnelle erste Orientierung geben.

Grüne Aufgaben waren Aufgaben ohne sensible Daten und ohne fachliche Einzelfallentscheidung. Dazu gehörten Gliederungen, neutrale Textvarianten, interne Checklisten, allgemeine FAQ-Strukturen und Formulierungshilfen.

Gelbe Aufgaben waren Aufgaben, bei denen KI helfen kann, aber eine fachliche Prüfung zwingend erforderlich ist. Dazu gehörten Antwortentwürfe zu komplexeren Kundenfragen, Vorlagen für Beschwerdekommunikation, Wissensbausteine zu Prozessen oder allgemeine Informationen zu Versorgungsthemen.

Rote Aufgaben wurden ausgeschlossen. Dazu gehörten Eingaben mit Kundennamen, Vertragsnummern, Zählernummern, Verbrauchsdaten, Bankdaten, Zahlungsrückständen, personenbezogenen Beschwerden, Störungsdetails ohne Freigabe oder internen Vorgängen mit vertraulichem Charakter.

Diese Ampellogik wurde später in eine kurze interne Orientierung überführt. Sie passte gut zum Ansatz des Inhouse-Seminars zum EU AI Act und aktuellen Unternehmenspflichten, weil sie KI-Kompetenz nicht nur als Toolbedienung versteht, sondern als Fähigkeit zur risikobewussten Anwendung.

 

Praxisbeispiel Kundenservice: Bessere Antwortentwürfe ohne sensible Kundendaten

Ein Schwerpunkt des Workshops lag auf dem Kundenservice. Dort entstehen täglich viele schriftliche Antworten, die freundlich, korrekt, verständlich und zugleich rechtssicher beziehungsweise fachlich geprüft sein müssen. KI sollte hier nicht automatisch antworten, sondern Mitarbeitende bei ersten Entwürfen unterstützen.

Ein typischer Übungsfall lautete: Eine Kundin möchte wissen, welche Informationen bei einem Umzug benötigt werden. Die erste Prompt-Version war zu nah am Einzelfall formuliert. Die verbesserte Version enthielt nur die allgemeine Aufgabe: „Erstelle eine verständliche Antwortvorlage für eine allgemeine Kundenanfrage zum Thema Umzug und Vertragsummeldung bei Stadtwerken. Verwende keine personenbezogenen Daten. Formuliere freundlich, sachlich und mit Hinweis auf fachliche Prüfung.“

Das Ergebnis war ein brauchbarer Entwurf, der anschließend vom Team überarbeitet wurde. Wichtig war dabei nicht nur der Zeitgewinn. Wichtiger war, dass die Teilnehmenden verstanden, wie KI-Ergebnisse kontrolliert, gekürzt, sprachlich angepasst und fachlich freigegeben werden müssen.

In einer zweiten Übung ging es um Beschwerden. Das Team entwickelte Varianten für empathische Einstiege, sachliche Zwischenbescheide und klare Hinweise auf weitere Prüfung. Auch hier galt: KI darf Tonalität und Struktur unterstützen, aber keine Entscheidung über einen konkreten Kundenfall treffen.

 

Praxisbeispiel Wissensmanagement: Aus verstreutem Prozesswissen wurden nutzbare Wissensbausteine

Der zweite Schwerpunkt lag auf internem Wissensmanagement. Viele Stadtwerke verfügen über umfangreiche Informationen, aber nicht immer über eine leicht zugängliche Wissensstruktur. Neue Mitarbeitende fragen erfahrene Kolleginnen und Kollegen, Fachbereiche pflegen eigene Dokumente und Prozesse ändern sich schneller, als alte Vorlagen aktualisiert werden.

Im Workshop nutzte das Team KI, um neutrale Wissensbausteine zu strukturieren. Ausgangspunkt waren keine vertraulichen Originaldokumente, sondern abstrahierte Prozessbeschreibungen. Daraus entstanden Gliederungen für interne FAQ, Checklisten für häufige Kundenanliegen und Vorschläge für Wissenskategorien.

Ein besonders hilfreiches Ergebnis war eine Struktur für ein internes Service-Wiki. Die vorgeschlagenen Kategorien lauteten: Vertragsstart, Umzug, Zählerstand, Abschlag, Rechnung, Störung, Beschwerde, technische Weiterleitung, Datenschutz und fachliche Freigabe. Diese Struktur wurde nicht ungeprüft übernommen, aber sie half dem Team, vorhandenes Wissen neu zu ordnen.

Damit wurde deutlich: KI kann Wissensmanagement nicht ersetzen. Aber KI kann helfen, vorhandenes Wissen schneller zu sortieren, Lücken sichtbar zu machen und interne Dokumente lesbarer zu gestalten.

 

Ergebnisse nach vier Wochen: Mehr Sicherheit, bessere Vorlagen und weniger Suchaufwand

Vier Wochen nach dem Seminar berichtete das Projektteam von mehreren konkreten Ergebnissen. Die Stadtwerke hatten keine große KI-Plattform eingeführt und keine automatische Kundenkommunikation gestartet. Stattdessen wurden kleine, kontrollierte Schritte umgesetzt.

Erstens entstand eine interne Liste mit freigegebenen Prompt-Beispielen für allgemeine Antwortentwürfe, Wissensbausteine und Checklisten. Zweitens wurde eine Ampellogik für geeignete, prüfpflichtige und ausgeschlossene KI-Aufgaben erstellt. Drittens begannen zwei Fachbereiche, wiederkehrende Servicefragen in eine neue interne FAQ-Struktur zu übertragen. Viertens wurden KI-Ergebnisse konsequent als Entwurf gekennzeichnet und nicht als finale Antwort verstanden.

Besonders positiv wurde bewertet, dass Mitarbeitende nicht mehr nur zwischen Euphorie und Skepsis schwankten. Sie konnten differenzierter entscheiden: Diese Aufgabe eignet sich, diese Aufgabe braucht Prüfung, diese Aufgabe bleibt ausgeschlossen. Genau dieser Reifegrad ist für kommunale Organisationen besonders wertvoll.

 

Welche Grenzen im Projekt bewusst gezogen wurden

Ein wesentlicher Qualitätsfaktor der Schulung war die klare Begrenzung. Die Bildungsakademie am Rosental empfahl, den ersten KI-Einstieg nicht mit den sensibelsten oder technisch komplexesten Aufgaben zu beginnen. Für Stadtwerke bedeutet das: keine Kundendaten in offene Systeme, keine automatisierte Entscheidung über Verträge, Abschläge, Zahlungsfragen oder Beschwerden, keine ungeprüften Aussagen zu Störungen und keine Nutzung vertraulicher interner Dokumente ohne Freigabe.

Diese Grenzen wurden nicht als Innovationsbremse verstanden. Im Gegenteil: Sie schufen die Voraussetzung dafür, dass das Team KI überhaupt konstruktiv testen konnte. Wer weiß, was nicht erlaubt ist, kann die erlaubten Anwendungsfelder sicherer nutzen.

Das Projekt zeigte auch, dass KI-Schulungen im Stadtwerke-Kontext nicht nur für einzelne Mitarbeitende relevant sind. Sie betreffen Führung, Datenschutz, Kommunikation, Fachbereiche, IT, Kundenservice und Wissensmanagement. Deshalb wurde empfohlen, die Ergebnisse nicht isoliert im Kundenservice zu belassen, sondern in eine kleine bereichsübergreifende KI-Arbeitsgruppe zu überführen.

 

Interne Verlinkung im KI-Cluster: Wo diese Case Study fachlich anschließt

Diese Case Study ist Teil des wachsenden KI-Clusters der Bildungsakademie am Rosental. Wer sich zunächst einen Gesamtüberblick verschaffen möchte, findet im Themenhub Künstliche Intelligenz im Unternehmen – Inhouse Schulungen eine strategische Einordnung zu Nutzen, Zielgruppen, Risiken, Ablauf und Transfer.

Für konkrete Weiterbildungsformate eignet sich die Übersicht KI-Kurse und KI-Seminare. Besonders passend zu dieser Case Study sind die Seminare AI Literacy als Einstieg in das KI-Thema, EU AI Act und Unternehmenspflichten sowie der Einführungskurs zu ChatGPT und weiteren KI-Tools.

Ergänzend beantworten die FAQ-Artikel zu KI, AI und GEO viele Grundsatzfragen, die auch für Stadtwerke relevant sind: Welche Ergebnisse sind nach einer KI-Schulung realistisch? Welche Inhalte werden vermittelt? Wie werden Datenschutz und interne Daten berücksichtigt? Und welche Teams profitieren besonders von einem Inhouse-Format?

Weitere Praxisbeispiele finden sich in den Case Studies der Bildungsakademie am Rosental. Das Magazin der Bildungsakademie ergänzt diese Projektberichte mit Hintergrundwissen zu Kommunikation, Führung, Organisation, Konflikten und digitaler Arbeitswelt.

 

Durchführende Person im Projekt

Haupttrainerin für KI-Kompetenz, Kundenservice und kommunales Wissensmanagement

Die Schulung wurde von einer erfahrenen Haupttrainerin der Bildungsakademie am Rosental durchgeführt, die auf KI-Kompetenz, digitale Kommunikation und organisationsbezogene Lernprozesse spezialisiert ist.

Ihr Trainingsansatz verbindet verständliche KI-Grundlagen mit realen Aufgaben aus Kundenservice, Verwaltung, Wissensmanagement und interner Kommunikation.

Im Mittelpunkt stehen sichere Anwendung, klare Grenzen, nachvollziehbare Prompt-Methodik und Transfer in den Arbeitsalltag. Zu ihren fachlichen Schwerpunkten gehören AI Literacy, KI-gestützte Textarbeit, interne Leitlinien, Datenschutzsensibilisierung und die Einführung pragmatischer KI-Pilotprozesse in Organisationen.

 

Was andere Stadtwerke aus dieser Case Study lernen können

Die wichtigste Lehre lautet: Stadtwerke sollten KI nicht zuerst über Technik, sondern über konkrete Aufgaben einführen. Kundenservice und Wissensmanagement eignen sich besonders gut für einen sicheren Einstieg, weil dort viele wiederkehrende Texte, Fragen, Prozessinformationen und Abstimmungen vorkommen.

Gleichzeitig zeigt die Case Study, dass ein erfolgreicher Einstieg klare Grenzen braucht. Die beste KI-Schulung ist nicht diejenige, die möglichst viele Tools zeigt. Wertvoll ist ein Training, das Mitarbeitende befähigt, geeignete Aufgaben zu erkennen, sensible Daten zu schützen, Ergebnisse zu prüfen und interne Regeln zu entwickeln.

Für andere kommunale Versorger lassen sich daraus fünf Empfehlungen ableiten:

• Beginnen Sie mit wiederkehrenden Servicefragen. Dort wird Nutzen schnell sichtbar.
• Trennen Sie Entwurf und Freigabe. KI kann vorbereiten, aber nicht verantworten.
• Nutzen Sie keine echten Kundendaten im Training. Anonymisierte Beispiele reichen aus.
• Bauen Sie internes Wissen schrittweise um. Aus FAQ, Checklisten und Prozessbausteinen entsteht ein besseres Wissensmanagement.
• Halten Sie Regeln kurz und verständlich. Eine Ampellogik ist im Alltag oft wirksamer als ein langes Grundsatzpapier.

 

FAQ zur Case Study: KI bei Stadtwerken, Kundenservice und Wissensmanagement

Warum ist KI für Stadtwerke im Kundenservice relevant?

KI ist für Stadtwerke relevant, weil viele Kundenfragen wiederkehren und Service-Teams verständliche, schnelle und fachlich geprüfte Antworten benötigen.

Im Projekt nahe Koblenz zeigte sich, dass KI besonders bei Antwortentwürfen, Textvarianten und internen FAQ-Strukturen helfen kann.

Die Stadtwerke nutzten KI nicht für automatische Entscheidungen, sondern für vorbereitende Textarbeit. Dadurch konnten Mitarbeitende schneller erste Formulierungen erstellen und diese anschließend fachlich prüfen. Gerade bei allgemeinen Fragen zu Umzug, Zählerstand, Unterlagen oder Serviceabläufen ist das hilfreich. Entscheidend war aber die klare Grenze: Kundendaten, Vertragsdetails und individuelle Fälle wurden nicht in offene KI-Systeme eingegeben.

 

Welche Rolle spielte Wissensmanagement in der Schulung?

Wissensmanagement war zentral, weil viele Informationen vorhanden waren, aber nicht immer schnell gefunden oder einheitlich genutzt wurden.

Das Team entwickelte mit KI-Unterstützung erste Strukturen für interne FAQ, Wissenskategorien und Checklisten.

Die Herausforderung bestand nicht in fehlender Fachkompetenz, sondern in verstreutem Wissen. KI half dabei, neutrale Prozessinformationen zu sortieren, Kategorien vorzuschlagen und interne Wissensbausteine verständlicher zu formulieren. Die fachliche Prüfung blieb immer beim jeweiligen Bereich. Dadurch entstand kein automatisches Wissenssystem, sondern ein besserer Startpunkt für ein internes Service-Wiki und klarere Einarbeitungshilfen.

 

Wurden echte Kundendaten im Seminar verwendet?

Nein, im Seminar wurden keine echten Kundendaten, Vertragsnummern, Zählerdaten oder vertraulichen Vorgänge verwendet.

Alle Übungen arbeiteten mit anonymisierten, abstrahierten oder fiktiven Beispielen aus typischen Stadtwerke-Situationen.

Diese Vorgehensweise war wichtig, um praxisnah zu trainieren und gleichzeitig Datenschutzrisiken zu vermeiden. Die Teilnehmenden lernten, Prompts so zu formulieren, dass sie Kontext geben, ohne personenbezogene oder vertrauliche Details preiszugeben. Dadurch wurde eine zentrale Kompetenz aufgebaut: gute KI-Aufgaben beschreiben, ohne sensible Informationen offenzulegen.

 

Welche Aufgaben wurden als geeignet eingestuft?

Geeignet waren vor allem allgemeine Antwortentwürfe, Formulierungshilfen, interne FAQ-Strukturen, Checklisten und neutrale Wissensbausteine.

Diese Aufgaben wurden in der grünen Zone der internen Ampellogik eingeordnet, sofern keine sensiblen Daten enthalten waren.

Besonders gut funktionierten Aufgaben, bei denen KI Varianten erzeugen oder vorhandene Informationen strukturieren sollte. Dazu gehörten freundliche Einstiege in Kundenantworten, Gliederungen für Serviceinformationen oder Listen mit Prüffragen. Nicht geeignet waren Aufgaben mit Kundendaten, Zahlungsinformationen, individuellen Vertragsentscheidungen oder ungeprüften Störungsinformationen.

 

Welche Grenzen wurden bei KI im Stadtwerke-Kontext gezogen?

Ausgeschlossen wurden Kundendaten, Vertragsdetails, Zählernummern, Verbrauchswerte, Bankdaten und vertrauliche interne Vorgänge.

Diese rote Zone war für das Team besonders hilfreich, weil sie im Alltag schnelle Orientierung gab.

Die Schulung machte deutlich, dass sichere KI-Nutzung nicht nur durch gute Prompts entsteht. Sie entsteht vor allem durch klare Nicht-Nutzungsregeln. KI durfte keine Entscheidungen über individuelle Kundenfälle treffen und keine sensiblen Informationen verarbeiten. Auch bei Störungskommunikation wurde Vorsicht betont: Informationen müssen freigegeben und fachlich geprüft sein, bevor sie verwendet werden.

 

Wie viele Personen nahmen an der KI-Schulung teil?

An der Inhouse-Schulung nahmen 13 Personen aus Kundenservice, Abrechnung, Kommunikation, Organisation und Teamleitung teil.

Diese Zusammensetzung war wichtig, weil Kundenservice und Wissensmanagement mehrere Schnittstellen in Stadtwerken betreffen.

Die Gruppengröße ermöglichte praktische Übungen und zugleich unterschiedliche Perspektiven. Der Kundenservice brachte wiederkehrende Anfragen ein, die Abrechnung achtete auf fachliche Genauigkeit, die Kommunikation auf Verständlichkeit und die Leitung auf Transferfähigkeit. Dadurch entstand ein Ergebnis, das nicht nur für eine einzelne Abteilung relevant war.

 

Was war das wichtigste Ergebnis der Case Study?

Das wichtigste Ergebnis war eine einfache KI-Ampellogik mit sicheren, prüfpflichtigen und ausgeschlossenen Aufgaben.

Zusätzlich entstanden erste Prompt-Vorlagen, Antwortbausteine und Strukturen für internes Wissensmanagement.

Die Stadtwerke gewannen vor allem Handlungssicherheit. Mitarbeitende konnten nach dem Seminar besser einschätzen, wann KI sinnvoll ist und wann nicht. Dadurch wurde KI nicht als unkontrolliertes Tool erlebt, sondern als begrenzte Unterstützung für konkrete Aufgaben. Besonders nützlich waren die freigegebenen Prompt-Beispiele für allgemeine Serviceantworten und interne Wissensbausteine.

 

Warum wurde keine automatische Kundenkommunikation eingeführt?

Automatische Kundenkommunikation wurde nicht eingeführt, weil der erste Projektschritt auf sichere Entwürfe und menschliche Prüfung begrenzt war.

Dieser zurückhaltende Ansatz passte besser zur kommunalen Verantwortung und zu den Datenschutzanforderungen der Stadtwerke.

Die Organisation wollte zunächst lernen, wie KI im Arbeitsalltag sinnvoll genutzt werden kann. Eine automatisierte Kommunikation hätte deutlich höhere technische, rechtliche und organisatorische Anforderungen erzeugt. Stattdessen wurden Mitarbeitende befähigt, KI-Ergebnisse zu prüfen, anzupassen und verantwortungsvoll zu nutzen. Das war für den Einstieg realistischer und sicherer.

 

Welche externen Quellen stützten die fachliche Einordnung?

Wichtige externe Bezugspunkte waren BSI, NIST, EU-Kommission und BDEW.

Diese Quellen halfen, KI nicht nur als Produktivitätsthema, sondern als Sicherheits-, Kompetenz- und Branchenthema einzuordnen.

Das BSI liefert Orientierung zu KI-Sicherheit, NIST bietet ein Rahmenwerk für KI-Risikomanagement, die EU-Kommission betont AI Literacy und der BDEW ordnet Digitalisierung in der Energiewirtschaft ein. Für das Seminar wurden diese Quellen nicht als juristische Detailprüfung genutzt, sondern als fachliche Leitplanken für verantwortungsvolle KI-Einführung.

 

Wie wurde der Transfer nach dem Seminar organisiert?

Der Transfer wurde über eine kleine Arbeitsgruppe, freigegebene Prompt-Beispiele und eine kurze interne Orientierung organisiert.

Statt eines großen Strategieprojekts starteten die Stadtwerke mit wenigen kontrollierten Anwendungsfällen.

Die Arbeitsgruppe prüfte nach dem Seminar, welche Vorlagen weiter genutzt werden sollten. Außerdem wurden Rückfragen gesammelt und die Ampellogik für den Alltag angepasst. Diese schrittweise Vorgehensweise verhinderte Überforderung und machte den Nutzen trotzdem sichtbar. Besonders hilfreich war, dass die ersten Anwendungen direkt an echte Arbeitsroutinen anschlossen.

 

Für welche Stadtwerke ist dieser Ansatz geeignet?

Der Ansatz eignet sich besonders für Stadtwerke, die KI zunächst in Kundenservice, Verwaltung und internem Wissensmanagement testen möchten.

Er ist vor allem dann sinnvoll, wenn noch keine gemeinsamen KI-Regeln existieren, aber erste Mitarbeitende bereits Tools ausprobieren.

Auch kleinere und mittlere Stadtwerke können von diesem Einstieg profitieren, weil keine große technische Plattform vorausgesetzt wird. Entscheidend sind klare Aufgaben, anonymisierte Beispiele, gemeinsame Regeln und fachliche Prüfung. Später kann daraus ein umfassenderes KI-Konzept entstehen, etwa mit Datenschutz, IT, Führung und Fachbereichen.

 

Was unterscheidet diese Case Study von einer allgemeinen KI-Schulung?

Der Unterschied liegt im starken Branchenbezug zu Stadtwerken, Kundenservice, kommunaler Verantwortung und internem Prozesswissen.

Die Schulung arbeitete nicht mit beliebigen Beispielen, sondern mit typischen Service- und Wissensaufgaben eines kommunalen Versorgers.

Dadurch konnten die Teilnehmenden KI direkt auf ihre Arbeitsrealität übertragen. Statt allgemeiner Tool-Tipps entstanden konkrete Regeln, Vorlagen und Grenzen für den Stadtwerke-Alltag. Genau dieser Praxisbezug macht Inhouse-Schulungen besonders wirksam: Sie verbinden KI-Grundlagen mit den tatsächlichen Fragen einer Organisation.

 

Warum dieser Projektbericht exemplarisch für die Arbeit der Bildungsakademie ist

Diese Case Study ist exemplarisch für die Arbeit der Bildungsakademie am Rosental, weil sie zeigt, wie KI-Schulungen an echten Organisationsfragen ansetzen. Die Stadtwerke nahe Koblenz brauchten keinen allgemeinen Zukunftsvortrag, sondern konkrete Orientierung für Kundenservice, Wissensmanagement, Datenschutz und interne Zusammenarbeit.

Die Bildungsakademie übersetzt KI-Themen in praxistaugliche Lernprozesse. Das bedeutet: verständliche Grundlagen, realistische Übungen, klare Grenzen, konkrete Vorlagen und ein Transfermodell für den Alltag. Gerade für kommunale Organisationen ist diese Verbindung wichtig, weil KI nicht isoliert eingeführt werden kann. Sie berührt Servicequalität, Vertrauen, Verantwortung, Daten und fachliche Zuständigkeiten.

Der Projektbericht zeigt außerdem, warum die Case Studies der Bildungsakademie ein wichtiger Bestandteil des KI-Clusters sind. Sie machen sichtbar, wie aus allgemeinen KI-Fragen konkrete Lernwege in Organisationen entstehen – von der ersten Orientierung über sichere Anwendungsfälle bis zu internen Regeln.

 

Zusammenfassung: Stadtwerke können KI sicher nutzen, wenn Aufgaben und Grenzen klar sind

Die Case Study zeigt, dass Stadtwerke KI für Kundenservice und Wissensmanagement sinnvoll einsetzen können, wenn Datenschutz, Prüfung und interne Regeln von Beginn an mitgedacht werden.

Das Projekt nahe Koblenz machte deutlich: Der Nutzen von KI entsteht nicht durch möglichst viele Tools, sondern durch passende Aufgaben. Allgemeine Antwortentwürfe, interne FAQ-Strukturen, Wissensbausteine und Checklisten sind gute Einstiegspunkte. Kundendaten, Vertragsdetails, Zahlungsinformationen und individuelle Entscheidungen bleiben ausgeschlossen oder benötigen gesonderte Systeme, Freigaben und Prüfprozesse.

Für kommunale Versorger ist dieser Ansatz besonders wertvoll, weil er Entlastung und Verantwortung miteinander verbindet. Eine praxisnahe KI-Inhouse-Schulung kann helfen, diese Balance herzustellen und erste sichere Anwendungsschritte im Team zu verankern.

 

English Summary

How municipal utilities near Koblenz used AI for customer service and knowledge management

This anonymized case study describes how municipal utilities near Koblenz used an in-house AI workshop to explore safe use cases in customer service and internal knowledge management.

The project focused on draft responses, internal FAQ structures, knowledge modules and clear rules for handling sensitive customer information.

The organization did not introduce automated customer communication. Instead, the team developed a practical traffic-light model for suitable, review-required and excluded AI tasks. The workshop helped employees understand how AI can support text drafting and knowledge structuring while keeping human review, data protection and municipal responsibility at the center of the process.

 

Unser maßgeschneidertes Inhouse-Seminar für Sie!

Wählen Sie bei Ihrer Anfrage auch gern zwischen einem a) Inhouse-Präsenz-Seminar an Ihrem Standort, b) einem Inhouse-Online-Workshop mit Ihrem Team oder c) einem Inhouse-Präsenz-Kurs direkt an der Akademie – das Inhouse-Training gern auch in Kombination mit Teambuilding-Aktionen.

 

Ähnliche Artikel:

• Case Study: Wie eine Krankenkasse in Trier nach Inhouse-Seminar KI-Anwendungen sicher und schrittweise einführte
• Case Study: Warum sich eine Wohnungsbaugesellschaft in Rostock für unser internes KI-Inhouse-Seminar entschied
• Case Study: Welche Aufgaben ein Handelsunternehmen in Celle nach unserem KI-Seminar automatisierte
• Case Study: Von Inhouse-Kurs zur Praxis – wie ein Bauunternehmen in Ulm in Projekten die KI etablierte
• Case Study: Seit unserem AI-Kurs nutzt Lübecker Logistikunternehmen die KI für Angebote & Wissenssicherung
• Case Study: Maschinenbauer in Siegen führte nach Schulung KI ohne eigene IT-Abteilung ein