Hausarbeit

Thema:

K.I. basierte Kundenreklamationen

Vorgelegt von Leon Hoppe

Matrikelnummer: 1348604

Prüfer: Dr.-Ing. Tim Katzwinkel

Wuppertal, den 25.09.2023

Diese Arbeit wurde vorgelegt am Institut für Produkt-Innovationen

Bergische Universität Wuppertal – Geschäftsführer Dr.-Ing. Tim Katzwinkel
Eidesstattliche Versicherung

Erklärung zur selbständigen Erstellung der Arbeit

Ich versichere, dass ich die vorliegende Arbeit einschließlich aller beigefügter Materialien
selbstständig und ohne Benutzung anderer, als der angegebenen Hilfsmittel angefertigt habe. Alle
Stellen, die wörtlich oder sinngemäß aus veröffentlichten oder unveröffentlichten Werken
entnommen sind, sind in jedem Einzelfall unter Angabe der Quelle deutlich als solche kenntlich
gemacht. Die Arbeit ist in gleicher oder ähnlicher Form noch nicht als Prüfungsarbeit eingereicht
worden.

Name: Leon Hoppe

Matrikelnummer: 1348604

Wuppertal, den 24.09.23 Unterschrift

Institut für Produkt-Innovationen

Geschäftsführer Dr.-Ing. Tim Katzwinkel
II
Zusammenfassung (Abstract)
Diese Arbeit untersucht das Potenzial künstlicher Intelligenz (KI) bei der Generierung
realitätsnaher Reklamationen. Ziel war es, herauszufinden, inwiefern KI-Modelle dazu verwendet
werden können, Kundenreklamationen zu generieren. Dadurch ist es möglich, potenzielle
Schwachstellen in Produkten aufgezuzeigen. Durch einen iterativen Ansatz wurden verschiedene
Prompts evaluiert, wobei besonderes Augenmerk auf die Balance zwischen präzisen Anweisungen
und kreativem Freiraum gelegt wurde. Die Ergebnisse zeigten, dass KI in der Lage ist,
überzeugende Reklamationen zu generieren, die in Struktur und Inhalt realen
Kundenbeschwerden ähneln. Gleichzeitig wurden Herausforderungen in Bezug auf die
Skalierbarkeit und Automatisierung des Prozesses identifiziert. Trotz der aktuellen Limitationen
bietet die Integration von KI in den Bereich der Kundenreklamationen ein beträchtliches Potenzial
für Unternehmen, ihre Produkte und Dienstleistungen kontinuierlich zu verbessern und sich auf
zukünftige Herausforderungen vorzubereiten.

Institut für Produkt-Innovationen

Geschäftsführer Dr.-Ing. Tim Katzwinkel
III
Inhalt

Abkürzungen .....................................................................................................................................V

Abbildungsverzeichnis......................................................................................................................VI

1. Einleitung ......................................................................................................................................1

2. Grundlagen ...................................................................................................................................1

2.1. Charakteristika von Produktreklamationen .....................................................................................1

2.2. Anforderungen an realistische Produktreklamationen ....................................................................2
2.3. Gestaltung von Prompts .................................................................................................................2
2.4. KI-Modelle zur Textgenerierung ......................................................................................................3
3. Hauptteil: Generierung von Reklamationen ..................................................................................3

3.1. Entwicklung eines Musters für den Eingabeprompt ........................................................................3

3.2. Generierung der Reklamationen .....................................................................................................5
3.3. Übertrag in Excel ............................................................................................................................6
3.4. Ergebnisse mit alternativen KI-Modellen ........................................................................................7
4. Diskussion der Ergebnisse............................................................................................................9

4.1. Vergleich der verschiedenen Prompts ............................................................................................9

4.2. Qualität der generierten Reklamationen .......................................................................................10
4.3. Automatisierung und Skalierung ...................................................................................................10
5. Fazit und Ausblick .......................................................................................................................11

6. Literaturverzeichnis .....................................................................................................................12

Institut für Produkt-Innovationen

Geschäftsführer Dr.-Ing. Tim Katzwinkel
IV
Abkürzungen

Abkürzung Beschreibung

KI Künstliche Intelligenz

Institut für Produkt-Innovationen

Geschäftsführer Dr.-Ing. Tim Katzwinkel
V
Abbildungsverzeichnis

Abbildung 1: Ausgabe von Reklama onen bei drei Reklama onen (links) und zehn Reklama onen
(rechts) 4
Abbildung 2: Ausgabe einer forma erten Tabelle zum Einfügen in Excel 7
Abbildung 3: KI-Reklama onen aus BARD AI 8

Abbildung 4: KI-Reklama onen aus Perplexity AI 8

Abbildung 5: KI-Reklama onen aus neuro ash 9

Institut für Produkt-Innovationen

Geschäftsführer Dr.-Ing. Tim Katzwinkel
VI
ti
ti
ti
ti
ti
fl
ti
ti
Generierung K.I.-basierter Kundenreklamationen

1. Einleitung
In der heutigen Welt der Produktentwicklung wird Agilität als ein entscheidender Faktor für den
Erfolg eines Unternehmens angesehen. Agile Entwicklungspraktiken priorisieren die
Kundenzufriedenheit durch kontinuierliches Feedback und iterative Verbesserungen. Während
traditionelle Methoden des Feedbacks auf realen Kundenerfahrungen und Rückmeldungen
basieren, bietet die rasante Entwicklung der künstlichen Intelligenz (KI) neue Perspektiven. Die
Generierung simulierter Kundenreklamationen mithilfe von KI kann ein Werkzeug sein, um den
Entwicklungsprozess in einem agilen Umfeld weiter zu verfeinern.

Diese Arbeit untersucht das Potenzial von KI-Modellen, insbesondere ChatGPT, bei der
Generierung künstlicher Kundenreklamationen im Kontext agiler Entwicklung. Das Ziel ist, zu
erkennen, wie simuliertes Feedback die agilen Praktiken ergänzen und Unternehmen dabei
unterstützen kann, Produkte und Dienstleistungen iterativ zu verbessern, bevor echte
Kundeninteraktionen stattfinden.

Im Zuge der Generierung von 300 künstlichen Reklamationen werden wir die Fähigkeiten und
Grenzen dieser KI-Modelle im Kontext agiler Entwicklung erforschen. Dabei stellt sich die Frage,
wie diese Technologie traditionelle Feedback-Mechanismen ergänzen oder möglicherweise
transformieren kann. Letztendlich wird diese Arbeit ein Licht darauf werfen, wie KI und agile
Methoden in Synergie arbeiten können, um die Produktqualität und Kundenzufriedenheit zu
maximieren.

2. Grundlagen

2.1. Charakteristika von Produktreklamationen

Der Begriff Reklamation ist kein normierter Begriff. Produktreklamationen sind gezielte
Rückmeldungen von Konsumenten zu erworbenen physischen Produkten. Sie unterscheiden sich
von anderen Beschwerdearten, die sich auf Serviceleistungen, Unternehmensrichtlinien oder
Mitarbeiterverhalten beziehen könnten.

Produktreklamationen sind jedoch mehr als nur Ausdrucksformen der Unzufriedenheit. Sie bieten
Einblicke in den gesamten Lebenszyklus eines Produkts. Kotler und Keller (2016) haben die
Bedeutung von Reklamationen als Mechanismus zur Rückmeldung und zur Identifizierung von
Qualitätslücken betont.

Beispielhaft könnten Reklamationen aufzeigen, dass:

• ein Mobiltelefon nicht korrekt lädt,
• die Farbe eines Kleidungsstücks nach dem ersten Waschen verblasst, oder
• ein technisches Gerät innerhalb der Garantiezeit defekt ist.

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
1
Generierung K.I.-basierter Kundenreklamationen

Solomon et al. (2016) wiesen darauf hin, dass Reklamationen, während sie sachlich in ihrer Natur
sein können, oft mit Emotionen aufgeladen sind, was die Intensität und Dringlichkeit der
Beschwerde steigert.

2.2. Anforderungen an realistische Produktreklamationen

Die Authentizität einer Reklamation wird durch eine Kombination verschiedener Faktoren
bestimmt. Sprachliche Nuancen, Emotionalität und Details spielen hierbei eine zentrale Rolle.
Echte Reklamationen sind vielschichtig und können weitreichende Auswirkungen auf die
Markenwahrnehmung und -loyalität haben. Zeithaml et al. (2009) behaupten, dass der emotionale
Ton einer Reklamation – ob es sich um Frustration, Enttäuschung oder sogar Wut handelt –
genauso wichtig sein kann wie der eigentliche Inhalt.

Ein oft übersehenes Charakteristikum realistischer Reklamationen ist die Unvollkommenheit. In

echten Reklamationen hinterlassen Kunden oft Lücken, weil sie voraussetzen, dass der
Dienstleister bestimmte Informationen bereits hat oder weil sie bestimmte Details vergessen.
Außerdem können auch Fehler in Form von Rechtschreibfehlern, Grammatikfehlern oder sogar
sachlichen Fehlern auftreten. Dies steht im Einklang mit den Forschungen von Bowen und
Schneider (2014), die feststellten, dass Kundenkommunikation selten "perfekt" ist.

Ein Beispiel könnte sein: "Ich habe vor 2 Monat Ihr Produkt gekauft und es bricht schon
auseinander!" Hier sind sowohl grammatische Fehler ("Monat" statt "Monaten") als auch eine vage
Beschreibung des eigentlichen Problems enthalten.

Bitner et al. (2000) fanden heraus, dass der Grad der Präzision in einer Reklamation variiert.
Einige Kunden sind sehr spezifisch, z.B.: "Das rechte Schuhband meines Laufschuhs ist nach nur
fünf Läufen gerissen", während andere eher vage bleiben können: "Die Schuhe, die ich gekauft
habe, sind nicht gut". Dies spiegelt die unterschiedlichen Kommunikationsstile und Erwartungen
der Kunden wider und erfordert eine angepasste Herangehensweise bei der Bearbeitung und
Beantwortung.

2.3. Gestaltung von Prompts

Die Gestaltung von Prompts für textbasierte KI-Systeme ist ein kritischer Schritt, um optimale
Ergebnisse zu erzielen. Prompts dienen als Eingabeanweisungen, die die KI steuern und die
gewünschten Ausgabetexte bestimmen. Der richtige Aufbau und die Struktur von Prompts kann
den Unterschied zwischen einer präzisen und einer vagen Antwort ausmachen.

Brown et al. (2020) beschrieben in ihrem Artikel über OpenAI's GPT-3-Modell, dass der Schlüssel
zur Erzielung von qualitativ hochwertigen Antworten oft in der Formulierung des Prompts liegt.
Dabei sollte die Eingabeaufforderung klar, präzise und so spezifisch wie möglich formuliert
werden, um Missverständnisse zu vermeiden. Allerdings empfehlen sie auch Experimentieren,
indem verschiedene Phrasierungen oder Kontextinformationen ausprobiert werden, um zu sehen,
welche die besten Ergebnisse liefert.

Ein weiterer Aspekt bei der Erstellung von Prompts für KI-Textgenerierung ist die Überlegung, ob
das System durch das Hinzufügen von expliziten Anweisungen oder durch das Setzen von Kontext

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
2
Generierung K.I.-basierter Kundenreklamationen

besser geleitet werden kann. Manchmal kann eine kurze Einleitung oder ein Kontextsatz die
Qualität der generierten Antworten erheblich verbessern.

Zusammenfassend lässt sich sagen, dass das Erstellen effektiver Prompts für KI-Systeme sowohl
Kunst als auch Wissenschaft ist. Es erfordert ein tiefes Verständnis des spezifischen KI-Modells
und eine Bereitschaft, mit verschiedenen Eingabetechniken zu experimentieren, um die
bestmöglichen Ergebnisse zu erzielen.

2.4. KI-Modelle zur Textgenerierung

In den letzten Jahren haben wir einen beachtlichen Fortschritt in der Textgenerierung durch
künstliche Intelligenz erlebt. Was einst mit einfachen Chatbots und generischen Antwortsystemen
begann, hat sich zu hochentwickelten Modellen entwickelt, die nicht nur kohärente, sondern auch
oft kreative Texte verfassen können. Im Mittelpunkt dieser Revolution steht zweifellos ChatGPT,
insbesondere die neueren Iterationen wie ChatGPT-3 und ChatGPT-4. Diese Modelle,
hervorgebracht von OpenAI, sind wegen ihrer beeindruckenden Fähigkeit, menschenähnliche
Texte zu generieren, in aller Munde.
Während Modelle wie ChatGPT als allgemeine Textgeneratoren konzipiert sind, gibt es eine Flut
von spezialisierten Modellen, die für konkrete Branchen oder Anwendungen entwickelt wurden. Es
ist nicht ungewöhnlich, dass Unternehmen die Kernversionen dieser Modelle nehmen und sie
weiter trainieren, um maßgeschneiderte Lösungen für alles, von Kundensupport bis hin zum
kreativen Schreiben, anzubieten.
Ein weiteres Unterscheidungsmerkmal auf dem Markt für KI-gestützte Textgenerierung ist der
Preis. Einige Modelle sind kostenlos verfügbar, kommen jedoch oft mit Einschränkungen wie
begrenzten Anfragen oder Textlängen. Wer mehr Funktionalität und Spezialisierung benötigt, wird
wahrscheinlich zu kostenpflichtigen Versionen greifen, die zusätzliche Features und oft
verbesserte Performance bieten. Im Rahmen der Arbeit wurde aus dem Grund der verbesserten
Performance das Modell ChatGPT-4 verwendet.

3. Hauptteil: Generierung von Reklamationen

3.1. Entwicklung eines Musters für den Eingabeprompt

Bei der Entwicklung eines effektiven Eingabeprompts zur Generierung von Produktreklamationen
durch eine KI wurde ein iterativer und experimenteller Ansatz gewählt.
Zunächst wurde ein geradliniger Ansatz verfolgt, bei dem die KI mit dem einfachen Prompt „Write
customer complaints for [product]“ konfrontiert wurde. Dies diente als Ausgangspunkt, um zu
verstehen, wie die KI auf eine solche allgemeine Anfrage reagieren würde.
Im nächsten Schritt wurde die Anzahl der gewünschten Reklamationen als Variable eingeführt:
"Write [number] customer complaints for [product]“. Anfänglich wurde die KI gebeten, zehn
Reklamationen zu generieren. Es wurde jedoch beobachtet, dass bei einer erhöhten Anzahl von
Reklamationen der Detailgrad und die Tiefe der Antworten abnahmen. Dies führte zur

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
3
Generierung K.I.-basierter Kundenreklamationen

schrittweisen Reduzierung der Anforderungen auf fünf und schließlich drei Reklamationen. Bei
dieser Anzahl schien die KI detailliertere Antworten im Bereich von 50 bis 100 Wörtern zu liefern.

Abbildung 1: Ausgabe von Reklamationen bei drei Reklamationen (links) und zehn Reklamationen
(rechts)

Um die Qualität und den Realismus der generierten Reklamationen weiter zu verfeinern, wurden
dem Prompt detailliertere Anweisungen hinzugefügt. Folgender Prompt wurde dahingehend für
bessere Ergebnisse untersucht:
„Please write 3 realistic customer complaints for an electric coffee grinder. Consider the following
requirements:
• Emotional Tone: The complaints should exhibit varied emotional tones, ranging from frustration to
disappointment to anger.
• Specificity: Some complaints should address specific problems with the product, e.g., "Feature X
is not working properly", while others can be more vague: "I'm not satisfied with this product."
• Imperfection: Some complaints should contain minor errors or gaps, be it in the form of spelling
mistakes, grammatical errors, or missing details.
• Variation: There should be a variety of complaints addressing different aspects of the product.
• Use varied communication styles, ensuring that not all complaints sound alike.“
Dieser Ansatz war jedoch nicht ohne Herausforderungen. Während detailliertere Anweisungen in
einigen Fällen zu relevanteren Reklamationen führten, zeigte sich, dass die KI Schwierigkeiten
hatte, alle Anforderungen gleichzeitig zu berücksichtigen.
Nach mehreren Iterationen wurde schließlich ein optimierter Prompt erstellt: "Write 3 customer
complaints for a Waffle Maker. Pay attention to variation in issues, emotional tone, specifying the
problems, and spelling errors." Dieser Prompt schien das richtige Gleichgewicht zwischen Klarheit
und der Erwartung von Vielfalt und Detailtreue in den generierten Antworten zu finden. Es wurde
besonderer Wert darauf gelegt, dass die KI die Vielfalt der Probleme, den emotionalen Ton und die

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
4
Generierung K.I.-basierter Kundenreklamationen

genaue Beschreibung der Probleme berücksichtigt, wobei gelegentliche Rechtschreibfehler für

zusätzlichen Realismus sorgten.

3.2. Generierung der Reklamationen

Zur Erprobung der Generierung künstlicher Kundenreklamationen wurde als erstes Produkt das
Waffeleisen ausgewählt. Das Waffeleisen stellt ein weit verbreitetes Haushaltsgerät. Daraus ergibt
sich der Vorteil, dass Reklamationen, die in diesem Kontext erstellt werden, auf eine breite
Datenbasis zurückgreifen können und somit potenziell realitätsnäher sind.
Zudem bietet ein Waffeleisen verschiedene potenzielle Fehlerquellen und Herausforderungen, die
in Reklamationen thematisiert werden können. Zu diesen zählen beispielsweise die Qualität und
Beschaffenheit der Waffeloberflächen, die Heizleistung und -verteilung, die Haltbarkeit und
Robustheit des Materials, Bedienfreundlichkeit, Reinigungsfähigkeit oder auch Sicherheitsaspekte.
Solch eine Vielfalt an potenziellen Fehlerquellen ermöglicht es, ein breites Spektrum an
Reklamationsszenarien zu generieren, die von technischen Defekten über Benutzererfahrung bis
hin zu Sicherheitsbedenken reichen.
Nachdem durch den Prompt "Write 3 customer complaints for a Waffle Maker. Pay attention to
variation in issues, emotional tone, specifying the problems, and spelling errors.“ drei
Reklamationen generiert wurden. Wurden durch den Befehl „3 more“ drei weitere Reklamationen
erstellt. Dieser Vorgang wurde wiederholt bis insgesamt 30 Reklamationen für das Produkt erstellt
wurden. Die Erstellung der 30 Reklamationen nimmt einen zeitlichen Aufwand von ungefähr vier
Minuten in Anspruch.
Für eine umfassendere Analyse wurde dieser Ansatz auf eine Reihe von zehn unterschiedlichen
Produkten angewendet, darunter:
1. Waffle Maker
2. Audi R8
3. E-Bike
4. Running Shoe
5. Wooden Chair
6. Iphone 15
7. Miele Dishwasher
8. LG TV
9. Coffee Grinder
10.Screw Driver
Die ausgewählten Produkte repräsentieren eine bewusste Mischung aus simplen
Alltagsgegenständen wie dem Schraubenzieher und hochkomplexen elektronischen Geräten mit
vielfältigen Funktionen, wie dem iPhone 15. Dieser vielfäl ge Produktmix zielt darauf ab, die Fähigkeiten
und Grenzen der KI bei der Generierung von Reklamationen in verschiedenen Kontexten zu testen
und zu analysieren.

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
5
ti
Generierung K.I.-basierter Kundenreklamationen

Die generierten Reklamationen folgen einem klaren und konsistenten Muster in ihrem Aufbau.
Jede Reklamation startet mit einer Betreffzeile, die das Hauptanliegen des Kunden darstellt,
sodass der Empfänger sofort einen Überblick über das Problem erhält. Anschließend wird der
zuständige Bereich des Unternehmens oder die zuständige Person durch eine Anrede adressiert,
sei es der Kundenservice, das Produktteam oder eine andere Abteilung. Danach geht der Kunde
ins Detail und beschreibt das Problem oder die Unzufriedenheit mit dem Produkt, oft unterlegt mit
persönlichen Erfahrungen und wie die Erwartungen nicht erfüllt wurden. Nach dieser detaillierten
Schilderung folgt in der Regel ein Abschnitt, in dem der Kunde eine spezifische Lösung oder
zumindest eine Reaktion auf das Problem erwartet. Dies kann eine Bitte um Rückerstattung, den
Wunsch nach einem Ersatz oder einfach eine Klärung des Anliegens sein. Abschließend rundet
eine Grußformel die Reklamation ab, gefolgt von der Unterschrift des Kunden. Obwohl jede
Reklamation individuell ist und sich in Inhalt und Ton unterscheiden kann, bleibt der allgemeine
Aufbau weitgehend konstant und strukturiert. (Siehe Abb. 1 links)

3.3. Übertrag in Excel

ChatGPT bietet die Möglichkeit, direkt aus den generierten Reklamationen Tabellen zu erstellen
und diese in Programme wie Microsoft Excel zu exportieren. Diese Möglichkeit an sich stellt einen
bedeutenden Mehrwert dar, vor allem wenn es um die Strukturierung und Analyse großer
Datenmengen geht.
Die Vorgehensweise des Exports in Excel gestaltete sich wie folgt:
1. Zunächst wurden die Reklamationen mithilfe von ChatGPT generiert.
2. Nach der Generierung wurden die Daten in eine strukturierte Tabelle innerhalb der ChatGPT-
Oberfläche übertragen, wobei die Hauptkategorien wie 'Thema', 'Reklamationstext' und
'Wortanzahl' vorgegeben wurden. (Siehe Abb. 3)
3. Die Tabelle kann als Text in Excel eingefügt werden und dort aufgeteilt werden. ChatGPT gibt
auch dazu eine Anleitung.

Während dieses Prozesses traten jedoch einige Herausforderungen auf. Insbesondere die
automatische Verkürzung der Reklamationstexte in der exportierten Tabelle stellte ein erhebliches
Problem dar. Solche Verkürzungen führten zu einem Informationsverlust und beeinflussten die
Qualität und Genauigkeit der Daten negativ. Ein weiteres Problem war die Ungenauigkeit in den
Angaben zur Wortanzahl. Die in der Tabelle angegebenen Zahlen stimmten nicht immer mit der
tatsächlichen Anzahl der Wörter in den Reklamationen überein.
Diese Unstimmigkeiten veranlassten eine manuellen Eingabe der Daten über „Copy & Paste“, was
den Arbeitsaufwand erhöhte.

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
6
Generierung K.I.-basierter Kundenreklamationen

Abbildung 2: Ausgabe einer formatierten Tabelle zum Einfügen in Excel

3.4. Ergebnisse mit alternativen KI-Modellen

Während der Untersuchung wurde die Generierung von Reklamationen nicht nur mit ChatGPT,
sondern auch mit anderen führenden KI-Modellen wie Perplexity AI, BARD und neuroflash
durchgeführt. Dies sollte einen breiteren Vergleich der Leistungsfähigkeit und Effizienz dieser
Modelle ermöglichen.
BARD, ein von Google kostenfrei bereitgestellter KI-Chatbot, basiert auf einem eigenständigen
System für Fragenbeantwortung. Bei der Anwendung der gleichen Prompt auf BARD wurde
festgestellt, dass die generierten Reklamationen trotz struktureller Ähnlichkeit einen auffallend
monotonen Wortlaut aufwiesen. Dies manifestierte sich besonders darin, dass die Anfangssätze
der meisten Reklamationen identisch waren, was eine Einschränkung in der Variation und
Authentizität der Texte bedeutete. (Siehe Abb. 3)

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
7
Generierung K.I.-basierter Kundenreklamationen

Abbildung 3: KI-Reklamationen aus BARD AI

In der Zwischenzeit erzeugte Perplexity AI Reklamationen, die sich in ihrem Wortlaut nicht
wiederholten. Jedoch fiel auf, dass diese Reklamationen im Vergleich weniger detailliert und
ausführlich waren. (Siehe Abb. 3.4)

Abbildung 4: KI-Reklamationen aus Perplexity AI

Im Gegensatz dazu schien neuroflash besonders vielversprechend. Die von neuroflash
generierten Reklamationen waren detaillierter und umfangreicher. Zwar gab es gelegentliche
Wiederholungen bestimmter Formulierungen, wie "Firstly...", insgesamt waren die Ergebnisse
jedoch überzeugender als die der beiden anderen KI-Modelle. Es ist erwähnenswert, dass
neuroflash speziell für Anwendungen im E-Commerce, Marketing und Produktbeschreibungen
entwickelt wurde. Obwohl seine Basis-Version auf ChatGPT aufbaut, sind die Interaktionen und
Prompts in der kostenlosen Version beschränkt.

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
8
Generierung K.I.-basierter Kundenreklamationen

Abbildung 5: KI-Reklamationen aus neuroflash

4. Diskussion der Ergebnisse

4.1. Vergleich der verschiedenen Prompts

In der Diskussion der Ergebnisse steht insbesondere die Frage im Vordergrund, welcher der
ermittelten Prompts als "bester" betrachtet werden kann und welches KI-Modell bzw. Interface sich
als am effektivsten erwiesen hat.
Zum einen zeigte der iterative Ansatz, dass nicht immer der direkteste oder detaillierteste Prompt
die gewünschten Ergebnisse lieferte. Der optimierte Prompt "Write 3 customer complaints for a
Waffle Maker. Pay attention to variation in issues, emotional tone, specifying the problems, and
spelling errors." hat sich als besonders effektiv herausgestellt. Dieser kombiniert spezifische
Anforderungen mit einem gewissen Grad an Allgemeinheit und gibt der KI den nötigen Freiraum,
um vielfältige und realistische Reklamationen zu generieren. Der Schlüssel lag darin, die richtige
Balance zwischen präzisen Anweisungen und kreativem Spielraum für die KI zu finden.
Bei der Bewertung der verschiedenen KI-Modelle und Interfaces stellte sich heraus, dass, obwohl
einige auf der gleichen Basis wie ChatGPT operierten, deutliche Unterschiede in der Qualität und
Vielfalt der generierten Reklamationen zu beobachten waren. Während Modelle wie BARD
monotonere und weniger abwechslungsreiche Antworten lieferten, zeigten andere wie neuroflash
ein höheres Maß an Detailtreue und Varianz. Es wird deutlich, dass die Architektur und das
Training der KI, kombiniert mit der Art und Weise, wie die Prompts präsentiert werden,
entscheidend sind für die Qualität der Ergebnisse.

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
9
Generierung K.I.-basierter Kundenreklamationen

4.2. Qualität der generierten Reklamationen

In der Bewertung der durch die KI generierten Reklamationen standen vor allem Realismus und
Diversität im Fokus unserer Analyse. Es war von Bedeutung zu verstehen, ob die generierten
Beschwerden in einem realen Szenario von echten Kunden als authentisch und zutreffend
wahrgenommen werden könnten.
Ein direkter Vergleich mit tatsächlichen Kundenreklamationen für die betreffenden Produkte war
nicht möglich, da keine echten Produktreklamationen vorlagen. Dennoch bot sich die Möglichkeit,
diese mit Produktbewertungen für ähnliche oder gleiche Produkte zu vergleichen. Während solche
Bewertungen tendenziell kürzer und weniger formell sind und oft stärker emotionale Ausdrücke
enthalten, bieten sie dennoch wertvolle Einblicke in die Kundenerfahrung. Trotz ihrer künstlichen
Herkunft präsentierten sich die generierten Reklamationen mit einer Struktur, die man
typischerweise in realen Reklamationen erwartet. Dies umfasst Aspekte wie einen klaren Betreff,
Produktangaben, eine präzise Problembeschreibung und in einigen Fällen sogar Vorschläge für
mögliche Lösungen.
Bei der genaueren Untersuchung der generierten Reklamationen hinsichtlich ihrer Vielfalt und
Wiederholungsmuster war bemerkenswert, dass die KI eine beeindruckende Diversität in ihren
Antworten zeigte. Zwar gab es für einige Produkte gelegentliche Überschneidungen in den
angesprochenen Problemen, doch bei komplexeren Produkten mit einer breiteren Palette von
Funktionen und potenziellen Schwachstellen schaffte es die KI, eine Vielzahl von einzigartigen
Reklamationsthemen zu generieren. Das Auftreten ähnlicher Themen führte nicht zu monotonen
oder wiederholenden Formulierungen. Jede Reklamation, selbst wenn sie dasselbe Kernproblem
adressierte, wurde in einem frischen und unterschiedlichen Kontext dargestellt. Dabei ist es ja
auch nicht unüblich, dass sich ähnliche Reklamationsgründe bei Produkten häufen, und je simpler
das Produkt und dessen Nutzung sowie Aufbau ist, desto weniger Reklamationsgründe können
entstehen.
Im Fall des Schraubendrehers ergaben beispielsweise sich mehrmals Probleme mit dem Griff.
Diese Probleme wurden in jeder Reklamation unterschiedlich beschrieben und unterschieden sich
ebenfalls in gewissen Aspekten, wie Handlichkeit oder Abnutzung. So erschienen die
Reklamationen weniger monoton und realistischer. Vergleicht man Produktrezensionen auf
Plattformen, wie Amazon, erscheinen viele ähnliche Probleme wie in den künstlich generierten
Reklamationen.
Betrachtet man die Reklamationen produktübergreifend wiederholten sich einige Probleme. Häufig
wiederkehrende Reklamationsgründe waren Lieferprobleme oder unangenehme Gerüche. Die
Wiederholung dieser Probleme ist ebenfalls sehr realistisch und lässt sich auch in
Produktbewertungen für viele Produkte nachvollziehen.

4.3. Automatisierung und Skalierung

Bei der Untersuchung des Prozesses zur Generierung von Reklamationen erwiesen sich
verschiedene Herausforderungen.
Erstens zeigt sich, dass eine Skalierung in vielen technischen Anwendungen oft eine Erhöhung der
Effizienz mit sich bringt, aber dies scheint bei der Generierung von Reklamationen durch KI aktuell

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
10
Generierung K.I.-basierter Kundenreklamationen

nicht möglich zu sein. Wenn man bereits eine Anzahl von nur fünf oder zehn Reklamationen
anfordert, scheint die Qualität der Ergebnisse deutlich nachzulassen. Dies lässt darauf schließen,
dass die richtige Balance zwischen Quantität und Qualität bei der Verwendung von KI zur
Generierung von Reklamationen von großer Bedeutung ist. Das Problem hängt mit der
Leistungsfähigkeit der verwendeten KI zusammen. Die fehlende Leistungsfähigkeit von ChatGPT
stellt eine deutliche Begrenzung dar. Es gibt hierzu unterschiedliche Meinungen: Während einige
Benutzer in Online-Foren von einer reduzierten Leistung berichten, gibt OpenAI an, dass die
Leistung der KI sogar verbessert wurde. Der Leistungsnachlass konnte ebenfalls im Rahmen einer
Studie der Stanford University nachvollzogen werden. (Bastian, 2023; Chen et al., 2023)
Zweitens waren auch bei der automatischen Übertragung der generierten Reklamationen in Excel-
Tabellen Probleme zu beobachten. Die von ChatGPT generierten Texte wurden oft für die
Tabellenformate abgekürzt. Die Daten lassen sich auf diese Weise nicht mehr ausreichend
verarbeiten. Auch dieses Problem ist auf einen Leistungsnachlass zurückzuführen.
Zusätzlich zu diesen beiden Problemen kam es zu gelegentlichen Unterbrechungen bei der
Generierung sowie fehlerhaften Nummerierungen, was den Prozess verlangsamte und zusätzlich
manuelle Eingriffe erforderte.
Die vollständige Automatisierung und Skalierung bei der Generierung von KI-gesteuerten
Reklamationen derzeit noch mit Hürden verbunden ist. Mit dem Fortschritt in der KI-Technologie
könnten jedoch diese Hürden in der Zukunft überwunden werden. Es bleibt wichtig, die
Entwicklungen in diesem Bereich stetig im Auge zu behalten und zu evaluieren.

5. Fazit und Ausblick

Die vorliegende Arbeit hat aufgezeigt, dass künstliche Intelligenz das Potenzial besitzt,
realitätsnahe Reklamationen zu generieren. Dieser Ansatz ermöglicht Unternehmen, ihre Produkte
und Dienstleistungen proaktiv zu verbessern, indem sie potenzielle Schwachstellen identifizieren,
bevor Kunden sie erleben. Durch den Vergleich verschiedener Prompts wurde deutlich, dass die
Art der Anweisung an die KI einen entscheidenden Einfluss auf die Qualität der generierten
Ergebnisse hat. Eine ausgewogene Mischung aus präzisen Vorgaben und kreativem Freiraum hat
sich als besonders effektiv herausgestellt.
Während die generierten Reklamationen im Großen und Ganzen überzeugend und realitätsnah
waren, zeigte sich auch, dass die Skalierbarkeit und Automatisierung des Prozesses noch
Herausforderungen birgt. Insbesondere das Zusammenspiel zwischen Quantität und Qualität stellt
eine Hürde dar, die es in zukünftigen Entwicklungen zu überwinden gilt.
Die rasante Entwicklung im Bereich der künstlichen Intelligenz lässt darauf hoffen, dass die
derzeitigen Limitationen und Herausforderungen in absehbarer Zeit überwunden werden können.
Mit stärkeren und effizienteren KI-Modellen könnten die Qualität und Diversität der generierten
Reklamationen weiter erhöht werden, während gleichzeitig eine höhere Automatisierung und
Skalierung möglich wird.
Darüber hinaus könnten in Zukunft weitere Anwendungsgebiete erschlossen werden. Denkbar
wäre beispielsweise die Generierung von Kundenfeedback zu noch nicht veröffentlichten
Produkten, um mögliche Markteinführungsstrategien besser zu planen. Auch der Einsatz von KI-
generierten Reklamationen in der Ausbildung von Kundenservicemitarbeitern könnte ein
spannendes Feld darstellen.

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
11
Generierung K.I.-basierter Kundenreklamationen

6. Literaturverzeichnis

Bastian, M. (2023). OpenAI reagiert auf Vorwürfe über Qualitätseinbußen bei ChatGPT und
GPT-4. The Decoder. https://the-decoder.de/openai-antwortet-auf-vorwuerfe-ueber-
qualitaetseinbussen-bei-chatgpt-und-gpt-4/
Bitner, M. J., Booms, B. H., & Tetreault, M. S. (2000). The service encounter: diagnosing favorable
and unfavorable incidents. Journal of Marketing, 54(1), 71-84.

Bowen, J., & Schneider, B. (2014). Services marketing: Concepts, strategies, & cases. Cengage
Learning.

Brown et al. (2020). Language Models are Few-Shot Learners. arXiv preprint arXiv:2005.14165.

Chen, L., Zaharia, M., & Zou, J. (2023). How is ChatGPT's behavior changing over time?. arXiv
preprint arXiv:2307.09009.

Kotler, P., & Keller, K. L. (2016). Marketing Management. Pearson.

Solomon, M. R., Bamossy, G. J., Askegaard, S., & Hogg, M. K. (2016). Consumer behaviour: A
European perspective. Pearson.

Zeithaml, V. A., Bitner, M. J., & Gremler, D. D. (2009). Services marketing: Integrating customer
focus across the firm. McGraw Hill.

Fachgebiet Produktsicherheit und Qualität

Univ.-Prof. Dr.-Ing. Manuel Löwer
12