Natural Language Processing (NLP): Definition, Verfahren und Einsatz im IT Service Management

Natural Language Processing (NLP, deutsch: Verarbeitung natürlicher Sprache) ist das Teilgebiet von Informatik und künstlicher Intelligenz, das Software befähigt, geschriebene und gesprochene Sprache zu analysieren, ihre Bedeutung zu erfassen und selbst Text zu erzeugen. Man unterscheidet zwei Richtungen: das Verstehen von Sprache (Natural Language Understanding, NLU) und das Erzeugen von Sprache (Natural Language Generation, NLG).

Im IT Service Management ist Sprache das wichtigste Rohmaterial. Störungsmeldungen kommen per E-Mail, Chat oder als Freitext im Self-Service-Portal an, Lösungen stehen in Wissensartikeln. NLP macht diese unstrukturierten Texte für Workflows nutzbar: Es schlägt eine Kategorie vor, findet ähnliche Tickets oder fasst einen langen Verlauf zusammen. Ob das im Betrieb trägt, hängt weniger vom Modell ab als von gepflegten Kategorien, aktuellen Wissensartikeln und einer sauberen Messung.

Das Wichtigste in Kürze

• Prinzip: NLP zerlegt Text in Tokens, übersetzt sie in Zahlenvektoren und lässt ein Modell daraus eine Aufgabe lösen, etwa klassifizieren, Begriffe erkennen, zusammenfassen oder antworten.
• Technik: Seit der 2017 vorgestellten Transformer-Architektur dominieren vortrainierte Sprachmodelle. Große Sprachmodelle (LLMs) sind die bekannteste, aber nicht die einzige Form von NLP.
• ITSM: Lohnend ist NLP dort, wo viele gleichartige Texte anfallen: im E-Mail-Eingang, im Chatbot, in der Wissenssuche und bei Übergaben zwischen Teams.
• Qualität: Gemessen wird pro Kategorie mit Precision und Recall an einer gekennzeichneten Stichprobe, nicht mit einer einzigen Trefferquote.
• Recht: Ticket-Texte enthalten Personendaten. DSGVO, Mitbestimmung und die Transparenzpflicht nach Art. 50 der EU-KI-Verordnung gehören in jedes NLP-Projekt.

Stand: November 2026 · Fachlich abgeglichen mit der Primärliteratur (Transformer, BERT, RAG), Veröffentlichungen von BSI und OWASP sowie EU-KI-Verordnung und DSGVO auf EUR-Lex (Quellen am Ende des Artikels)

So verarbeitet NLP Sprache

Ein Beispiel macht die Schritte greifbar. Angenommen, im Service Desk geht diese E-Mail ein: „Seit dem Update heute früh startet Outlook bei mir und zwei Kollegen in der Buchhaltung nicht mehr.“ Für einen Menschen ist die Lage sofort klar. Eine Software muss sie in mehreren Stufen erschließen.

Vom Text zum Zahlenvektor

1. Vorverarbeitung: Signatur, zitierter Verlauf und Disclaimer werden entfernt, die Sprache der Nachricht wird erkannt.
2. Tokenisierung: Der Text wird in Einheiten zerlegt. Heutige Modelle arbeiten mit Teilwörtern: Häufige Wörter bleiben ganz, seltene Komposita wie „Buchhaltungssoftware“ werden in bekannte Bestandteile zerlegt. So verarbeitet das Modell auch Wörter, die es im Training nie gesehen hat.
3. Repräsentation: Jedes Token wird in einen Zahlenvektor übersetzt, ein sogenanntes Embedding. Wörter und Sätze, die in ähnlichen Zusammenhängen vorkommen, liegen im Vektorraum nahe beieinander. Deshalb findet eine semantische Suche zu „Outlook startet nicht“ auch den Artikel „Mail-Client öffnet sich nicht“.
4. Aufgabe: Ein Modell wertet die Vektoren für einen bestimmten Zweck aus und liefert ein Ergebnis, etwa eine Kategorie oder einen Antwortentwurf.

Typische NLP-Aufgaben

• Textklassifikation: ordnet die Meldung einer Kategorie zu, hier „Anwendung / E-Mail-Client“.
• Erkennung benannter Entitäten (Named Entity Recognition, NER): findet Produkte, Abteilungen, Rechnernamen, Personen oder Datumsangaben, hier „Outlook“ und „Buchhaltung“.
• Sentimentanalyse: erkennt Ärger oder Zeitdruck im Wortlaut. Das ist ein Hinweis für die Bearbeitung, keine Priorität im Sinne von Auswirkung und Dringlichkeit.
• Zusammenfassung und Übersetzung: verdichtet lange Verläufe oder überträgt sie in eine andere Sprache.
• Frage-Antwort und Textgenerierung: formuliert eine Antwort, im besten Fall gestützt auf freigegebene Wissensartikel.

Cloud-Plattformen bündeln solche Funktionen als Dienste. Microsoft führt für Azure Language beispielsweise Sprachenerkennung, Erkennung benannter Entitäten und die Erkennung personenbezogener Daten (PII) als Kernfunktionen.

Drei Generationen von Verfahren

Lange schrieben Fachleute Grammatikregeln und Wörterbücher von Hand. Ab den 1990er-Jahren setzten sich statistische Verfahren durch, die Wahrscheinlichkeiten aus großen Textsammlungen schätzen. In den 2010er-Jahren folgten neuronale Netze mit Embeddings. Den heutigen Stand prägt die 2017 von Vaswani et al. vorgestellte Transformer-Architektur: Ihr Aufmerksamkeitsmechanismus gewichtet jedes Wort im Kontext aller anderen. Darauf bauen Encoder-Modelle wie BERT (2018) für Verstehensaufgaben und generative Sprachmodelle für das Erzeugen von Text auf.

NLP, Machine Learning, LLM und Chatbot: die Abgrenzung

Die Begriffe werden oft synonym verwendet. Sie beschreiben aber unterschiedliche Ebenen:

• Künstliche Intelligenz ist der Oberbegriff für Systeme, die aus Eingaben Vorhersagen, Inhalte oder Entscheidungen ableiten.
• Machine Learning ist die Methode, mit der die meisten heutigen NLP-Systeme ihre Fähigkeiten aus Daten lernen.
• NLP ist das Anwendungsfeld Sprache, unabhängig davon, ob Regeln, statistische Verfahren oder neuronale Netze dahinterstehen.
• Ein großes Sprachmodell (LLM) ist ein Werkzeug innerhalb von NLP: ein auf sehr großen Textmengen vortrainiertes Transformer-Modell, das viele Aufgaben per Anweisung löst, ohne eigens dafür trainiert zu werden.
• Ein Chatbot ist eine Anwendung, die NLP nutzt, um Dialoge zu führen.

Für die Unternehmens-IT ist vor allem die Frage wichtig, ob eine Aufgabe ein spezialisiertes Modell oder ein großes Sprachmodell braucht:

In der Praxis werden beide Ansätze kombiniert. Ein Klassifikator entscheidet über die Kategorie, ein Sprachmodell formuliert einen Antwortentwurf, der sich auf passende Wissensartikel stützt. Dieses Muster heißt Retrieval-Augmented Generation (RAG) und wurde 2020 von Lewis et al. beschrieben. Es senkt das Risiko erfundener Antworten, schließt es aber nicht aus.

NLP im IT Service Management

Die ITIL-4-Practices Service Desk, Incident Management und Knowledge Management arbeiten zum großen Teil mit Text. Für den Einstieg bieten sich fünf Einsatzfelder an:

1. E-Mail-Eingang: Vorschlag für Kategorie, betroffenen Service und zuständige Gruppe, bevor ein Mensch das Ticket annimmt.
2. Häufungen erkennen: Ähnliche Meldungen werden gruppiert. Zehn Tickets zu „Outlook startet nicht“ innerhalb einer Stunde sind ein Kandidat für einen Major Incident oder ein Problem-Ticket.
3. Wissenssuche: Semantische Suche findet Artikel auch dann, wenn Anwender andere Wörter benutzen als die Autoren.
4. Chatbot und Self-Service: Der Bot erkennt das Anliegen, schlägt eine Anleitung vor oder legt ein Ticket an.
5. Übergaben: Eine Zusammenfassung des bisherigen Verlaufs erspart dem 2nd-Level-Team das Lesen von zwanzig Nachrichten.

Vom Pilot zum Standard

Angenommen, ein Unternehmen mit drei Standorten erhält einen großen Teil seiner Störungen per E-Mail und möchte die Vorkategorisierung automatisieren. Ein belastbarer Weg führt über fünf Schritte:

1. Kategorienbaum bereinigen: Was Menschen nicht eindeutig zuordnen können, lernt auch kein Modell. Doppelte und kaum genutzte Kategorien werden zusammengelegt.
2. Testmenge aufbauen: Fachleute kennzeichnen eine Stichprobe abgeschlossener Tickets. Diese Menge bleibt beim Training außen vor und dient später als Maßstab.
3. Schattenbetrieb: Das Modell schlägt vor, Menschen entscheiden wie bisher. Beide Ergebnisse werden verglichen.
4. Schwellenwert festlegen: Nur Vorschläge oberhalb einer definierten Konfidenz werden automatisch übernommen, der Rest landet in der manuellen Zuordnung.
5. Laufend messen: Neue Software, neue Standorte und neue Fachbegriffe verändern die Texte. Ohne Monitoring sinkt die Qualität unbemerkt.

NLP in ky2help^®

In ky2help^® kommt Sprachverarbeitung an zwei Stellen zum Einsatz. Der Chatbot „Apptiva Klar“ des Schweizer Partners Apptiva nutzt NLP, greift auf die Knowledge Base und auf festgelegte externe Quellen zu, legt bei Bedarf ein Ticket mit dem gesamten Chatverlauf an und übergibt an Mitarbeitende, wenn er nicht weiterkommt. Der KI-Supportagent analysiert eingehende Anfragen, liefert Lösungsvorschläge und zeigt bestehende Problem-Tickets an, die zum aktuellen Incident passen könnten. Die Workflows dahinter passen Sie im integrierten Prozessdesigner per Drag-and-Drop an, ohne Programmierer.

KI-Integrationen ansehen

Qualität, Risiken und Rechtsrahmen

Qualität richtig messen

Eine einzelne Trefferquote täuscht. Angenommen, 70 Prozent aller Tickets gehören zur Kategorie „Passwort und Zugang“. Ein Modell, das immer diese Kategorie vorschlägt, erreicht 70 Prozent Genauigkeit und ist trotzdem nutzlos. Aussagekräftig sind Werte pro Kategorie:

• Precision: Wie viele Vorschläge für eine Kategorie sind richtig?
• Recall: Wie viele Tickets einer Kategorie hat das Modell gefunden?
• F1-Wert: das harmonische Mittel aus beiden.

Für den Service Desk zählt zusätzlich eine Prozesskennzahl: Wie oft muss ein Ticket nach dem Vorschlag neu zugewiesen werden?

Typische Risiken

• Erfundene Inhalte: Generative Modelle formulieren flüssig, auch wenn die Grundlage fehlt. Antworten an Anwender sollten sich auf freigegebene Wissensartikel stützen und die Quelle zeigen.
• Prompt Injection: Verarbeitet ein Sprachmodell eingehende E-Mails oder Dokumente, können darin versteckte Anweisungen sein Verhalten ändern. OWASP führt dieses Risiko als LLM01:2025 an erster Stelle, das BSI hat einen Basisschutz gegen indirekte Prompt Injection in dokumentbasierten LLM-Chats veröffentlicht.
• Fachsprache: Interne Systemnamen, Rechnernamen und Abkürzungen kennt ein allgemeines Modell nicht. Ein Glossar im Wissensmanagement hilft Menschen und Modellen.
• Personendaten: Tickets enthalten Namen, Telefonnummern und mitunter HR- oder Gesundheitsangaben. Vor dem Einsatz eines externen Dienstes sind Zweck, Datenminimierung, Auftragsverarbeitung nach Art. 28 DSGVO, Speicherort und eine mögliche Nutzung der Eingaben für Training zu klären.

Rechtsrahmen in Deutschland und der EU

Die KI-Verordnung (EU) 2024/1689 verlangt in Art. 50 Abs. 1, dass Menschen erfahren, wenn sie mit einem KI-System wie einem Chatbot interagieren, sofern das nicht offensichtlich ist. Diese Pflicht gilt seit dem 2. August 2026. Bereits seit dem 2. Februar 2025 verbietet Art. 5 Abs. 1 lit. f KI-Systeme, die am Arbeitsplatz Emotionen ableiten. Die Verordnung knüpft Emotionserkennung an biometrische Daten (Art. 3 Nr. 39). Eine Stimmungsanalyse geschriebener Ticket-Texte fällt damit nicht unter dieses Verbot, eine Auswertung der Stimmen von Beschäftigten aus der Telefonanlage kann es.

Ist ein System objektiv geeignet, Verhalten oder Leistung einzelner Beschäftigter zu überwachen, hat der Betriebsrat nach § 87 Abs. 1 Nr. 6 BetrVG mitzubestimmen. Auf eine Überwachungsabsicht kommt es nach der Rechtsprechung des Bundesarbeitsgerichts nicht an. Für die Sicherheitsbewertung generativer Modelle bietet das BSI mit „Generative KI-Modelle: Chancen und Risiken für Industrie und Behörden“ eine deutschsprachige Grundlage.

Häufige Fragen zu NLP

Was ist NLP einfach erklärt?

NLP steht für Natural Language Processing und bezeichnet Verfahren, mit denen Computer menschliche Sprache verarbeiten. Die Software zerlegt einen Text in Bausteine, übersetzt sie in Zahlen und erkennt darin Muster. So kann sie eine E-Mail einer Kategorie zuordnen, Namen und Begriffe finden, einen Text zusammenfassen oder eine Antwort formulieren.

Was ist der Unterschied zwischen NLP und einem großen Sprachmodell?

NLP ist das gesamte Fachgebiet der maschinellen Sprachverarbeitung. Ein großes Sprachmodell (LLM) ist eine bestimmte Technik innerhalb dieses Gebiets: ein auf sehr vielen Texten vortrainiertes Transformer-Modell, das viele Aufgaben per Anweisung erledigt. Daneben gehören auch regelbasierte Verfahren und kleine, spezialisierte Modelle zu NLP.

Was bedeuten NLU und NLG?

Natural Language Understanding (NLU) umfasst das Verstehen von Sprache, also etwa Absicht, Kategorie oder Entitäten einer Nachricht zu erkennen. Natural Language Generation (NLG) umfasst das Erzeugen von Sprache, etwa einen Antwortentwurf oder eine Zusammenfassung. Ein Chatbot braucht beides.

Wie viele Trainingsdaten braucht ein Ticket-Klassifikator?

Eine feste Zahl gibt es nicht. Entscheidend sind die Zahl der Kategorien, wie klar sie sich unterscheiden und wie einheitlich bisher kategorisiert wurde. Vortrainierte Sprachmodelle kommen mit deutlich weniger eigenen Beispielen aus als frühere Verfahren. Kategorien mit sehr wenigen Tickets sollten vor dem Training zusammengelegt werden.

Darf ein NLP-System Ticket-Texte mit Personendaten verarbeiten?

Ja, wenn die DSGVO eingehalten wird: Es braucht einen festgelegten Zweck und eine Rechtsgrundlage, die Daten sind auf das Nötige zu beschränken, und ein externer Anbieter wird über einen Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO eingebunden. Bei hohem Risiko ist eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO erforderlich.

Nutzt ky2help® NLP?

Ja. Der in ky2help® integrierte Chatbot „Apptiva Klar“ nutzt Verfahren der natürlichen Sprachverarbeitung, beantwortet Anfragen auf Basis der Knowledge Base und legt bei Bedarf ein Ticket mit dem Chatverlauf an. Der KI-Supportagent analysiert eingehende Anfragen und schlägt Lösungen sowie passende Problem-Tickets vor.

Quellen und weiterführende Artikel

Quellen

• Vaswani et al. (2017): Attention Is All You Need (arXiv)
• Devlin et al. (2018): BERT (arXiv)
• Lewis et al. (2020): Retrieval-Augmented Generation (arXiv)
• Hugging Face LLM Course: Tokenizers
• Microsoft Learn: Was ist Azure Language?
• Google for Developers: Accuracy, Precision und Recall
• OWASP: LLM01:2025 Prompt Injection
• BSI: Generative KI-Modelle – Chancen und Risiken
• BSI: Basisschutz gegen indirekte Prompt Injection (PDF)
• EUR-Lex: Verordnung (EU) 2024/1689 (KI-Verordnung), Art. 3, 5 und 50
• EUR-Lex: Datenschutz-Grundverordnung, Art. 28 und 35
• Betriebsverfassungsgesetz, § 87
• AXELOS: Service Desk, ITIL 4 Practice Guide

Weiterlesen

• Glossar: Künstliche Intelligenz
• Glossar: Machine Learning
• Glossar: Chatbot
• Glossar: Helpdesk
• KI im Helpdesk: So verändert KI den Kundensupport
• Knowledge Base in ky2help®
• ITIL Incident Management
• Automatisierung im Service Management