Sendbird: Zuverlässiger KI-Kundenservice der Enterprise-Klasse mit Claude

Sendbird verwendet Claude für KI-Kundendienstmitarbeiter, die es Unternehmen ermöglichen, umfangreiche Supportgespräche zu automatisieren und dabei Genauigkeit, Zuverlässigkeit und Compliance für ihre mehr als 4.000 Kunden weltweit aufrechterhält.

Claude ermöglicht Sendbird:

• Erweiterung der Funktionen einer Plattform, die monatlich über 7 Milliarden Gespräche mit 6 Milliarden Nutzern weltweit führt
• Erhöhung der Wettbewerbsgewinnquote beim Verkauf ihrer KI-fähigen Plattform von 30 % auf 90 % bei direkten Bewertungen
• Weiterleitung von 30-40 % der menschlichen Anfragen an KI-Agenten für Unternehmenskunden wie Lotte Homeshopping

Transformation des Kundensupports mit zuverlässiger KI

Sendbird ist zum Kommunikationsrückgrat für mehr als 4.000 globale Unternehmen geworden. Monatlich finden auf der Plattform über 7 Milliarden Gespräche statt. Die Weiterentwicklung der Erwartungen ihrer Kunden zu sofortigem, personalisiertem Support über alle Kanäle hinweg machte Sendbird klar, dass herkömmliche Contact Center überholt waren.

Die Chancen für KI waren klar, aber auch das Risiko. Frühe Experimente zeigten, dass die meisten KI-Modelle zwar selbstbewusste, jedoch falsche Antworten erzeugten, die Markenvertrauen und Compliance gefährdeten. Sendbird benötigte intelligente Automatisierung, ohne die Zuverlässigkeit des Unternehmens zu beeinträchtigen.

Durch die Integration von Claude in die Plattform bietet Sendbird nun KI-Agenten, die den Umfang der Automatisierung mit menschlicher Genauigkeit kombinieren. Die Lösung bearbeitet Routineanfragen automatisch und eskaliert komplexe Probleme, sodass Unternehmen in jeder Größenordnung sofortigen und qualitativ hochwertigen Support bieten können.

Warum Sendbird Claude wählte

Der Bewertungsprozess von Sendbird konzentrierte sich auf die Suche nach einem KI-Modell, das Anweisungen zuverlässig befolgen und Halluzinationen begrenzen kann, während gleichzeitig der richtige Ton für den Kundensupport beibehalten wird. Nach umfangreichen Tests mit mehreren Modellen übertraf Claude die Konkurrenz bei weitem.

„Anweisungen zu folgen und Halluzination einzuschränken waren wichtige Eigenschaften“, erklärt Jin Ku, CTO von Sendbird. „Um Anwendern im Supportbereich einen angemessenen Service zu bieten, benötigten wir außerdem ein Modell mit den richtigen Eigenschaften: freundlich, geduldig und einfühlsam.“

Die Ergebnisse sprechen für sich. Ku erklärt: „Mit den Modellen der Mitbewerber konnten wir nur eine Erfolgsquote von 30 % erreichen. Claude erzielte eine Gewinnquote von 90 % ohne Prompt-Optimierung. Diese Ergebnisse blieben auch bei reduziertem Wissenskontext konsistent, was wirklich bemerkenswert war.“

Claude zeigte überlegene Leistung ohne umfangreiches Prompt-Engineering Das Sendbird-Team fand die Integration bemerkenswert reibungslos, mit ausgezeichneter Dokumentation und schnellem Support von Anthropic. Ihre Entscheidung wurde bekräftigt durch Claudes Sicherheit der Enterprise-Klasse mithilfe von AWS. So konnten die strengen Compliance-Anforderungen ihrer größten Unternehmenskunden erfüllt werden.

Wie Claude die KI der Kundenbetreuung von Sendbird unterstützt

Sendbird verwendet Claude zur Erstellung von KI-Agenten, die die Kommunikation mit Unternehmen in großem Maßstab durchführen. Diese Agenten dienen als erstes Supportsystem über mehrere Kanäle hinweg und bieten folgende Vorteile:

• Zuverlässige Anweisungsbefolgung, die die bei anderen KI-Modellen üblichen Halluzinationen praktisch eliminiert
• Natürliche Gesprächsinteraktionen, die eine einheitliche Markenpräsenz über Mobilgeräte, Web, SMS, E-Mail und WhatsApp hinweg aufrechterhalten
• Sicherheit der Enterprise-Klasse durch AWS-Integration, die strenge Compliance-Anforderungen erfüllt

Die Plattform eignet sich hervorragend für die Verarbeitung komplexer Informationen während Live-Gesprächen. Ku sagt: „Claude analysiert große Mengen unstrukturierter Daten in Echtzeit. Es kann Hunderte von Seiten technischer Dokumentation verarbeiten und sofort feststellen, ob hochgeladene Materialien die Compliance-Standards erfüllen, während gleichzeitig der Gesprächsfluss aufrechterhalten wird.“

Dies verändert die KI-Unterstützung grundlegend. Für die Kunden von Sendbird bedeutet dies, dass ihre KI-Agenten jetzt selbstbewusst Anfragen bearbeiten, die zuvor menschliches Eingreifen erforderten. Dadurch wird eine nahtlose Kundenerfahrung geschaffen, Markenstandards beibehalten und die Effizienz erheblich gesteigert.

Umgestaltung des Kundenservices in großem Maßstab

Die Claude-basierte Plattform von Sendbird hat den Kundensupport für Unternehmenskunden revolutioniert und bietet messbare geschäftliche Auswirkungen und verbesserte Benutzererfahrungen. Die verbesserte Genauigkeit der KI hat die Abläufe und die Kundenzufriedenheit verändert.

„Mit Claude hat sich die Genauigkeit im Vergleich zu unseren vorherigen KI-Lösungen deutlich erhöht, was zu einer höheren Qualität der Interaktionen für unsere Kunden führt“, so Ku. „Dank dieser Verbesserung fühlen sich Benutzer wohler bei der KI-Unterstützung, wir erhalten höhere CSAT-Bewertungen und können mehr Probleme ohne menschliches Eingreifen lösen.“

Bei Lotte Homeshopping werden diese Vorteile sofort klar: Durch die Implementierung der Sendbird-Lösung wurden 30 bis 40 % der Anfragen an KI weitergeleitet, ein rund um die Uhr verfügbarer Support wurde ermöglicht und die Zufriedenheit verbessert. „Wir haben mehrere Anbieter getestet und waren nicht überzeugt, doch dann entdeckten wir Sendbird powered by Claude von Anthropic“, erklärt Oh Ju-young vom KI-Promotion Team von Lotte Homeshopping. „Die Genauigkeit und Flexibilität haben unseren Anforderungen standgehalten.“

Claudes starke Compliance-Funktionen haben auch die Risikowahrnehmung bei Unternehmenskunden verringert, die Einführung von KI im gesamten Kundenstamm von Sendbird beschleunigt und Unternehmen geholfen, KI selbstbewusst zu unterstützen.

Zukunftsgestaltung KI-gestützter Kundenerlebnisse

Sendbird definiert Kundenservice neu – von reaktiver Problemlösung zum strategischem Business-Driver. „Wir entwickeln proaktive KI-Agenten, die Bedürfnisse vorhersehen und die Zufriedenheit skalierbar steigern“, sagt Ku.

Dank dieser Vision ist der Kundenservice keine Kostenstelle mehr, sondern generiert Umsatz. Ku erklärt: „Mit Claude integrieren wir personalisierte Cross-Selling-Möglichkeiten in Support-Gespräche und nutzen diese vertrauenswürdigen Touchpoints, um den Kundennutzen zu steigern.“

Sendbird bringt leistungsstarke multimodale KI-Funktionen in Kommunikationsplattformen von Unternehmen durch die Zusammenarbeit mit Anthropic ein. Durch die Integration von Claude an jedem Kundenkontaktpunkt schaffen wir eine Zukunft, in der KI die Kommunikation mit Kunden wirklich verbessert. Das Ergebnis ist ein neuer Standard für digitale Verbindungen, der sowohl betriebliche Effizienz als auch die menschliche Note bietet, die dauerhafte Kundenbindung schafft.

How has Delight.ai’s approach to AI evolved to get to where you are now?

Park: Early on, our agents were plain RAG chatbots. Then the industry moved into a deflection era, where the goal was keeping tickets away from human agents, with AI resolving the simple ones. As models got better at tool calling, longer context, and reasoning through multi-step problems, our agents evolved to covering the full lifecycle of a request. For example, a customer comes in to change their plan, realizes they were overcharged last month, and wants to update their payment method. The agent handles all three in one conversation. 

Anthropic: You're running a multi-model architecture. How do you decide which model handles what?

Park: Different tasks have different criteria. During support conversations, we run safeguards against prompt injection, like someone falsely claiming a paid membership is free, for example. After the conversation ends, we run a separate analytics pass: classifying topics, analyzing sentiment, and checking for hallucinations.

The tradeoffs shift depending on the task. Summary generation needs to be fast. Hallucination detection can afford to be slower, but accuracy matters more there. We maintain an internal test set built from real examples of the behaviors we care about: hallucinations, out-of-scope handling, and intent classification edge cases. Whichever model performs best on a given task is what we use.

You've built a system that clusters issues from production conversations and surfaces AI suggestions to customers about what to fix. Why Claude Opus for that work?

Park: Analyzing production conversations is genuinely complex work. As an engineering team, we cluster issues by topic across thousands of conversations, then generate suggested fixes. Not one-off patches, but general improvements the customer can act on. That output goes directly to the customer, so it has to be right. We tested lower-cost models first. They produced repetitive labels and kept surfacing minor issues while missing the critical ones. For a multi-step pipeline like that (cluster, synthesize, recommend) where the result is what the customer sees and acts on, we needed a model that could hold the whole thing together. That's why we use Opus 4.8.

Walk us through the internal tooling your team has built with Claude Code.

Park: The first is a conversation debugger. When an agent has a problem in production, the tool fetches the conversation log, surfaces the system prompt, and shows us expected versus actual behavior side by side. We run that analysis through Opus to pinpoint where to fix it. The second is our regression testing tool. You give it a user persona and a scenario to test, and it automatically generates conversations and runs them at scale. We use it to validate every customer's agent before it goes into production. After that, the customer's own QA team runs through it and gives us the go-ahead to ship.

Beyond the tools, how has Claude Code changed your day-to-day as an engineer?

Park: Volume, mostly. Before, I could get through one or two tickets a day. Now I can hand something off to Claude Code, step away, and come back when it's done. It's also changed how I approach architectural decisions. I used to take those straight to my manager or a senior engineer. Now I work through them with Claude Code first and come to the conversation with options already on the table. That's been genuinely useful.

What does Delight's infrastructure look like behind the scenes?

Park: We run Claude on Amazon Bedrock and the direct Anthropic API as peer routes. An internal proxy picks between them per request based on real-time latency, error rates, and capacity. Whichever path is responding faster and cleaner gets the request. Rate limit errors are critical for us: customers buy an AI agent specifically because they want 24/7 support, so any gap there is a product failure. 

Bedrock is valuable because it gives us additional enterprise-ready infrastructure, regional flexibility, compliance alignment for some customers, and another capacity path for reliability.

Running both paths improves reliability in two ways. It gives us provider-level redundancy, so a slowdown or throttling event on one route doesn't automatically reach the customer. And it gives us more regional and infrastructure flexibility than running on a single path. On the integration side, once a model is set up, adding a new version is straightforward. We update the model name, set parameters for new features like extended thinking, and we're running.

Has the Claude Platform shipped any capabilities recently that impressed you?

Park: The advisor tool in Claude launched last month. A faster, cheaper model handles the work from start to finish. When it hits something too complex to figure out on its own, it pauses, consults Opus, gets a plan or a correction, and keeps going. Opus only steps in at the hard moments, not for every response.

That was exactly what we were trying to build ourselves. For lighter tasks, you don't need Opus on every turn. But for genuinely complex queries, you need that reasoning power, and we wanted a system that could tell the difference automatically. It solves the exact problem we were going after.

What's next? Where is the team taking this?

Park: The biggest is what we call Zero-Touch Improvement, which is really AI improving AI: the agent learns continuously, customers can see what's going wrong and why, and fixes happen without a human in the loop. Today they have to come to us to diagnose and deploy a fix. We want them to own that themselves.

Voice is the other push, where latency isn't just a metric, it's the product. A small delay breaks the feeling of a real conversation.

Finally, there’s  memory. Most agents in the market still start every conversation from zero. When a customer comes back, the agent should already know their history and what's been resolved. That's the shift from a support interaction to a relationship with the brand.