Für koreanische SaaS-/E-Commerce-Unternehmen ist die Kundenkommunikationsautomatisierung der Bereich, in dem KI am schnellsten eingeführt wird. Wenn Menschen alles bearbeiten, kostet das monatlich mehrere zehn Millionen Won; durch die Automatisierung von Klassifizierung und Antwortentwürfen mit Claude lassen sich die Kosten um mindestens 90 % senken. Dieser Artikel veröffentlicht tatsächlich einsetzbaren Code und die Kosten.
Struktur
- Eingehende Tickets mit Claude Haiku 4.5 klassifizieren (am günstigsten)
- Ähnliche frühere Fälle suchen (Vektordatenbank)
- Mit Claude Sonnet 4.6 einen Antwortentwurf erstellen
- Mitarbeiter prüft und versendet (oder Tickets mit niedriger Priorität werden automatisch versendet)
Schritt 1: Klassifizierung — Claude Haiku 4.5
Haiku 4.5 ist für einfache Aufgaben wie Klassifizierung sehr günstig. Nach den Preisen von Kunavo: Input 0,40 $/1M, Output 2,00 $/1M. Ein koreanisches Ticket mit 200 Zeichen plus 50 Token JSON-Ausgabe kostet pro Vorgang etwa 0,00004 $ (0,06 Won).
import json
from openai import OpenAI
client = OpenAI(
api_key="sk-kn-...",
base_url="https://api.kunavo.com/v1",
)
# Claude는 json_schema로 지정한 response_format만 지킵니다 (json_object는 보장 안 됨).
TICKET = {
"type": "object",
"properties": {
"category": {"type": "string", "enum": ["결제", "배송", "반품", "기술", "기타"]},
"priority": {"type": "string", "enum": ["긴급", "보통", "낮음"]},
"summary": {"type": "string"},
},
"required": ["category", "priority", "summary"],
"additionalProperties": False,
}
def classify_ticket(text: str) -> dict:
"""들어온 고객 문의를 카테고리 + 우선순위로 분류."""
resp = client.chat.completions.create(
model="claude-haiku-4-5", # 가장 저렴, 분류엔 충분
messages=[
{
"role": "system",
"content": (
"당신은 한국어 고객 문의 분류기입니다. "
"다음 JSON 형식으로만 응답하세요: "
'{"category": "결제|배송|반품|기술|기타", '
'"priority": "긴급|보통|낮음", '
'"summary": "한 문장 요약"}'
),
},
{"role": "user", "content": text},
],
response_format={"type": "json_schema",
"json_schema": {"name": "ticket", "schema": TICKET}},
max_tokens=200,
)
return json.loads(resp.choices[0].message.content)Schritt 2: Ähnliche Fälle suchen
Gut bearbeitete Antworten aus der Vergangenheit werden eingebettet und mit pgvector gespeichert; anschließend suchen wir anhand der Kosinusähnlichkeit zwischen dem Embedding des neuen Tickets und den gespeicherten Daten die fünf ähnlichsten Fälle. Embeddings werden von Kunavo nicht angeboten, daher wird nur dieser Schritt direkt bei OpenAI aufgerufen und dort abgerechnet —— den Preis finden Sie auf der OpenAI-Preisseite. Nur für die Generierung verwenden wir Kunavo.
Schritt 3: Antwortentwurf erstellen — Claude Sonnet 4.6 + prompt caching
def generate_reply(ticket: dict, context: list[str]) -> str:
"""과거 유사 사례 5건을 참조해 응답 초안 생성."""
references = "\n\n".join(context)
resp = client.chat.completions.create(
model="claude-sonnet-4-6", # 응답 품질은 Sonnet
messages=[
{
"role": "system",
"content": [
{
"type": "text",
"text": COMPANY_GUIDELINES, # 회사 톤 & 정책
"cache_control": {"type": "ephemeral"},
},
],
},
{
"role": "user",
"content": (
f"## 고객 문의\n{ticket['original_text']}\n\n"
f"## 분류\n{ticket['category']} / {ticket['priority']}\n\n"
f"## 참고할 과거 응답 (5건)\n{references}\n\n"
"## 작성 지침\n"
"1. 정중한 격식체 (~습니다)\n"
"2. 3문단 이내\n"
"3. 다음 단계가 무엇인지 명확히 안내\n"
),
},
],
max_tokens=600,
)
return resp.choices[0].message.contentDie Unternehmensrichtlinien (3.000 Token) sind jedes Mal gleich und werden daher mit cache_control zwischengespeichert. Ab dem zweiten Aufruf werden für diesen Teil nur 10 % des Input-Preises berechnet.
Kostenschätzung pro Vorgang (nach Anwendung des Cachings):
- Klassifizierung (Haiku 4.5): 0,00006 $
- Such-Embedding: 0,0000025 $
- Antwortgenerierung (Sonnet 4.6, Cache-Treffer): etwa 1K Input-Token + 500 Output-Token = 0,0042 $
- Gesamt: etwa 0,004 $ (etwa 6 Won)
Beispiel für monatliche Kosten
- 100 Vorgänge pro Tag: 13 $ pro Monat (etwa 18.000 Won)
- 1.000 Vorgänge pro Tag: 130 $ pro Monat (etwa 180.000 Won)
- 10.000 Vorgänge pro Tag: 1.300 $ pro Monat (etwa 1.800.000 Won)
Vergleich: 1 Mitarbeiter im Kundendienst = etwa 2.500.000 Won pro Monat, mit einer Grenze von 100 Vorgängen pro Tag. Für 1.000 Vorgänge pro Tag wären 10 Mitarbeiter nötig = 25.000.000 Won pro Monat. Durch KI-Automatisierung entsteht ein Kostenunterschied von mindestens dem 100-Fachen.
Besondere Überlegungen für Korea
- Einheitliche Höflichkeitsform: Im System-Prompt wiederholt „höfliche formelle Sprache (~습니다)“ ausdrücklich angeben. Varianten wie bei einer Interviewerbewertung anhand von 100 Stichprobenantworten testen
- Tokenverbrauch im Koreanischen: Koreanisch verbraucht 1,5- bis 2-mal so viele Token wie Englisch. Die obige Kostenschätzung basiert auf Koreanisch
- Einhaltung des Datenschutzgesetzes: Kunden-PII (Name, Telefonnummer, Adresse) niemals in den System-Prompt aufnehmen. Nach der Maskierung an das LLM übergeben
- Zahlungsarten: Sie können das Kunavo-Guthaben mit internationalen Karten, Apple Pay, Google Pay und, wenn der Checkout in koreanischen Won angezeigt wird, mit KakaoPay, Naver Pay, PAYCO, Samsung Pay oder koreanischen Karten aufladen (Toss wird nicht unterstützt). Es werden weder Steuerrechnungen noch Rechnungen ausgestellt — als Beleg dienen ausschließlich die Zahlungsdetails auf der Karten- oder Mobile-Payment-Abrechnung sowie die Auflade- und Nutzungsaufzeichnungen unter /app/billing.
Checkliste für die Einführung
- Die ersten 100 Vorgänge zu 100 % von Mitarbeitern prüfen lassen → nach bestätigter Genauigkeit von 90 % oder mehr schrittweise automatisieren
- Dringende Kategorien immer von Menschen prüfen lassen (hohe Fehlerkosten)
- Falsch klassifizierte Fälle wöchentlich zu den Richtlinien hinzufügen (iteratives Lernen)
- Monatliche Nutzung unter /app/usage verfolgen, Tageslimit unter /app/keys festlegen (um versehentliche Kostenexplosionen zu verhindern)
Melden Sie sich zunächst kostenlos an und laden Sie ab 10 $ Guthaben auf, um nach Verbrauch abzurechnen. Modellpreise und Zahlungsarten finden Sie unter Claude API: Preise und Zahlung zusammengefasst und auf der Preisseite; den Vergleich mit OpenRouter finden Sie unter OpenRouter-Alternativen im Vergleich. Gesamtdokumentation: /docs/quickstart, Leitfaden zum Prompt-Caching: prompt caching deep dive.