Znuny-LLM Add-on angekündigt: Ein genauer Blick – und wie OpenTicketAI im Vergleich abschneidet
Znuny hat soeben Znuny-LLM angekündigt – ein kostenloses, quelloffenes Add-on, das die Unterstützung durch Large Language Models direkt in die Agenten- und Admin-Oberfläche von Znuny bringt und vollständig auf der von Ihnen kontrollierten Infrastruktur läuft. Die Originalankündigung finden Sie im Znuny-Blog: „Znuny-LLM Add-on: Self-Hosted AI for Service Desks".
Das sind wirklich gute Nachrichten für das Open-Source-Ticketing-Ökosystem. Selbstgehostete, DSGVO-freundliche KI direkt im Helpdesk ist genau die Richtung, in die sich der Markt entwickeln sollte. In diesem Beitrag fassen wir zusammen, was Znuny-LLM kann, und vergleichen es anschließend mit OpenTicketAI – unserer quelloffenen Automatisierungs-Engine, die bewusst einen anderen, herstellerneutralen Ansatz verfolgt – inklusive der Vor- und Nachteile beider Lösungen.
Sie suchen den Gesamtüberblick? Lesen Sie unsere Übersicht zu KI-gestützten Open-Source-Ticketsystemen mit OTOBO AI, Zammad AI und OpenTicketAI.
Was Znuny-LLM kann (laut Ankündigung)
Laut der Znuny-Ankündigung verbindet sich das Add-on mit einem selbstgehosteten LLM-Stack Ihrer Wahl. Ab Werk spricht es mit Ollama, funktioniert aber auch mit jedem OpenAI-kompatiblen Endpunkt, einschließlich Azure OpenAI für Teams, die einen Managed Service innerhalb ihres bestehenden Microsoft-Tenants bevorzugen. Es gibt keine gemeinsame SaaS-Schicht, kein Drittanbieter-Gateway und keine Telemetrie, die Ihre Umgebung verlässt. Znuny 7.3 oder neuer ist erforderlich, und die Verfügbarkeit ist ab dem 8. Juli über das Znuny-Open-Source-Repository geplant.
Der Funktionsumfang ist breit und klar darauf ausgelegt, sich in die tägliche Agentenarbeit einzufügen:
| Funktion | Was sie tut |
|---|---|
| Automatische Ticket-Klassifizierung | Das LLM schlägt Queue, Typ, Service und SLA aus den für das Ticket tatsächlich zulässigen Werten vor – angezeigt in einem Sidebar-Widget mit Daumen-hoch/Daumen-runter-Bewertung. Bestätigte Bewertungen werden gespeichert und als Few-Shot-Beispiele wiederverwendet – Verbesserung ohne Retraining. |
| Mehrsprachige Ticket-Zusammenfassungen | Eine kurze, sachliche Zusammenfassung aus 2–4 Sätzen pro Ticket, bei neuen Artikeln neu generiert, pro Sprache gespeichert und in der bevorzugten Sprache des Agenten dargestellt (EN, DE, FR, ES, IT, NL, PT). |
| Titel-Umschreibung für eingehende E-Mails | Schreibt vage E-Mail-Betreffzeilen in einen kurzen, aussagekräftigen Titel in der Sprache des Kunden um. Telefon- und interne Tickets bleiben unberührt. |
| Dynamische Feld-Extraktion per Klartext-Regel | Admins beschreiben in natürlicher Sprache, was extrahiert werden soll (Rechnungsnummer, Bestell-ID, Seriennummer), und das LLM schreibt es in das Zielfeld – kein Regex pro Format. |
| Compose Selection Rewrite | Agenten markieren beim Antworten eine Passage und das LLM verfeinert sie – unter Nutzung des Antwort-Prompts der Queue und der erkannten Sprache. |
| Vektorbasierte Vorlagen- & FAQ-Vorschläge | Die semantisch ähnlichsten Vorlagen und FAQ-Einträge werden per Cosinus-Ähnlichkeit über vorberechnete Embeddings im Antwortfenster gerankt. |
| FAQ-Wissensentwürfe aus gelösten Tickets | Eine Audit-Ansicht erlaubt es Admins, FAQ-Entwürfe aus guten Ticket-Konversationen zu erzeugen – ähnliche bestehende FAQs werden zur Dublettenvermeidung eingespeist. |
Bemerkenswert: Znuny-LLM wurde mit Blick auf Prompt Injection entwickelt. Eingehende Artikel werden vor jedem LLM-Aufruf von einer gewichteten, mehrsprachigen Mustererkennung gescannt, Prompts trennen vertrauenswürdige Metadaten von nicht vertrauenswürdigem Inhalt durch explizite Begrenzungsmarker, und Artikeltexte werden auf eine Maximallänge gekürzt. Diese Schutzmechanismen sind Teil des Standard-Prompt-Designs.
Unsere ehrliche Einschätzung: Das ist ein starkes, durchdachtes Paket. Die native UI-Integration, die feedbackgetriebene Few-Shot-Schleife und das sicherheitsorientierte Prompt-Design sind allesamt hervorragend. Wer Znuny 7.3+ betreibt und KI innerhalb dieses einen Systems möchte, wird in puncto Komfort kaum etwas Besseres finden.
OpenTicketAI: Ein herstellerneutraler, hybrider Ansatz
OpenTicketAI ist unsere quelloffene Automatisierungs-Engine und Middleware, die sowohl trainierte ML-Klassifikatoren als auch LLMs nutzt, um Tickets zu klassifizieren, weiterzuleiten, zusammenzufassen und anzureichern – und zwar für Znuny, OTOBO und Zammad gleichermaßen. Sie ist gemeinsam mit dem gesamten Open-Source-ITSM-Ökosystem auf Open ITSM Hub (openitsmhub.com) gelistet – einem Verzeichnis, in dem alle Add-ons, Plugins und Integrationen für Znuny, OTOBO, OTRS und Zammad katalogisiert sind.
Der grundlegende Unterschied ist einfach:
- Znuny-LLM ist ein natives, LLM-zentriertes Add-on für Znuny. Es lebt innerhalb von Znuny und setzt für nahezu alles auf ein universelles LLM.
- OpenTicketAI ist eine systemunabhängige Middleware. Sie verbindet sich über die REST-/Generic-Interface-Schnittstelle und lässt Sie pro Aufgabe das richtige Werkzeug wählen – einen kleinen, schnellen, feinabgestimmten Transformer (BERT/DistilBERT) für Massen-Klassifizierung und ein LLM dort, wo generative Qualität zählt (Zusammenfassungen, Antwortentwürfe).
So funktioniert OpenTicketAI
- Verbindung per API zu Ihrem bestehenden System (Znuny, OTOBO, Zammad) – kein erzwungenes Versions-Upgrade.
- Klassifizierung von Queue, Priorität, Typ und Tags – entweder über einen trainierten Klassifikator (schnell, günstig, deterministisch, keine GPU bei der Inferenz nötig) oder ein LLM, je nach Bedarf.
- Confidence-basiertes Routing: Vorhersagen mit hoher Konfidenz werden automatisch angewendet, unsichere landen in einer Prüf-Queue für Menschen.
- Kontinuierliche Verbesserung durch Agenten-Feedback und periodisches Retraining.
- LLM-Funktionen (Zusammenfassungen, Antwortvorschläge) über Ihre eigenen, selbstgehosteten oder OpenAI-kompatiblen Modelle – vollständig On-Premise.
Das vollständige Verzeichnis der Open-Source-Ticketsystem-Add-ons – inklusive OpenTicketAI – finden Sie auf openitsmhub.com.
Znuny-LLM vs. OpenTicketAI: Direkter Vergleich
| Aspekt | Znuny-LLM | OpenTicketAI |
|---|---|---|
| Unterstützte Systeme | Nur Znuny (7.3+) | Znuny, OTOBO, Zammad (und mehr) |
| Integrationsart | Natives Add-on in der Znuny-Oberfläche | Middleware über REST / Generic Interface |
| KI-Methode | LLM-zentriert (Few-Shot aus Feedback) | Hybrid: trainierte ML-Klassifikatoren und LLMs |
| Klassifizierung | LLM schlägt Queue/Typ/Service/SLA vor | Feinabgestimmter Transformer oder LLM, Confidence-Schwellen |
| Hardware | Benötigt LLM-Stack (Ollama/GPU oder Azure OpenAI) | Trainierter Klassifikator läuft auf CPU; LLM optional |
| Generative Funktionen | Zusammenfassungen, Titel-/Compose-Rewrite, FAQ-Entwürfe | Zusammenfassungen & Antwortvorschläge über Ihr LLM |
| Datenhoheit | Vollständig selbstgehostet, keine Telemetrie | Vollständig On-Premise / selbstgehostet |
| Prompt-Injection-Schutz | Eingebaut, mehrsprachiges Scanning | Konfigurierbar; trainierte Klassifikatoren sind nicht prompt-injizierbar |
| Ideal für | Teams mit klarer Znuny-Festlegung und nativer KI | Teams, die eine KI-Schicht über mehrere Systeme wollen |
Vorteile von Znuny-LLM
- ✅ Tiefe native Integration – Sidebar-Widgets, Compose-Tools und Audit-Ansichten fühlen sich wie ein Teil von Znuny an.
- ✅ Kein Training nötig – funktioniert out of the box und verbessert sich über Daumen-hoch/runter-Few-Shot-Feedback.
- ✅ Breiter generativer Funktionsumfang – Klassifizierung, Zusammenfassungen, Titel-Umschreibung, Feld-Extraktion, FAQ-Entwürfe in einem Paket.
- ✅ Sicherheit von Anfang an – Prompt-Injection-Scanning und Prompt-Grenzen standardmäßig.
- ✅ Kostenlos und quelloffen, vollständig selbstgehostet.
Nachteile von Znuny-LLM
- ⚠️ An Znuny gebunden – hilft nicht, wenn Sie zusätzlich OTOBO, Zammad, OTRS betreiben oder mitten in einer Migration stecken.
- ⚠️ Erfordert Znuny 7.3+ – ältere Instanzen müssen zuerst aktualisiert werden.
- ⚠️ Reine LLM-Klassifizierung – jede Klassifizierung ist ein LLM-Aufruf, was bei hohem Ticketaufkommen Latenz, GPU-/Infrastrukturkosten und Nicht-Determinismus bedeutet – dort wäre ein winziger trainierter Klassifikator schneller, günstiger und konsistenter.
- ⚠️ Benötigt einen LLM-Stack – Sie müssen Ollama/eine GPU betreiben oder für Azure OpenAI zahlen.
Vorteile von OpenTicketAI
- ✅ Herstellerneutral – eine Automatisierungsschicht über Znuny, OTOBO und Zammad; ideal für gemischte Landschaften und Migrationen.
- ✅ Hybride KI – ein schneller, günstiger, deterministischer trainierter Klassifikator für Massen-Routing und das LLM für generative Aufgaben.
- ✅ Kein erzwungenes Upgrade – verbindet sich per API mit Ihrer aktuellen Version.
- ✅ Confidence-basiertes Routing mit Human-in-the-Loop-Prüf-Queue.
- ✅ Niedrigere Betriebskosten im großen Maßstab – Klassifizierung benötigt keine GPU.
- ✅ Offen gelistet auf Open ITSM Hub neben dem gesamten Ökosystem.
Nachteile von OpenTicketAI
- ⚠️ Weniger „nativ" – es ist ein separater Middleware-Dienst und keine in ein Produkt eingebackenen UI-Widgets.
- ⚠️ Setup-Aufwand – Sie deployen und verbinden die Engine selbst.
- ⚠️ Der trainierte Klassifikator-Pfad braucht Daten – die ML-Route profitiert von historischen Tickets (die LLM-Route nicht, dann ähnelt es aber dem Modell von Znuny-LLM).
- ⚠️ Sie betreiben es selbst – mehr Flexibilität bedeutet mehr Konfiguration als ein einzelnes Klick-Installations-Paket.
Welche Lösung sollten Sie wählen?
Es gibt keinen einzelnen Gewinner – es hängt von Ihrer Landschaft ab:
- Sie setzen voll auf Znuny 7.3+ und wollen den einfachsten Weg zu KI in der Oberfläche? Znuny-LLM ist eine ausgezeichnete, gut entwickelte Wahl. Nutzen Sie es.
- Sie betreiben mehr als ein System (z. B. OTOBO und Zammad), migrieren gerade, sitzen auf einem älteren Znuny oder verarbeiten hohe Ticketmengen, bei denen LLM-Kosten pro Ticket und Latenz ins Gewicht fallen? Dann ist der hybride, herstellerneutrale Ansatz von OpenTicketAI die bessere Wahl.
- Sie wollen beides? Viele Teams nutzen einen trainierten Klassifikator für das Routing (günstig, sofort, deterministisch) und ein LLM für Zusammenfassungen und Antwortentwürfe – genau diese Aufteilung, für die OpenTicketAI gebaut ist.
Das große Ganze
Dass Znuny ein eigenes, selbstgehostetes LLM-Add-on ausliefert, bestätigt, was wir von Anfang an geglaubt haben: KI im Open-Source-Ticketing sollte lokal, transparent und unter Ihrer Kontrolle sein. Mehr Optionen sind hier ein Gewinn für alle, und wir begrüßen Znuny-LLM im Ökosystem.
Wenn Sie eine KI-Schicht möchten, die nicht an ein einzelnes Produkt gebunden ist – und die einen schlanken trainierten Klassifikator mit einem LLM kombiniert – werfen Sie einen Blick auf OpenTicketAI, durchstöbern Sie das vollständige Add-on-Verzeichnis auf openitsmhub.com oder kontaktieren Sie uns, um das passende Setup für Ihren Helpdesk zu besprechen.
Häufig gestellte Fragen
Ist Znuny-LLM kostenlos?
Ja. Laut Znuny-Ankündigung ist Znuny-LLM ein kostenloses, quelloffenes Add-on, das ab dem 8. Juli über das Znuny-Open-Source-Repository verfügbar ist (Znuny 7.3+ erforderlich).
Sendet Znuny-LLM Daten in die Cloud?
Es ist keine gemeinsame SaaS-Schicht beteiligt. Es verbindet sich mit einem selbstgehosteten LLM (z. B. Ollama) oder einem beliebigen OpenAI-kompatiblen Endpunkt Ihrer Wahl – inklusive Azure OpenAI in Ihrem eigenen Tenant – sodass Sie kontrollieren, wohin Ticketdaten gehen.
Wie unterscheidet sich OpenTicketAI von Znuny-LLM?
OpenTicketAI ist eine herstellerneutrale Middleware, die mit Znuny, OTOBO und Zammad funktioniert und entweder einen schnellen trainierten ML-Klassifikator oder ein LLM nutzen kann. Znuny-LLM ist ein natives, LLM-zentriertes Add-on ausschließlich für Znuny.
Kann ich OpenTicketAI auch mit Znuny nutzen?
Ja – OpenTicketAI verbindet sich über die REST-/Generic-Interface-Schnittstelle mit Znuny (sowie OTOBO und Zammad), ohne dass ein Upgrade auf Znuny 7.3 erforderlich ist.
Wo finde ich alle Znuny-, OTOBO- und Zammad-Add-ons?
Open ITSM Hub (openitsmhub.com) ist ein Verzeichnis, das Add-ons, Plugins, Skins und Integrationen für Znuny, OTOBO, OTRS und Zammad katalogisiert – inklusive OpenTicketAI.