KI im Kundenservice: Was automatisiert werden sollte – und was nicht

Kundenservice ist einer der am häufigsten überschätzten und gleichzeitig am häufigsten unterschätzten Bereiche für KI-Automatisierung. Überschätzt, wenn Unternehmen glauben, ein Chatbot könne den gesamten Support ersetzen. Unterschätzt, wenn aus Vorsicht gar nichts automatisiert wird, obwohl ein Großteil der Anfragen sich wiederholt und klar strukturiert ist.

Der praktikable Weg liegt dazwischen: eine klare Trennlinie zwischen Fällen, die ein System sicher übernehmen kann, und Fällen, die einen Menschen brauchen – plus einem sauberen Übergabepunkt zwischen beiden.

Was sich gut automatisieren lässt

1. Wiederkehrende Statusfragen

„Wo ist meine Bestellung?", „Wie lange dauert der Versand?", „Wie kann ich zurückschicken?" – diese Fragen haben eine klare, aus Systemdaten ableitbare Antwort. Ein Assistent mit Zugriff auf Bestell- und Versanddaten kann sie zuverlässig und rund um die Uhr beantworten, ohne dass ein Mitarbeiter involviert werden muss.

2. Produkt- und Anwendungsfragen mit dokumentierter Antwort

Fragen zu Materialien, Größen, Kompatibilität oder Pflegehinweisen lassen sich beantworten, wenn die zugrunde liegenden Informationen gepflegt und aktuell sind. Der Assistent sollte dabei auf die Quelle verweisen, damit Antworten überprüfbar bleiben und veraltete Inhalte auffallen.

3. Vorsortierung und Priorisierung

Auch wenn eine Anfrage am Ende bei einem Menschen landet, kann KI sie vorab nach Thema, Dringlichkeit und benötigten Informationen sortieren. Das verkürzt die Bearbeitungszeit, weil Mitarbeitende nicht erst den Kontext rekonstruieren müssen.

4. Entwürfe für individuelle Antworten

Bei komplexeren, aber nicht kritischen Anfragen kann ein Modell einen Antwortentwurf auf Basis von Bestelldaten und Anfrageinhalt vorbereiten. Ein Mitarbeiter prüft, passt an und versendet. Das beschleunigt die Bearbeitung, ohne die Entscheidungshoheit abzugeben.

Was beim Menschen bleiben sollte

1. Erstattungen, Kulanz und finanzielle Zusagen

Sobald eine Antwort Geld, Rabatte oder Ausnahmen von der Richtlinie betrifft, sollte ein Mensch entscheiden. Automatisierte Kulanz ohne Grenzen führt schnell zu inkonsistenten oder missbrauchten Zusagen.

2. Reklamationen mit rechtlicher oder gesundheitlicher Tragweite

Produktsicherheit, Gesundheitsfragen, Gewährleistung und rechtliche Ansprüche brauchen menschliche Verantwortung und, wo nötig, juristische Prüfung. Ein Sprachmodell darf hier vorbereiten, aber nicht final antworten.

3. Emotional aufgeladene oder eskalierte Fälle

Wenn ein Kunde bereits verärgert ist oder eine Eskalation droht, braucht es Empathie, Kontext und Entscheidungsspielraum, den ein Regelwerk nicht abbildet. Ein automatisiertes, unpersönliches Antwortmuster verschärft solche Situationen häufig zusätzlich.

4. Neue oder unklare Fallmuster

Tritt eine Anfrageart zum ersten Mal auf oder passt sie zu keinem dokumentierten Muster, sollte sie an einen Menschen gehen – auch damit das Team daraus eine neue, geprüfte Antwortvorlage ableiten kann, statt dass ein Modell unter Unsicherheit rät.

Der Übergabepunkt entscheidet über die Qualität

Die größte Schwachstelle vieler Support-Automatisierungen ist nicht die KI selbst, sondern eine schlechte Übergabe an den Menschen. Wenn ein Kunde einem Chatbot bereits alles erklärt hat und beim Wechsel zu einem Mitarbeiter wieder von vorne beginnen muss, entsteht mehr Frust als ohne Automatisierung.

• Kontext mitgeben: Der komplette bisherige Verlauf muss beim Mitarbeiter ankommen, nicht nur „Kunde möchte sprechen".
• Eskalationsgrund benennen: Warum wurde übergeben – Unsicherheit, Regelverstoß, explizite Anfrage nach einem Menschen?
• Erwartungshaltung setzen: Der Kunde sollte wissen, dass er weitergeleitet wird und was er als Nächstes erwarten kann.

Vertrauen entsteht durch Transparenz, nicht durch Perfektion

Kunden reagieren selten allergisch darauf, dass ein System antwortet – sofern die Antwort korrekt ist und klar erkennbar bleibt, wie man einen Menschen erreicht. Kritisch wird es, wenn ein Assistent Sicherheit vortäuscht, die er nicht hat, oder wenn es keinen erkennbaren Ausweg zu einem Mitarbeiter gibt.

Zwei einfache Prinzipien helfen dabei: Der Assistent kennzeichnet sich als solcher, und ein Eskalationspfad ist jederzeit sichtbar und nutzbar.

Ein realistischer Einstieg

1. Anfragen der letzten drei Monate kategorisieren und den Anteil klar strukturierter, wiederkehrender Fälle ermitteln.
2. Mit dem größten, risikoarmen Cluster starten – meist Status- oder Versandfragen.
3. Eskalationsregeln vor dem Go-Live definieren, nicht erst, wenn der erste kritische Fall auftritt.
4. Antwortqualität stichprobenartig prüfen und Fehlerfälle dokumentieren, statt nur die Bearbeitungszeit zu messen.
5. Schrittweise erweitern, sobald Qualität und Eskalationslogik sich im Betrieb bewährt haben.

Die Wissensbasis entscheidet über die Antwortqualität

Ein automatisierter Support ist immer nur so gut wie die Informationen, auf die er zugreift. Der häufigste Grund für schlechte Antworten ist nicht das Modell, sondern eine Wissensbasis, die aus verstreuten, widersprüchlichen und veralteten Dokumenten besteht.

Was eine brauchbare Wissensbasis ausmacht:

• Eine Quelle je Sachverhalt. Wenn die Rückgabefrist in drei Dokumenten unterschiedlich steht, wird das System eine davon wählen — und zwar nicht unbedingt die gültige.
• Antworten statt Prosa. Ein Handbuchkapitel über Versandarten ist schlechter geeignet als zehn klar formulierte Frage-Antwort-Paare zu den tatsächlich gestellten Fragen.
• Sichtbares Änderungsdatum. Jeder Eintrag braucht ein Datum und eine zuständige Person. Ohne das verwahrlost die Wissensbasis innerhalb weniger Monate.
• Bewusste Lücken. Themen, zu denen es keine freigegebene Antwort gibt, gehören explizit als „nicht automatisiert beantworten“ markiert — sonst improvisiert das System.

Der pragmatischste Einstieg: Exportieren Sie die letzten 300 bis 500 Supportanfragen und gruppieren Sie sie nach Anliegen. In der Regel decken zehn bis fünfzehn Themen zwischen 60 und 80 % des Volumens ab. Genau für diese Themen schreiben Sie saubere Antworten — und nur für diese schalten Sie die Automatisierung frei. Alles andere geht direkt an einen Menschen.

Dieser Zuschnitt hat einen angenehmen Nebeneffekt: Die Arbeit an der Wissensbasis verbessert auch den menschlichen Support, weil neue Mitarbeitende dieselben klaren Antworten vorfinden. Selbst wenn die Automatisierung später nicht kommt, ist dieser Schritt nicht verloren.

Was Sie messen sollten — und was nichts aussagt

Support-Automatisierung wird häufig über die Automatisierungsquote bewertet: Wie viel Prozent der Anfragen wurden ohne menschliches Zutun gelöst? Diese Zahl ist attraktiv, weil sie leicht steigt — und irreführend, weil sie steigt, wenn der Bot einfach mehr Fälle abschließt, egal ob zufriedenstellend.

Aussagekräftiger sind vier andere Werte:

• Wiederkontaktquote: Wie viele Kunden melden sich innerhalb von 72 Stunden erneut zum selben Anliegen? Steigt dieser Wert, löst die Automatisierung Fälle nur scheinbar.
• Übergabequote und Übergabequalität: Wie oft übernimmt ein Mensch — und wie oft muss dieser Mensch den Kunden alles noch einmal erklären lassen?
• Bearbeitungszeit der übergebenen Fälle: Gute Vorsortierung macht die verbleibenden Fälle schneller, nicht langsamer. Steigt die Bearbeitungszeit, hat der Bot die einfachen Fälle abgeschöpft und die schwierigen schlechter vorbereitet übergeben.
• Zufriedenheit getrennt nach Kanal: Messen Sie automatisierte und menschlich bearbeitete Fälle getrennt. Ein Gesamtwert verdeckt genau die Verschlechterung, die Sie finden wollen.

Wichtig ist der Vergleich mit dem Zustand vorher. Ohne Ausgangswerte lässt sich später nicht mehr belegen, ob die Automatisierung geholfen oder nur Arbeit verschoben hat. Diese Basiswerte zu erheben kostet eine Woche — sie später zu rekonstruieren ist unmöglich.

Datenschutz und Verantwortung im Support

Kundenservice ist der Bereich, in dem die sensibelsten Daten anfallen: Namen, Adressen, Bestellhistorien, gelegentlich Gesundheits- oder Zahlungsangaben. Wer hier automatisiert, trifft damit automatisch auch datenschutzrechtliche Entscheidungen.

Drei Punkte sollten vor dem Start geklärt sein. Erstens die Datenverarbeitung: Welcher Anbieter verarbeitet die Anfragen, wo stehen die Server, und gibt es einen Auftragsverarbeitungsvertrag? Zweitens der Umfang: Braucht das System wirklich Zugriff auf die vollständige Kundenhistorie, oder reichen Bestellnummer und Status? Datensparsamkeit ist hier nicht nur eine rechtliche Anforderung, sondern reduziert auch den Schaden, wenn etwas schiefgeht. Drittens die Transparenz: Kunden sollten erkennen können, dass sie mit einem automatisierten System sprechen.

Hinzu kommt eine praktische Frage, die oft übersehen wird: Was passiert mit den Gesprächsverläufen? Werden sie zum Training verwendet, müssen die Rechtsgrundlage und die Aufbewahrungsdauer geklärt sein. Werden sie nicht verwendet, geht wertvolles Verbesserungspotenzial verloren — dann lohnt sich eine anonymisierte Auswertung der häufigsten Abbruchpunkte.

Diese Fragen sind kein Grund, auf Automatisierung zu verzichten. Sie sind ein Grund, sie mit denselben Sorgfaltsmaßstäben einzuführen wie jedes andere System, das Kundendaten verarbeitet. Bei rechtlichen Detailfragen gehört eine fachkundige Prüfung dazu — growald bietet keine Rechtsberatung.

Ein Rollout, der Vertrauen nicht aufs Spiel setzt

Der riskanteste Moment ist die Freischaltung für echte Kunden. Ein gestuftes Vorgehen über etwa acht Wochen senkt dieses Risiko erheblich, ohne den Nutzen wesentlich zu verzögern.

Stufe 1 — Schattenbetrieb, zwei Wochen. Das System bearbeitet eingehende Anfragen, aber nichts geht an Kunden. Ein Mitarbeitender vergleicht die generierten Antworten mit den tatsächlich versendeten. Hier zeigt sich schnell und folgenlos, wo Wissenslücken und Fehleinschätzungen liegen.

Stufe 2 — Entwurfsmodus, zwei bis drei Wochen. Das System schreibt Antwortentwürfe, ein Mensch prüft und sendet. Das spart bereits messbar Zeit und hält gleichzeitig die volle Kontrolle. Viele Unternehmen bleiben dauerhaft auf dieser Stufe — was völlig legitim ist, weil hier ein Großteil des Nutzens bereits realisiert wird.

Stufe 3 — Teilautomatisierung, ab Woche sechs. Nur die klar abgegrenzten Themen mit hoher Trefferquote werden vollautomatisch beantwortet, alles andere bleibt im Entwurfsmodus. Der Umfang wird schrittweise erweitert, jeweils nach Auswertung der Wiederkontaktquote.

Zwei Bedingungen sollten über alle Stufen hinweg gelten: Jede automatisierte Antwort enthält einen einfachen Weg zum Menschen, und es existiert ein Notausschalter, mit dem sich die Automatisierung binnen Minuten vollständig deaktivieren lässt. Wer diesen Schalter erst baut, wenn er gebraucht wird, baut ihn zu spät.

Fazit: Automatisierung als Filter, nicht als Ersatz

KI im Kundenservice funktioniert am besten als Filter, der klare, wiederkehrende Fälle abfängt und komplexe, sensible oder emotionale Fälle sauber an Menschen weiterreicht. Wird diese Trennung ernst genommen, sinkt die Belastung im Team, ohne dass Kundenvertrauen aufs Spiel gesetzt wird.