Customer Service im Umbruch: Was hinter Agentic AI wirklich steckt
Agentic AI bezeichnet KI-Systeme, die nicht nur Texte generieren, sondern eigenständig Aktionen ausführen, Entscheidungen treffen und End-to-End-Prozesse im Kundenservice anstoßen oder abschließen. Sie verbinden Sprachverstehen, Kontext, Tools und Datenzugriffe – und verschieben damit die Grenze zwischen Mensch und Maschine im Service radikal.
In den letzten Jahren hat sich das Tempo dramatisch erhöht. Seit dem „GPT-iPhone-Moment“ 2022 sind wir von reinen Chatbots zu multimodalen Modellen mit Millionen Tokens Kontextfenster und agentischen Architekturen gekommen. Studien wie die von Cisco zu agentischer Customer Experience zeigen, dass große Anbieter bereits einen erheblichen Teil ihrer Support-Interaktionen durch Agentic-AI-Lösungen abwickeln. Laut Cisco wird ein wachsender Anteil der Servicefälle schon heute fallabschließend durch KI gelöst, ohne dass ein Mensch aktiv eingreifen muss. Die zugrunde liegenden Technologien – LLMs, Orchestrierungs-Frameworks, Tool-Anbindungen – sind marktreif.
Parallel prognostiziert Gartner, dass Agentic AI bis 2029 rund 80 Prozent der Standardanfragen im Kundenservice autonom bearbeiten wird und damit die Servicekosten um etwa 30 Prozent senken kann. Die entsprechende Pressemitteilung finden Sie bei Gartner selbst unter Gartner. Für Verantwortliche im Kundenservice bedeutet das: Nicht die Frage, ob Agentic AI kommt, ist entscheidend – sondern wie schnell Sie ein funktionierendes Operating Model dafür aufbauen.
Gleichzeitig zeigt der Blick in die Praxis eine ernüchternde Seite. Das MIT-Projekt „State of AI in Business 2025“ berichtet, dass rund 95 Prozent der generativen KI-Piloten in Unternehmen keinen messbaren Business-Impact liefern. Die Ergebnisse sind frei zugänglich, etwa im PDF-Bericht unter MLQ.ai. Der Kernfehler: Es wird Technologie getestet, ohne das künftige Operating Model, die Rollen, Prozesse und Governance mitzudenken. Genau hier setzt dieser Beitrag an.
Das zentrale Schmerzfeld vieler CX- und Service-Verantwortlicher ist daher nicht mehr „Funktioniert die Technologie?“, sondern: „Wie organisieren wir uns so, dass Agentic AI sicher, skalierbar und wertstiftend eingesetzt werden kann – über einzelne Piloten hinaus?“ Die Antwort darauf ist ein AI Operating Model, das Technologie, Prozesslogik und Menschen neu zusammendenkt.
Vom Kanaldenken zu Conversational First: Warum Ihr altes CX-Modell nicht reicht
Conversational First bedeutet, dass die gesamte Kundeninteraktion als fortlaufender Dialog gedacht wird – unabhängig von Kanal, Touchpoint oder System. Statt Hotline, E-Mail, Chat und App getrennt zu optimieren, entsteht ein einziger, intelligenter Gesprächsfluss, der durch Agentic AI gesteuert oder unterstützt wird.
Das klassische Kanaldenken stammt aus einer Welt, in der Menschen für die Übergabe zwischen Kanälen verantwortlich waren. Multikanal, Omnikanal, „seamless“ – viele Strategiepapiere haben diese Begriffe verwendet, wirklich konsistent umgesetzt wurden sie selten. Mit Agentic AI ändert sich das Spielfeld. KI-Agenten können Kontexte, Vorgänge und Kundenhistorien über mehrere Kanäle hinweg zusammenhalten und Entscheidungen in Backend-Systemen auslösen. Damit werden Kanäle zur Oberfläche eines einzigen, durchgängigen Dialogsystems.
Ein praktisches Beispiel: Eine Kundin startet im Web-Chat mit einer Frage zu ihrer Rechnung, wechselt unterwegs in eine Messaging-App und telefoniert später kurz mit einem menschlichen Serviceprofi. In einem Conversational-First-Modell orchestriert ein zentraler KI-Agent diese Interaktion: Er erkennt das Anliegen, nutzt vorhandene Daten, löst im Hintergrund Workflows aus (z. B. eine Ratenzahlungsvereinbarung) und stellt dem menschlichen Mitarbeiter bei Bedarf eine vollständige Kontextübersicht zur Verfügung. Für die Kundin fühlt sich das wie ein einziger, flüssiger Dialog an – nicht wie drei Kanäle.
Adobe beschreibt diese Entwicklung ausführlich im „AI and Digital Trends Report 2026“. Dort wird skizziert, wie generative und agentische KI kundennahe Prozesse orchestrieren und Conversational Experiences zum Standard machen; der Bericht ist über Adobe abrufbar. Spannend ist: Während viele Marken kommunikativ schon „Conversational“ spielen, sind ihre internen Operating Models noch strikt kanal- und silogetrieben. Genau diese Lücke verursacht heute Medienbrüche, Frust und vermeidbare Kosten.
Das Ergebnis sind widersprüchliche Ziele: Ein Team optimiert noch auf „Anrufvermeidung“ im Callcenter, während ein anderes Conversational-AI-Piloten bewertet – allerdings nach alten Kennzahlen wie AHT oder First Contact Resolution, die nicht mehr zur neuen Wirklichkeit passen. Ohne konsequenten Conversational-First-Blick bleibt Agentic AI ein Flickenteppich.
Die Bausteine eines AI Operating Model: Technologie, Prozesse, Menschen
Ein tragfähiges AI Operating Model beantwortet drei zentrale Fragen: Welche Aufgaben übernimmt Agentic AI künftig? Wie sind Prozesse und Systeme dafür gestaltet? Und welche Rolle spielen Menschen in diesem neuen Gefüge? Erst wenn alle drei Ebenen zusammenspielen, entfaltet Agentic AI ihren Wert.
Technologisch braucht es mehr als nur „den einen Bot“. Erfolgreiche Unternehmen entwerfen ein Orchester aus spezialisierten KI-Agenten – etwa für Dialogführung, Prozessausführung, Datenrecherche, Qualitätskontrolle und Sicherheit. Diese Agenten greifen auf gemeinsame Wissensquellen und Unternehmens-APIs zu und werden über ein zentrales Orchestrierungs-Framework gesteuert. Ein Beispiel: Ein Dialog-Agent erkennt, dass eine Adressänderung gewünscht ist, ruft einen Backend-Agenten zur Aktualisierung im CRM auf und übergibt danach an einen Compliance-Agenten, der prüft, ob weitere Bestätigungen nötig sind.
Prozessual reicht es nicht, bestehende Abläufe eins zu eins zu „digitalisieren“. Viele Bots scheitern daran, dass sie starre, historisch gewachsene Prozesse nachbilden – inklusive komplizierter Authentifizierungen oder interner Medienbrüche. Im AI Operating Model werden Prozesse neu gedacht: ausgehend vom gewünschten Kundenerlebnis, mit klaren Entscheidungspunkten, an denen KI autonom handeln darf, und definierten Eskalationspfaden zu Menschen.
Auf der menschlichen Seite entstehen neue Rollen. Klassische Service-Agent:innen werden zu Eskalationsexpert:innen, die nur noch die komplexesten 20 Prozent der Fälle bearbeiten – dort, wo Empathie, Verhandlungsgeschick und Situationsverständnis entscheidend sind. Parallel wächst die Rolle von „AI Trainer:innen“ und „Conversation Designer:innen“, die Konversationspfade, Prompts, Guardrails und Feedbackschleifen für die KI gestalten. Hier fließt praktisches Kundenwissen direkt in die Weiterentwicklung der Systeme.
Organisationen, die diese Rollen nicht früh klären, geraten ins Stocken: Projekte bleiben im Piloten stecken, weil unklar ist, wer die Verantwortung für Inhalte, Modell-Performance und laufende Optimierung trägt. Ein robustes AI Operating Model definiert daher Ownership (z. B. CX oder Service), Governance-Gremien, Freigabeprozesse und klare KPIs für Technologie, Kundenerlebnis und Mitarbeitendenzufriedenheit.
Praxisbeispiele: Wie Agentic AI Service-Teams heute schon verändert
Während viele Unternehmen noch experimentieren, zeigen einige Pioniere bereits, was mit Agentic AI möglich ist. Cisco berichtet in einer aktuellen Analyse, dass heute schon ein signifikanter Anteil der eigenen Support-Interaktionen von Agentic-AI-Lösungen bearbeitet wird; Details finden sich im Research-Dokument „How agentic AI will transform customer experience“ unter Cisco. Besonders spannend: Ein großer Teil dieser Kontakte wird fallabschließend automatisiert, also ohne Übergabe an menschliche Mitarbeitende.
Typische Einsatzszenarien sind etwa die vollautomatische Bearbeitung von Standardanfragen (z. B. Rechnungsduplikate, Vertragsdaten ändern), die proaktive Störungsinformation basierend auf Sensordaten sowie die automatisierte Nachbearbeitung von Gesprächen inklusive Dokumentation und Ticket-Update. Agentic AI übernimmt hier nicht nur die Kommunikation, sondern trifft Entscheidungen und führt Workflows im Hintergrund aus.
In anderen Unternehmen steht die Unterstützung der Mitarbeitenden im Vordergrund. Ein Beispiel aus der Telekommunikationsbranche: Service-Teams erhalten während des Kundendialogs in Echtzeit Vorschläge für nächste Schritte, passende Lösungen und Formulierungen, die sowohl zum Marken-Tonfall als auch zur individuellen Situation passen. Gleichzeitig aktualisiert ein Agent im Hintergrund Systeme, erstellt Wiedervorlagen und setzt Folgeprozesse auf. Das reduziert Handlingzeiten deutlich – in einzelnen Projekten um 20 bis 30 Prozent – und erhöht die First-Contact-Resolution.
Auch Adobe beschreibt in seinem AI & Digital Trends Report 2026, dass erst ein kleiner Teil der befragten Unternehmen Agentic AI flächendeckend ausgerollt hat, obwohl die Ambitionen hoch sind. Häufig fehlen eine klare AI-Strategie, Silos zwischen Fachbereich und IT bremsen oder es existiert kein übergreifendes Operating Model, das Agentic-AI-Use-Cases priorisiert und skaliert. Genau dieses Delta zwischen Ambition und Umsetzung ist die Chance für Service-Organisationen, die jetzt strukturiert vorgehen.
Ein praktischer Lerneffekt aus vielen Projekten: Die größte Hebelwirkung entsteht selten im „Showcase-Chatbot“, sondern in unscheinbaren, aber massenhaft vorkommenden Vorgängen wie Identifikation, Authentifizierung, Statusabfragen oder einfachen Vertragsänderungen. Wer hier Agentic AI sauber in Prozesse und Systeme integriert, spart nicht nur Kosten, sondern schafft durch konsistent schnelle, verlässliche Antworten die Basis für Vertrauen.
Schritt-für-Schritt: Vom KI-Pilot zur skalierbaren AI-Organisation
Der Sprung vom erfolgreichen Pilot zur skalierbaren AI-Organisation ist weniger eine technische als eine organisatorische Aufgabe. Ein strukturierter Fahrplan hilft, typische Stolpersteine zu vermeiden – vom fehlenden Business-Case bis zur unklaren Verantwortung im laufenden Betrieb.
Schritt 1 ist eine ehrliche Bestandsaufnahme. Welche Piloten laufen? Welche Technologien sind bereits vertraglich vorhanden (z. B. in CCaaS-, CRM- oder Marketing-Plattformen) und werden kaum genutzt? Welche Use Cases erzeugen heute die größten Volumina und Kosten im Service? Ein Daten-basierter Blick auf Kontaktgründe und Prozessdurchlaufzeiten ist hier wichtiger als die Suche nach dem „coolsten“ Anwendungsfall.
Schritt 2 ist die Definition eines Zielbilds: Wie soll der eigene Service 2030 aussehen? Welcher Anteil der Kontakte soll vollautomatisiert, welcher agentenunterstützt und welcher explizit menschlich bleiben? Diese Vision muss nicht perfekt sein, schafft aber einen gemeinsamen Nordstern für CX, Service, IT, HR und Compliance. Ohne ein solches Zielbild verlaufen KI-Initiativen oft im Sand.
Schritt 3 besteht darin, ein initiales AI Operating Model zu entwerfen. Wer verantwortet Agentic AI strategisch? Wie sehen Rollen und Gremien aus? Welche Freigabeprozesse gelten für neue Use Cases? In dieser Phase wird häufig klar, dass Service-Teams neue Kompetenzen brauchen – etwa in Dateninterpretation, Journey-Design und Change-Management.
Schritt 4 ist die fokussierte Umsetzung von zwei bis drei priorisierten Use Cases mit klaren KPIs. Statt zehn Piloten parallel zu starten, lohnt es sich, wenige Prozesse Ende-zu-Ende agentisch zu denken – inklusive Integration in Kernsysteme, Risikobetrachtung und Schulung der Mitarbeitenden. Beispiele sind die vollständige Automatisierung von Adressänderungen, Zahlungsabstimmungen oder Terminvereinbarungen.
Schritt 5 schließlich ist die Skalierung: Erfolgreiche Use Cases werden industrialisiert, d. h. mit standardisierten Komponenten, wiederverwendbaren Agenten und klaren Rollout-Plänen auf weitere Länder, Marken oder Produktbereiche übertragen. Hier zeigt sich der Unterschied zwischen „Spielwiese“ und echter Transformation – und hier entscheidet sich, ob Ihr Unternehmen auf der falschen Seite der GenAI-Divide landet, die der MIT-Bericht beschreibt.
Governance, KPIs und Kultur: So bleibt Ihr Service auch 2030 relevant
Agentic AI im Kundenservice ist ohne robuste Governance und ein neues Kennzahlensystem nicht beherrschbar. Es reicht nicht, nur auf Kosteneinsparungen zu schauen; ebenso wichtig sind Kundenerlebnis, Fairness, Sicherheit und Mitarbeitendenperspektive. Ein ausgewogenes Set an KPIs ist daher Pflicht.
Auf Governance-Ebene braucht es klare Leitplanken: Welche Entscheidungen dürfen KI-Agenten eigenständig treffen, wo ist menschliche Freigabe nötig? Wie werden Trainingsdaten kuratiert und aktualisiert? Welche Prozesse existieren für Incident-Management, Bias-Reviews und kontinuierliche Qualitätsmessung? Viele Unternehmen etablieren hierfür ein zentrales AI-Board, in dem CX, IT, Datenschutz, Legal und Business gemeinsam verantwortlich sind.
Bei den Kennzahlen verschiebt sich der Fokus: Neben klassischen Service-KPIs wie Bearbeitungszeit und Erstlösungsquote treten Metriken wie „Autonomiegrad“ (Anteil vollständig agentisch gelöster Vorgänge), „Human Effort Score“ (Aufwand für Mitarbeitende pro Vorgang) oder „Conversation Quality Score“, der Kundenfeedback, NPS und qualitative Audits verbindet. Ein konkretes Zielbild könnte etwa lauten: 80 Prozent der Standardvorgänge bis 2029 autonom, bei gleichzeitiger Steigerung der Kundenzufriedenheit.
Kulturell steht eine große Veränderung an. Mitarbeitende, die jahrelang auf Skripterfüllung, Effizienz und Standardisierung getrimmt wurden, sollen plötzlich die Rolle von Orchestrator:innen, Eskalationsexpert:innen und KI-Trainer:innen übernehmen. Das gelingt nur, wenn Unternehmen gezielt in Weiterbildung, Coaching und Beteiligung investieren. Wichtig ist, Angst ernst zu nehmen und offen darüber zu sprechen, welche Aufgaben wegfallen – und welche neuen, höherwertigen Aufgaben entstehen.
Letztlich entscheidet sich in den kommenden Jahren, welche Serviceorganisationen Agentic AI aktiv gestalten – und welche passiv von der Dynamik überrollt werden. Wer heute beginnt, ein eigenes AI Operating Model zu definieren, Conversational First zu denken und Technologie, Prozesse sowie Menschen konsequent zusammenzubringen, schafft die Grundlage dafür, 2030 noch relevant zu sein – für Kund:innen, Mitarbeitende und den Markt.
