Kundenerwartungen steigen, Servicebudgets bleiben stabil
KI im Kundenservice hilft Serviceorganisationen, höhere Kundenerwartungen trotz stagnierender Budgets zu erfüllen, indem sie häufige Standardanliegen automatisiert, Mitarbeitende mit kontextbezogenem Wissen unterstützt und Kanäle in einer Omnichannel-Plattform bündelt – vorausgesetzt, Prozesse und Governance sind klar definiert, sauber orchestriert und kontinuierlich überwacht werden.
In vielen Serviceorganisationen prallen derzeit zwei Entwicklungen ungebremst aufeinander. Auf Kundenseite steigen Erwartungen an Tempo, Verfügbarkeit und Personalisierung. Laut dem Salesforce-Report „State of Service 2024“ geben 88 % der befragten Kund:innen an, dass ihre Erfahrung mit einem Unternehmen genauso wichtig ist wie dessen Produkte (Salesforce). Dieses Anspruchsniveau entsteht nicht im direkten Branchenvergleich, sondern am Maßstab der besten erlebten Interaktion.
Auf Unternehmensseite sieht es anders aus: Budgets wachsen kaum, in manchen Bereichen schrumpfen sie. Gleichzeitig kämpfen viele Contact Center mit Fachkräftemangel, hoher Fluktuation und langen Einarbeitungszeiten. In Praxisbeobachtungen zeigt sich, dass Mitarbeitende oft nur rund die Hälfte ihrer Arbeitszeit tatsächlich für Kundenanliegen nutzen; der Rest geht für Toolwechsel, Informationssuche und Dokumentation drauf. Diese Prozessbrüche schlagen direkt auf Bearbeitungszeiten, Fehlerquote und Kundenerlebnis durch.
Die zentrale Frage lautet damit nicht „Welche KI setzen wir ein?“, sondern: Welches konkrete Kunden- oder Mitarbeiterproblem lösen wir als Erstes? Erfolgreiche Unternehmen starten genau dort – und bündeln Technologie, Organisation und Kultur zu einem konsistenten Serviceansatz.
Standardanliegen gezielt automatisieren statt alles zu digitalisieren
Der verbreitetste Denkfehler bei Serviceautomation: Es wird versucht, „alles“ zu digitalisieren. Erfolgreiche Teams priorisieren dagegen die häufigsten, klar standardisierbaren Anliegen – und holen sich die Prioritätenliste direkt von der Quelle: den Agent:innen. Sie wissen am besten, welche Routinethemen sie täglich von komplexeren Fällen abhalten.
Typische Startkandidaten sind Adressänderungen, Passwort-Resets oder einfache Statusabfragen. Wenn diese Anliegen über Self Service oder KI-basierte Voice- und Chat-Automatisierung sauber gelöst werden, entstehen schnell sichtbare Effekte: weniger Volumen auf den Leitungen, kürzere Wartezeiten und eine höhere Erstlösungsquote. Die Einschränkung ist zentral: Es müssen standardisierte Prozesse ohne hohe emotionale Komponente sein, sonst kippt die Experience.
Viele Organisationen fokussieren sich beim Messen nur auf die Automatisierungsquote. Entscheidend ist jedoch die Containment Rate: der Anteil der Anfragen, die vollständig im digitalen Kanal gelöst werden, ohne dass ein Mensch eingreifen muss. Ein Bot, der nur Daten abfragt und dann weiterleitet, reduziert die Komplexität nicht wirklich. Auch Anbieter wie Genesys warnen davor, Containment isoliert als Erfolgskennzahl zu betrachten; entscheidend ist, ob Kund:innen ihr Ziel wirklich erreichen (Genesys).
Ein praktisches Beispiel aus dem Energiesektor: Bei lokalen Stromausfällen wurden Contact Center früher von Anrufen überrollt. Durch proaktive SMS-Benachrichtigungen an alle betroffenen Haushalte („Wir kennen das Problem, wir arbeiten daran, wir melden uns bei Neuigkeiten.“) sank das Anrufvolumen deutlich. Dieser Schritt ist keine „KI-Magie“, aber ein klarer Beleg: Prävention schlägt Reaktion, wenn Prozesse und Daten sauber vorbereitet sind.
KI als Assistenz für Mitarbeitende im Contact Center nutzen
Die Diskussion um KI im Service wird häufig von der Frage dominiert, ob Bots Menschen ersetzen werden. In der Praxis zeigen sich derzeit andere Erfolgsmuster: Dort, wo Serviceorganisationen Agent Assist konsequent einsetzen, steigen Geschwindigkeit und Qualität – ohne Mitarbeitende zu verdrängen. Der Hebel entsteht aus der Kombination: Mensch bringt Empathie und Urteilskraft, KI liefert Geschwindigkeit und Kontext.
Konkrete Einsatzfelder sind zum Beispiel intelligente Wissensvorschläge. Während eines Gesprächs kann ein KI-System dem Agenten Schritt-für-Schritt-Hilfen oder Checklisten für bestimmte Vorgänge einblenden – etwa, welche Daten bei einer Schadensmeldung erfasst werden müssen. So sinkt die Fehlerwahrscheinlichkeit, und neue Mitarbeitende erreichen schneller ein stabiles Leistungsniveau.
Ein zweites Feld sind automatische Gesprächszusammenfassungen. Ob im Voice- oder Chat-Kanal: KI kann den Gesprächsverlauf strukturieren, Kernaussagen hervorheben und nächste Schritte dokumentieren. Das reduziert Nachbearbeitungszeit und sorgt für konsistentere Dateneinträge. In umfangreichen Projekten zeigt sich, dass bereits Minuten an gesparter Dokumentationszeit pro Vorgang systemweit zu deutlich messbaren Effekten führen können – vorausgesetzt, Qualitätsmanagement und Datenschutz sind sauber geregelt.
Damit diese Potenziale wirklich ankommen, reicht Technologie allein nicht. Führungskräfte müssen aktiv in Kompetenzaufbau investieren: regelmäßige Schulungen, klare Guidelines („Wann darf ich mich auf KI-Vorschläge verlassen, wann nicht?“) und offene Diskussion von Grenzen. Nur wenn Mitarbeitende verstehen, wo sie mit KI Zeit gewinnen, entsteht Akzeptanz statt Misstrauen.
Customer Journey vereinfachen und Omnichannel sauber aufsetzen
Eines der größten Friktionsthemen aus Kundensicht ist Wiederholung: E-Mail geschrieben, im Chat nachgefragt, dann doch noch angerufen – und jedes Mal beginnt die Geschichte von vorn. Je häufiger das passiert, desto stärker sinkt die wahrgenommene Servicequalität, unabhängig davon, wie freundlich der einzelne Kontakt abläuft.
Die Ursache liegt selten im „falschen“ Kanal, sondern im Fehlen einer durchgängigen Basis. In vielen Organisationen arbeiten Telefonie, E-Mail, Chat, Social Media und Fachanwendungen nebeneinanderher. Informationen gehen beim Kanalwechsel verloren, Übergaben sind bruchstückhaft, und Mitarbeitende müssen sich in mehreren Systemen gleichzeitig orientieren. Die Folge: längere Bearbeitungszeiten und ein schwankendes Serviceerlebnis.
Eine moderne CX-Plattform führt Kanäle, Daten und Workflows auf einer gemeinsamen Grundlage zusammen. Studien, etwa von BCG, zeigen, dass fortgeschrittene KI ihr volles Potenzial erst dann entfaltet, wenn sie Journeys wirklich orchestriert und nicht nur einzelne Kontakte optimiert (BCG). Omnichannel ist damit kein „Nice-to-have“, sondern Voraussetzung für messbare Effizienz und stabile Kundenerlebnisse.
Für die Praxis heißt das: Bevor neue Kanäle eröffnet oder weitere Bots ausgerollt werden, sollten drei Fragen beantwortet sein: (1) Wo wird die Kundenhistorie kanalübergreifend geführt? (2) Wie werden Kontexte beim Wechsel übernommen? (3) Wer verantwortet die End-to-End-Journey fachlich? Erst wenn diese Fragen klar sind, lohnt sich die nächste Technologie-Stufe.
Praxisbeispiel DVLA: Was messbare KI-Erfolge auszeichnet
Wie sehen diese Prinzipien im Realbetrieb aus? Ein Blick auf die britische Zulassungs- und Führerscheinbehörde DVLA bietet einen greifbaren Referenzfall. Die Organisation verwaltet rund 100 Millionen Datensätze und bearbeitet hohe, stark schwankende Anfragevolumina – eine Situation, die vielen Energieversorgern, Banken, Versicherern oder öffentlichen Einrichtungen im DACH-Raum ähnelt.
Die DVLA hat eine KI-gestützte Omnichannel-Plattform eingeführt, über die Bürger:innen nahtlos per Web, Chat, Telefon und weiteren Kanälen interagieren können. Bereits rund 30 % aller Interaktionen laufen heute über Self Service. Monatlich nutzen im Schnitt etwa 250.000 Personen die Webchat- und Chatbot-Dienste, in Spitzenzeiten sogar bis zu 350.000. Über 50.000 E-Mails pro Monat werden automatisiert vorqualifiziert, und etwa die Hälfte der Standardanfragen wird direkt beantwortet.
Besonders deutlich wird der Effizienzhebel bei den Bearbeitungszeiten: Durch einen KI-gesteuerten Bot („Brain Machine Agent“) sinkt die durchschnittliche Abarbeitungsdauer pro Vorgang um rund 2,5 Minuten. Zusätzlich werden monatlich rund 26.000 Kundenanfragen automatisch an die zuständige Stelle geroutet. Die Erstlösungsquote liegt bei 86,6 %, während die Zeit im IVR-System um etwa 50 % reduziert werden konnte.
Bemerkenswert ist zudem die Entwicklung der Mitarbeiterseite. Echtzeit-Transkription und automatische Zusammenfassungen entlasten die Agent:innen, und Sentimentanalysen machen Muster im Kunden- und Mitarbeiterverhalten sichtbar. Ergänzt durch regelmäßige, automatisierte Umfragen im Contact Center stiegen die Engagementwerte über mehrere Jahre hinweg wiederholt – um 10 %, 6 % und noch einmal 10 %. Der Fall zeigt: Wenn Technologie konsequent auf Mitarbeitende und Kund:innen ausgerichtet ist, können Produktivität und Zufriedenheit gleichzeitig wachsen.
DVLA – Eine KI-Erfolgsgeschichte im Kundenservice: Transformation der Bürger-Experience
Fahrplan: In fünf Schritten vom Pilot zum skalierbaren Modell
Wie lassen sich diese Erkenntnisse in einen konkreten Fahrplan übersetzen? Ein praxistauglicher Weg besteht aus fünf Schritten: (1) Status quo analysieren, (2) Friktionen sichtbar machen, (3) fokussierte Use Cases auswählen, (4) Plattform- und Prozessbasis legen, (5) skalieren und lernen.
1. Status quo analysieren. Start mit einer ehrlichen Bestandsaufnahme: Welche Anliegen dominieren das Volumen? Wo verlieren Mitarbeitende Zeit – nicht nur, wie zufrieden sind sie? Methoden wie Friction Mapping helfen, Reibungspunkte in Prozessen und Tools systematisch zu erfassen.
2. Friktionen priorisieren. Statt einer langen Wunschliste werden die drei bis fünf größten Effizienzhebel ausgewählt: z. B. Standardanfragen, die sich für Self Service eignen, oder Medienbrüche zwischen CRM, Ticketsystem und Wissensdatenbank. Wichtig ist, den Nutzen immer an messbare KPIs zu knüpfen – etwa Bearbeitungszeit, Erstlösungsquote oder Weiterleitungsrate.
3. Fokussierte Use Cases pilotieren. Erst dann lohnt der gezielte Einsatz von KI: ein Bot für ein klar umrissenes Anliegen, ein Agent-Assist-Modul für einen spezifischen Prozess. Erfahrungswerte aus Projekten zeigen, dass bereits 20–40 % Automatisierung in ausgewählten Bereichen spürbare Effekte bringen können – vorausgesetzt, es gibt klare Erfolgskriterien und eine belastbare Datenbasis.
4. Plattform und Governance aufbauen. Wer skalieren will, braucht eine integrierte CX-Plattform statt Insellösungen. Dazu gehört auch Governance: Wer entscheidet über neue Use Cases, wer verantwortet Datensicherheit, wer justiert Modelle nach? Ohne diese Klarheit bleiben KI-Initiativen Einzelpiloten.
5. Lernen und iterieren. Erfolgreiche Organisationen betrachten KI nicht als Projekt, sondern als Betrieb. Sie messen kontinuierlich, passen Workflows an, schulen Mitarbeitende nach und holen deren Feedback systematisch ein. So wird aus einzelnen Erfolgsrezepten Schritt für Schritt ein stabiles Servicebetriebssystem.
Der rote Faden dahinter bleibt konstant: Nicht die Menge an KI entscheidet, sondern ihr intelligenter Einsatz – im Dienst der Kund:innen und der Menschen im Service.
