Das Pilotprojekt verlief erfolgreich. Die Abweichungsrate stieg an. Der Technologieanbieter gratulierte den Teams. Doch einige Monate nach der Inbetriebnahme stabilisierten sich die Einsparungen. Der CSAT stieg nicht wie erwartet an. Die operativen Einsparungen sind zwar da, fallen aber geringer aus als in der ursprünglichen Präsentation dargestellt. Und niemand im Team kann wirklich erklären, warum das so ist.
Dieses Szenario kommt häufiger vor, als auf Konferenzen oft behauptet wird. Laut Gartner werden mindestens 30 % der Projekte im Bereich der generativen KI nach dem Proof of Concept aufgegeben, und mehr als 40 % der Projekte im Bereich der agentenbasierten KI werden bis 2027 aus denselben Gründen eingestellt: unterschätzte Kosten, unklarer geschäftlicher Nutzen, fehlende Governance. Es handelt sich nicht um eine fehlerhafte Technologie. Vielmehr fehlten bei den Implementierungen die notwendigen Voraussetzungen.
Bei genauerer Betrachtung von KI-Projekten im Kundenservice, die auf der Stelle treten, lassen sich immer wieder fünf Ursachen feststellen. Diese stehen nicht unabhängig voneinander, und oft ist es gerade ihr Zusammenspiel, das das Gefühl einer Sackgasse hervorruft.
Grund 1: Es wurde die Auslenkung gemessen, nicht der Wert
KI wurde eingeführt, um das Volumen menschlicher Interaktionen zu reduzieren, und genau das hat sie auch getan. Die Umleitungsrate steigt, die HR-Teams können aufatmen, die Geschäftsleitung ist zufrieden. Doch die Umleitung ist kein Indikator für Zufriedenheit: Sie ist ein Indikator für das Volumen. Ein „umgeleiteter“ Kunde, der keine Antwort erhalten hat, ist kein vermiedener Kontakt, sondern ein frustrierter Kunde, der erneut anrufen, eine E-Mail senden oder stillschweigend abspringen wird.
Das Problem ist, dass der KPI, mit dem das Projekt vor dem COMEX begründet wurde (Abbruchquote), nicht misst, was der Kunde tatsächlich erlebt hat. Und in vielen Unternehmen misst niemand den spezifischen CSAT für Bot-Interaktionen getrennt vom allgemeinen CSAT. Das Ergebnis: Der operative ROI scheint zu stimmen, aber der Beziehungswert schwindet, ohne dass dies in den Dashboards sichtbar wird. Wie David Gillaux, Präsident von Armatis, es formuliert: „Die Frage lautet nicht ‚Ist es kostengünstiger?‘, sondern ‚Ist der ROI gut?‘“ Diese Unterscheidung ist nicht rein semantischer Natur: Sie entscheidet darüber, ob man das Richtige steuert.
Die Lösung ist bekannt: den CSAT-Wert für den Bot und den für den menschlichen Mitarbeiter getrennt messen, mit der Wiederholungsrate (Kunden, die innerhalb von 48 Stunden nach einer Interaktion mit dem Bot erneut Kontakt aufnehmen) abgleichen und die Rate der selbstständigen Problemlösung als Haupt-KPI einbeziehen, anstatt nur die Umleitung zu betrachten. Ein leistungsstarker Chatbot löst zwischen 60 und 80 % der Fälle, die er bearbeitet. Liegt die Quote unter 60 %, ist der Anwendungsbereich zu breit gefasst oder die Szenarien sind falsch kalibriert.
Ursache 2: Die Wissensdatenbank wurde nicht aktualisiert
Zum Zeitpunkt der Einführung war die Wissensdatenbank auf dem neuesten Stand. Die Produkte entsprachen den Datenblättern. Die Prozesse waren korrekt dokumentiert. Die KI funktionierte einwandfrei. Doch dann verging die Zeit: Ein Angebot änderte sich, ein Prozess wurde angepasst, ein Tarif wurde angepasst. Die Wissensdatenbank hingegen blieb auf dem Stand des Go-Live-Tages.
Das ist der am meisten unterschätzte blinde Fleck bei KI-Projekten im Kundenservice. KI ist nur so präzise, wie die Daten, mit denen sie gefüttert wird. Wenn die Datenqualität nachlässt, liefert die KI veraltete oder widersprüchliche Antworten. Der Kunde verliert das Vertrauen, die Weiterleitungsrate an einen menschlichen Mitarbeiter steigt, die CSAT-Bot-Zufriedenheit sinkt. Und das Problem ist schwer zu diagnostizieren, da die Symptome auf ein technisches Problem hindeuten, obwohl es sich um ein redaktionelles Problem handelt.
Die Studie „CX Horizon 2030“ von Armatis, die unter CX-Leitern großer französischer Marken (ENGIE, Volkswagen, SFR, LVMH, MACIF, Matmut, La Banque Postale, Carrefour), bringt es auf den Punkt: Die Wissensbasis ist kein statisches Referenzsystem mehr, sondern der Motor der KI-Leistung. Eine agentenbasierte KI kann ungenaues, widersprüchliches oder veraltetes Wissen nicht ausgleichen. Unser Artikel über kontextbezogene Intelligenz und den Übergang von der Automatisierung zur echten Personalisierung beschreibt detailliert, wie diese Vernetzung von Wissen die betrieblichen Rahmenbedingungen grundlegend verändert.
Ursache 3: Der Mensch hat die unlösbaren Fälle geerbt, ohne darauf vorbereitet zu sein
Indem man die einfachen Fälle aus dem Kundenstrom herausfiltert, hat man diesen nicht entlastet, sondern erschwert. Die Berater bearbeiten nun einen konzentrierten Strom komplexer, emotionaler und schwer zu lösender Situationen – oft nachdem der Kunde bereits durch eine erfolglose Interaktion mit einem Bot frustriert wurde. Genau hier kommen zwischenmenschliche Kompetenz und Lösungskompetenz am meisten zum Tragen.
In vielen Kontaktzentren hat sich die Schulung der Berater jedoch nicht parallel zur Einführung von KI weiterentwickelt. Laut den Daten aus dem Zendesk CX Trends 2024 hat mehr als jeder zweite Mitarbeiter keinerlei Schulung zu den neuen Tools und Technologien erhalten, und von den geschulten Mitarbeitern bewerten nur 21 % diese Schulung als zufriedenstellend. Ein Berater, der ausschließlich komplexe Fälle erhält, ohne im Umgang damit geschult worden zu sein, und der mit Tools arbeitet, die ihm keinen Kontext darüber liefern, was zuvor in der Interaktion geschehen ist, führt gerade bei den sichtbarsten Interaktionen zu einer Verschlechterung der Kundenzufriedenheit (CSAT).
Der kombinierte Effekt ist kontraproduktiv: Die KI verbessert die Effizienz bei einfachen Fällen, verschlechtert jedoch die wahrgenommene Qualität bei komplexen Fällen – und genau diese bleiben den Kunden besonders im Gedächtnis. Die Nettobilanz kann sich negativ auf die Kundenbindung auswirken, selbst wenn sie in Bezug auf die Kosten positiv ist. Deshalb lässt sich die Verbesserung der Kundenzufriedenheit (CSAT) im Kontaktzentrum nicht erreichen, ohne gleichzeitig die Kompetenzen der Berater im Umgang mit komplexen Fällen zu stärken.
Ursache 4: Der Umfang des Bots wurde nie neu bewertet
Zu Beginn wurde der Anwendungsbereich konservativ definiert: einige wenige einfache, gut dokumentierte Anfragetypen mit zugänglichen Daten. Das war vernünftig. Danach hat niemand diesen Umfang neu bewertet. Weder, um ihn zu erweitern, als sich die ersten Erfolge bestätigten, noch, um ihn zu verringern, als sich bestimmte Fälle als zu komplex für den Bot erwiesen.
Das Ergebnis ist ein starrer Anwendungsbereich, der weder den ursprünglichen Zielen noch der betrieblichen Realität entspricht. Die Fälle, die einen Mehrwert schaffen, werden nicht automatisiert. Die Fälle, die Reibungsverluste verursachen, werden hingegen weiterhin automatisiert. Und die Geschäftsleitung stellt fest, dass der ROI nicht mehr steigt, ohne zu verstehen, dass das Problem in der fehlenden aktiven Steuerung des Anwendungsbereichs liegt und nicht in der Technologie selbst.
Laut dem MIT CISR haben 95 % der Pilotprojekte im Bereich der generativen KI keine messbaren Auswirkungen auf die Gewinn- und Verlustrechnung. Der Unterschied zwischen den 5 %, die dies schaffen, und den 95 %, die auf der Stelle treten, liegt größtenteils in dieser kontinuierlichen Steuerung: regelmäßige Überprüfungen des Projektumfangs, dokumentierte Entscheidungen darüber, welche Fälle ausgeweitet oder eingestellt werden sollen, sowie Wirkungsmetriken, die über die Abweisungsquote hinausgehen.
Grund 5: Niemand steuert die KI so, wie man ein Team steuert
Wenn ein neuer Berater in einem Kontaktzentrum anfängt, wird er begleitet, gecoacht, bewertet und kontinuierlich geschult. Sein CSAT-Wert wird überwacht. Seine Fehler werden analysiert. Es wird ein Entwicklungsplan erstellt. Wenn ein Bot eingesetzt wird, findet seine Interaktion in einer Art „Black Box“ statt: Niemand überprüft systematisch die falsch bearbeiteten Gespräche, es erfolgt keine kontinuierliche Erweiterung der Szenarien, und es gibt keinen klar identifizierten Verantwortlichen, der über Weiterentwicklungen entscheidet.
Dieser Mangel an Governance ist der gemeinsame Nenner aller Projekte, die auf der Stelle treten. Das Projekt wurde ausgeliefert, der Anbieter hat sich anderen Aufgaben zugewandt, und die internen Teams verfügen weder über die Kapazitäten noch über die Kompetenzen, um das System in einem optimalen Betriebszustand zu halten. Die Leistung des Bots verschlechtert sich nach und nach ohne sichtbare Warnsignale, bis die Kundenzufriedenheit (CSAT) zu sinken beginnt und niemand den Zusammenhang erkennt.
Die Lösung ist nicht technischer Natur, sondern organisatorischer Art. Sie erfordert die Ernennung eines Verantwortlichen für die Bot-Leistung mit einem klaren Auftrag, wöchentliche Überprüfungen von schlecht bearbeiteten Unterhaltungen (genau wie bei Qualitätskontrollen bei menschlichen Beratern) sowie einen Prozess zur kontinuierlichen Erweiterung der Wissensdatenbank und der Szenarien. Die 15 wesentlichen KPIs zur Steuerung eines Kontaktzentrums gelten auch für KI-Systeme: CSAT, FCR, Wiederholungsrate, Qualitätsbewertung.
Was CX-Entscheidungsträger im Jahr 2026 wirklich über KI sagen
Die Studie „CX Horizon 2030“ von Armatis, die unter CX-Leitern großer französischer Marken durchgeführt wurde, liefert wertvolle Erkenntnisse, da sie sich vom Diskurs der Softwareanbieter löst und stattdessen die Sichtweise der Praktiker einbezieht. Keiner der befragten Entscheidungsträger rechnet bis 2030 mit einem zu 100 % automatisierten Kundenservice. Alle sehen KI als Mittel zur Stärkung der Beraterrolle, nicht als Ersatz. Und zwei Zitate fassen die Stimmung vor Ort besser zusammen als jede Marktprognose.
Thierry Suquet, Leiter Kundenerlebnis bei Volkswagen France: „KI darf sich keine Fehler leisten. Ein menschlicher Mitarbeiter kann sich entschuldigen und die Situation wieder ins Lot bringen. Ein Bot, der einen Fehler macht, zerstört das Vertrauen.“ Dominique Russo, Leiter Kundenerlebnis bei der MACIF: „Die Aufrichtigkeit der Beziehung ist unvereinbar mit einem Bot, der vorgibt, ein Mensch zu sein.“
Diese Standpunkte sind nicht gegen KI gerichtet. Sie beschreiben lediglich die Bedingungen, unter denen KI nachhaltigen Mehrwert schafft: in einfachen und klar definierten Fällen, mit zuverlässigen Daten, in einer hybriden Architektur, in der der Mensch sichtbar und erreichbar bleibt. Und da laut der Studie mittlerweile 85 % der Entscheidungsträger den Kundenservice als Profitcenter und nicht mehr als Kostenstelle betrachten, lautet die eigentliche Frage nicht mehr „Wie lassen sich mit KI Kosten senken?“, sondern „Wie trägt KI dazu bei, bei jeder Interaktion mehr Wert zu schaffen?“.
Wie lässt sich ein stagnierender ROI wieder ankurbeln?
Die fünf ermittelten Ursachen erfordern fünf konkrete Maßnahmen, deren Reihenfolge von Bedeutung ist.
Der erste Schritt besteht darin, die Kennzahlen erneut zu überprüfen. Die Abbruchrate als Haupt-KPI durch die Rate der eigenständigen Problemlösung zu ersetzen und den CSAT-Bot, die Wiederholungsrate nach dem Bot-Einsatz sowie die Weiterleitungsrate hinzuzufügen. Diese vier Kennzahlen vermitteln ein ehrliches Bild davon, was die KI tatsächlich leistet.
Der zweite Schritt besteht darin, die Wissensdatenbank zu überprüfen. Dabei gilt es, veraltete Einträge, nicht dokumentierte Prozesse und Produkte, deren Beschreibung nicht aktualisiert wurde, zu identifizieren. Oftmals ist es gerade diese redaktionelle Arbeit, die kurzfristig den größten Nutzen aus der KI erschließt.
Der dritte Punkt besteht darin, die Berater auf die neuen Fälle vorzubereiten, die bei ihnen eingehen. Die Interaktionen sind nicht mehr dieselben wie vor der Einführung des Bots. Sie sind komplexer, emotionaler und anspruchsvoller. Die Schulung muss dem Rechnung tragen.
Der vierte Schritt besteht darin, den Anwendungsbereich des Bots anhand eines einfachen Rasters neu zu bewerten: In welchen Fällen liegt die Quote der selbstständigen Problemlösung über 70 %? Diese Fälle sollten beibehalten werden. In welchen Fällen liegt sie unter 50 %? Diese Fälle sollten aus dem Anwendungsbereich entfernt oder überarbeitet werden, bevor sie darin verbleiben.
Der fünfte Schritt besteht darin, eine formelle Steuerungsstruktur einzurichten: einen festgelegten Verantwortlichen, regelmäßige Überprüfungen und einen Prozess der kontinuierlichen Weiterentwicklung. KI ist kein Produkt, das man einfach installiert. Es handelt sich um ein lebendiges System, das ohne aktive Wartung an Leistungsfähigkeit verliert.
Wenn Sie mehr über das Leistungsmanagement in Contact Centern mit oder ohne KI erfahren möchten, lesen Sie unseren Leitfaden zu KPIs und SLAs in einem ausgelagerten Contact Center und entdecken Sie die Plattform SquAire Interaction, die darauf ausgelegt ist, menschliche Leistung und intelligente Automatisierung in einer datengesteuerten Architektur zu vereinen.
FAQ: ROI von KI im Kundenservice
Warum lässt sich der ROI von KI im Kundenservice nur schwer messen?
Denn die Kennzahlen, die zur Rechtfertigung des Projekts herangezogen wurden (Umleitungsrate, Kosten pro Interaktion), erfassen nicht alle Auswirkungen der Einführung. Ein umgeleiteter Kunde, der keine Antwort erhalten hat, verursacht unsichtbare Kosten: Rückruf, E-Mail oder stiller Kundenabwanderung. Ein solider ROI berücksichtigt sowohl die operative Effizienz als auch den Beziehungswert, gemessen anhand der Bot-CSAT, der Wiederholungsrate und der FCR.
Wie lange dauert es, bis sich eine KI-Implementierung im Kundenservice tatsächlich auszahlt?
Die ersten Erfolge sind bereits in den ersten Wochen sichtbar. Die nachhaltigen Erfolge, zu denen Kundenzufriedenheit und Kundenbindung gehören, festigen sich in der Regel innerhalb von 6 bis 12 Monaten, vorausgesetzt, dass die Steuerung von Beginn an aktiv ist. Projekte, bei denen diese Steuerung nicht bereits im ersten Monat eingeführt wird, stoßen nach 6 Monaten an ihre Grenzen.
Ist KI für alle Arten von Interaktionen im Kundenservice geeignet?
Nein, und das ist eine der beständigsten Erkenntnisse aus der Praxis. KI schafft Mehrwert bei einfachen, sich wiederholenden, gut dokumentierten und emotional wenig belastenden Fällen. Bei komplexen, emotionalen oder geschäftlich hochbrisanten Fällen bleibt der Mensch unersetzlich. Wie die Studie „CX Horizon 2030“ von Armatis feststellt, kann sich keiner der befragten CX-Manager einen zu 100 % automatisierten Service bis zum Jahr 2030 vorstellen.
Wie lässt sich verhindern, dass die Wissensdatenbank den ROI der KI beeinträchtigt?
Indem die Wissensdatenbank als lebendiges Gut behandelt wird und nicht als Projekt-Ergebnis. Dies setzt einen festgelegten Verantwortlichen, einen systematischen Aktualisierungsprozess bei jeder Produkt- oder Prozessänderung sowie regelmäßige Konsistenzprüfungen voraus. Unternehmen, die vor dem Einsatz von KI in diese redaktionelle Disziplin investiert haben, erzielen deutlich bessere Ergebnisse als solche, die dies erst danach getan haben.
Was ist der Unterschied zwischen einem erfolgreichen KI-Pilotprojekt und einer erfolgreichen KI-Einführung?
Das Pilotprojekt ist fast immer erfolgreich: Es wird unter günstigen Bedingungen durchgeführt – mit sauberen Daten, engagierten Teams und einer engen Begleitung. Die Einführung muss jedoch unter normalen Bedingungen gelingen: mit unvollständigen Daten, Teams unter Druck und einem größeren Anwendungsbereich. Erst diese Skalierung offenbart die wahren Erfolgsbedingungen. Laut Gartner werden 30 % der Projekte im Bereich der generativen KI nach dem POC aufgegeben, gerade weil diese Bedingungen nicht vorweggenommen wurden.
Quellen
- Gartner: 30 % der GenAI-Projekte werden nach dem POC eingestellt, Juli 2024
- Gartner: 40 % der Projekte im Bereich agentenbasierter KI werden bis 2027 eingestellt, Juni 2025
- MIT CISR: 95 % der GenAI-Pilotprojekte ohne messbare Auswirkungen auf die Gewinn- und Verlustrechnung, 2025
- Zendesk, CX-Trends, 2024
- McKinsey, „The State of AI“, 2025
- Armatis, CX Horizon 2030, qualitative Studie unter CX-Leitern großer französischer Marken, Januar 2026, via Relation Client Magazine
- Armatis, KI, Regulierung und Kundenbeziehungen, April 2025
- Armatis, Kontextbezogene Intelligenz, März 2026
- Armatis, Die 15 wichtigsten KPIs im Contact Center, 2026
