Deutsch

KI im CSM-Workflow: Was Zeit spart, ohne die Beziehung zu gefährden

Eine CSM, mit der ich letztes Jahr zusammengearbeitet habe, hielt ein QBR für ein strategisches Konto ab, das sie drei Monate lang zusammengehalten hatte. Der Kunde war nach einem misslungenen Verlängerungszyklus in ein Abwanderungsrisiko geraten, und sie hatte ein Quartal damit verbracht, das Vertrauen Gespräch für Gespräch wieder aufzubauen. Das QBR war der Moment, in dem sie es eigentlich festigen sollte.

Sie nutzte KI, um die Präsentation zu erstellen. Fünfundvierzig Minuten gespart. Die Folien sahen ordentlich aus. Der Erzählbogen war lehrbuchmäßig. Und etwa acht Minuten nach Beginn des Meetings schaute der VP des Kunden vom Bildschirm auf und sagte leise: „Das klingt nicht nach Ihnen. Und es klingt nicht so, als würde es uns kennen."

Drei Monate Vertrauen, zunichtegemacht durch eine einzige Folie.

Sie erzählte mir später, dass das Schlimmste nicht das Meeting war. Das Schlimmste war, dass sie in dem Moment, als sie die KI-Ausgabe in die Präsentation eingefügt hatte, wusste, dass etwas nicht stimmte. Die Rahmung war generisch. Die Empfehlungen waren die Art, die man über jeden SaaS-Kunden sagen würde. Aber sie war müde, und die Deadline war die Deadline, und sie hat es trotzdem verschickt.

Das ist die Geschichte, an die ich denke, wenn mich jemand fragt, wo KI in Customer Success passt. Nicht weil KI schlecht wäre. Sondern weil in CS die Beziehung das Produkt ist. Und in dem Moment, in dem ein Kunde vermutet, mit einer Vorlage zu sprechen, haben Sie etwas verloren, das sich weder mit einer Rückerstattung noch mit einem Feature reparieren lässt.

Warum KI in CS der risikoreichste KI-Anwendungsfall im Unternehmen ist

Sales kann sich von einer schlechten E-Mail erholen. Marketing kann sich durch A/B-Tests aus einer holprigen Betreffzeile herausarbeiten. Engineering kann einen Deploy zurückrollen. Der Schaden durch schlechten KI-Einsatz ist in diesen Bereichen real, aber begrenzt.

In CS hat der Kunde Sie engagiert, um ihn zu kennen. Er zahlt Ihnen, zum Teil, dafür, dass Sie ein Mensch sind, der sich an seine letzte Umstrukturierung erinnert, an das Geschäft, das fast die Q3-Verlängerung gekostet hat, und an die beiläufige Bemerkung seines CRO im Oktober, die jetzt seine Priorität Nummer eins ist. KI, die so tut, als würde sie ihn kennen, ist schlimmer als gar keine KI, weil sie eine Befürchtung bestätigt, die der Kunde bereits hatte: dass er eine Zeile im CRM ist, keine Beziehung.

Schlechter KI-Einsatz fällt in CS schneller auf als anderswo. Ein Sales-Prospect kennt Ihre normale Ausdrucksweise nicht. Ein Marketing-Leser hat keine Vergleichsbasis. Aber Ihr Kunde spricht seit neun Monaten mit Ihnen. Er kennt Ihre Formulierungen. Er weiß, was Sie nie sagen würden. Er merkt, wenn aus „lass uns das besprechen" plötzlich „ich würde mich gern zu nächsten Schritten abstimmen" wird. Er merkt, wenn die Präsentation elf Stichpunkte hat, wo Sie drei gehabt hätten.

Deshalb ist KI in CS keine Technologiefrage. Es ist eine Urteilsfrage: Wo befreit KI die Zeit, die Sie nicht beim Kunden verbringen, damit Sie mehr Zeit beim Kunden verbringen können?

Wo KI wirklich hilft

Das sind die vier Bereiche, in denen KI konsistent 5-8 Stunden pro Woche spart, ohne dass ein einziger Kunde es bemerkt, weil er es nie bemerken sollte.

Gesprächsvorbereitung. Ticket-Historie, Nutzungstrends, letzte QBR-Notizen und aktuelle Signale zur Produkt-Akzeptanz zu einer einseitigen Übersicht zusammenzufassen, ist der wertvollste KI-Anwendungsfall in CS. Früher hat mich das 30-45 Minuten pro wichtigem Gespräch gekostet. Mit einem guten Prompt sind es 5 Minuten plus 10 Minuten Überprüfung. Die Ausgabe verlässt nie mein Gerät, also ist das Tonrisiko gleich null. Und ich erscheine zum Gespräch schärfer, als ich es war, wenn ich es um 23 Uhr manuell erledigt hatte.

Ticket-Triage und Mustererkennung. KI ist wirklich gut darin, eingehende Tickets zu kategorisieren, Eskalationen frühzeitig zu markieren und Muster in Ihrem Kundenportfolio zu erkennen, die Sie manuell nie entdecken würden. „Drei Konten in derselben Branche haben diesen Monat alle Tickets zum gleichen Workflow eingereicht" ist die Art von Erkenntnis, die zu einer Rettung werden kann. Das würden Sie beim Durchscrollen von Zendesk nie sehen.

Aggregation von Abwanderungsrisiko-Signalen. Beachten Sie: Signal-Aggregation, kein Urteil. KI ist nützlich, um Nutzungseinbrüche, Support-Stimmung, Login-Frequenz und Wechsel in der Führungsebene zu einem Abwanderungs-Hypothese zusammenzufassen. Es ist aktiv gefährlich, wenn Sie die Ausgabe als Urteil behandeln. Mehr dazu im Abschnitt über Fallstricke.

Gesprächsnotizen und Extraktion von Aktionspunkten. Zeichnen Sie das Gespräch auf (mit Einwilligung), transkribieren Sie es, und lassen Sie die KI die Aktionspunkte und wichtigsten Zitate extrahieren. Sie überprüfen, Sie bearbeiten, Sie versenden. Der Kunde erhält sauberere Nachverfolgung, als Sie sie um 18 Uhr nach Ihrem siebten Gespräch schreiben würden. Hier habe ich den größten Hebel gefunden. Wie das in den breiteren CSM-Rhythmus passt, erfahren Sie in Ein Tag im Leben eines CSM.

Das Muster bei allen vier: KI erledigt die Arbeit, die vor oder nach der Kundeninteraktion stattfindet. Der Kunde sieht die KI nie. Er sieht einen CSM, der besser vorbereitet, reaktionsschneller und musterorientierter ist als zuvor.

Wo KI schadet (und warum so schnell)

Kundengerichtete Kommunikation ohne menschliche Überprüfung versenden. Ton ist ein Fingerabdruck. Das erste Mal, wenn ein Kunde eine KI-generierte E-Mail von Ihnen liest, die Sie sich nicht die Mühe gemacht haben umzuschreiben, merkt er es. Er kann es vielleicht nicht artikulieren. Aber die Beziehungstemperatur sinkt um einen halben Grad, und Sie bekommen ihn nicht zurück. Wenn Sie KI zum Entwerfen nutzen, müssen Sie umschreiben. Nicht redigieren. Umschreiben.

QBR-Inhalte generieren. Der Kunde merkt es. Er merkt es immer. Ein QBR ist der einzige Moment im Quartal, in dem der Kunde volle Aufmerksamkeit darauf richtet, ob Sie sein Geschäft wirklich verstehen. KI-generierte QBR-Folien greifen auf die generischste Version von „geliefertem Wert" zurück. Sie treffen die richtigen strukturellen Punkte, verpassen aber das eine spezifische Ding, das Ihrem Kunden wichtig ist, das normalerweise etwas ist, das nur Sie wissen würden. Wir haben einen vollständigen Beitrag über QBRs, auf die Kunden sich wirklich freuen. Keines dieser QBRs wurde KI-generiert.

Eskalationston, wenn der Kunde bereits verärgert ist. KI greift auf Unternehmens-Sicherheit zurück. Unternehmens-Sicherheit ist genau das, was ein verärgerter Kunde nicht will. Er will hören, dass Sie verstehen, dass er frustriert ist, dass Sie es nicht beschönigen werden, und dass ein Mensch am anderen Ende ist. KI-vermittelte Eskalation liest sich so, als würde das Unternehmen sich hinter Sprache verstecken. Das ist das schlimmstmögliche Signal im schlimmstmöglichen Moment.

Einen KI-Abwanderungs-Score als Urteil behandeln. Das ist der subtile Fall. Die KI sagt Ihnen, Konto 47 hat ein Abwanderungsrisiko von 78%. Sie geraten entweder in Panik und versuchen einen unbeholfenen Rettungsversuch, oder Sie ignorieren es, weil Sie zehn andere brennende Probleme haben. Beides ist falsch. Der Score ist eine Hypothese. Ihre Aufgabe ist es, sie zu testen: rufen Sie den Kunden an, stellen Sie die Frage, die Sie ohnehin stellen würden, und lassen Sie das, was er sagt, Ihr Modell aktualisieren. Die CSMs, die durch KI-Abwanderungs-Tools Schaden nehmen, sind diejenigen, die das Urteil an das Dashboard auslagern.

Sechs echte KI-Prompts: Gut vs. Schlecht

Das sind Prompts, die ich tatsächlich verwende, mit den schlechten Versionen, die ich zuerst ausprobiert habe. Die schlechten Versionen sind nicht schlecht, weil das Modell schlecht ist. Sie sind schlecht, weil sie das Modell bitten, den Teil der Arbeit zu erledigen, der meiner ist.

Prompt 1: Gesprächsvorbereitung

Schlechte Version:

„Fasse alles über [Kundenname] für mein Meeting morgen zusammen."

Das produziert einen Wikipedia-artigen Überblick. Nutzlos. Das Modell weiß nicht, was Sie wissen müssen.

Gute Version:

„Ich habe morgen ein 30-minütiges Check-in mit [Kundenname], einem mittelständischen Fertigungsunternehmen auf unserem Pro-Tier. Der CSM-Kontext: sie haben im Oktober verlängert nach einem schwierigen Q3, ihr Haupt-Fürsprecher ist der VP Operations, und ihre erklärte Priorität für 2026 ist die Reduzierung der Zeit bis zum Onboarding neuer Standorte. Unten ist die Ticket-Historie (letzte 90 Tage), der Nutzungstrend (letzte 6 Wochen) und Notizen aus unserem letzten QBR. Generieren Sie: (1) drei Dinge, zu denen ich sie beglückwünschen sollte, (2) zwei spezifische Risiken, die ich ansprechen sollte, (3) eine Frage, die aufdecken würde, ob die Initiative zur Reduzierung der Onboarding-Zeit noch im Plan ist. Halten Sie jeden Punkt unter 25 Wörtern. Schlagen Sie keine generischen 'Ziele überprüfen'-Punkte vor."

Der Unterschied: Der zweite Prompt gibt dem Modell Kontext, den nur Sie haben, und teilt ihm genau mit, welche Form der Ausgabe Sie benötigen. Es ist ein Briefing für einen Forschungsassistenten, kein Wunsch.

Prompt 2: Follow-up-E-Mail nach dem Gespräch

Schlechte Version:

„Schreibe eine Follow-up-E-Mail, die mein Gespräch mit [Kunde] zusammenfasst."

Sie erhalten etwas, das wie jede andere Follow-up-E-Mail klingt, die der Kunde in diesem Quartal erhalten hat. Er wird sie überfliegen, archivieren und vergessen.

Gute Version:

„Unten ist das Transkript meines 30-minütigen Gesprächs mit [Kontaktname]. Extrahieren Sie: (1) die drei Zusagen, die ich gemacht habe, mit Verantwortlichen und Terminen, (2) die zwei Zusagen, die sie gemacht haben, (3) den einen Kontext, den sie über ihre interne Situation geteilt haben, den ich für das nächste Mal behalten sollte. Entwerfen Sie dann eine 6-zeilige Follow-up-E-Mail IN MEINER STIMME (kurze Sätze, kein 'lass uns das besprechen', kein 'zu nächsten Schritten abstimmen', beginnt mit einer spezifischen Sache, die sie gesagt haben, die ich anerkennen möchte). Unterschreiben Sie mit 'Camellia.' Geben Sie die E-Mail und die Aktionspunkte als separate Abschnitte aus."

Diese sende ich tatsächlich (nach dem Umschreiben einer oder zwei Zeilen). Sie funktioniert, weil der Prompt meine Stimmungsvorgaben eincodiert und das Modell zwingt, auf etwas Spezifisches zu verweisen, das der Kunde gesagt hat.

Prompt 3: Untersuchung des Abwanderungsrisikos

Schlechte Version:

„Wird [Kunde] abwandern?"

Sie erhalten einen Konfidenz-Score und drei generische Gründe. Sie werden ihm entweder vertrauen (schlecht) oder ihn ignorieren (auch schlecht).

Gute Version:

„Unten sind 90 Tage Nutzungsdaten, Support-Tickets und Login-Aktivität für [Kunde]. Geben Sie mir keinen Abwanderungs-Score. Stattdessen: (1) listen Sie die drei Signale auf, die ich bei isolierter Betrachtung untersuchen möchte, (2) geben Sie mir für jedes Signal eine spezifische Frage, die ich dem Kunden stellen sollte und die mir sagen würde, ob das Signal real oder Rauschen ist, (3) markieren Sie jedes Signal, bei dem die Daten zu dünn sind, um eine Schlussfolgerung zu ziehen. Sagen Sie bei jedem 'wir wissen es nicht', wenn das der Fall ist."

Dieser Prompt tut das Gegenteil von dem, was die meisten KI-Tools tun möchten. Er weigert sich, ein Urteil zu fällen. Er behandelt die KI als Forschungsassistenten, der Hypothesen aufwirft, die ich testen soll, was die einzige Möglichkeit ist, Abwanderungs-KI zu nutzen, ohne Schaden zu nehmen.

Prompt 4: Interne Account-Zusammenfassung für einen funktionsübergreifenden Partner

Schlechte Version:

„Schreibe eine interne Zusammenfassung von [Kunde] für das Produkt-Team."

Sie erhalten etwas so Generisches, dass es für das Produkt-Team nutzlos ist. Es hat ohnehin Zugriff auf dieselben Dashboards.

Gute Version:

„Ich muss das Produkt-Team vor dem morgigen Roadmap-Gespräch über [Kunde] informieren. Sie möchten wissen: (1) was ist der spezifische Schmerzpunkt des Kunden mit unserem aktuellen Onboarding-Flow, mit Zitaten wenn möglich, (2) welchen Workaround haben sie gebaut und ist er nachhaltig, (3) wie würde 'gelöst' für sie in ihren eigenen Worten aussehen, nicht in unseren. Unten ist die Ticket-Historie und das Transkript des letzten Monats Discovery-Gesprächs. Ausgabe als drei Stichpunkte mit direkten Zitaten. Paraphrasieren Sie die Zitate nicht. Ich möchte, dass das Produkt-Team die tatsächlichen Worte des Kunden hört."

Der Trick besteht darin, die KI zu zwingen, die Sprache des Kunden zu bewahren. Produkt-Teams suchen nach Mustern. Sie brauchen die tatsächlichen Worte, nicht Ihre Interpretation.

Prompt 5: Entwurf einer schwierigen Kunden-E-Mail

Schlechte Version:

„Schreibe eine E-Mail an einen Kunden, der über [Problem] verärgert ist."

Die Ausgabe klingt wie ein Helpdesk-Skript. Der Kunde wird innerhalb des ersten Satzes wissen, dass es nicht von einer Person geschrieben wurde, die eine Beziehung zu ihm hat.

Gute Version:

„Ich möchte NICHT, dass Sie diese E-Mail schreiben. Stattdessen: (1) listen Sie drei Dinge auf, die ich in dieser E-Mail NICHT sagen sollte (Unternehmens-Sicherheits-Phrasen, die es schlimmer machen), (2) listen Sie drei Dinge auf, die ich spezifisch in Bezug auf die Situation dieses Kunden UNBEDINGT anerkennen muss (Kontext unten), (3) schlagen Sie einen strukturellen Bogen für die E-Mail vor: was kommt zuerst, was kommt als zweites, was kommt zuletzt. Ich werde die eigentlichen Sätze selbst schreiben."

Das ist mein Lieblings-Prompt. Er nutzt die KI, um mein Denken zu schärfen, ohne ihr zu erlauben, die Wörter zu schreiben. Bei einem verärgerten Kunden müssen die Wörter von mir kommen.

Prompt 6: QBR-Abschnitt erstellen (mit Vorsicht verwenden)

Schlechte Version:

„Schreibe eine QBR-Folie mit dem Titel 'Gelieferter Wert Q1' für [Kunde]."

Sie erhalten fünf generische Wert-Stichpunkte, die auf jeden SaaS-Kunden zutreffen könnten.

Gute Version (und selbst diese schreibe ich stark um):

„Unten ist das erklärte 2026-Ziel des Kunden (Reduzierung der Zeit bis zum Onboarding neuer Standorte um 40%), seine tatsächlichen Nutzungsdaten Q1 und die drei Projekte, an denen wir gemeinsam gearbeitet haben. Schreiben Sie keine Folie. Geben Sie mir stattdessen: (1) die eine Zahl aus den Daten, die ich als VP Operations wissen möchte, (2) das eine Projekt, bei dem das Ergebnis nicht dem ursprünglichen Ziel entspricht, und wie die ehrliche Rahmung ist, (3) eine Frage, die ich auf die Folie stellen sollte anstelle einer Antwort, um das Gespräch einzuladen, das ich wirklich führen möchte. Das QBR ist für mich zu schreiben. Sie helfen mir herauszufinden, worum es in der Folie gehen sollte."

Beachten Sie das Muster bei allen sechs. Die guten Prompts schränken den Umfang ein, codieren Kontext, den nur der CSM hat, und zwingen die KI, die Forschungsassistenten-Arbeit zu übernehmen, nicht die Beziehungsarbeit. Die schlechten Prompts bitten die KI, meinen Job zu erledigen.

Der Entscheidungsbaum „KI hier, nicht dort"

Bevor Sie KI auf eine Aufgabe anwenden, fragen Sie in dieser Reihenfolge:

  1. Wird der Kunde diese Ausgabe jemals direkt sehen, in irgendeiner Form? Wenn ja, kann KI entwerfen, aber Sie müssen umschreiben (nicht redigieren, umschreiben). Wenn nein, gehen Sie zu 2.

  2. Erfordert dies das Wissen über diesen spezifischen Kunden, das nicht in den Daten ist, die ich der KI gebe? Wenn ja (seine interne Politik, Ihr letztes Gespräch, seine Sensibilität gegenüber einem Thema), nutzen Sie keine KI. Wenn nein, gehen Sie zu 3.

  3. Nutze ich KI, um das Nachdenken zu überspringen, oder das Tippen? Wenn ich das Nachdenken überspringe, stopp. Wenn ich das Tippen überspringe, gehen Sie zu 4.

  4. Wenn diese Ausgabe als Screenshot dem Kunden gezeigt würde, wäre ich verlegen? Wenn ja, schreiben Sie sie um oder verwerfen Sie sie. Wenn nein, versenden Sie sie.

Das ist der gesamte Baum. Drucken Sie ihn aus. Stellen Sie ihn neben Ihren Monitor. Die Vier-Fragen-Version finden Sie im nächsten Abschnitt.

Die Vor-dem-Versand-Checkliste für alles Kundengerichtete

Bevor eine KI-unterstützte Ausgabe an einen Kunden geht, stellen Sie sich diese vier Fragen. Laut, wenn nötig.

  1. Klingt es wie ich? Nicht „ist es gut geschrieben". Klingt es wie die Art, wie ich tatsächlich mit diesem Kunden spreche?

  2. Kennt es den Kunden? Gibt es mindestens eine spezifische Sache darin, die beweist, dass ich (oder meine KI) seine Situation versteht, nicht nur SaaS-Kunden im Allgemeinen?

  3. Wäre ich verlegen, wenn er das als Screenshot an einen Kollegen weiterleitet? Das ist der Screenshot-Test. Wenn Ihre Antwort „vielleicht" ist, ist es ein Nein.

  4. Nutze ich KI, um das Nachdenken zu überspringen, oder das Tippen? Wenn ich das Nachdenken überspringe, werde ich die Beziehung irgendwann verlieren, auch wenn ich dieses Mal damit davonkomme.

Wenn eine Antwort falsch ist, ist die Ausgabe nicht bereit. Es spielt keine Rolle, wie spät es ist.

Häufige Fallstricke (Die, die ich gesehen habe)

Vollständige KI-Kunden-E-Mails versenden, weil „sie gut klingen." Sie klingen gut, bis sie es nicht mehr tun. Der Kunde ruft Sie normalerweise nicht zur Rede. Er reagiert einfach langsam nicht mehr so, wie er es früher getan hat. Bis Sie es bemerken, haben Sie Vertrauen verloren, das Sie sich nicht mehr zurückarbeiten können.

KI-generierte QBR-Präsentationen, die das eine Ding verpassen, das dem Kunden wichtig ist. Die KI weiß nicht, dass der Bonus des VP vom Onboarding-Metrik abhängt. Sie wissen es. KI baut die generischen 80% der Präsentation. Die 20%, die zählen, sind der Teil, den Sie von Hand einfügen müssen, und es ist fast immer der Teil, auf den das QBR ausgerichtet ist.

Den KI-Abwanderungs-Score als Wahrheit behandeln. Entweder Sie geraten in Panik und überreagieren (der Kunde fühlt sich gemanagt, nicht als Partner), oder Sie ignorieren ihn, weil Sie zu viele falsche Positive gesehen haben (und eines davon war das wichtige). Behandeln Sie ihn als Hypothese, die Sie in Ihrem nächsten Gespräch testen. Nichts mehr.

Das Beziehungsurteil an das Dashboard auslagern. Das ist der Meta-Fallstrick. Der CSM-Job besteht nicht darin, KI-Ausgaben zu managen. Es ist darum, der Mensch in der Schleife zu sein, den der Kunde engagiert hat. In dem Moment, in dem Sie das vergessen, beginnt die KI, die Beziehung zu führen, und der Kunde kann es spüren.

Für mehr über die breitere Falle, Tools Ihren Tag führen zu lassen, siehe Aus der CSM-Feuerlöschfalle entkommen.

Messen, ob KI hilft oder schadet

Drei Zahlen. Monatlich verfolgen.

Gesparte Verwaltungszeit pro Woche. Ziel: 5-8 Stunden zurück. Wenn Sie nicht mindestens fünf Stunden zurückbekommen, sind Ihre Prompts nicht präzise genug. Prüfen Sie sie.

QBR-Vorbereitungszeit. Ziel: 50% Reduzierung von Ihrer Baseline vor KI. Wenn Sie früher 4 Stunden pro QBR verbracht haben und jetzt 2, funktioniert das. Wenn Sie noch bei 3,5 Stunden sind, nutzen Sie KI, um sich selbst zu zweifeln, anstatt zu entwerfen.

CSAT oder NPS für CSM-Kommunikation, stabil oder verbessernd während die KI-Nutzung steigt. Das ist der Kanarienvogel. Wenn Ihre Zeit-gespart-Metriken steigen und Ihre Kundenzufriedenheits-Metriken sinken, nutzen Sie KI an den falschen Stellen. Stopp. Überprüfen Sie, welche Interaktionen KI-unterstützt sind. Verschieben Sie KI hinter die Kulissen und aus dem Blickfeld des Kunden.

Die zu vermeidende Falle: für gesparte Zeit optimieren, ohne CSAT zu beobachten. Sie werden sich produktiv fühlen, bis zur Verlängerungssaison, wenn Sie herausfinden, dass Sie es nicht waren.

Wie Rework in den KI-unterstützten CSM-Workflow passt

Das Ding, das KI in CS nützlich macht, ist nicht die KI selbst. Es ist, wie sauber die Eingaben fließen. Die meisten CSMs verlieren Stunden nicht durch Schreiben, sondern durch Zusammenstellen: Ticket-Historie aus einem Tool ziehen, Nutzungsdaten aus einem anderen, letzte QBR-Notizen aus einem Google-Dokument, und das Verlängerungsdatum aus einem CRM, das niemand aktualisiert. Wenn Sie die Eingaben gesammelt haben, haben Sie bereits die Zeit verbracht, die die KI Ihnen sparen sollte.

Rework Work Ops gibt Ihnen eine Oberfläche, auf der Account-Notizen, Aktionspunkte und Kundenzusagen neben den Ticket- und Nutzungsdaten leben. Das bedeutet, Ihr Gesprächsvorbereitungs-Prompt hat etwas, worauf er verweisen kann: eine URL, ein Kunden-Datensatz, der gesamte Kontext, anstatt einer Copy-Paste-Schnitzeljagd über fünf Tabs. Für umsatzseitige CSMs behält Rework CRM die Verlängerungs-Pipeline, den Health Score und die Führungskontakte am selben Ort, wo Ihre Account-Notizen leben, damit die Prompts, die Sie schreiben, tatsächlich etwas zu bearbeiten haben. Work Ops beginnt bei 6 $/Benutzer/Monat, CRM bei 12 $/Benutzer/Monat. Für einen breiteren Überblick, wo das im CSM-Tech-Stack liegt, siehe die CSM-Tools und der Tech-Stack.

Der eine Satz zum Merken

Nutzen Sie KI, um die Zeit freizusetzen, die Sie nicht beim Kunden verbringen, damit Sie mehr Zeit beim Kunden verbringen können. Nicht um die kundengerichtete Arbeit zu ersetzen. Die Beziehung ist das Produkt. In dem Moment, in dem KI dafür eintritt, haben Sie das automatisiert, wofür Sie engagiert wurden, und der Kunde hat es bemerkt, bevor Sie es getan haben.

Mehr erfahren