AI im Kundenservice: So funktioniert sie, Anwendungsfälle und Grenzen

Von Linh Ngo · Aktualisiert am 11. Oktober 2026

AI im Kundenservice bedeutet, Machine Learning und Sprachmodelle einzusetzen, um Kunden direkt zu antworten, menschlichen Mitarbeitenden schnellere Antworten zu ermöglichen, Gespräche auf Qualität zu prüfen und Ticketdaten in Erkenntnisse zu verwandeln, während Menschen die Verantwortung für Ausnahmen, Ermessensentscheidungen und alles behalten, was sich nicht rückgängig machen lässt. Es ist nicht ein einzelner Chatbot. Es sind vier Aufgaben, die auf dem Helpdesk, der Wissensdatenbank und der Telefonanlage aufsetzen, die Sie bereits betreiben.

Dieser Leitfaden richtet sich an Support-Leiter, CX-Directors und Support-Manager. Er definiert das Feld, geht die wichtigsten Anwendungsfälle mit Beispielen durch, zeigt, was die Evidenz sagt, und ist offen bei den Grenzen. Die vertiefenden Beiträge sind unterwegs verlinkt: wie AI über alle Support-Kanäle funktioniert, wann Sie automatisieren und wann unterstützen, Support-Daten für AI vorbereiten, wie AI die Rollen im Support-Team verändert und was Kunden von AI-Service erwarten.

Wichtige Fakten

• In einer Feldstudie mit 5.179 Kundensupport-Mitarbeitenden steigerte der Zugang zu einem generativen AI-Assistenten die gelösten Fälle pro Stunde im Durchschnitt um etwa 14%, bei Berufseinsteigern und gering qualifizierten Beschäftigten um etwa 34% (NBER Working Paper 31161).
• Der Salesforce-Bericht State of Service 2025 (6.500 Service-Fachleute, Befragung vom 25. April bis 6. Juni 2025) ergab, dass Teams schätzen, AI bearbeite heute 30% der Fälle, und bis 2027 50% erwarten (Salesforce).
• In demselben Bericht verbringen Mitarbeitende, die AI nutzen, 20% weniger Zeit mit Routinefällen, etwa vier Stunden pro Woche, und 51% der Service-Verantwortlichen sagen, Sicherheitsbedenken hätten ihre AI-Initiativen verzögert oder eingeschränkt (Salesforce).
• Die Umfrage des Qualtrics XM Institute unter mehr als 20.000 Verbrauchern in 14 Ländern ergab, dass fast jeder fünfte, der AI im Kundenservice nutzte, keinen Nutzen sah, fast viermal so oft wie bei AI-Nutzung im Allgemeinen, und dass 50% befürchten, AI werde sie daran hindern, einen Menschen zu erreichen (Qualtrics).
• Das CFPB stellte fest, dass jede der 10 größten US-Geschäftsbanken Chatbots eingeführt hatte, und warnte vor falschen Antworten und „Doom Loops“ (Endlosschleifen ohne Ausweg) ohne Weg zu einer Person (CFPB).

Was AI im Kundenservice tatsächlich leistet

Unter der Anbietersprache tut AI immer dieselben wenigen Dinge mit demselben Rohmaterial: Tickets, Chats, E-Mails, Anrufaufzeichnungen und Hilfeartikel. Sie liest und transkribiert (aus einer Sprachnachricht wird Text), klassifiziert (das ist eine Abrechnungsbeschwerde, sie ist verärgert, sie ist dringend), ruft ab (den passenden Hilfeartikel oder die Richtlinie), entwirft (eine Antwort, eine Zusammenfassung eines langen Threads) und, im riskantesten Schritt, handelt (veranlasst eine Rückerstattung, ändert einen Tarif, schließt ein Ticket).

Die ersten vier dieser Schritte erzeugen überwiegend Informationen oder Entwürfe. Handeln verändert etwas in der realen Welt, und dort beginnen die meisten Support-Vorfälle: die falsche Rückerstattung, das falsche Konto, die selbstsichere Antwort, die falsch war. Die Grenze zwischen Entwerfen und Handeln ist die nützlichste Designentscheidung, die Sie treffen werden, und die Frage „automatisieren oder unterstützen“ verdient eine eigene Behandlung.

Drei Bausteine tauchen immer wieder auf:

• Auf Retrieval gestützte Antworten. Der Assistent schlägt zuerst Ihre freigegebenen Inhalte nach und antwortet daraus. Das ist Retrieval-Augmented Generation, und es verhindert, dass ein Bot Ihre Rückgaberichtlinie erfindet.
• Scoring und Routing. Modelle sagen Intent, Dringlichkeit, Sentiment oder Churn-Risiko voraus und leiten das Ticket dann in die richtige Warteschlange oder an die richtige Person.
• Workflow-Copilots. Ein Entwurfsassistent sitzt neben den Mitarbeitenden, schlägt Antworten und Zusammenfassungen vor, und die Mitarbeitenden entscheiden, was rausgeht.

Es hilft auch, dies von älterer Automatisierung abzugrenzen. Ein Entscheidungsbaum-Bot mit fünf Schaltflächen ist Regelwerk, kein Lernen. Er ist berechenbar und für enge Abläufe weiterhin nützlich. Die neueren Tools verarbeiten Freitextfragen, was zugleich ihre Stärke und die Quelle ihrer neuen Fehlerarten ist.

Die vier wichtigsten Anwendungsfälle

Die meisten Einführungen fallen in eine von vier Aufgaben. Die Tabelle zeigt, was jede tut, wer zuerst profitiert und was das Hauptrisiko ist.

Self-Service

Das ist der Anwendungsfall, den die meisten zuerst vor Augen haben: ein Chat-Widget oder eine Sprachleitung, die die Frage ohne einen Menschen löst. Er funktioniert am besten bei Fragen mit einer klaren, dokumentierten Antwort, die kein Urteil über das Konto erfordern, etwa Bestellstatus, Passwort-Rücksetzungen, Tarifmerkmale oder Öffnungszeiten. Gut gemacht, erhält ein Kunde um 2 Uhr nachts sofort eine Antwort, und Ihr Team sieht das Ticket nie. Schlecht gemacht, dreht der Kunde Runden. Der CFPB-Bericht zu Bank-Chatbots beschreibt genau das: Kunden, die in sich wiederholenden Antworten festhängen, wobei eine zitierte Umfrage ergab, dass 78% der Verbraucher, die einen Chatbot genutzt hatten, danach dennoch einen Menschen erreichen mussten (CFPB). Die Lösung ist ein sichtbarer, schneller Weg zu einer Person. Die vollständige Liste der Support-Agententypen finden Sie in AI Agents für den Kundensupport, statt sie hier nachzubauen. Für Self-Service im Detail siehe AI-Suche für Hilfecenter, AI für E-Mail-Support, mehrsprachigen Support, proaktive Ansprache und den B2B-Fall.

Agent Assist

Hier spricht der Kunde weiterhin mit einem Menschen. Die AI arbeitet hinter den Mitarbeitenden: Sie liest das Ticket, holt die passende Richtlinie, entwirft eine Antwort und schreibt die Fallzusammenfassung. Ein Support-Mitarbeitender, der einen Abrechnungsstreit bearbeitet, erhält eine vorgeschlagene Antwort mit angehängter Rückerstattungsrichtlinie, ändert zwei Sätze und sendet sie.

Das ist der am besten belegte Anwendungsfall. In der NBER-Feldstudie mit 5.179 Mitarbeitenden steigerte der Assistent die Lösungen pro Stunde im Durchschnitt um etwa 14%, doch die Zuwächse waren ungleich verteilt: etwa 34% bei Berufseinsteigern und gering qualifizierten Beschäftigten und kaum etwas bei erfahrenen (NBER Working Paper 31161). Die Autoren berichten außerdem von besserem Kunden-Sentiment und besserer Mitarbeiterbindung und vermuten, dass das Tool die Gewohnheiten stärkerer Mitarbeitender auf neuere überträgt. Die praktische Lehre für Manager: Agent Assist ist ebenso ein Trainings- und Einarbeitungswerkzeug wie ein Tempowerkzeug. Der Leitfaden zu AI Agent Assist behandelt Antwortvorschläge, das Einblenden von Wissen und den Rollout, und AI-Ticket-Zusammenfassungen zeigt, was eine gute Fallzusammenfassung erfassen sollte.

Qualitätssicherung

Manuelle QA heißt meist, dass ein Prüfer pro Mitarbeitendem und Monat eine Handvoll Tickets bewertet. AI kann jedes Gespräch anhand Ihres Bewertungsrasters bewerten: Hat der Mitarbeitende die Identität geprüft, die Rückerstattungsrichtlinie befolgt, den Kreis geschlossen? Das macht aus QA mit Stichproben QA mit Abdeckung. Das Risiko ist ein Raster, das das Falsche belohnt. Prüfen Sie daher die Bewertungen der AI an einer Stichprobe gegen menschliche Prüfer, bevor Sie jemanden anhand davon coachen. Führen Sie dieselbe Stichprobenprüfung bei jedem Bot durch, den Sie überwachen. Siehe AI-Qualitätssicherung im Support zur Kalibrierung und AI-Coaching für Support-Mitarbeitende, um Bewertungen in Feedback zu überführen.

Insights

Jedes Ticket ist ein Datenpunkt über Ihr Produkt. AI kann 5.000 Freitext-Beschwerden zu einem Dutzend Themen gruppieren, einen plötzlichen Anstieg bei einem Kontaktgrund markieren und zeigen, welche Probleme Kündigungen vorausgehen. Ein Support-Director, der mit „Login-Fehler beim neuen Release sind diese Woche stark gestiegen, hier sind 40 Beispiele“ ins Produktmeeting geht, erreicht Handeln, das ein Monatsbericht nie bewirken würde. Dieser Anwendungsfall hängt am stärksten von aufgeräumten Ticketdaten ab, weshalb die Datenaufbereitung vor jedem Tool kommt.

Praxisbeispiele nach Funktion

Dieselben vier Aufgaben sehen je nach Nutzer anders aus.

Tier 1 an vorderster Front. Ein Telekom-Support-Team setzt im Hilfecenter einen Assistenten ein, der Fragen zu Tarif und Abrechnungsdatum aus freigegebenen Artikeln beantwortet, mit Transkript übergibt, wenn er unsicher ist, und das Konto selbst nie anfasst. Die Mitarbeitenden erhalten die Konversation bereits zusammengefasst, sodass niemand den Kunden bitten muss, sich zu wiederholen.

Tier 2 und technischer Support. Ein Engineer öffnet ein Ticket mit 40 Nachrichten. Der Assistent erstellt eine Zusammenfassung in drei Zeilen, listet die bereits versuchten Schritte auf und schlägt zwei ähnliche gelöste Fälle vor. Das Problem diagnostiziert weiterhin der Engineer. Die gesparte Zeit ist Lese-, nicht Denkzeit.

Support Operations. Eine Leitung von Support Operations nutzt Klassifizierung, um Tickets nach Intent und Dringlichkeit zu leiten, sodass eine Nachricht „Mein Konto wurde doppelt belastet“ vor einer Funktionsfrage in der Abrechnungs-Warteschlange landet. Das ist das Muster aus Scoring und Routing, und es nimmt still viel manuelle Triage ab. Erkennung von Kundenabsichten erklärt, wie Sie die Taxonomie dahinter aufbauen, und dieselben Intent-Daten speisen die Prognose des Support-Volumens.

QA und Coaching. Ein QA-Manager prüft jedes Anrufprotokoll auf Richtlinienverstöße statt zehn pro Mitarbeitendem. Die Coaching-Zeit verlagert sich vom Finden von Problemen zu ihrer Behebung.

CX und Produkt. Ein CX-Director fragt die Ticketdaten, warum die Kontakte im letzten Monat gestiegen sind, und erhält Themen mit angehängten Beispieltickets statt eines Diagramms mit Tag-Zählungen.

Adoption: Was die Evidenz zeigt

Gehen Sie mit Adoptionszahlen vorsichtig um, denn die im Umlauf befindlichen sind meist Schätzungen und Umfragen unter unterschiedlichen Gruppen. Das ist einigermaßen belastbar.

Der Bericht State of Service 2025 von Salesforce (die siebte Ausgabe) beziffert den aktuellen Anteil der AI an den Fällen aus Sicht der Service-Teams auf etwa 30%, steigend auf 50% bis 2027 (Salesforce). Das ist eine Herstellerumfrage unter 6.500 Service-Fachleuten, und die Zahl für 2027 ist eine Prognose, keine Messung. Salesforce selbst merkt an, dass der Optimismus der Nutzer agentischer AI teilweise Selektionsverzerrung widerspiegeln könnte, da frühe Anwender tendenziell zukunftsorientierter sind. Lesen Sie es als Richtung, nicht als Benchmark.

Auf der Kundenseite ist das Bild weniger rosig. Die Umfrage des Qualtrics XM Institute unter mehr als 20.000 Verbrauchern in 14 Ländern, durchgeführt im dritten Quartal 2025, ergab, dass fast jeder fünfte Verbraucher, der AI im Kundenservice genutzt hatte, keinen Nutzen sah, fast viermal so oft wie bei AI-Nutzung im Allgemeinen (Qualtrics). Die Hälfte der Verbraucher befürchtet zudem, AI werde sie daran hindern, eine Person zu erreichen. Zusammen ergibt das die eigentliche Geschichte: Unternehmen bewegen sich schnell, und Kunden sind noch nicht überzeugt. In dieser Lücke verdienen Support-Leiter ihr Geld.

So führen Sie AI im Kundenservice ein, Schritt für Schritt

1. Gehen Sie von Ihren Kontaktgründen aus, nicht vom Tool. Ziehen Sie die 20 häufigsten Gründe heran, aus denen Kunden Sie kontaktieren, und markieren Sie, welche wiederkehrend, dokumentiert und risikoarm sind. Das sind die Kandidaten. Alles mit Geld, Sicherheit oder rechtlichem Risiko wartet.
2. Wählen Sie eine Aufgabe. Agent Assist ist meist der sicherste erste Schritt, weil ein Mensch jede Ausgabe prüft. Self-Service zu einem engen Thema ist der nächste.
3. Bringen Sie Inhalte und Daten in Ordnung. Der Assistent ist nur so gut wie Ihre Hilfeartikel, Makros und Ticket-Tags. Veraltete Artikel erzeugen schnell veraltete Antworten.
4. Legen Sie die Übergabe schriftlich fest. Definieren Sie, wann die AI aufhören und an eine Person übergeben muss: niedrige Konfidenz, ein verärgerter Kunde, eine Rückerstattung über einem festgelegten Betrag, ein reguliertes Thema. Bauen Sie es als echtes Human-in-the-Loop-Design, bei dem das Transkript mit dem Kunden mitwandert.
5. Sagen Sie Kunden, wenn sie mit einer AI sprechen. In manchen Ländern wird das zur rechtlichen Pflicht, nicht nur zur guten Sitte. Prüfen Sie die Regeln dort, wo Sie tätig sind.
6. Pilotieren Sie mit einer Baseline. Messen Sie Erstlösungsquote, Bearbeitungszeit, Quote wieder geöffneter Tickets, CSAT und Eskalationsquote, bevor Sie etwas einschalten, und vergleichen Sie danach mindestens einen Monat lang.
7. Prüfen Sie Gespräche wöchentlich. Lesen Sie reale Transkripte, besonders die gescheiterten. Schließen Sie die Inhaltslücke, nicht nur den Prompt.
8. Passen Sie Rollen und Coaching an. Aus Mitarbeitenden werden Prüfer und Bearbeiter von Ausnahmen.
9. Erweitern Sie eine Aufgabe nach der anderen. Fügen Sie einen Kanal oder ein Thema erst hinzu, wenn die Zahlen des letzten stabil sind.

Fallstricke, die Sie vermeiden sollten

Automatisieren, um Kosten zu senken, statt das Problem zu lösen. Kunden merken, wenn ein Bot nur existiert, um sie von Ihrem Team fernzuhalten. Messen Sie Lösung, nicht Deflection.

Den Menschen verstecken. Wenn der Weg zu einer Person fünf Menüs tief vergraben ist, haben Sie die Endlosschleife ohne Ausweg gebaut, vor der das CFPB gewarnt hat. Machen Sie den Ausgang offensichtlich.

Schlechte Inhalte einspeisen. Doppelte Artikel, veraltete Richtlinien und widersprüchliche Makros werden alle zu selbstsicheren falschen Antworten.

Guardrails überspringen. Ohne Guardrails dafür, was der Assistent sagen und tun darf, kann ein merkwürdiger Prompt ein Versprechen erzeugen, das Sie nicht halten können.

Deflection als Erfolg werten. Ein Kunde, der aufgibt, ist kein gelöster Kunde. Verfolgen Sie, ob er über einen anderen Kanal zurückkam.

Sicherheit ignorieren. In der Salesforce-Umfrage sagten 51% der Service-Verantwortlichen, Sicherheitsbedenken hätten ihre AI-Initiativen verzögert oder eingeschränkt (Salesforce). Kundendaten in einem Prompt sind Kundendaten, die Ihren Perimeter verlassen.

Die Grenzen von AI im Kundenservice

Genauigkeit. Sprachmodelle können flüssig Falsches behaupten, und das CFPB hält fest, dass solche Tools oft falsche Ausgaben erzeugen, die manche Nutzer nicht erkennen können (CFPB). Antworten auf freigegebene Inhalte zu stützen verringert das Problem, beseitigt es aber nicht.

Urteilsvermögen und Empathie. Ein trauernder Kunde, der das Konto eines verstorbenen Angehörigen schließt, oder eine Kleinunternehmerin, deren Gehaltsabrechnung gerade gescheitert ist, braucht einen Menschen. AI kann erkennen, dass eine Nachricht verzweifelt klingt. Sie kann nicht dafür einstehen, wie die Situation behandelt wird.

Neuartige und unübersichtliche Probleme. AI ist bei häufigen, dokumentierten Problemen am stärksten. Der seltsame Grenzfall, die Richtlinienausnahme, der Ausfall, den niemand dokumentiert hat: Das geht weiterhin an Menschen.

Ungleicher Nutzen. Die NBER-Studie fand große Zuwächse für Berufseinsteiger und kaum welche für Experten (NBER Working Paper 31161). Versprechen Sie keinen pauschalen Prozentsatz für Ihr ganzes Team.

Was Sie messen sollten

Verfolgen Sie Tempo und Qualität gemeinsam. Eine schnellere Warteschlange bei schlechterer Erfahrung ist kein Fortschritt.

• Lösung: Erstlösungsquote, Quote wieder geöffneter Tickets, Anteil der Konversationen, die ohne Mensch gelöst wurden und nicht innerhalb von sieben Tagen wiederkehren (siehe wie Sie die AI-Lösungsquote definieren).
• Effizienz: durchschnittliche Bearbeitungszeit, Zeit bis zur ersten Antwort, Kosten pro gelöstem Kontakt.
• Erlebnis: CSAT bei von AI bearbeiteten im Vergleich zu von Menschen bearbeiteten Kontakten, getrennt ausgewiesen.
• Kontrolle: Eskalationsquote, Anteil der von Mitarbeitenden korrigierten AI-Antworten, in der QA gefundene Richtlinienverstöße.
• Menschen: Einarbeitungszeit, Fluktuation, Zufriedenheit der Mitarbeitenden mit den Tools.

Wie es weitergeht

Wenn Sie in diesem Quartal nur eines tun, wählen Sie den einen wiederkehrenden, gut dokumentierten Kontaktgrund, setzen Sie dafür einen Assistenten vor Ihre Mitarbeitenden und vergleichen Sie mit einer Baseline. Lesen Sie dann die oben verlinkten Leitfäden zu Kanälen und zu „automatisieren oder unterstützen“, bevor Sie irgendetwas allein mit Kunden sprechen lassen.