Automatisieren oder unterstützen? Welche Support-Aufgaben die AI übernehmen sollte

Von Linh Ngo · Aktualisiert am 11. Oktober 2026

Zwischen Automatisieren und Unterstützen zu entscheiden bedeutet, jede Art von Kundenkontakt anhand von zwei Prüffragen einzuordnen, Komplexität und Risiko, und der AI dann eine von drei Rollen zu geben: den Kontakt allein lösen (automatisieren), im Hintergrund entwerfen und vorschlagen, während ein Mensch entscheidet (unterstützen), oder sich heraushalten (Mensch). Kontakte mit geringer Komplexität und geringem Risiko, etwa Bestellstatus oder Passwort-Rücksetzungen, sind Kandidaten für die Automatisierung. Unübersichtliche oder urteilsintensive Kontakte, bei denen ein Fehler günstig zu beheben ist, sind Kandidaten für die Unterstützung. Alles, wo eine falsche Antwort rechtlichen, finanziellen oder sicherheitsrelevanten Schaden verursacht, bleibt bei einer geschulten Person, und die AI beschränkt sich auf die Vorbereitung.

Dieser Leitfaden richtet sich an Support-Verantwortliche, CX-Directors und Support-Manager, die bereits gehört haben, dass „AI den Support übernehmen kann“, und nun Queue für Queue entscheiden müssen, was das bedeutet. Den größeren Zusammenhang finden Sie im Beitrag AI im Kundenservice. Dieser Leitfaden konzentriert sich auf eine einzige Frage: Wer verantwortet die Arbeit?

Wichtige Fakten

• In einer Studie mit 5.179 Kundensupport-Mitarbeitenden, die einen generativen AI-Assistenten nutzten, stieg die Produktivität, gemessen an den pro Stunde gelösten Fällen, im Durchschnitt um 14% und bei Berufseinsteigern und gering qualifizierten Beschäftigten um 34%, bei erfahrenen Beschäftigten war der Effekt minimal (Brynjolfsson, Li und Raymond, NBER).
• Klarna meldete am 27. Februar 2024, dass sein AI-Assistent im ersten Monat 2,3 Millionen Konversationen bearbeitet hatte, zwei Drittel der Chats im Kundenservice, bei einer Lösungszeit von unter 2 Minuten statt zuvor 11 Minuten und 25% weniger wiederholten Anfragen (Pressemitteilung von Klarna).
• Im Mai 2025 sagte der CEO von Klarna, der Drang zur Automatisierung sei zu weit gegangen und habe die Qualität beeinträchtigt, und das Unternehmen begann wieder, menschliche Mitarbeitende einzustellen (Maginative, mit Bezug auf ein Interview bei Bloomberg).
• In Moffatt v. Air Canada (2024 BCCRT 149) stellte ein Tribunal die Haftung der Fluggesellschaft wegen fahrlässiger Falschdarstellung fest, nachdem deren Chatbot falsche Auskünfte zu Trauerfall-Tarifen gegeben hatte, und sprach 650,88 $ Schadensersatz zu (Zusammenfassung von EH Law).
• Das US Consumer Financial Protection Bureau stellte fest, dass jede der 10 größten Geschäftsbanken Chatbots im Kundenservice einsetzt, und warnte vor falschen Antworten und einer „Endlosschleife ohne Ausweg“, bei der es keinen Weg zu einem Menschen gibt (CFPB).

Warum „alles automatisieren“ und „nur unterstützen“ beide falsch sind

Teams starten meist bei einem Tool, nicht bei einer Entscheidung. Ein Anbieter bietet einen Bot an, der Tickets abfängt, oder ein Copilot, der Antworten entwirft, und die Frage lautet dann: „Wo schalten wir das ein?“ Das ist die falsche Reihenfolge. Dieselbe AI-Fähigkeit kann für eine Kontaktart die richtige Antwort sein und für eine andere ein Haftungsrisiko.

Klarna ist das deutlichste öffentliche Beispiel für beide Extreme. Die eigene Ankündigung beschrieb ein schnelles Ergebnis bei hohem Volumen: zwei Drittel der Chats, schnellere Lösung, weniger wiederholte Kontakte. Gut ein Jahr später sagte der CEO gegenüber Bloomberg, die Kosten seien zu dominant geworden und die Qualität habe gelitten, und Kunden sollten immer die Möglichkeit haben, einen Menschen zu erreichen, wenn sie das wünschen (Maginative). Die Lehre ist nicht, dass Automatisierung scheitert. Sie lautet, dass eine pauschale Regel für alle Kontaktarten irgendwann Kontakte trifft, bei denen sie nie hätte gelten sollen.

Der umgekehrte Fehler ist genauso teuer. Wenn jeder Kontakt an einen Mitarbeitenden mit Copilot geht, zahlen Sie menschliche Bearbeitungszeit für Passwort-Rücksetzungen, die ein Bot in Sekunden erledigen könnte. Nur zu unterstützen schützt die Qualität, verschenkt aber den größten Teil des Kapazitätsgewinns.

Die drei Rollen der AI

Automatisieren. Die AI löst den Kontakt von Anfang bis Ende, einschließlich jeder Aktion, ohne dass ein Mensch eingebunden ist. Das ist die Einstellung mit dem höchsten Risiko, denn das System verändert etwas in der realen Welt. Üblicherweise kombiniert sie einen fundierten Antwortassistenten mit einem autonomen Agent, der Aktionen ausführen kann.

Unterstützen. Die AI bereitet vor, ein Mensch entscheidet. Sie ruft die relevante Richtlinie ab, fasst den Verlauf zusammen, entwirft eine Antwort, schlägt den nächsten Schritt vor und füllt das Formular aus. Die Mitarbeitenden bearbeiten, genehmigen und senden. Die AI hört beim Entwurf auf und handelt nie selbstständig. Die Belege für die Unterstützung sind stark: In der oben genannten NBER-Studie gingen die größten Gewinne an die am wenigsten erfahrenen Mitarbeitenden, weil das Tool sichtbar machte, was die besten Mitarbeitenden bereits wussten (NBER).

Mensch. Eine geschulte Person verantwortet den Kontakt. Die AI kann im Hintergrund trotzdem mitarbeiten, indem sie den Kontakt an die richtige Person routet, Dringlichkeit markiert und den Verlauf zusammenfasst, formuliert aber weder die Worte für den Kunden noch entscheidet sie über das Ergebnis.

Das Routing verdient besondere Erwähnung. Klassifizierung und Priorisierung stehen vor jeder Entscheidung in diesem Leitfaden, denn Sie können einen Kontakt erst der richtigen Rolle zuweisen, wenn etwas erkennt, um welche Art von Kontakt es sich handelt. Siehe den AI-Support-Triage-Agent.

Die zwei Prüffragen: Komplexität und Risiko

Jede Kontaktart wird anhand von zwei Fragen bewertet.

Komplexität: Wie viel Urteilsvermögen braucht eine korrekte Lösung?

• Niedrig: eine eindeutige Antwort aus einer stabilen Quelle. „Wo ist meine Bestellung?“ „Wie setze ich mein Passwort zurück?“
• Mittel: Die Antwort existiert, hängt aber vom Kontext ab. Welcher Tarif, welche Region, welche Ausnahme gilt. Es muss das richtige Dokument abgerufen und das Kundenkonto gelesen werden.
• Hoch: keine einzige richtige Antwort. Die Mitarbeitenden wägen Zielkonflikte ab, legen mehrdeutige Richtlinien aus oder gehen mit Emotionen um. Eine Kündigungsandrohung eines Schlüsselkunden, eine Beschwerde mit mehreren Ursachen.

Risiko: Was kostet eine falsche oder taktlose Antwort, und lässt sie sich rückgängig machen?

• Niedrig: Ein Fehler ist günstig und behebbar. Ein falscher Link zu einem Hilfeartikel wird in der nächsten Nachricht korrigiert.
• Mittel: Ein Fehler kostet Geld oder Vertrauen, ist aber behebbar. Eine falsche Lieferzeitschätzung, ein verpasster Rabatt.
• Hoch: Ein Fehler verursacht rechtlichen, finanziellen, sicherheitsrelevanten oder regulatorischen Schaden oder lässt sich nicht rückgängig machen. Rückerstattungen über einem Limit, medizinische oder sicherheitsrelevante Informationen, Kontoschließungen, Streitfallbearbeitung, alles, was schutzbedürftige Kunden betrifft.

Das Risiko ist die entscheidende Prüffrage. Moffatt v. Air Canada zeigt, warum. Die Antwort des Chatbots klang gewöhnlich, ein Kunde verließ sich darauf, und das Tribunal machte die Fluggesellschaft für das verantwortlich, was ihr eigener Chatbot gesagt hatte (EH Law). Der zugesprochene Betrag war klein. Das Prinzip ist es nicht: Das Tribunal behandelte die Antwort des Chatbots als eigene Erklärung der Fluggesellschaft. Das ist die Frage, wie viel Halluzination Ihr Anwendungsfall verträgt.

Die Entscheidungsmatrix

Nutzen Sie diese Tabelle, um jeder Kontaktart eine Standardrolle zuzuweisen. Betrachten Sie sie als Ausgangsposition für Ihre Queues und passen Sie sie dann mit Ihren eigenen Fehlerdaten an.

Zwei Regeln halten die Matrix ehrlich. Erstens schlägt das Risiko die Komplexität: Ein einfacher Kontakt mit hohem Risiko geht an Unterstützen oder Mensch. Zweitens kann die Rolle nicht nur nach Kontaktart, sondern auch nach Kundensegment variieren, sodass eine Rückerstattungsanfrage eines Erstkunden und die eines Enterprise-Kunden unterschiedlich geroutet werden können.

Praxisbeispiele nach Funktion

E-Commerce und Einzelhandel. Bestellstatus, Berechtigung zur Rückgabe und Lieferänderungen sind risikoarme Abfragen und machen meist den größten Anteil am Volumen aus. Automatisieren Sie diese zuerst, mit einem Limit für automatische Rückerstattungen. Die veröffentlichten Zahlen von Klarna zeigen, wie strukturierte Kontakte mit hohem Volumen aussehen, sobald ein Assistent sie bearbeitet: zwei Drittel der Chats im ersten Monat (Klarna). Beachten Sie, dass dies Klarnas eigene Berichterstattung ist, kein neutraler Benchmark, und dass sie Chats betrifft, nicht jeden Kanal.

Finanzdienstleistungen. Die Untersuchung des CFPB ist deutlich bei den Risiken kundenorientierter Chatbots: falsche Antworten generativer Modelle, das Nichterkennen eines Streitfalls, wenn der Kunde nicht die erwarteten Worte benutzt, und Schleifen ohne menschlichen Ausweg (CFPB). Kontostandsfragen lassen sich ohne Bedenken automatisieren. Streitfälle gehören zu einer Person, wobei die AI im Hintergrund unterstützt.

SaaS und technischer Support. Tier-1-Anleitungsfragen sind gute Kandidaten für die Automatisierung, wenn die Antwort in Ihren Dokumenten steht. Fehlersuche ist ein Fall für die Unterstützung. Ein Mitarbeitender, der einen Login-Fehler über drei Integrationen hinweg bearbeitet, profitiert von vorgeschlagenen Diagnosen, ähnlichen früheren Tickets und einer entworfenen Antwort und muss trotzdem entscheiden, welche Lösung passt.

Reisen und Logistik. Alles, was eine Gebühr, einen Tarif oder eine Richtlinie nennt, ist eine Verpflichtung. Air Canada musste erfahren, dass die Antwort eines Chatbots zu einem Trauerfall-Tarif als eigene Erklärung der Fluggesellschaft gewertet wurde. Wenn Ihr Bot Richtlinien nennen kann, sollte er aus gesperrtem, versioniertem Richtlinientext zitieren und ablehnen, wenn er die Antwort nicht findet.

Weitere Anwendungsfälle in Listenform finden Sie unter AI Agents für den Kundensupport.

So setzen Sie die Entscheidung Schritt für Schritt um

1. Erfassen Sie Ihre Kontaktarten. Ziehen Sie 90 Tage Tickets und gruppieren Sie sie in 15 bis 30 Kontaktarten. Nutzen Sie Ihre eigenen Tags, wenn sie verlässlich sind, oder lassen Sie ein Modell den Text clustern und einen Menschen die Cluster benennen. Halten Sie für jede Art Volumen und durchschnittliche Bearbeitungszeit fest.
2. Bewerten Sie jede Art nach Komplexität und Risiko. Nutzen Sie die Skala niedrig, mittel, hoch von oben. Lassen Sie Support, Recht oder Compliance und eine Teamleitung gemeinsam bewerten, denn Risikourteile unterscheiden sich je nach Funktion. Meinungsverschiedenheiten sind nützlich: Halten Sie fest, warum.
3. Weisen Sie anhand der Matrix eine Standardrolle zu. Markieren Sie jede Art mit Automatisieren, Unterstützen oder Mensch. Stellen Sie die Arten mit hohem Volumen und geringem Risiko zum Start an den Anfang der Queue.
4. Prüfen Sie die Daten hinter jedem Automatisierungskandidaten. Eine automatisierte Antwort ist nur so gut wie das Wissen, das sie abruft. Wenn die Richtlinienseite veraltet ist oder einer anderen widerspricht, korrigieren Sie die Quelle, bevor Sie irgendetwas einschalten. Support-Daten für AI vorbereiten behandelt die Bereinigung.
5. Legen Sie Aktionslimits fest. Definieren Sie bei allem, wo die AI handelt, Obergrenzen (Rückerstattungsbeträge, Kontoänderungen) und die Bedingungen, die eine Übergabe erzwingen: Der Kunde verlangt eine Person, die Stimmung kippt ins Negative, dieselbe Frage wird zweimal gestellt, die Konfidenz ist niedrig. Verankern Sie die Limits im System, nicht in einem Richtliniendokument, das niemand liest.
6. Bauen Sie den Notausgang. Jeder automatisierte Pfad braucht einen sichtbaren Weg zu einer Person, der die vollständige Konversation mitgibt. Die Gestaltung der Aufsicht behandelt Human-in-the-Loop bei AI Agents. Die „Endlosschleife ohne Ausweg“, die das CFPB beschreibt, ist ein Designfehler, kein Modellfehler.
7. Starten Sie einen Pilot mit ein oder zwei Kontaktarten. Lassen Sie Automatisieren auf einem Teil des Traffics laufen, mit stichprobenartiger menschlicher Prüfung der Transkripte. Lassen Sie Unterstützen mit Mitarbeitenden laufen, die jeden Vorschlag annehmen, bearbeiten oder ablehnen können, und erfassen Sie, was sie tun.
8. Messen Sie die Lösungsqualität, nicht nur die Deflection (Anfragenvermeidung). Verfolgen Sie Wiederkontaktquote, Eskalationsquote, Zufriedenheit nach dem Kontakt und Fehlerquote aus Stichprobenprüfungen. Klarnas Zahl zu wiederholten Anfragen ist ein gutes Beispiel für eine qualitätsbewusste Messgröße (Klarna). Deflection allein kann einen Bot belohnen, der Menschen so frustriert, dass sie aufgeben.
9. Verschieben Sie Kontaktarten zwischen den Rollen auf Basis von Belegen. Eine Kontaktart kann von Unterstützen zu Automatisieren aufsteigen, wenn die Bearbeitungsquoten niedrig bleiben und die Fehlerquoten gemessen und akzeptabel sind. Sie kann auch wieder zurückfallen. Überprüfen Sie die Matrix vierteljährlich.
10. Setzen Sie die Rollen im Team neu auf. Mitarbeitende, die AI-Entwürfe prüfen, leisten andere Arbeit als Mitarbeitende, die jede Antwort selbst schreiben. Siehe AI und die Rollen im Support-Team.

Häufige Fallstricke

Nach Kanal statt nach Kontaktart entscheiden. „Chat wird automatisiert, Telefon bleibt menschlich“ übersieht, dass eine Chat-Nachricht ein Abrechnungsstreit sein kann und ein Telefonat eine Bestellstatus-Abfrage. Entscheiden Sie danach, was der Kunde braucht.

Deflection als Erfolg werten. Ein Kontakt, der nie bei einem Mitarbeitenden ankommt, ist nicht zwangsläufig gelöst. Beobachten Sie wiederholte Kontakte und Kunden, die über einen anderen Kanal zurückkommen.

Den Bot Zusagen machen lassen. Preise, Berechtigungen, Rückerstattungen und Fristen sind Versprechen. Wenn der Bot sie nennen kann, sollten sie aus kontrolliertem Quelltext stammen, und der Bot sollte sagen, dass er nicht antworten kann, statt zu improvisieren.

Automatisieren, bevor die Daten bereit sind. Wenn Ihre Wissensdatenbank dünn oder widersprüchlich ist, erzeugt der Bot in großem Maßstab selbstsichere falsche Antworten. Korrigieren Sie zuerst die Inhalte.

Übersehen, wem der Nutzen der Unterstützung zugutekommt. Die NBER-Studie fand die größten Gewinne bei Berufseinsteigern und minimale Wirkung bei erfahrenen Mitarbeitenden (NBER). Das ist nützlich für das Onboarding und für die Planung, wo Sie den Pilot starten, und es heißt, dass Sie von Ihren besten Mitarbeitenden keine großen Zeitersparnisse erwarten sollten.

Wie es weitergeht

Wenn Sie diesen Monat nur eines tun, listen Sie Ihre 20 wichtigsten Kontaktarten nach Volumen auf und bewerten Sie jede nach Komplexität und Risiko, in einem einzigen Workshop mit Support, Recht und Operations im Raum. Diese eine Tabelle sagt Ihnen mehr darüber, wo AI hingehört, als jede Anbieter-Demo. Sehen Sie dann, wo das Risiko über die Muster hinweg liegt, im AI-Pattern-Risikogefälle.