Customer Success für KI-Produkte
Turn this article into takeaways for your work.
Each assistant summarizes the article only for you and suggests best practices for your work.
Customer Success für ein KI-Produkt ist dieselbe Aufgabe wie Customer Success für jedes Abonnementprodukt: Kunden zum Wert führen, damit sie verlängern und ausbauen. Doch die Arbeit darin verändert sich. Der Output des Produkts schwankt von Durchlauf zu Durchlauf, es leistet erst dann Gutes, wenn es auf die Daten und Workflows eines Kunden konfiguriert ist, und bei nutzungs- oder ergebnisbasierter Preisgestaltung bewegt sich die Rechnung des Kunden mit dem Wert, den das Produkt liefert. Jeder dieser Punkte rückt Customer Success näher an das Produkt und näher an die Verlängerungszahl.
Diese Seite behandelt, was gleich bleibt, was sich ändert und wie Teams sich anpassen: Qualitäts-Reviews, Health Scores, Forward-Deployed-Modelle und die Verbindung zur Preisgestaltung. Sie richtet sich an die Anbieterseite, an Gründer und Customer-Success-Verantwortliche bei Unternehmen, die KI verkaufen. Wenn Sie ein SaaS-Unternehmen sind und wissen möchten, wie Sie KI im eigenen Customer-Success-Team einsetzen, ist das ein anderes Thema, das in KI-gestützte Customer Success Manager für SaaS behandelt wird.
Was gleich bleibt
Die Kernkonzepte von Customer Success gelten nicht weniger, nur weil das Produkt KI ist. Sie werden härter getestet.
TSIA, ein auf Technologiedienstleistungen spezialisiertes Forschungsunternehmen, richtet seine Leitlinien zur Adoption darauf aus, Kunden schnell zum Wert zu führen, und nennt Time to Value und Feature-Adoptionsraten als Beispielziele und -kennzahlen in einer dokumentierten Adoption Charter. Die Adoption liegt zwischen Verkauf und jeder Expansion, und genau dort gelingen oder scheitern die meisten KI-Produkte. Die menschliche Seite dieser Arbeit, Teams zur Änderung ihrer Arbeitsweise zu bewegen, behandelt der Beitrag Kunden helfen, ihre Arbeitsweise mit KI zu ändern.
Auch die Scorecard bleibt dieselbe. Die Net Revenue Retention (NRR) misst den Umsatz, der aus einem bestehenden Kundenstamm gehalten und ausgebaut wird, einschließlich Expansion. Die Gross Revenue Retention (GRR) rechnet die Expansion heraus und zeigt, wie viel Sie vor dem Upsell behalten. Beide entscheiden weiterhin, ob das Geschäft sich verzinst. Unsere Seite zur Net Revenue Retention behandelt die Rechenwege.
Was sich ändert, ist, wie schwer jedes davon zu liefern ist und wer im Raum sein muss.
Warum KI die Arbeit verändert
Vier Eigenschaften von KI-Produkten formen die Customer-Success-Funktion neu.
Der Output ist probabilistisch. Der Leitfaden zu Best Practices für Evaluierung von OpenAI sagt, dass Modelle bei gleicher Eingabe manchmal unterschiedliche Ausgaben erzeugen, weshalb klassische Testmethoden für Software nicht ausreichen. Für Customer Success heißt das: „Das Produkt funktioniert“ ist keine Ja-Nein-Frage mehr. Es funktioniert für manche Eingaben, in einer gewissen Qualität, für manche Nutzer. Jemand muss messen, wie gut, und weiter messen.
Der Wert hängt von der Konfiguration ab. Ein KI-Produkt ist selten sofort nutzbar. Es braucht die Dokumente des Kunden, seine Definitionen einer guten Antwort und einen Workflow, in den es sich einfügen lässt. Onboarding ist keine Schulung. Es ist ein Konfigurations- und Evaluierungsprojekt, und die Ergebnisse des Kunden sind teilweise die Ergebnisse des Anbieters.
Die Preisgestaltung folgt oft Verbrauch oder Ergebnissen. Bei Preisgestaltung pro Nutzer kann ein Kunde bis zum Verlängerungstag für ein Produkt zahlen, das niemand nutzt. Bei nutzungs- und ergebnisbasierten Modellen schlägt geringe Nutzung sofort im Umsatz durch. Die Abwägungen behandeln wir in nutzungsbasierte vs. ergebnisbasierte Preisgestaltung für KI. Die Folge für Customer Success: Adoption ist kein Frühindikator für die Verlängerung mehr, sondern wird selbst Teil der Umsatzlinie.
Die Verlängerung hängt von belegtem Wert ab, nicht von wahrgenommenem. Ein Käufer, der den Kauf nach einer vielversprechenden Demo genehmigt hat, will bei der Verlängerung einen Beleg, dass das System etwas Messbares bewirkt hat. Der Enterprise-Bericht 2025 von Menlo Ventures stellt fest, dass 47 Prozent der KI-Deals in Produktion gehen, verglichen mit 25 Prozent bei klassischem SaaS, und führt das auf starkes Käuferengagement und klaren unmittelbaren Wert zurück. Käufer kommen motiviert, was die Messlatte erhöht: Sie erwarten, dass der Wert weiter sichtbar wird.
Wie sich die Funktion verschiebt
| Dimension | Customer Success bei klassischem SaaS | Customer Success bei KI-Produkten |
|---|---|---|
| Qualitätsfrage | Funktioniert die Funktion? | Wie gut ist der Output, und wird er besser oder schlechter? |
| Onboarding | Schulung und Einrichtung der Funktionen | Konfiguration, Datenanbindung und ein vereinbartes Evaluierungsset |
| Kernrisiko | Geringe Login-Aktivität | Geringes Vertrauen in den Output, selbst bei hoher Aktivität |
| Verbindung zur Preisgestaltung | Meist nach Seats oder Tarifstufen | Oft an Verbrauch oder Ergebnisse gekoppelt |
| Technische Tiefe | Produktwissen | Produkt plus Daten, Prompts und Workflow-Design |
| Beleg für die Verlängerung | Nutzung und Zufriedenheit | Gemessenes Geschäftsergebnis gegenüber einer Baseline |
Nichts davon macht die Beziehungsarbeit überflüssig. Es kommt eine zweite Aufgabe hinzu: die Qualität des Produkts in jedem Account zu steuern.
Qualitäts-Reviews: das neue Kernritual
Im klassischen Customer Success behandelt das Business Review Ziele, Nutzung und Roadmap. Bei einem KI-Produkt kommt ein wiederkehrendes Qualitäts-Review hinzu, ein kurzer, strukturierter Blick darauf, wie der Output im eigenen Kontext des Kunden abgeschnitten hat.
Ein nützliches Qualitäts-Review hat einige feste Bestandteile:
- Eine Stichprobe echter Outputs. Ziehen Sie eine Reihe aktueller Fälle und lassen Sie die eigenen Mitarbeitenden des Kunden sie nach ihrem eigenen Maßstab bewerten, nicht nach dem des Anbieters.
- Daten zu Akzeptanz und Korrekturen. Wie oft haben Nutzer den Output akzeptiert, bearbeitet oder abgelehnt? Bearbeitungen und Ablehnungen sind das ehrlichste Qualitätssignal, das ein Produkt liefert.
- Fehlerkategorien. Gruppieren Sie die Fehlgriffe nach Ursache: fehlende Daten, mehrdeutige Anweisungen, ein Falltyp, den die Konfiguration nicht abdeckt, oder eine echte Produktgrenze.
- Ein Änderungsprotokoll. Was wurde seit dem letzten Mal angepasst (Anweisungen, Datenquellen, Schwellenwerte), und was geschah danach mit der Qualität?
- Ein nächster Schritt mit Verantwortlichem. Jedes Review sollte in einer konkreten Änderung enden, ob auf Seiten des Anbieters oder des Kunden.
Die Leitlinien von OpenAI empfehlen kontinuierliche Evaluierung: Evals bei jeder Änderung ausführen, auf neue Fälle von Nichtdeterminismus achten und das Eval-Set im Laufe der Zeit erweitern. Die Customer-Success-Version dieser Idee ist ein gemeinsames Evaluierungsset pro Account, das beim Onboarding aufgebaut und bei jedem Review erweitert wird. Es gibt beiden Seiten eine neutrale Referenz, wenn jemand sagt: „Es fühlt sich in letzter Zeit schlechter an.“ Zur vertrauensbildenden Seite siehe Vertrauen und Evaluierung bei KI.
Health Scores auf Basis von Tiefe und Akzeptanz
Die Forschung von TSIA zum Customer Health Scoring argumentiert, dass klassische Health Scores für Abonnementgeschäfte unzureichend sind, und weist in Richtung prädiktiver Modelle. Sie brauchen nicht von Tag eins an ein prädiktives Modell, um den Health Score eines KI-Produkts zu verbessern, aber Sie brauchen andere Eingangsgrößen. Logins und Seat-Zahlen sind schwache Signale, wenn ein einziger automatisierter Workflow tausendfach laufen kann, ohne dass sich ein Mensch anmeldet.
Signale, die bei KI-Produkten tendenziell zählen:
- Nutzungstiefe. Wie viele verschiedene Workflows, Teams oder Anwendungsfälle aktiv sind, nicht nur, wie viele Ereignisse verarbeitet wurden. Ein Kunde mit einem engen Workflow ist ein anderes Risiko als einer mit fünf.
- Output-Akzeptanz. Der Anteil der Outputs, die ohne Bearbeitung akzeptiert werden, und sein Trend. Eine sinkende Akzeptanzrate ist ein Frühwarnzeichen, das einer Beschwerde vorausgeht.
- Raten von menschlichem Eingreifen und Eskalation. Wenn Mitarbeitende die KI zunehmend umgehen, schwindet das Vertrauen, obwohl das Volumen gesund aussieht.
- Aktualität der Konfiguration. Wann der Kunde zuletzt Anweisungen, Datenquellen oder Evaluierungssets aktualisiert hat. Veraltete Konfiguration führt tendenziell zu abdriftender Qualität.
- Ergebnis gegenüber der Baseline. Die Geschäftskennzahl, mit der der Deal begründet wurde, gemessen so, wie es zu Beginn vereinbart wurde. Unsere Seite zum Business Case für den ROI von KI-Produkten zeigt, wie Sie diese Baseline festlegen.
- Engagement des Executive Sponsors. Weiterhin eine Standardgröße und weiterhin eines der schnellsten Mittel, um eine gefährdete Verlängerung zu erkennen.
Zur allgemeinen Mechanik von Gewichtung und Schwellenwerten siehe Customer Health Scoring. Hier geht es um die Eingangsgrößen: Gewichten Sie Akzeptanz- und Ergebnissignale höher als reine Aktivität. Die Kennzahlen selbst behandelt die Schwesterseite zu Adoptionskennzahlen für KI-Produkte.
Forward-Deployed- und Solutions-Engineering-Modelle
Viele KI-Anbieter können mit einem rein digitalen oder gebündelten Customer-Success-Modell keinen Wert liefern, weil sich die Daten und Workflows jedes Kunden unterscheiden. Eine verbreitete Antwort ist der Forward-Deployed Engineer (FDE). Der Erklärtext zur Rolle von PostHog beschreibt einen FDE als Softwareentwickler, der in die Organisation eines Kunden eingebettet ist und Implementierung, Anpassung und Discovery übernimmt, und führt das Modell auf Palantir zurück. Er nennt drei Gründe, warum KI-Unternehmen es einsetzen: Kunden zögern, ohne Vertrauen sensible Daten zu teilen, Vertragswerte im sechs- bis achtstelligen Bereich können Investitionen vor Ort rechtfertigen, und Führungskräfte brauchen greifbare Belege, die Demos allein nicht liefern.
Das ist die Darstellung eines Anbieters zum Modell und eine Sicht darauf, wie Teams es besetzen. Dennoch ist die Form klar. Der FDE verwischt die Grenze zwischen Customer Success, Solutions Engineering und Produktentwicklung. Ein klassischer Customer Success Manager koordiniert. Ein Forward-Deployed Engineer baut.
So schneiden die Modelle im Vergleich ab:
| Modell | Wer die Arbeit erledigt | Beste Eignung | Hauptkosten |
|---|---|---|---|
| Digitales oder gebündeltes CS | Automatisierte Programme und gemeinsam genutzte Manager | Hochvolumige, standardisierte Produkte | Begrenzte Hilfe bei der Konfiguration |
| Customer Success Manager plus Solutions Engineer | Der CSM verantwortet die Beziehung, der Engineer die Einrichtung | Mid-Market, moderate Anpassung | Übergaben zwischen zwei Personen |
| Forward-Deployed Engineering | Engineers, die beim Kunden eingebettet sind | Große Verträge, unübersichtliche Daten, hohe Vertrauensanforderungen | Schwer skalierbar, teuer pro Account |
Die meisten Anbieter landen bei einer Mischform: Forward-Deployed-Aufwand für die ersten Einführungen in einem Segment, dann produktisierte Konfiguration und gebündelter Support, sobald sich Muster wiederholen. Das Signal, auf das Sie achten sollten, ist, ob der Einführungsaufwand pro Kunde mit der Zeit sinkt. Braucht jeder neue Kunde dieselbe individuelle Arbeit, betreiben Sie womöglich ein Dienstleistungsgeschäft unter einem Software-Etikett.
Customer Success an Verbrauch und Ergebnisse koppeln
Sobald die Preisgestaltung Nutzung oder Resultaten folgt, verantwortet Customer Success einen Teil der Umsatzprognose. Drei praktische Effekte folgen.
Nutzung wird zur Eingangsgröße der Prognose. Verbrauchstrends sagen den Umsatz des nächsten Quartals voraus, daher gehören Customer-Success-Daten in das Gespräch mit dem Finanzteam und nicht nur in das Account-Review.
Expansion und Kontraktion sind kontinuierlich. Im Seat-Modell ändert sich der Umsatz bei der Verlängerung. Im Verbrauchsmodell ändert er sich wöchentlich. Das macht die NRR volatiler und frühes Eingreifen wertvoller.
Die Definition von Wert wird vertraglich. Hängt ein ergebnisbasierter Preis zum Beispiel von einem gelösten Ticket oder einer genehmigten Rechnung ab, brauchen beide Seiten eine vereinbarte Definition dieses Ergebnisses und eine gemeinsame Art, es zu messen. Streit über die Messung ist ein Customer-Success-Problem, nicht nur ein Abrechnungsproblem.
Häufige Fehler
- Aktivität mit Gesundheit verwechseln. Hohes Volumen bei sinkender Akzeptanz ist ein Kunde, der still das Vertrauen verliert.
- Das Evaluierungsset überspringen. Ohne vereinbarte Referenz werden Qualitätsdebatten zu Meinungsduellen.
- Manager einstellen, wenn die Lücke bei der Technik liegt. Wenn Accounts bei Konfiguration und Daten stocken, löst mehr Beziehungsabdeckung das nicht.
- Time to Value ab Vertragsunterzeichnung messen. Bei KI-Produkten sollte die Uhr starten, wenn die Daten des Kunden angebunden sind, sonst bestraft die Kennzahl Verzögerungen, die Sie nicht kontrollieren.
- Mit dem Wertnachweis bis zur Verlängerung warten. Zeigen Sie jedes Quartal das gemessene Ergebnis, damit das Verlängerungsgespräch bestätigt, was der Käufer ohnehin glaubt.
Wichtige Fakten
- Konzept als Anker: TSIA nennt Time to Value und Feature-Adoptionsraten als Beispielziele in einer dokumentierten Adoption Charter.
- Warum Qualität ein eigenes Review braucht: Die Evaluierungsleitlinien von OpenAI sagen, dass Modelle bei gleicher Eingabe manchmal unterschiedliche Ausgaben erzeugen, und empfehlen kontinuierliche Evaluierung, die das Eval-Set im Laufe der Zeit erweitert.
- Das Käuferengagement ist hoch: Menlo Ventures berichtet, dass 47 Prozent der KI-Deals in Produktion gehen, gegenüber 25 Prozent bei klassischem SaaS.
- Health Scores: Die Forschung von TSIA sagt, dass klassische Health Scores für Abonnementgeschäfte unzureichend sind, und befürwortet prädiktive Modelle.
- Forward-Deployed-Modell: Die Beschreibung von PostHog setzt FDEs für Implementierung, Anpassung und Discovery innerhalb der Kundenorganisation ein.
- Die Verschiebung in einer Zeile: von „Wird die Funktion genutzt?“ zu „Ist der Output gut, und ist das Ergebnis belegt?“
Häufig gestellte Fragen zu Customer Success für KI-Produkte
Wie unterscheidet sich Customer Success bei KI-Produkten von Customer Success bei SaaS?
Die Ziele sind dieselben: Time to Value, Adoption, Retention und Expansion. Der Unterschied ist, dass die Output-Qualität schwankt und von der Konfiguration jedes Kunden abhängt, sodass Customer Success Qualitäts-Reviews durchführen, die Output-Akzeptanz verfolgen und oft mit Engineers zusammenarbeiten muss. Eine an Nutzung oder Ergebnisse gekoppelte Preisgestaltung verbindet das Team zudem direkt mit dem Umsatz.
Was sollte ein Health Score für KI-Produkte enthalten?
Gehen Sie über Logins und Seat-Zahlen hinaus. Nützliche Eingangsgrößen sind die Nutzungstiefe über Workflows hinweg, der Anteil der Outputs, die ohne Bearbeitung akzeptiert werden, die Raten menschlichen Eingreifens, die Aktualität der Konfiguration, das Geschäftsergebnis gegenüber einer vereinbarten Baseline und das Engagement des Executive Sponsors. Gewichten Sie Akzeptanz- und Ergebnissignale höher als reine Aktivität.
Brauchen KI-Startups Forward-Deployed Engineers?
Nicht immer. Das Modell passt zu großen Verträgen, unübersichtlichen Kundendaten und hohen Vertrauensanforderungen, bei denen eingebettete Engineers den Wert konfigurieren und belegen können. Für standardisierte, hochvolumige Produkte genügt womöglich ein Customer Success Manager an der Seite eines Solutions Engineers oder ein digitales Programm. Verfolgen Sie, ob der Einführungsaufwand pro Kunde mit der Zeit sinkt.
Was ist ein Qualitäts-Review im Customer Success für KI?
Ein wiederkehrendes Review, in dem der Kunde eine Stichprobe echter Outputs bewertet, das Team Daten zu Akzeptanz und Korrekturen ansieht, Fehler nach Ursache gruppiert, festhält, was sich seit dem letzten Mal geändert hat, und einen nächsten Schritt mit Verantwortlichem vereinbart. Es baut auf einem gemeinsamen Evaluierungsset auf, das mit jedem Zyklus wächst.
Wie wirkt sich nutzungsbasierte Preisgestaltung auf Customer Success aus?
Geringe Adoption trifft den Umsatz sofort statt erst bei der Verlängerung, daher werden Nutzungstrends zu einer Eingangsgröße der Prognose, und frühes Eingreifen gewinnt an Bedeutung. Ergebnisbasierte Preisgestaltung erfordert zudem eine vereinbarte, messbare Definition des Ergebnisses.
Co-Founder & COO