HubSpots Customer Agent erreichte bei 9.000 Kunden eine Lösungsquote von 70 Prozent: Das neue AI-Budget-Audit für Sales Ops

Die Zahl, die Sie notieren sollten, ist siebzig.

In seinem Q1-2026-Earnings-Call vom 7. Mai offenbarte HubSpot, dass der Customer Agent nun 9.000 Kunden bedient, mit einer durchschnittlichen Lösungsquote von 70%. Die besten Anwender überschreiten 90%. Laut CX Todays Berichterstattung zum Call stieg die Quote um fünf Prozentpunkte gegenüber dem Vorquartal. CEO Yamini Rangan hob den Customer Agent als deutlichstes Beispiel dafür hervor, dass AI auf der gesamten Plattform echte Traktion erzielt.

Eine zweite Zahl ist ebenso wichtig. Der Customer Agent verbraucht jetzt 53% aller AI-Credits in HubSpots Agent Suite. Prospecting Agent liegt bei 17%, Data Agent bei 16%. Diese Verteilung zeigt Ihnen, wohin das Budget innerhalb der kundenseitigen AI-Arbeit tatsächlich fließt.

Für Sales Ops ist das der erste breit aufgestellte Benchmark für einen AI-Customer-Agent auf dem Markt. Und es ist auch eine Budget-Frage, die Ihr CRO innerhalb der nächsten zwei Quartale stellen wird.

Was die 70 Prozent tatsächlich über AI-CX im großen Maßstab aussagen

Bis zu dieser Offenlegung waren AI-Customer-Agent-Benchmarks von Anbietern entweder Pilotdaten (kleine Stichprobe, wohlgesonnene Kunden) oder Einzelfall-Studien (beeindruckend, aber nicht repräsentativ). HubSpots 9.000-Kunden-Zahl ist das erste Mal, dass ein großer CRM-Anbieter eine portfolioweite Lösungsquote öffentlich bekannt gegeben hat.

Key Facts

• 70%: Durchschnittliche Lösungsquote des HubSpot Customer Agent bei 9.000+ Kunden (HubSpot Q1 2026 Earnings Call, 7. Mai 2026)
• 53%: Anteil aller HubSpot AI-Credits, der vom Customer Agent verbraucht wird (vs. Prospecting 17%, Data 16%)
• 12 Monate: Zeit vom Launch bis zur Erreichung dieses Maßstabs und dieser Rate (HubSpot-Produkt-Timeline)

Was diese 70% abdecken: Tickets, bei denen der Agent das Problem des Kunden vollständig gelöst hat, ohne menschliche Übergabe. Die verbleibenden 30% wurden an einen Support-Mitarbeiter für Fälle weitergeleitet, die das Modell nicht abschließen konnte. Die besten Anwender (90%+) teilen drei Merkmale: saubere und aktuelle Wissensbasisinhalte, enger Ticket-Umfang (Retouren, Passwort-Resets, Bestellstatus, Planänderungen) und ein klarer Eskalationspfad.

Diese 30%-Lücke ist kein Versagen. Sie ist das neue Minimum für das, was Ihr menschliches Team sehen wird. Tickets, die einen Menschen erreichen, sind jetzt tendenziell schwieriger, emotionaler und umsatzkritischer. Wenn Ihr Support-Personalmodell eine gleichmäßige Verteilung der Ticket-Komplexität annahm, ist dieses Modell überholt.

Die 53-Prozent-Credit-Verteilung ist die eigentliche Sales Ops Geschichte

Die Lösungsquote macht die Schlagzeilen. Die Credit-Allokationszahl ist das, was auf einem Sales Ops Dashboard erscheinen sollte.

Wenn 53% der Customer-AI-Ausgaben an einen Post-Sale-Agent fließen und nur 17% an Prospecting, ist das AI-Budget backend-lastig. Das ist nicht automatisch falsch. Kaufabsichtssignale auf Kundenseite sind sauber (der Kunde hat ein explizites Ticket, in seinen eigenen Worten). Prospecting-Signale sind unscharf (Sie leiten Absicht aus Verhalten ab). Lösungsquoten bei saubereren Signalen werden immer höher ausfallen, daher ist es rational, dass Credits zuerst dorthin fließen.

Aber "rational" ist nicht dasselbe wie "bewusst entschieden". Die meisten Sales Ops Teams haben diese Allokation nicht gewählt. Sie entstand, weil der Customer Agent früher verfügbar war, schneller skalierte und sichtbare Zahlen (abgelenkte Tickets, reduzierte Reaktionszeiten) produzierte, die den nächsten Budget-Credit-Kauf rechtfertigten.

Wenn Ihr AI-Budget von dem Agenten bestimmt wird, der als erster verfügbar ist, betreiben Sie ein unkontrolliertes Portfolio. Die Lösung besteht darin, der Führungsebene eine bewusste Aufteilung vorzulegen: Wie viele Credits wollen wir für Post-Sale (CX), für In-Funnel (Sales Engagement) und für Pre-Funnel (Prospecting und Datenanreicherung) einsetzen? Dann werden die Credits entsprechend zugeteilt.

Ein sinnvoller Standard für ein mittelständisches, Sales-geführtes Unternehmen: 35% Post-Sale, 35% In-Funnel-Vertriebsworkflows, 20% Prospecting, 10% Datenqualität und Anreicherung. Passen Sie dies entsprechend Ihrer GTM-Bewegung an. Product-led-Unternehmen können leichter im Prospecting und stärker im CX einsetzen. Reine Outbound-Shops kehren das um.

Das neue Benchmark-Framework: Das Drei-Zahlen-Sales Ops Audit

Nutzen Sie die HubSpot-Zahlen als Impulsgeber für Ihr eigenes AI-Audit. Drei Zahlen, drei Wochen, ein Entscheidungsdokument.

Wir nennen das das Drei-Zahlen-Audit. Jede Zahl korrespondiert mit einer Budget-Entscheidung.

Zahl 1: Ihre Lösungsquote. Ermitteln Sie die Lösungsquote Ihres AI-Customer-Agent (oder AI-Chatbots) für die letzten 90 Tage. Liegt sie unter 50%, ist Ihre Wissensbasis der Engpass, nicht das Modell. Führen Sie ein Content-Audit durch, bevor Sie ein Modell-Upgrade in Angriff nehmen. Liegt sie zwischen 50% und 70%, befinden Sie sich im Mittelfeld. Die schnellsten Verbesserungen kommen durch eine klarere Umfangsdefinition (verbieten Sie dem Agenten Abrechnungsstreitigkeiten, wenn er dabei scheitert) und durch verbesserte Absichtsklassifizierung. Liegen Sie bei 70%+, fließt Ihr nächster Dollar in die Erweiterung des Umfangs, nicht in die Verbesserung der Lösungsquote.

Zahl 2: Ihre Credit-Allokation nach Funnel-Phase. Rechnen Sie nach: Wie viel Prozent Ihrer AI-Credits fließt an Post-Sale-Agenten, In-Funnel-Vertriebstools und Prospecting-Tools? Vergleichen Sie das mit Ihren strategischen Zielen. Wenn Ihr CEO Pipeline-Wachstum anstrebt und 60% der Credits an Support fließen, ist Ihre AI-Investition nicht mit der Strategie abgestimmt.

Zahl 3: Ihre Kosten pro menschlicher Übergabe. Was kostet ein Ticket, das heute an einen Menschen eskaliert wird, voll belastet, im Vergleich zu vor 18 Monaten? Wenn sich die Komplexität verschoben hat, die Kosten pro Ticket aber gleich geblieben sind, verliert Ihr Support-Modell Marge. Entweder muss die Tier-1-Einstellung zurückgehen (Ersatz durch Mitarbeiter mit mittleren Problemlösungsfähigkeiten) oder das Eskalations-Routing muss allgemeine Warteschlangen vollständig überspringen.

Ein B2B SaaS-Team mit 90 Mitarbeitern, das AI-Agenten für Prospecting, Sales Engagement und CX einsetzt, sollte in der Lage sein, diese drei Zahlen innerhalb von drei Wochen leichter Arbeit zu produzieren. Wenn nicht, ist Ihre AI-Implementierung für das Finance-Team undurchsichtig, und das Budget wird im nächsten Zyklus gekürzt.

Warum HubSpots Zahl die richtige ist, um sich daran zu orientieren

Einige Sales-Tech-Käufer werden (zu Recht) widersprechen: "Sierra hat 90%+ für Enterprise-CX. Salesforce Agentforce hat seine eigenen internen Zahlen. Warum sich speziell an HubSpot orientieren?"

Zwei Gründe.

Erstens: Maßstab. Sierras hohe Lösungsquoten entstammen intensiv konfigurierten Deployments bei Großunternehmen mit umfangreichen Service-Budgets. Salesforces Agentforce-Zahlen (wo sie öffentlich vorliegen) spiegeln eine ähnliche Enterprise-Konfigurations-Neigung wider. HubSpots 70% über 9.000 Kunden mittelt über Deployments von 5-Personen-Startups bis zu mittelständischen Unternehmen, größtenteils selbst bedient, größtenteils mit Standard-Konfigurationen. Das ist ein besserer Proxy für das, was Ihr eigenes Deployment im ersten Jahr produzieren wird.

Zweitens: Vergleichbarkeit. Eine 70%-Zahl im großen Maßstab ist anbieterübergreifend vergleichbar, da die operative Definition (keine menschliche Übergabe) konsistent ist. Sie können Ihre eigene Zahl auf derselben Achse daneben stellen, ohne nach Unternehmensgröße oder Branche zu normalisieren. Das ist eine seltene Eigenschaft bei Anbieter-Benchmarks.

Die richtige Interpretation von Sierras und Agentforces höheren Zahlen ist nicht "diese Anbieter sind besser." Sie ist: "Diese Zahlen repräsentieren Ihr Potenzial in Jahr drei, mit Service-Budget. HubSpots 70% repräsentieren Ihren Ausgangspunkt in Jahr eins, ohne eines." Beide Datenpunkte sind nützlich. Sie bedienen unterschiedliche Planungsgespräche.

Für Forecast-Disziplin ist der Ausgangspunkt in Jahr eins der entscheidende Wert. Er ist das, worauf Sie mit Zuversicht planen können.

Was diese Woche zu tun ist

Die 70%-Zahl schafft ein Risiko für Vorstandsgespräche, wenn Sie nicht innerhalb von zwei Wochen mit "was ist unsere Zahl?" antworten können. Drei Maßnahmen:

Ermitteln Sie Ihre Lösungsquote bis Freitag. Wenn Sie das nicht können, ist das bereits der Befund. Machen Sie ihn sichtbar. Das Fehlen einer Zahl ist das Problem.

Ordnen Sie die Credit-Allokation der Funnel-Phase zu. Nehmen Sie einen Finance-Partner und einen RevOps-Analysten für 90 Minuten zusammen. Ziehen Sie die Credit-Rechnung, taggen Sie jede Position nach Funnel-Phase, addieren Sie alles. Wenn die Allokation nicht zur Strategie passt, dokumentieren Sie die Lücke und bringen Sie sie in das nächste Führungsreview.

Informieren Sie Ihren CRO über die 30%-Frage. Die 30% der Tickets, die nun einen Menschen erreichen, sind tendenziell schwieriger. Die Fähigkeiten Ihres Support-Teams sollten dieser Entwicklung folgen. Wenn Sie noch im selben Tempo wie vor 18 Monaten Tier-1-Generalisten einstellen, sind Sie in der Schicht überbesetzt, die AI absorbiert, und in der Schicht unterbesetzt, die fundiertes Urteilsvermögen braucht.

Pipeline Hygiene als kulturelle Praxis und RevOps Maturity Model Schichten beinhalten in ihrer reifen Phase bereits AI-Credit-Governance. Wenn Ihr aktuelles State-Dokument das nicht enthält, ist dieses Quartal der richtige Zeitpunkt, es hinzuzufügen.

Die Sales Ops Teams, die 2026 vorne liegen, sind nicht die mit den meisten AI-Agenten. Es sind die Teams, die ihrem CFO ein Diagramm mit Credits pro Funnel-Phase zeigen können, mit ihren eigenen Zahlen neben den veröffentlichten Benchmarks. Dieses Diagramm ist die neue Budgetverteidigung.

---

Mehr erfahren

• KI-Agenten in der Sales Pipeline
• AI ROI messen ohne den gesamten Stack neu zu bauen
• AI Copilots vs. KI-Agenten: Der operative Unterschied
• Die Governance-Lücke, die Führungskräfte bei AI am Arbeitsplatz falsch machen

---

FAQ

Ist 70% tatsächlich eine gute Lösungsquote, oder ist es die Untergrenze?

Für einen generalistischen AI-Customer-Agent, der Tausende von selbst betriebenen Deployments bedient, ist 70% die neue breit aufgestellte Untergrenze. Für eng definierte Enterprise-Deployments mit dedizierten Service-Teams (Sierra, große Salesforce Agentforce Rollouts) sind 85% bis 95% erreichbar. Der richtige Vergleich hängt davon ab, welchen Ansatz Sie verfolgen. Wenn Ihr Agent mehrere Ticket-Typen in mehreren Geschäftsbereichen mit Standard-Konfiguration bedient, orientieren Sie sich an 70%. Wenn er einen einzigen Geschäftsbereich mit kuratiertem Wissen und engem Umfang bedient, planen Sie mit 85%+.

Sollte Sales Ops das AI-Credit-Budget besitzen oder Finance?

Sales Ops sollte die Allokationslogik nach Funnel-Phase besitzen. Finance sollte den Gesamtbetrag und die Abweichungsberichte besitzen. Die Unterscheidung ist wichtig, weil die Credit-Allokation eine operative Entscheidung ist (was braucht Ihr Funnel am meisten?) und der Gesamtbetrag eine finanzielle Entscheidung (wie viel können wir uns leisten?). Wenn beides vermischt wird, entsteht entweder ein Budget, das nicht zur Strategie passt, oder eine Strategie, die keine Finanzierung erhält. Bringen Sie beide Funktionen in ein monatliches Review und weisen Sie klare Verantwortlichkeiten für jeden Hebel zu.

Wie verändert das unsere Prospecting-AI-Investition?

Das hängt von Ihrer Strategie ab. Wenn Ihre größte Einschränkung die Pipeline-Abdeckung ist, ist der 17%-Prospecting-Credit-Anteil wahrscheinlich zu gering und Sie sollten neu ausbalancieren. Wenn Ihre größte Einschränkung die Konversionsrate ist (Sie haben genug Leads, aber zu wenig Abschlüsse), kann die backend-lastige Allokation richtig sein. Die HubSpot-Zahl ist nicht prescriptiv für Ihren Stack. Sie ist ein Impulsgeber, um die Allokation explizit statt zufällig zu machen.