Die eigentliche Frage hinter der Automatisierung
In fast jedem Lenkungsausschuss zum Thema KI im Kundenservice wird über dieselbe Zahl diskutiert: Wie hoch ist der Automatisierungsgrad? Gartner prognostiziert, dass Agentic AI bis 2029 bis zu 80 Prozent der häufigsten Serviceanliegen ohne menschliches Zutun löst und die Betriebskosten dadurch um bis zu 30 Prozent sinken können [1]. Als Eckwert für einen Business Case ist diese Zahl legitim. Als Leitfrage für eine Service Strategy taugt sie nicht.
Ich beobachte in Transformationsprojekten regelmäßig dasselbe Muster: Auf Managementebene stehen Technologie, Plattformauswahl und einzelne Use Cases im Vordergrund. In den Teams stellt sich innerhalb weniger Tage eine ganz andere Frage: Was übernimmt die KI, was bleibt bei mir, und wie sieht mein Arbeitsalltag in zwölf Monaten aus? Diese Frage ist nicht sentimental, sie ist präzise. Sie zielt genau auf das, was tatsächlich neu gestaltet werden muss und in Projektplänen trotzdem selten auftaucht.
Meine These für diesen Artikel: Die eigentliche Tiefe der Service Transformation liegt nicht in der Automatisierung selbst, sondern in Organisation, Prozessen, Rollen und Verantwortlichkeiten. Wenn du 60 bis 80 Prozent der einfachen Anfragen automatisierst, hast du kein Effizienzprojekt abgeschlossen, sondern ein neues Service Operating Model begonnen. Die einzige offene Frage ist, ob du dieses Modell bewusst gestaltest oder ob es als Nebenprodukt der Technologieeinführung entsteht.
Was sich wirklich verändert: Vom Automatisierungsprojekt zur Service Transformation
Die verbreitetste Fehlannahme lautet, KI ersetze Mitarbeitende eins zu eins. Die Daten stützen das nicht. In einer Gartner-Umfrage geben 85 Prozent der befragten Serviceleiter an, die Aufgaben ihrer menschlichen Mitarbeitenden trotz KI-Einsatz auszuweiten. Nur rund ein Drittel der Unternehmen plant oder vollzieht bis Anfang 2027 einen Stellenabbau durch KI. 63 Prozent reduzieren Kapazitäten über natürliche Fluktuation, drei Viertel setzen auf interne Umschulung und Versetzung innerhalb der Serviceorganisation [1].
Was sich verändert, ist also nicht primär die Zahl der Köpfe, sondern die Verteilung der Arbeit. KI-Agenten (auch AI Agents genannt) decken heute zuverlässig den 1st Level ab, also standardisierte Anliegen wie Adressänderungen oder Statusabfragen, und dringen zunehmend in den 2nd Level mit fachlichem Kontext vor. Der 3rd Level mit individuellen, eskalierten oder emotional aufgeladenen Fällen bleibt beim Menschen [3]. Jeder verbleibende menschliche Kontakt ist damit im Durchschnitt schwieriger, konfliktträchtiger und geschäftskritischer als heute. Die Arbeit wird nicht weniger, sie wird anspruchsvoller.
Wie realistisch die Selbsteinschätzung inzwischen geworden ist, zeigt die Roland-Berger-Studie unter 550 Führungskräften aus dem Customer Service: Gaben im Vorjahr noch rund 95 Prozent der Befragten an, KI im Kundenservice einzusetzen, sind es aktuell 54 Prozent. Die durchschnittliche Senkung der Betriebskosten liegt bei 11,7 Prozent, die Reaktionszeiten verkürzen sich um 19 Prozent und die Prozesseffizienz steigt um 11,5 Prozent [2]. Das sind solide Effekte, aber weit entfernt von den Modellrechnungen früher Business Cases.
Genau hier greift die Engführung auf Automatisierung zu kurz. Wenn du ausschließlich Kosten pro Kontakt und die Deflection Rate, also den Anteil automatisiert abgefangener Kontakte, kalkulierst, planst du eine Organisation, die im verbleibenden Fünftel ihrer Kontakte systematisch überfordert ist. Aus dem Automatisierungsvorhaben wird erst dann eine Service Transformation, wenn du die zweite Hälfte der Rechnung mitplanst. Und darin liegt der eigentliche Hebel für die Customer Experience: Ist Routine automatisiert, differenzierst du dich nicht mehr über Erreichbarkeit, sondern über die Qualität der wenigen menschlichen Interaktionen, die übrig bleiben.
Das Service Operating Model neu denken
Ein Service Operating Model beschreibt, wie Leistung erbracht wird: welche Aufgaben anfallen, wer sie ausführt, mit welchen Fähigkeiten, nach welchen Regeln und gesteuert über welche Kennzahlen. KI verändert jede einzelne dieser Dimensionen gleichzeitig. Das ist der Grund, warum punktuelle Use-Case-Einführungen so häufig auf halbem Weg stecken bleiben. Roland Berger benennt als zentrale Skalierungshindernisse Legacy-Systeme, unklare Zuständigkeiten und fragmentierte Prozesslandschaften [2]. Zwei dieser drei Hürden sind keine technischen Probleme, sondern Fragen des Operating Models.
Aufgabenverteilung und Steuerungslogik
Führungskräfte im Customer Service steuern künftig keine rein menschliche Workforce mehr, sondern ein hybrides Modell aus Mitarbeitenden und AI Agents. Das klingt trivial, verändert die Steuerungslogik aber grundlegend. KI-Agenten skalieren anders als Menschen. Sie sind sofort verfügbar und ihre Kapazität ist nicht an Schichtpläne gebunden. Dafür hängt ihre Leistung direkt an Datenqualität, Wissensbasis und Systemanbindung.
Workforce Management muss deshalb neu konzipiert werden. Kapazitätsplanung bedeutet nicht mehr nur Forecast und Schichtbesetzung. Sie beantwortet zwei zusätzliche Fragen: Welcher Anteil des Volumens wird unter welchen Bedingungen automatisiert abgewickelt? Und wie viel qualifizierte menschliche Kapazität muss für Eskalationen vorgehalten werden? Eskalationslogiken werden damit von einer Ausnahmeregel zum Kernprozess.
KPIs und Organisationsstruktur im hybriden Modell
Klassische Volumenkennzahlen verlieren an Aussagekraft. Die durchschnittliche Bearbeitungszeit (Average Handling Time) sinkt automatisch, wenn einfache Kontakte wegfallen, ohne dass die Organisation besser geworden wäre. Aussagekräftig werden stattdessen die Qualität der automatisiert abgeschlossenen Fälle statt der reinen Abschlussquote, die Güte der Eskalationsentscheidungen, die Wiederkontaktrate nach einer automatisierten Lösung und die Zufriedenheit in genau den Fällen, die den Menschen erreichen. Wie klassische Contact-Center-KPIs im KI-Hybridbetrieb neu kalibriert werden müssen, beschreibt dieser Überblick zu AHT, FCR und neuen Steuerungsgrößen ausführlich.
Gartner empfiehlt in diesem Zusammenhang ausdrücklich, nicht nur Automatisierung aufzubauen. Ebenso wichtig sind die Anpassung der Servicemodelle selbst, verbindliche Richtlinien zu Datenschutz, Sicherheit und Eskalation sowie abteilungsübergreifende Zusammenarbeit [1]. Das ist eine Aufgabe für die Service Strategy, nicht für ein Implementierungsteam. Strukturell heißt das: Es braucht eine klare Ownership für die automatisierte Kontaktstrecke, und zwar auf derselben Führungsebene wie für die menschliche. Solange die KI-Strecke als Projekt geführt wird und der Rest als Linie, entstehen genau die unklaren Zuständigkeiten, die Skalierung verhindern.
Neue Rollen und Aufgaben: Was der Wandel konkret bedeutet
Wenn 85 Prozent der Serviceleiter die Aufgaben ihrer Teams ausweiten [1], stellt sich die praktische Frage, worin diese Aufgaben bestehen. Aus meiner Projekterfahrung lassen sich mehrere Felder klar benennen.
AI Governance & Supervision
AI Governance ist die erste Lücke, die in fast jedem Projekt sichtbar wird. Sobald AI Agents eigenständig Entscheidungen treffen, Prozesse anstoßen und Zusagen gegenüber Kunden machen, muss geklärt sein, wer diese Entscheidungen verantwortet, wer Outputs systematisch überwacht und wer bei Fehlverhalten eingreift und abschaltet. Dazu gehören Freigabeprozesse für Änderungen an Prompts, Regeln und Berechtigungen, außerdem Protokollierung, Auditfähigkeit und die Einhaltung von Datenschutz- und Compliance-Anforderungen. Welche rechtlichen Risiken entstehen, wenn KI-Agenten im Kundenkontakt falsch antworten oder handeln, zeigt dieser Artikel zu KI-Haftung und Chatbot-Risiken – ein unterschätzter Aspekt jeder AI-Governance-Diskussion. Supervision ist dabei eine operative Rolle mit Schichtbezug, keine jährliche Revisionsübung.
Knowledge Management und Qualitätskontrolle
Knowledge Management war in vielen Serviceorganisationen eine Nebentätigkeit. Das ist vorbei. Ein KI-Agent ist nicht besser als die Wissensbasis, aus der er schöpft. Veraltete Artikel, widersprüchliche Regelwerke und undokumentierte Ausnahmen erzeugen keine Wissenslücke mehr, sondern falsche Antworten in großem Maßstab. Strukturierte Pflege, Aktualitätszyklen und Freigabeverantwortung werden zur Kernaufgabe mit eigenem Rollenprofil. Nicht zufällig steht der Aufbau belastbarer Wissens- und Datenbestände bei Gartner an erster Stelle der Vorbereitungsmaßnahmen.
Parallel entsteht Qualitätskontrolle für KI-Interaktionen. Bisherige Coaching- und Monitoring-Routinen sind auf Stichproben menschlicher Gespräche ausgelegt. Für automatisierte Kontakte braucht es andere Prüfmaßstäbe: fachliche Korrektheit, Tonalität, Umgang mit Unsicherheit, Eskalationsverhalten. Daraus speist sich das nächste Feld, das Training und die kontinuierliche Optimierung von AI Agents. Erfahrene Servicemitarbeitende sind hierfür die besten Kandidaten, weil sie die Fälle kennen. Das ist eine anspruchsvolle, qualifizierte Aufgabe und in der Praxis oft der attraktivste Entwicklungspfad im Team.
Service- und Journey-Design sowie komplexe Fallbearbeitung
Jemand muss entscheiden, welche Anliegen entlang der Customer Journey automatisiert bearbeitet werden, an welchen Punkten übergeben wird und wie diese Übergabe konkret aussieht. Service- und Journey-Design wird damit von einer Projektdisziplin zur dauerhaften Funktion.
Für die bestehenden Rollen bedeutet all das eine Verschiebung, keine Abwertung. Servicemitarbeitende werden zu Spezialisten für komplexe, eskalierte und emotional aufgeladene Anliegen. Gartner beschreibt genau diesen Effekt: KI schafft Kapazität für Kundenbindung und individuelle Beratung, menschliche Stärken wie Empathie, Erfahrung und Urteilsvermögen werden gezielt eingesetzt [1]. Andreas Klug bringt die Grenze auf den Punkt: Eine KI simuliert Kundenfreundlichkeit, empfinden kann sie diese nicht [3]. Führungskräfte wiederum werden zu Steuerern eines hybriden Modells und müssen zwei sehr unterschiedliche Ressourcentypen zusammen planen und verantworten.
Unterschätzt wird dabei fast immer der Change-Anteil. Diese Rollen entstehen nicht dadurch, dass sie in einem Zielbild stehen, sondern durch Qualifizierung, klare Karrierepfade und eine ehrliche Kommunikation darüber, welche Tätigkeiten wegfallen. Wenn Mitarbeitende den Eindruck gewinnen, sie trainierten ihren eigenen Ersatz, sinkt die Akzeptanz messbar und mit ihr die Qualität der Trainingsdaten, auf die das System angewiesen ist.
Human-AI Collaboration: Die entscheidende Gestaltungsaufgabe
Damit komme ich zur zentralen Aussage dieses Artikels: Service Excellence entsteht nicht durch einen möglichst hohen Automatisierungsgrad, sondern durch die richtige Aufgabenverteilung zwischen Mensch und Maschine. Human-AI Collaboration ist keine Übergangsphase auf dem Weg zur Vollautomatisierung, sondern der Zielzustand.
Human-in-the-Loop und Agentic AI als Rahmung
Agentic AI verschiebt die Frage von „Was kann das System beantworten?" hin zu „Was darf das System eigenständig entscheiden?" Das ist ein fundamentaler Unterschied für die Governance. Human-in-the-Loop bedeutet nicht, dass ein Mensch jeden Schritt prüft – das würde den Effizienzgewinn zunichtemachen. Es bedeutet, dass die Stellen, an denen ein Mensch eingreift, bewusst definiert, konsequent eingehalten und regelmäßig überprüft werden. Welche Stärken und Grenzen KI-Agenten im operativen Einsatz tatsächlich haben, beleuchtet diese ehrliche Einschätzung zu KI-Agenten im CRM – nützlich für jeden, der Eskalationslogiken und Übergabepunkte definiert.
Die Qualitätsfrage lautet konkret: Welches Anliegen gehört zur KI, welches zum Menschen, und auf Basis welcher Kriterien wird das festgelegt? Diese Entscheidung ist keine technische Konfiguration, sondern eine strategische. Sie bestimmt, wo die Organisation Risiken eingeht, wo sie Kundenbeziehungen schützt und wo sie differenzieren will. Wer sie dem Implementierungsteam überlässt, trifft sie trotzdem – nur ohne Bewusstsein darüber.
Optimale Aufgabenverteilung statt maximaler Automatisierungsgrad
Die Erfahrung zeigt, dass Serviceorganisationen, die Automatisierungsgrad als Hauptziel setzen, systematisch in zwei Fehler laufen. Erstens automatisieren sie Kontakte, die besser beim Menschen aufgehoben wären – mit messbaren Auswirkungen auf Kundenzufriedenheit und Eskalationsraten. Zweitens vernachlässigen sie die Fähigkeiten, die Menschen in der neuen Konfiguration brauchen, weil die Aufmerksamkeit an der Automatisierungsquote hängt.
Wer Service Excellence als Ziel formuliert, kommt zu einer anderen Frage: Welche Kombination aus menschlicher und maschineller Bearbeitung erzeugt für jeden Kontakttyp das beste Ergebnis für den Kunden? Diese Frage lässt sich nur beantworten, wenn man Kontakttypen, Kundensegmente, Komplexitätsgrade und emotionale Valenz systematisch unterscheidet. Und sie erfordert, dass Knowledge Management, AI Governance und Journey-Design als zusammenhängende Disziplin verstanden werden – nicht als separate Workstreams. Wie KI im Customer Service dabei auch neue Umsatzpotenziale erschließt, zeigt dieser Überblick zu Service-Teams als Umsatztreiber.
Die organisatorische Verankerung dieser Entscheidungslogik – wer legt fest, wer überprüft, wer ändert – ist das eigentliche Herzstück der Human-AI Collaboration. Ohne sie bleibt das Zusammenspiel von Mensch und KI ein Zufallsprodukt.
Strategische Selbstprüfung: Ist Ihre Serviceorganisation bereit?
Die Frage, ob eine Serviceorganisation für diese Transformation aufgestellt ist, lässt sich nicht mit einer Checkliste beantworten. Sie lässt sich mit einer Handvoll Leitfragen schärfen, die ich aus Transformationsprojekten mitbringe.
Zum Service Operating Model: Haben wir ein explizites Modell, das beschreibt, wie Mensch und KI zusammenarbeiten – oder ergibt sich das aus der Implementierung heraus? Wer verantwortet die automatisierte Kontaktstrecke auf Führungsebene, und ist diese Person mit denselben Befugnissen ausgestattet wie die Führung der menschlichen Workforce?
Zu Rollen und Skills: Welche neuen Aufgabenfelder entstehen bei uns durch KI-Einsatz, und haben wir Qualifizierungspfade dafür definiert? Haben wir Servicemitarbeitende, die die Grenzfälle der KI kennen und das System darauf trainieren können?
Zur AI Governance: Wer entscheidet bei uns, welche Anliegen automatisiert werden und welche nicht? Nach welchen Kriterien, und wie oft wird das überprüft? Haben wir Prozesse für den Fall, dass ein KI-Agent systematisch falsch antwortet?
Zum Knowledge Management: Ist unsere Wissensbasis in einem Zustand, der KI-gestützte Bearbeitung trägt – oder würden wir damit Fehler in großem Maßstab automatisieren?
Zur Customer Journey: Haben wir für jeden relevanten Kontakttyp definiert, an welchem Punkt ein Mensch übernimmt – und wie diese Übergabe für den Kunden aussieht?
Zu KPIs und Steuerung: Messen wir heute schon die Qualität automatisierter Interaktionen, oder steuern wir ausschließlich über Kosteneffekte und Deflection Rate?
Wer auf diese Fragen keine klaren Antworten hat, steuert eine Transformation, ohne das Lenkrad in der Hand zu halten.
Fazit: Service Transformation ist eine Führungsaufgabe
Die 80-Prozent-Automatisierung ist ein plausibles Szenario für ausgewählte Kontakttypen. Als Organisationsziel greift sie zu kurz, weil sie nur die eine Seite der Gleichung beschreibt.
Die andere Seite lautet: Wenn KI den Großteil der einfachen Anfragen übernimmt, verändert sich das gesamte Service Operating Model – Aufgaben, Rollen, Skills, Governance, KPIs und die Zusammenarbeit zwischen Mensch und Maschine. Diese Veränderung passiert nicht als Nebeneffekt der Technologieeinführung. Sie muss gestaltet werden.
Service Excellence im KI-Zeitalter entsteht nicht durch den höchsten Automatisierungsgrad, sondern durch die richtige Aufgabenverteilung – und durch eine Organisation, die das hybride Modell aus AI Agents und menschlichen Mitarbeitenden aktiv steuert. Human-AI Collaboration ist dabei kein weiches Konzept, sondern die härteste Designaufgabe in der gesamten Transformation.
Das erfordert Führungskräfte, die nicht nur Technologie einführen, sondern ein neues Servicemodell verantworten. Und es erfordert die Bereitschaft, die unbequeme Frage zu stellen, bevor die Transformation antwortet: Sind wir als Organisation dafür aufgestellt?
Häufige Fragen
Werden durch KI im Kundenservice Jobs wegfallen? Laut einer Gartner-Umfrage planen nur rund ein Drittel der Unternehmen bis 2027 einen Stellenabbau durch KI. 85 % der Serviceleiter weiten die Aufgaben ihrer Teams aus. Kapazitäten werden überwiegend über natürliche Fluktuation und interne Umschulung angepasst – nicht durch Massenentlassungen.
Was ist das Service Operating Model, und warum muss es sich verändern? Das Service Operating Model beschreibt, wie eine Serviceorganisation Leistung erbringt: Aufgaben, Rollen, Fähigkeiten, Steuerung und KPIs. KI verändert jede dieser Dimensionen gleichzeitig, weil AI Agents anders skalieren, gesteuert und überwacht werden müssen als menschliche Mitarbeitende. Ohne Anpassung des Operating Models bleiben KI-Projekte auf halbem Weg stecken.
Welche neuen Rollen entstehen durch KI im Kundenservice? Konkret entstehen Aufgaben in AI Governance & Supervision, Knowledge Management, Qualitätskontrolle von KI-Interaktionen, Training und Optimierung von AI Agents sowie Service- und Journey-Design. Erfahrene Servicemitarbeitende sind oft die besten Kandidaten für diese Rollen, weil sie die relevanten Grenzfälle kennen.
Was bedeutet Human-in-the-Loop in der Praxis? Human-in-the-Loop bedeutet nicht, dass ein Mensch jeden Schritt der KI prüft. Es bedeutet, dass die Punkte, an denen ein Mensch eingreift, bewusst definiert, konsequent eingehalten und regelmäßig überprüft werden. Welche Anliegen zur KI gehören und welche zum Menschen, ist eine strategische Entscheidung – keine technische Konfiguration.
Quellen
[1] Retail News – KI Kundenservice Jobs: Gartner-Studie [2] Computerwoche – KI im Kundenservice: Auf den Hype folgt die Bewährungsprobe [3] Table.Media – Wie KI den Kundenservice verändert
