Lassen Sie uns mit einem kurzen Gedankenspiel starten. Angenommen, Sie leiten eine Service-Organisation oder ein Contact-Center im DACH-Raum. Der Kostendruck ist omnipräsent, die Herausforderung, geeignetes Fachpersonal zu finden, wird immer größer, und die Erwartungshaltung Ihrer Kunden – getrieben durch die nahtlosen Erlebnisse bei Tech-Giganten wie Netflix oder Amazon – ist so hoch wie nie zuvor. Sie treffen eine Entscheidung, die konsequent und mutig erscheint: Sie investieren in den technologischen Goldstandard – den „Ferrari“ unter den KI-Systemen.
Doch nach der Implementierung folgt oftmals die Ernüchterung. Die Maschine liefert nicht die versprochene Effizienz und Wirkung. Nicht, weil die Technologie defekt wäre, sondern weil sie verhungert. Sie haben einen Hochleistungsmotor in ein Umfeld gesetzt, dessen Datenvolumen schlicht nicht die nötige „Oktanzahl“ – sprich: die kritische Masse an Trainingsdaten – liefert, damit das System sich mit ihren Inhalten passgenau synchronisiert.
Warum gerade die Big Player LLMs im Service schnell an ihre Grenzen stoßen
Denn hier ist die Krux: Viele KI-Lösungen im Kundenservice basieren auf Large Language Models (LLMs) mit Milliarden von Parametern. Ein solches System für eine einfache Adressänderung oder eine Rechnungsduplikats-Anfrage einzusetzen, ist die technologische Entsprechung dazu, mit einem Ferrari 400 Meter zum Bäcker zu fahren:
- Kosten: Die Token-Kosten und die notwendige Rechenpower sind für triviale Aufgaben ökonomisch schlicht nicht darstellbar.
- Komplexität: Ein hochintelligentes System neigt bei simplen Fakten paradoxerweise eher zu Halluzinationen als ein präzise definierter, regelbasierter Workflow.
Overengineering im Jahr 2026 ist kein Einzelfall mehr. Es droht, zum neuen Standard zu werden. Und die Ursache liegt selten in der Technologie, sondern fast immer in einem fehlenden Zielbild: Welche Aufgaben soll die KI konkret lösen, für welches Volumen, und auf welcher Datenbasis?
Die Oktanzahl entscheidet: Warum KI ohne Datenarchitektur nicht funktioniert
Denn hier liegt der eigentliche blinde Fleck: Die meisten Unternehmen investieren in die Technologie und das Modell – aber nicht in den Treibstoff. Ein LLM ist nur so gut wie die Daten, auf denen es arbeitet – und in der Realität vieler Service-Organisationen fehlt genau das, was ein KI-System braucht, um zuverlässig zu funktionieren:
- Die Wissensbasis ist veraltet, fragmentiert oder nicht genug strukturiert
- CRM-Daten sind lückenhaft – Kundendaten oder Interaktionshistorien fehlen
- Tickets sind nicht sauber gepflegt bzw. gelabelt, Kundenkontexte existieren in Silos
- Prozessdaten, Policies und Produktinformationen liegen in Formaten vor, die kein Modell ohne erhebliche Aufbereitung verarbeiten kann
Die Konsequenz ist vorhersehbar: Ohne diese Datentiefe liefert selbst das leistungsstärkste LLM schlechte Antwortqualität. Es halluziniert, wo es nachschlagen müsste. Es eskaliert, wo es lösen könnte. Es erzeugt Schleifen statt Abschlüsse. Aus „intelligenter Automatisierung” wird ein teurer Textgenerator – mit mehr Nacharbeit im 2nd Level als ohne KI.
Hinzu kommt ein Sizing-Problem, das viele unterschätzen: Die KI-Technologie muss zum tatsächlichen Transaktionsvolumen passen. Ein Unternehmen mit 10.000 Servicekontakten im Monat braucht eine grundlegend andere Architektur als eines mit 500.000. Wer ein Enterprise-System für kleine Volumina einsetzt, zahlt nicht nur zu viel – er erreicht auch schlechtere Ergebnisse, weil das System schlicht nicht genug Daten bekommt, um zu lernen. Die Erkennungsquoten bleiben niedrig, die Bearbeitungsquoten enttäuschend, und der versprochene ROI bleibt aus.
Die richtige Reihenfolge lautet daher: Erst das Datenfundament und das Zielbild, dann das Tool – nicht umgekehrt. Wer diese Reihenfolge missachtet, kauft sich einen Ferrari, aber tankt Leitungswasser.
Liquid Expectations und die Gefahr intentionaler Friktion
Kundenerwartungen sind heutzutage „fluide”. Wenn die Interaktion mit dem Kundenservice ernüchternd ist, ist der Wechsel nur einen Klick entfernt: 45–70 % der Konsumenten verlassen einen Anbieter aufgrund schlechter Serviceerfahrungen. Und „schlecht” definiert sich längst nicht mehr an der Branche, sondern am besten digitalen Erlebnis, das der Kunde kennt – ob Amazon, Uber oder die Lieblings-App.
Oft werden Technologien und insbesondere KI dabei heute missbräuchlich als digitale Brandschutzmauer eingesetzt – eine „intentionale Friktion“, die den Kunden vom teuren menschlichen Kontakt fernhalten soll. Das Ergebnis sind „gefangene Kunden“ in Chat-Schleifen. Das ist die kurzsichtigste Form der Kostenoptimierung, denn sie zerstört das Fundament jeder Marke: Vertrauen. Über 90 % der Kunden fordern, dass ihr Anliegen bereits beim ersten Kontakt gelöst wird. Mit jeder weiteren notwendigen Interaktion schwindet nicht nur die Geduld, sondern auch die Kundenzufriedenheit und der Customer Lifetime Value.
Genau deshalb ist die Datenfrage kein IT-Thema, sondern ein Strategie- und Kundenbindungsthema. Wer KI einsetzt, deren Datenbasis nicht stimmt, erzeugt nicht einfach nur Ineffizienz – er erschafft ebenso aktiv Friktion. Und Friktion ist in einem Markt mit fluiden Erwartungen das teuerste Risiko überhaupt.
Die 12-Minuten-Chance: Service als Sales-Hebel
In Branchen wie z. B. dem Energiesektor summiert sich die direkte Interaktionszeit pro Kunde häufig auf nur rund zwölf Minuten pro Jahr. In der Praxis wird ein Großteil davon durch Routinethemen wie Adressänderungen, Zählerstände oder Rückfragen zu Rechnungen gebunden – und für echte Wertschöpfung bleiben oft nur ein bis zwei Minuten.
Genau hier liegt ein Hebel, den viele Unternehmen unterschätzen: Ein hocheffizienter Serviceprozess ist nicht nur Kostenfaktor, sondern ein starkes Verkaufsargument. Er schafft Raum, um Kunden situativ und passgenau Up- und Cross-Selling-Angebote zu machen – ohne dass es „nach Vertrieb“ wirkt. Voraussetzung ist eine strategisch designte Servicearchitektur als Fundament.
Aber – und das ist der entscheidende Punkt – dieser Hebel funktioniert nur, wenn die Routinefälle wirklich zuverlässig automatisiert sind. Und das bringt uns zurück zur Datenfrage: Wenn die Knowledge Base lückenhaft ist, wenn CRM-Daten nicht in Echtzeit verfügbar sind, wenn Prozesslogiken nicht sauber in die Automatisierung überführt wurden, dann werden aus den zwölf Minuten nicht „elf Minuten Routine plus eine Minute Wertschöpfung" – dann werden es zwölf Minuten Frust.
Wertbasierte Empathie: Keine KI-Warteschleife, wenn es zählt
Innovation heißt: mithilfe von Echtzeit-Daten zu entscheiden, welcher Fall sofort menschliche Unterstützung braucht – und welcher schnell digital gelöst werden kann. In der Praxis bewährt sich dabei eine Zwei-Level-Struktur:
Level 1 (Digital & Automatisiert): Standardfälle durchlaufen hocheffiziente, intuitive Prozesse. Hier werden rund 85–95 % der Anfragen direkt und automatisiert gelöst – mit minimalem Aufwand für den Kunden und minimalem Kosteneinsatz. Voraussetzung: saubere Prozessdaten, eine gepflegte Wissensbasis und regelbasierte Workflows, die das richtige Tool für die richtige Aufgabe einsetzen.
Level 2 (Mensch & KI-Copilot): Wenn ein Kunde frustriert ist oder der Fall geschäftskritisch oder sehr komplex wird, sollte sofort ein Mensch übernehmen – unterstützt durch Kontextdaten und KI-Empfehlungen in Echtzeit. Das betrifft die verbleibenden 5–15 % der Fälle, in denen menschliche Urteilskraft den Unterschied macht. Hier wird aus dem Servicekontakt ein Bindungsmoment – und oft der Ausgangspunkt für Upselling, das der Kunde nicht als Verkauf, sondern als Hilfe empfindet.
Fünf disruptive Use Cases für den Kundenservice 2026
Um das Ferrari-Paradoxon aufzulösen, muss die Technologie zur Problemstellung passen. Jeder der folgenden Use Cases setzt voraus, dass Volumen, Datenreife und Zielbild aufeinander abgestimmt sind. Ohne diese Passung bleibt jeder Use Case ein Versprechen auf dem Papier.
- Conversational AI & Self-Service: Intuitive Portale mit NLP-basierter Prozessintelligenz für echte 24/7-Lösungen, die den Kunden nicht abwimmeln, sondern zum Abschluss bringen. Entscheidend: Die zugrunde liegende Knowledge Base muss aktuell, strukturiert und vollständig sein – sonst produziert der Bot Halluzinationen statt Lösungen.
- KI-Co-Pilot am Telefon: Live-Sentiment-Analyse und proaktive Antwortvorschläge basierend auf strukturiertem Knowledge-Management, die den Agenten im 2nd Level zum strategischen Berater aufwerten. Die Qualität steht und fällt mit der Tiefe der CRM-Daten und der Interaktionshistorie – ohne Kontext bleibt der Copilot blind.
- Intelligentes Case Routing: Automatische Klassifizierung, die komplexe Fälle sofort an den Experten mit dem passenden Skill-Profil leitet, statt den Kunden in der Menüführung zu verlieren. Voraussetzung: sauber gelabelte Tickets und strukturierte Prozessdaten. Wer hier Abkürzungen nimmt, verlagert das Problem nur von der Warteschleife in die Fehlzuweisung.
- Demand Forecasting: Nutzung von Markt- und Wetterdaten, um Anfragewellen vorherzusehen und den Kunden proaktiv zu informieren – bevor er zum Hörer greifen muss. Die Datenbasis muss dafür über den klassischen CRM-Horizont hinausgehen.
- Next Best Action: Datengetriebene Angebote, die exakt zum Moment der Customer Journey passen und jeden Servicekontakt in eine wertschöpfende Interaktion verwandeln. Hier schließt sich der Kreis zur 12-Minuten-Chance: Nur wenn die Routine automatisiert ist und der Kundenkontext in Echtzeit vorliegt, entsteht der Raum für das richtige Angebot im richtigen Moment.
Mit diesen Innovationen steuern Sie nicht nur die Kosten, sondern steigern den Wert der gesamten Kundenbeziehung.
Fazit: Das Ende der Prestige-Investition
Service-Exzellenz im Jahr 2026 ist kein Software-Kauf, sondern eine tiefgehende strategische Architektur-Entscheidung. Wer den Scale-Mismatch vermeidet und Empathie dort einsetzt, wo sie wirkt, macht Service zum stärksten Wachstumstreiber – und erhöht sein Umsatzpotenzial durch smartes Up- und Cross-Selling.
Der Ferrari in der Garage ist beeindruckend. Aber der richtige Wagen mit dem richtigen Treibstoff auf der richtigen Strecke gewinnt das Rennen.
Sie möchten Ihre Service-Architektur zukunftssicher machen? Dann kontaktieren Sie gerne unsere Simon-Kucher-Experten.
