KI-Agent im Kundenservice: So automatisieren wir 80 % der Anfragen

Die meisten Supportteams beantworten tagein, tagaus dieselben paar Dutzend Fragen: Preise, Lieferzeiten, Öffnungszeiten, Bestellstatus, Schritt-für-Schritt-Anleitungen. Genau hier setzt KI im Kundenservice an: Ein KI-Agent kann Ihrem Team diese Anfragen abnehmen – aber nur, wenn er richtig gebaut ist. Ein schlecht gebauter Bot erfindet Antworten, verärgert Kunden und verursacht mehr Arbeit, als er spart.

In diesem Artikel zeigen wir, wie wir KI-Agenten für den Kundenservice bauen, die bis zu 80 % der Anfragen selbstständig lösen, wie die übrigen 20 % aussehen, wie Sie die Wissensbasis dahinter aufbauen, wie Sie den Business Case für Ihr eigenes Team berechnen – und wann Sie besser ganz auf einen KI-Agenten verzichten. Die Kernzahlen stammen aus einem Live-Projekt.

Was ist ein KI-Agent im Kundenservice?

Ein KI-Agent im Kundenservice ist ein Assistent, der Kundenfragen in Ihren Kanälen – Website, WhatsApp, Telegram, E-Mail – auf Basis Ihres eigenen Wissens beantwortet. Anders als die regelbasierten Chatbots früherer Jahre versteht er frei formulierte Fragen, findet die passenden Informationen in Ihren Dokumenten und formuliert eine natürliche Antwort. Anders als ein generischer KI-Chatbot ist er auf das beschränkt, was Ihr Unternehmen tatsächlich weiß – und übergibt an einen Menschen, wenn es nötig ist. Für Unternehmen ist genau das der Unterschied zwischen einem nützlichen KI-Chatbot und einem Risiko.

Wie löst ein KI-Agent bis zu 80 % der Anfragen?

Der Schlüssel ist nicht das Sprachmodell – sondern alles drumherum. Jede Anfrage durchläuft dieselben Schritte:

1. Die Frage verstehen – auch mit Tippfehlern, gemischten Sprachen und mehreren Fragen in einer Nachricht.
2. Die Wissensbasis durchsuchen – Dokumente, FAQs, Preislisten, Richtlinien, frühere Gespräche.
3. Eine Antwort entwerfen – ausschließlich auf Basis der gefundenen Inhalte, im Ton Ihrer Marke.
4. Die Sicherheit prüfen – ist die Antwort vollständig durch die Quellen gedeckt? Ist das Thema heikel?
5. Antworten oder übergeben – im Zweifel gibt der Agent das Gespräch mit einer Zusammenfassung an Ihr Team weiter.

Dieser Ansatz heißt Retrieval-Augmented Generation (RAG). Deshalb sprechen wir von einem RAG-Chatbot und nicht von „KI, die alles weiß“. Genau das verhindert, dass der Agent etwas erfindet: keine Quelle, keine Antwort.

Wie sieht eine gute Übergabe an einen Menschen aus?

Bei der Übergabe entscheiden Kunden, ob sie Ihrem KI-Kundenservice vertrauen. Hier ein kurzes, frei erfundenes Beispiel – kein Protokoll eines echten Kunden – für ein Gespräch, das als Routinefrage beginnt und bei einem Menschen endet:

Kunde: Hallo, wie lange dauert die Lieferung nach Österreich? Und bei meiner letzten Bestellung war der Deckel kaputt.

Agent: Die Lieferung nach Österreich dauert in der Regel 3–5 Werktage. Das mit dem Deckel tut mir leid. Beschädigte Ware bearbeitet unser Serviceteam, damit es Ersatz oder eine Erstattung veranlassen kann – ich gebe Ihr Anliegen jetzt dorthin weiter. Könnten Sie mir Ihre Bestellnummer und ein Foto des Schadens schicken, damit das Team nicht noch einmal nachfragen muss?

Kunde: Bestellung 10482, Foto anbei.

Agent: Vielen Dank. Ein Kollege übernimmt heute während der Geschäftszeiten hier im Chat. Sie müssen nichts wiederholen.

Was diese Übergabe gut macht: Der Agent beantwortet den Teil, den er beantworten kann (die Lieferzeit aus der Wissensbasis), erkennt den Teil, den er nicht allein lösen sollte (eine Reklamation), sammelt, was das Team braucht, und weckt eine ehrliche Erwartung. Das Team erhält Bestellnummer, Foto und eine einzeilige Zusammenfassung. (Die Lieferzeit ist ein Platzhalter; in der Praxis kommt sie aus Ihren Versandbedingungen.)

Wie bauen Sie die Wissensbasis für einen RAG-Chatbot auf?

Bevor überhaupt KI ins Spiel kommt, führen wir ein Wissens-Audit durch. Unserer Erfahrung nach sind die meisten Probleme mit der Antwortqualität Wissensprobleme, keine KI-Probleme – diese Phase entscheidet mehr als die Wahl des Modells.

Was Sie sammeln sollten

Echte frühere Gespräche sind die mit Abstand beste Quelle: Sie zeigen, wie Kunden ihre Fragen tatsächlich formulieren, welche Themen am häufigsten vorkommen und wo Ihre schriftlichen Unterlagen schweigen. Fragen Sie Ihr Team nach den Antworten, die „doch jeder weiß“, und schreiben Sie sie auf.

Wie Sie Preislisten und Tabellen strukturieren

An Preislisten scheitern Standard-Setups am häufigsten. Wird eine PDF-Tabelle in beliebige Textabschnitte zerlegt, geht die Verbindung zwischen Produkt, Variante und Preis verloren – und der Agent antwortet mit der falschen Zeile. Wir wandeln Preislisten in saubere Einträge mit genau einem Artikel pro Eintrag um: Produkt, Variante, Preis, Währung, ob die Mehrwertsteuer enthalten ist, Gültigkeitsdatum und etwaige Bedingungen. Ändern sich Preise häufig, sollte die Wissensbasis sie direkt aus dem System lesen, in dem sie gepflegt werden, statt aus einer Kopie.

Wie Sie mit Widersprüchen umgehen

Fast jedes Unternehmen hat sie: Auf der Website stehen 14 Tage Rückgaberecht, in einem alten PDF 30 Tage, und das Team macht, was der Kunde gerade braucht. Vor dem Start listen wir jeden gefundenen Widerspruch auf und lassen eine verantwortliche Person entscheiden, welche Version gilt. Veraltete Dokumente werden entfernt, nicht nur „niedriger gewichtet“. Jede Quelle bekommt einen Verantwortlichen und ein Prüfdatum – so fällt der nächste Widerspruch einem Menschen auf, nicht einem Kunden.

Was braucht ein KI-Chatbot im Unternehmen noch?

Suche, Tonalität und Grenzen

Dokumente werden in sinnvolle Abschnitte gegliedert und indexiert, damit der Agent den richtigen Absatz findet, nicht nur das richtige Dokument. Wir legen fest, wie der Agent spricht – förmlich oder locker, knapp oder ausführlich – und was er niemals tun darf: Rabatte versprechen, Rechtsberatung geben, über Wettbewerber sprechen. Diese Regeln werden getestet, nicht nur aufgeschrieben.

Integrationen

Um „Wo ist meine Bestellung?“ zu beantworten, braucht der Agent Zugriff auf das Bestellsystem; um einen Termin zu verschieben, auf den Kalender. Wir binden diese Systeme über APIs oder Automatisierungstools an – unser Vergleich von n8n, Make und Zapier zeigt die Optionen.

Tests mit echten Fragen

Vor dem Start lassen wir den Agenten Hunderte echter, anonymisierter Kundenfragen beantworten und bewerten die Antworten. Erst wenn Genauigkeit und Tonalität stimmen, geht er live.

Welche Anfragen kann KI lösen – und welche sollte ein Mensch übernehmen?

Die 20 %, die an Menschen gehen, sind genau die Gespräche, in denen Menschen den Unterschied machen. Das ist der eigentliche Nutzen: Ihr Team beantwortet nicht mehr „Was kostet das?“, sondern kümmert sich um die Fälle, die Kunden langfristig binden.

Lohnt es sich, den Kundensupport zu automatisieren? So berechnen Sie den Business Case

Sie brauchen kein Versprechen eines Anbieters, um den Nutzen abzuschätzen – Sie brauchen vier Zahlen aus Ihren eigenen Supportdaten:

Eingesparte Stunden pro Monat = Anfragen pro Monat × automatisierbarer Anteil × Minuten pro Anfrage ÷ 60

Wert pro Monat = eingesparte Stunden × Vollkosten pro Stunde eines Supportmitarbeiters

Ein rein illustratives Rechenbeispiel mit angenommenen Zahlen – kein Kundenergebnis:

Drei Dinge halten die Schätzung ehrlich. Erstens: Setzen Sie nicht einfach 80 % ein, nur weil unser Projekt diesen Wert erreicht – markieren Sie stattdessen eine Stichprobe von einigen Hundert echten Anfragen und zählen Sie, wie viele sich aus dokumentiertem Wissen beantworten lassen. Zweitens: Ziehen Sie die laufenden Kosten ab – Modell und Hosting sowie die Zeit Ihres Teams für die Prüfung von Antworten und die Pflege der Wissensbasis. Drittens: Berücksichtigen Sie den Nutzen, der sich nicht in Stunden zeigt – Antworten außerhalb der Geschäftszeiten, keine Warteschlange in Spitzenzeiten und ein Team, das sich auf die schwierigeren 20 % konzentriert. Für eine schnelle Schätzung auf Basis eingesparter Stunden und Ihres Stundensatzes nutzen Sie unseren ROI-Rechner.

Wie messen Sie den Erfolg eines KI-Agenten im Kundenservice?

Wir verfolgen vom ersten Tag an vier Kennzahlen:

• Lösungsquote – Anteil der Gespräche, die ohne Mitarbeiter abgeschlossen werden. In unserem Live-Projekt: 80 %.
• Kundenzufriedenheit – Bewertung am Ende des Gesprächs. In unserem Live-Projekt: 70 % positiv.
• Übergabegründe – warum der Agent einen Fall weitergegeben hat. Das ist die To-do-Liste für die Verbesserung der Wissensbasis.
• Antwortgenauigkeit – Stichproben, die das Team jede Woche prüft.

Die Lösungsquote allein kann in die Irre führen – ein Bot, der nie übergibt, hat eine „Lösungsquote von 100 %“ und verärgerte Kunden. Deshalb betrachten wir sie immer zusammen mit der Zufriedenheit und den Übergabegründen.

Funktioniert ein KI-Agent über mehrere Kanäle und Sprachen hinweg?

Ja. Eine einzige Wissensbasis bedient Website-Chat, WhatsApp, Telegram, Instagram, E-Mail und Telefon. Je Kanal ändert sich nur das Format: kurze Nachrichten ohne Tabellen in WhatsApp, eine vollständige, gegliederte Antwort per E-Mail, keine anklickbaren Links am Telefon.

Mehrsprachiger Support funktioniert genauso. Ihre Wissensbasis kann in einer Sprache bleiben; der Agent antwortet in der Sprache des Kunden. Zwei Details sind wichtig: Preise, rechtliche Begriffe und Produktnamen sollten in jeder angebotenen Sprache geprüft werden, und Übergabe-Zusammenfassungen sollten in der Arbeitssprache Ihres Teams verfasst sein – auch wenn der Kunde in einer anderen Sprache geschrieben hat.

Wann sollten Sie keinen KI-Agenten im Kundenservice einsetzen?

Ein KI-Agent ist nicht für jedes Team die richtige Lösung. Unserer Erfahrung nach lohnt er sich meist nicht, wenn:

• das Volumen gering ist. Beantwortet Ihr Team nur eine Handvoll Anfragen pro Tag, reicht oft eine gut gepflegte FAQ-Seite.
• fast jede Anfrage individuell ist. Individuelle Projekte, Verhandlungen und komplexe B2B-Fälle wiederholen sich selten genug für eine Automatisierung.
• das Wissen nirgends steht und niemand es pflegen will. Ohne gepflegte Wissensbasis sinkt die Genauigkeit schnell.
• die Antworten regulierte Beratung sind. Rechtliche, medizinische oder finanzielle Empfehlungen gehören zu qualifizierten Menschen.
• niemand die Übergaben annehmen kann. Ein Agent, der an ein leeres Postfach übergibt, ist schlechter als gar kein Agent.

Was sind die häufigsten Fehler?

• Das Modell aus Allgemeinwissen antworten lassen. Es klingt überzeugend und liegt bei Ihren Preisen trotzdem falsch. Beschränken Sie es auf Ihre Quellen.
• Kein Ausweg. Kunden, die keinen Menschen erreichen, wandern ab. Machen Sie die Übergabe einfach und sichtbar.
• Verschweigen, dass es KI ist. Seit August 2026 verpflichtet der EU AI Act Chatbots, offenzulegen, dass Nutzer mit einer KI sprechen – mehr dazu in unserem Leitfaden zu Artikel 50 (keine Rechtsberatung). Kunden stört das nicht; sie stören sich an langsamen oder falschen Antworten.
• Starten und vergessen. Produkte, Preise und Richtlinien ändern sich. Ohne Aktualisierung sinkt die Genauigkeit innerhalb weniger Wochen.
• Nur Kosteneinsparungen messen. Sinkt die Zufriedenheit, verschwinden die Einsparungen durch Kundenabwanderung.

Wie lange dauert die Einführung und was brauchen Sie?

Ein erster Agent für einen Kanal ist in der Regel innerhalb weniger Wochen live. Von Ihrer Seite brauchen wir Zugriff auf Ihre Dokumentation und frühere Gespräche, eine Person, die die Antworten kennt und Testergebnisse prüfen kann, sowie Zugang zu den Kanälen und Systemen, mit denen der Agent arbeiten soll. Wenn Sie sensible Kundendaten verarbeiten, kann der Agent auch auf einem lokalen Modell in Ihrer eigenen Infrastruktur laufen. Mehr zu unserem Ansatz finden Sie auf der Seite KI-Agenten & Chatbots.

Sie möchten wissen, welchen Anteil Ihrer Anfragen ein KI-Agent lösen könnte? Schicken Sie uns eine Stichprobe anonymisierter Fragen und vereinbaren Sie ein kostenloses Gespräch – wir geben Ihnen eine ehrliche Einschätzung.