Erst die Daten, dann der Bot

Kurz gesagt. Die meisten KI-Pilotprojekte starten nie, weil die Ambition zu groß war. Andere sehen beeindruckend aus, verändern aber nichts, weil sie von Daten abhängen, die das Modell nicht erreichen konnte oder nicht vertrauen sollte. Verbringen Sie einen Nachmittag mit Ihren Datenquellen, und beginnen Sie dann mit einem Anwendungsfall, der keine Integration braucht und Sie nicht blamieren kann.

Meist ist eines von drei Dingen wahr. Sie haben die Daten nicht, sie sind nicht strukturiert, oder sie stecken in der Erfahrung von Menschen, die seit Jahren dabei sind. Letzteres kommt am häufigsten vor und ist am schmeichelhaftesten zu ignorieren.

Wo dieser Artikel in der Serie steht

Dies ist der dritte von vier zusammenhängenden Artikeln über den Weg vom Warteschlangenmanagement zur Verantwortung für die Kundenreise.

Inzwischen sollten zwei Dinge auf Papier stehen. Teil eins gab Ihnen eine Woche protokollierter Kontaktursachen und einen Verantwortlichen mit Einfluss über das Contact Center hinaus. Teil zwei machte daraus eine Kanalkarte, plus eine geschriebene Liste der Dinge, die Sie niemals automatisieren.

Dieser Teil stellt die Frage, die diese beiden Dokumente allein nicht beantworten können: Sind Ihre Daten gut genug, um die automatisierten Teile dieser Karte zu tragen. Er legt auch die zwei Ziele fest, über die Sie in den nächsten zwei Jahren berichten, eines für die Kosten und eines für den Kunden. Teil vier nimmt diese Ziele und baut die Schleife, die sie ehrlich hält.

Ein Nachmittag mit Ihren Datenquellen

Listen Sie jede Quelle auf, die zählt: Interaktionshistorie, IVR- und Routing-Daten, Aufzeichnungen und Transkripte, CRM, Wissensdatenbank, und Ihr Auftrags- oder Ticketsystem. Beantworten Sie für jede drei Fragen. Ist sie vollständig. Ist sie aktuell. Kann ein KI-Agent sie über eine API erreichen.

Drei Spalten, sechs Zeilen, an einem Nachmittag erledigt. Es reicht meist, um den Blocker zu finden, und der Blocker ist meist die Wissensdatenbank. Nicht die Technik, sondern die Tatsache, dass niemand sie verantwortet. Artikel, die vor zwei Jahren korrekt waren, sind schlimmer als keine Artikel, denn ein Bot zitiert sie mit voller Überzeugung.

Stellen Sie Ihrem CRM dieselben drei Fragen. Ist es vollständig, und gibt es Ihnen ein echtes 360-Grad-Bild eines Kunden, oder eine Handvoll Fragmente. Wenn nicht genug im System steckt, gibt KI mit Überzeugung die falsche Antwort.

Der Markt ist zum selben Schluss gekommen. In der 2026-Studie von DMG Consulting ist Reporting, Analytics und Business Intelligence die geplante Investition Nummer eins mit 41%, vor KI-Infrastruktur. Datenqualität ist mit 37,1% eine gemeinsame Hauptsorge. Die Analystenberichterstattung zum CCaaS-Markt 2026 landet am selben Punkt: Datenpipelines absichern und Wissensdatenbanken schärfen kommt vor autonomem Service, nicht danach. Ein Allzweck-Sprachmodell, das in eine unordentliche Datenlandschaft geworfen wird, ist für die meiste Kundenservice-Arbeit nicht geeignet.

"Eine Wissensdatenbank, die nur im Kopf von jemandem mit fünfzehn Jahren Betriebszugehörigkeit existiert, ist keine Wissensdatenbank."

Sie ist auch ein Single Point of Failure, den niemand auf einem Risikoregister hat. Der Test ist einfach. Wenn diese Person nächsten Monat ginge, wie viel Ihrer Servicequalität ginge mit ihr? Diese Zahl ist Ihre echte Automatisierungsreife, und sie liegt meist niedriger, als die Plattform-Demo vermuten lässt.

Fangen Sie innen an. Drei Anwendungsfälle ohne Integration

Unser Rat ist meist, dort zu beginnen, wo das Datenproblem Sie nicht blockiert. Leichte Fälle, echte Wirkung, kein Kundenrisiko.

Gesprächszusammenfassungen. Die Leute merken die gesparte Zeit. Der echte Gewinn ist Konsistenz. Sie legen das Format einmal fest, im Prompt. Stichpunkte oder Fließtext, immer drei Handlungspunkte. Jetzt haben Sie Aufzeichnungen, die Sie analysieren können, statt vierzig persönlicher Stile.

Verstehen, worüber die Leute Sie eigentlich kontaktieren. Die meisten Organisationen wissen es nicht. Was sie haben, ist derjenige mit der lautesten Stimme in der Abteilung, der sagt: schon wieder das, das habe ich ständig. Automatisiertes Qualitätsmonitoring bei jedem Gespräch zeigt die Ursache, nicht nur das Thema, was die manuelle Übung aus Teil eins ist, die kontinuierlich statt eine Woche lang läuft. Wenn sich ein großer Teil der Kontakte auf ein Abrechnungsproblem zurückführen lässt, ist das kein Contact-Center-Problem. Das ist ein Gespräch mit der Abrechnungsabteilung, und jetzt haben Sie den Beweis, um es zu beginnen.

Coaching. Die traditionelle Version ist ein Supervisor und drei aufgezeichnete Gespräche alle paar Wochen, und ein Agent, der immer argumentieren kann, dass Sie die falschen drei gewählt haben. Alle vier Wochen drei Gesprächen zuzuhören ist eine subjektive Stichprobe. Alle anzuschauen gibt Ihnen einen Trend, und einen Trend können Sie coachen. Es geht darum, den Agenten besser zu machen, nicht die Diskussion zu gewinnen.

Wählen Sie einen ersten kundenseitigen Anwendungsfall, der Sie nicht blamieren kann

Wenn Sie nach außen gehen, nutzen Sie klare Kriterien: hohes Volumen, geringe Variation, geringes emotionales Gewicht, Daten bereits verfügbar, und messbar. Das weist meist auf Auftrags- und Lieferstatus, Öffnungszeiten und einfache FAQs, oder das Verschieben eines Termins.

Gleichen Sie die Shortlist mit der Niemals-automatisieren-Liste aus Teil zwei ab, bevor etwas live geht. Berührt ein Kandidat Trauer, Verletzlichkeit oder Sicherheit, kommt er von der Liste, egal wie gut er beim Volumen abschneidet.

Und nutzen Sie zuerst das Ursachenprotokoll aus Teil eins. Wenn unklare Rechnungen Ihre größte Kontaktursache sind, ist der schnellste Gewinn vielleicht gar keine Automatisierung. Vielleicht ist es ein Satz, den Sie auf der Rechnung ändern.

Es hilft, realistisch zu sein, wo der Markt wirklich steht. Gartners Schlagzeilenprognose ist, dass agentische KI bis 2029 80% der häufigen Kundenservice-Anliegen autonom lösen wird. Heute gemessen legen Branchenüberblicke die tatsächliche Self-Service-Lösung näher bei 14%, und nur etwa einer von fünf Agenten berichtet überhaupt, generative KI-Tools zu haben. Die Lücke zwischen der Prognose und dem Boden ist kein Grund zu warten. Sie ist ein Grund, schmal zu beginnen, es zu beweisen, und aus Belegen statt aus einer Folie zu wachsen.

Ein Kundenziel, neben dem Kostenziel

Kosten sind ein legitimer Grund zu investieren. Im Moment sind sie fast der einzige. In der DMG-Studie ist Betriebskosten senken und Skalierbarkeit erhöhen das primäre KI-Ziel für 60,5% der Befragten. Die Kundenerfahrung mit personalisierter, KI-gesteuerter Interaktion verbessern kommt auf Platz sechs, mit 28,7%.

Wenn Kosten Ihre einzige KPI sind, ist in zwei Jahren das einzige verbleibende Gespräch die Marge. Ein reiner Kosten-Business-Case optimiert auf Containment, und Containment ist leicht zu fälschen. Fangen Sie 40% der Kontakte ab und nennen Sie es einen Erfolg, während die 60%, die eskalieren, länger warten und sich zweimal wiederholen.

Wählen Sie also eine Kundenmetrik, die Sie vor Ihrem Vorstand verteidigen würden, und berichten Sie sie von Tag eins an neben den Einsparungen. First Contact Resolution bei Ihren drei häufigsten Kontaktgründen. Lösungszeit für Kunden, die einen Menschen erreichen. Zufriedenheit speziell bei automatisierten Kontakten gemessen, nicht in den Durchschnitt gemischt. Eine Zahl reicht. Sie hält den Business Case ehrlich, wenn das zweite Jahr der Budgetgespräche kommt.

Machen Sie diese Woche

• Bauen Sie die dreispaltige Liste Ihrer Datenquellen
• Benennen Sie einen Verantwortlichen für die Wissensdatenbank
• Schreiben Sie Ihr Kostenziel und ein Kundenziel auf, auf derselben Seite

Checkliste, Teil 3

• Primäres Ziel für KI ausdrücklich benannt
• Ein messbares Kundenziel neben dem Kostenziel
• Datenquellen auf Vollständigkeit, Aktualität und API-Zugang geprüft
• Wissensdatenbank hat einen benannten Verantwortlichen
• CRM auf ein echtes Kundenbild geprüft, keine Fragmente
• Erster Anwendungsfall nach Volumen, Variation, Risiko und Messbarkeit gewählt
• Interner Anwendungsfall erwogen, bevor etwas kundenseitig geht
• Geprüft, ob eine Änderung weiter vorne die Automatisierung schlägt

Weiter in dieser Serie

Sie haben nun zwei Ziele auf einer Seite und einen ersten Anwendungsfall, der schmal genug ist, um ihn zu beweisen. Teil vier, Einschalten, messen und abschalten können, behandelt, was nach dem Go-live passiert: die vier Dinge, die zu messen lohnt, den Rhythmus einer Änderung pro Monat, und warum etwas abzuschalten als Erfolg zählt statt als Misserfolg.

Lesen Sie die ganze Serie

Diese vier Artikel sind geschrieben, um in der Reihenfolge gelesen zu werden. Jeder liefert etwas, das der nächste nutzt.

• Teil 1. Erst das Mandat, dann die Warteschlange. Wem gehört das Problem, und wie weit reicht sein Mandat.
• Teil 2. Erst den Kunden kennen, dann die Kanäle wählen. Welcher Kontaktgrund auf welchen Kanal gehört, und was Sie niemals automatisieren.
• Teil 3. Erst die Daten, dann der Bot (Sie lesen gerade diesen). Ob Ihre Daten unterstützen, was Sie automatisieren wollen, und wo Sie beginnen.
• Teil 4. Einschalten, messen und abschalten können. Die Schleife, die die ersten drei Teile nach dem Go-live am Leben hält.

Quelle: DMG Consulting LLC, 2026 CX AI Playbook: Strategic Outlook and Investment Priorities, Februar 2026, gesponsert von Five9. Zusätzliche Marktdaten von Gartner, Zendesk und öffentlichen Analystenkommentaren, abgerufen im August 2026.