Kundenservice mit AI-Assistenz: Was die Zahlen wirklich zeigen

Kein anderer Arbeitsbereich ist so gut untersucht wie der Kundenservice. Tickets sind zählbar, Bearbeitungszeiten werden ohnehin gemessen, und die Aufgaben wiederholen sich. Deshalb lohnt sich der genaue Blick: Hier lässt sich ablesen, was AI im Arbeitsalltag leistet, wenn man sie misst, statt sie zu schätzen.

Was die Studien zeigen

Die bislang wichtigste Untersuchung stammt von Erik Brynjolfsson, Danielle Li und Lindsey Raymond, veröffentlicht 2025 im Quarterly Journal of Economics. Sie haben den Einsatz eines AI-Assistenten bei 5.179 Support-MitarbeitendenS ausgewertet. Der Assistent schlug Antworten vor, Menschen prüften und verschickten sie. Im Schnitt lösten die Teams 14 % mehr Fälle pro StundeS. Bei neuen Mitarbeitenden waren es 34 %S, bei sehr erfahrenen kaum messbare Effekte. Dazu kamen bessere Kundenstimmung, weniger Eskalationen und eine geringere Fluktuation.

Die Lehre daraus: Der Assistent verteilt das Wissen der besten Leute an alle anderen. Wer neue Kolleginnen und Kollegen schneller produktiv machen will, findet hier den stärksten Hebel.

Das Gegenbeispiel Klarna

Klarna ging den anderen Weg. Im Februar 2024 meldete das Unternehmen, sein AI-Assistent habe im ersten Monat 2,3 Millionen GesprächeH geführt, rechnerisch die Arbeit von rund 700 Vollzeitkräften. Ab Mai 2025 stellte Klarna wieder Menschen im Service ein. CEO Sebastian Siemiatkowski räumte ein, der starke Kostenfokus habe zu geringerer Qualität geführt. Klarna betont zugleich, AI übernehme inzwischen die Arbeit von über 800 StellenH.

Beides kann stimmen. Vollautomatisierung spart Kosten. Ohne Qualitätsmessung bemerkt man den Preis dafür erst spät.

Ein Werkstattbeispiel

Wie konkret die Zeitgewinne bei der Ticket-Vorbereitung ausfallen können, zeigt ClickUp. Laut einer Fallstudie von Zapier sank dort die Recherchezeit pro Ticket von 15 auf 4 MinutenH, hochgerechnet über 917 Stunden im Monat. Das ist eine Unternehmensangabe ohne unabhängige Prüfung. Die Richtung deckt sich aber mit der Forschung: Gewinne entstehen dort, wo Menschen vorher suchen und zusammentragen mussten.

Der Ablauf

Der folgende Workflow kombiniert Klassifikation, Wissenssuche und Antwortentwurf. Der Mensch bleibt beim Versand und bei allen sensiblen Fällen am Steuer.

Entscheidend ist der letzte Schritt. Bearbeitungszeit, Wiederkontaktquote und Kundenzufriedenheit werden vor und nach der Einführung gemessen. Ohne Ausgangswert gibt es keinen belastbaren Vergleich.

Grenzen und Risiken

• Halluzinationen: Lass Antworten nur aus freigegebenen Help-Center-Artikeln erzeugen und zeig die Quelle im Entwurf an.
• Transparenz: Seit dem 2. August 2026 gilt Art. 50 AI Act. Wer Kundinnen und Kunden direkt mit einem Chatbot sprechen lässt, muss darauf hinweisen.
• Datenschutz: Tickets enthalten personenbezogene Daten. Ohne Auftragsverarbeitungsvertrag und Business-Lizenz gehört kein Ticket in ein AI-Tool.
• Qualität: Wer nur die Bearbeitungszeit misst, optimiert auf Tempo. Wiederkontakte und Zufriedenheit gehören in jedes Dashboard.

So startest du

1. Wähle eine Ticketkategorie mit hohem Volumen und klaren Antworten, zum Beispiel Lieferstatus oder Passwort.
2. Miss zwei Wochen lang Bearbeitungszeit und Wiederkontaktquote ohne AI.
3. Führe Antwortentwürfe mit Quellenangabe ein. Der Versand bleibt beim Team.
4. Vergleiche nach vier Wochen und entscheide pro Kategorie, ob du ausweitest.

Quellen

1. SBrynjolfsson, Li, Raymond: Generative AI at Work. Quarterly Journal of Economics 140(2), 2025
2. MForbes: Klarna Reverses On AI, Says Customers Like Talking To People, 18.05.2025
3. MFinTech Weekly: Klarna Reverses Course on AI Customer Support, 12.05.2025
4. HZapier Customer Stories (ClickUp)
5. RVerordnung (EU) 2024/1689 (AI Act), Art. 50