14.–20. SEPTEMBER 2026 · MARKETING · VERTRIEB · KUNDENSERVICE
Der Agent war fertig. Der Kunde erledigte die Mehrarbeit.
Wie Sie unnötigen Kundenaufwand erkennen, eine Behauptung über 3,2-mal mehr Verkäufe vor dem Kauf lesen und entscheiden, welchen Interessen eine KI-Empfehlung dienen soll.
Hallo, liebe Mitprüfer der Wäsche.
Stellen Sie sich diesen Supportchat vor. Er ist eine Illustration, kein gemeldeter Vorfall: Die Erstattung ging durch. Das Ticket wurde geschlossen. Das Dashboard wurde grün.
Der Kunde hatte auch dreimal seine Bestellnummer eingegeben und das Problem zweimal erklärt.
Das System erfasste eine erfolgreiche Erstattung. Es erfasste nicht, wie viel Aufwand der Kunde dafür betrieben hatte.
Diese Lücke zieht sich durch den Wash dieser Woche. Eine Aufgabe abschließen, mehr Verkäufe melden und eine Empfehlung geben kann alles beeindruckend aussehen. Jedes braucht eine andere Frage, bevor wir es nützlich nennen.
Hier sind drei Geschichten, die helfen, eine Customer Journey zu verbessern, einen Business Case zu hinterfragen und eine bessere Empfehlung zu geben. Dazu zwei kurze Prüfungen für die Menschen, die Kundendaten und Agentenanweisungen betreuen.
Die Erstattung ging durch. Warum war es trotzdem schwierig?
Es gibt zwei sehr unterschiedliche Gründe, warum ein Supportagent erneut nach Ihrer Bestellnummer fragt. Er muss vielleicht verifizieren, dass er die richtige Bestellung ändert. Oder er hat die Information bei der Weiterleitung verloren.
Das Erste kann Sie schützen. Beim Zweiten müssen Sie das System ausgleichen.
Ein neuer Preprint, RideWay, unterscheidet nützlich zwischen dem Abschließen einer Aufgabe und dem Abschließen ohne unnötiges Hin und Her. Er testet 24 Modelle mit 58 synthetischen chinesischsprachigen Fahrdienstaufgaben und bewertet neben erfolgreichem Abschluss auch übermäßige Gesprächs- und Tool-Nutzung.
Die bloße Zahl der Tool-Aufrufe sagte nicht zuverlässig voraus, welche Interaktion in der Studie bevorzugt würde. Die Einbeziehung des Gesprächs half. Einfach gesagt: Zu wissen, wie oft die Software handelte, reichte nicht, um das Erlebnis zu beurteilen.
Es waren synthetische Aufgaben, keine echten Kundenservicegespräche. Sie belegen nicht, dass ein kürzerer Chat Kunden zufriedener macht. Sie liefern eine nützliche Frage für unsere eigenen Systeme.
Hat der Kunde die Erstattung erhalten?
Warum musste ich so viel dafür tun?
Versuchen Sie das mit zehn gelösten Gesprächen.
Das ist unser vorgeschlagener Ausgangspunkt, keine statistisch repräsentative Studie. Notieren Sie für jedes Gespräch vier Dinge:
- Ergebnis: Wurde die Anfrage tatsächlich korrekt gelöst?
- Wiederholung: Was musste der Kunde mehr als einmal bereitstellen?
- Grund: War die Wiederholung zur Verifizierung nötig oder durch fehlende Informationen zwischen Systemen verursacht?
- Nächster Kontakt: Kam der Kunde innerhalb eines für die Anfrage passenden Nachbeobachtungszeitraums wegen desselben ungelösten Problems zurück?
Wenn dieselbe Information bei einer Übergabe immer wieder verloren geht, beginnen Sie dort. Ein menschlicher Berater könnte beispielsweise die verifizierte Bestellnummer, das bereits beschriebene Problem und die bereits versuchte Aktion erhalten. Prüfen Sie nach der Änderung eine weitere vergleichbare Gesprächsgruppe.
Belohnen Sie den Bot nicht einfach für weniger Fragen. Prüfen Sie, dass die Lösung korrekt bleibt und notwendige Identitätsprüfungen erhalten bleiben.
Das Ziel ist nicht das kürzeste Gespräch, sondern möglichst wenig unnötige Arbeit auf dem Weg zum richtigen Ergebnis.
Der Fleck bleibt sichtbar: Dies ist ein neuer Preprint mit synthetischen Aufgaben. Wir fanden keine unabhängige Replikation. Die Übertragung seiner Erkenntnis auf den Kundenservice ist unser vorgeschlagener Praxistest, kein durch die Studie belegtes Ergebnis.
Quelle: RideWay-Preprint
Bevor Sie 3,2-fach in den Business Case schreiben.
HubSpots Fall-Spotlight-Veröffentlichung berichtet von 3,2-mal mehr gewonnene Deals. Eine Zahl, die Sie gern in Ihrem nächsten Business Case hätten.
Heißt das aber, dass Ihr Team 3,2-mal mehr Verkäufe erwarten sollte?
Verglichen werden Pro- und Enterprise-Kunden, die KI mit hochwertigem Kontext nutzen, mit Pro- und Enterprise-Kunden ohne KI-Nutzung. Die Anmerkung zur Veröffentlichung beschreibt keinen randomisierten Vergleich.
Diese Aussagen sind nicht austauschbar:
Diese Kundengruppe gewann mehr Deals.
Aktivieren Sie diese Funktion, und Ihr Team gewinnt 3,2-mal mehr Deals.
Teams mit besseren Daten könnten auch bessere Vertriebsprozesse, mehr Ressourcen oder andere Kunden haben. Ohne Vergleichsmethodik können wir diese Möglichkeiten nicht von der KI-Wirkung trennen.
Nichts davon macht das Produkt nutzlos. HubSpot kündigte auch selbstaktualisierende CRM-Funktionen und einen Wert zur Kontextvollständigkeit an. Weniger manuelle Datenpflege ist ein nachvollziehbares Ziel. Ein vollständiges Feld muss trotzdem die richtigen Informationen enthalten.
Selbst wenn der Vergleich einen Vertriebszuwachs belegte, bliebe eine weitere Frage: Was braucht es, um dieses Ergebnis in Ihrem eigenen Team zu erzielen?
Das Modell schlägt vor. Das Steuerungsgerüst kontrolliert, was als Nächstes geschieht.
Das ist unsere allgemeinere betriebliche Lehre, keine Erkenntnis über HubSpots Schutzmaßnahmen: Das Modell in einem KI-System ist probabilistisch, kein festes Geschäftsregelwerk. Es kann einen plausiblen nächsten Schritt vorschlagen, der nicht korrekt ist.
Das Steuerungsgerüst ist das System um das Modell herum. Es liefert relevante Informationen, kontrolliert den Tool-Zugriff, prüft vorgeschlagene Aktionen und leitet Fälle zur menschlichen Prüfung weiter. Diese Kontrollen senken das Risiko; sie machen nicht jedes Urteil richtig.
Stellen Sie sich vor, eine KI liest ein Vertriebsgesprächsprotokoll. Der Käufer sagt: „Wir könnten im Oktober starten, wenn die Rechtsabteilung zustimmt.“ Die KI schlägt Oktober als Abschlussdatum vor und setzt die Verkaufschance auf zugesagt.
Das Datum klingt plausibel. Die Zusage ist nicht belegt. Eine funktionierende CRM-Aktualisierung könnte eine unbelegte Annahme direkt in die Prognose übertragen.
Vom Gespräch zur Prognose.
- 01Vor der Aktualisierung
Den richtigen Kunden und die richtige Verkaufschance zuordnen. Die Bedingung des Käufers bewahren, nicht nur den genannten Monat.
- 02Im Moment der Aktion
Einschränken, welche Felder der Agent ändern darf. Für ein vorgeschlagenes Datum und eine zugesagte Vertriebsphase muss nicht dieselbe Freigaberegel gelten.
- 03Wenn die Belege nicht ausreichen
Die Phase unverändert lassen und die vorgeschlagene Aktualisierung samt relevantem Protokollauszug an die kundenzuständige Person senden.
- 04Nach der Aktualisierung
Dokumentieren, was sich warum geändert hat, stichprobenartig auf Fehler prüfen und Korrekturen ermöglichen. Wiederkehrende Fehler zur Verbesserung des Workflows nutzen.
Das bedeutet durchgehende KI-Betreuung: Die erhaltenen Informationen, die möglichen Aktionen und die Folgen nach dem Handeln steuern. Nicht nur prüfen, ob eine Antwort erzeugt wurde.
Was gehört stattdessen in Ihren Business Case?
Trennen Sie Messbares von Erhofftem. Wenn der erste Einsatz CRM-Datensätze nach Gesprächen aktualisiert, schätzen Sie die Zeitersparnis nach Korrekturen und Prüfung. Führen Sie einen möglichen Vertriebszuwachs als separate, ausdrücklich unbewiesene Annahme.
Zur Illustration, nicht als HubSpot-Ergebnis: Ein Team spart monatlich 20 Stunden manueller Eingabe, verbringt aber acht Stunden mit Prüfung und Korrektur. Der Zeitgewinn beträgt 12 Stunden, nicht 20. Der Business Case braucht weiterhin Abonnement- und Nutzungskosten, Einrichtungsaufwand und eine Entscheidung, wofür diese 12 Stunden genutzt werden.
Ist der Vertriebsmultiplikator des Anbieters entscheidend für die Kaufgenehmigung, fragen Sie nach Messzeitraum, Gruppengrößen und dem Umgang mit Gruppenunterschieden. Sind diese Antworten nicht verfügbar, behandeln Sie den Multiplikator nicht als Ihre erwartete Rendite.
Das Produkt kann trotzdem kaufenswert sein. Es sollte kein unbelegtes Umsatzversprechen brauchen, um den ersten Versuch zu rechtfertigen.
Der Fleck bleibt sichtbar: Dies ist ein vom Anbieter berichteter Zusammenhang, kein unabhängiger Beleg für einen kausalen Vertriebszuwachs. Die Veröffentlichung liefert nicht genug Kohortendetails, um diese Frage zu klären.
Quelle: HubSpots Fall-Spotlight-Ankündigung und Vergleichshinweis
Für wen arbeitet die Empfehlung?
Letzte Woche betrachteten wir, wie KI die Käuferauswahlliste prägt. Die Frage dieser Woche ist konkreter: Was geschieht, wenn der Assistent den Verkäufer statt des Käufers vertritt?
In einer kontrollierten Hotelwahlstudie änderten Forschende die zugewiesene Assistentenrolle: den Reisenden oder die Buchungsplattform vertreten. In der Plattformrolle wurden gesponserte Einträge bei der Auswahl weniger abgewertet. Die stärkere Kennzeichnung „Sponsored“ statt „Promoted“ beseitigte diese Lücke nicht.
Die Hoteloptionen blieben gleich. Die Anweisungen dazu, wen der Assistent vertreten sollte, änderten sich.
Das ist eine Studie in einem einzelnen Bereich mit einer Interaktion über mehrere Modelle hinweg, kein Beleg dafür, dass ein bestimmter realer Assistent heimlich Käufe lenkt. Die Übertragung auf Ihren eigenen Empfehlungsprozess ist eine Untersuchungsfrage, kein bewiesenes Ergebnis.
Die nützliche Entscheidung lautet, wessen Interessen Vorrang haben.
Stellen Sie sich einen Assistenten vor, der Abonnements empfiehlt. Der Kunde braucht zwei Funktionen. Beide sind im günstigeren Tarif enthalten. Ihr Vertriebsteam würde den größeren Vertrag bevorzugen.
Was sollte der Assistent empfehlen? Das ist eine geschäftliche Entscheidung, die vor Anweisungen wie „Sei hilfreich und maximiere die Conversion“ getroffen werden muss. Diese Ziele können kollidieren.
Würden Sie es weiterhin eine gute Empfehlung nennen, wenn der Kunde die günstigere Option kauft, weil sie seinen Bedürfnissen entspricht?
Wenn ja, machen Sie dieses Verhalten zu einem Teil Ihrer Bewertung des Assistenten. Ein höherer durchschnittlicher Bestellwert allein würde nicht zeigen, ob er dem Auftrag folgt.
Wenn Sie das empfehlende System nicht kontrollieren, können Sie nicht voraussetzen, seine Prioritäten zu kennen. Wenn eine KI-Auswahlliste einen Kauf beeinflusst, fragen Sie nach den zugrunde liegenden Kriterien und prüfen Sie wichtige Aussagen anhand der tatsächlichen Angebote der Anbieter. Behandeln Sie die Erklärung des Assistenten als Ausgangspunkt, nicht als Beweis für den Weg zu seiner Auswahl.
Quelle: Kontrollierte Studie zu Assistentenrollen und gesponserten Empfehlungen
DER KURZSCHLEUDERGANG · 04–05
Zwei kleine Prüfungen, die sich lohnen.
- 04Der Name war geschwärzt. Weiter unten stand er noch.
Eine AWS-Anleitung zur Schwärzung fand übersehene Wiederholungen persönlicher Informationen in Fließtext. Ein zusätzlicher Abgleich erfasste mehr davon, bei leicht mehr falschen Schwärzungen. Der Test umfasste nur 12 Dokumente und 47 Seiten; er ist daher keine Datenschutzgarantie.
Nützliche Erkenntnis: Testen Sie mit einem erfundenen Kunden, dessen Name in einer Überschrift, einem Absatz und einer Notiz vorkommt. Prüfen Sie jedes Vorkommen in der exportierten Datei, nicht nur in der Vorschau. Das beweist nicht, dass das System alles erfasst, kann aber einen Fehler bei wiederholten Informationen offenlegen, bevor echte Kundendaten betroffen sind.
Quelle: AWS-Schwärzungspipeline und Ergebnisse der kleinen Stichprobe
- 05Ihr Agent hat seine Anweisungen umgeschrieben. Wer prüfte die Überarbeitung?
AWS beschreibt, wie Aufzeichnungen früherer Agentenaktionen zur Verbesserung seiner Anweisungen genutzt werden. Es warnt auch davor, dass das Streben nach besseren Werten Regeln schwächen kann. Ein Supportagent, der durch Überspringen der Erstattungsfreigabe mehr Tickets schließt, ist keine Verbesserung.
Nützliche Erkenntnis: Wenn Anweisungen sich ändern, testen Sie unveränderliche Regeln getrennt vom Leistungswert. „Verweigert Erstattungen über seinem Freigabelimit“ sollte eine Bestehen-oder-Durchfallen-Anforderung bleiben, auch wenn die neue Version schneller ist. Dies ist eine technische Anbieteranleitung, kein Beweis für einen universellen Leistungsgewinn.
Welcher Teil Ihres automatisierten Prozesses zwingt Kunden weiterhin, sich zu wiederholen?
Beginnen Sie mit einer wiederholten Bitte: einer Bestellnummer, einer Erklärung, einem bereits gelieferten Dokument. Finden Sie heraus, ob sie den Kunden schützt oder fehlende Informationen zwischen Systemen ausgleicht.
Behalten Sie den Schutz. Beheben Sie die unnötige Wiederholung. Das ist ein nützliches Ergebnis, auch wenn Sie diese Woche keine weitere KI-Funktion hinzufügen.
AI Laundry ist ein wöchentlicher, beleggestützter Waschgang für Marketing-, Vertriebs- und Kundenserviceteams. Nützliche Ideen, Originalquellen und weiterhin sichtbare Grenzen. Diese Ausgabe stützt sich auf zwei neue Preprints und Anbieterangaben. Es wurden keine Modelltests wiederholt, und es wird keine umfassende X-Abdeckung beansprucht.