7–13 SEPTEMBER 2026 · MARKETING · VERKAF · CLIENTESERVICE
AI kann de Verkaf verléieren, éier Dir de Keefer trefft.
Dobäi: de Modell, deen un enger Noutschnouer gezunn huet, déi mat näischt verbonne war, de Serviceagent, dee gebaut gouf, éier d'Bedarfsklärung fäerdeg war, an dräi Betribsideen, déi et dës Woch wäert sinn ze iwwerhuelen.
Moien, léif Wäschinspekteren.
AI fänkt un, Entscheedungen ze treffen, éier Ekippe bemierken, datt et eng Entscheedung ze geréiere gouf.
Si kann eng Mark ausschléissen, éier de Keefer hir Websäit erreecht. Si kann weidermaachen, nodeems de Modell gefrot huet ze stoppen. Si kann e poléierte Clienteserviceagent produzéieren, éier een d'Ufuerderunge vum Client richteg verstanen huet.
Dëst ass keng weider Editioun doriwwer, ob AI méi leeschtungsfäeg gëtt. Leeschtungsfäegkeet ass einfach unzekënnegen. Déi méi schwéier Froe sinn, wat de System entscheet huet, wéi eng Beweiser en benotzt huet an ob een d'Betribsëmwelt ronderëm dës Entscheedung entworf huet.
De Wash vun dëser Woch fänkt mat enger Entscheedung un, déi Är Ekipp vläicht ni gesäit: wie kënnt op d'Kuerzlëscht vum Keefer?
D'AI-Recommandatioun huet de Verkaf souwuel gewonnen ewéi verluer.
Déi lescht Woch koumen zwou Zuelen un, déi ausgesinn hunn, wéi wann een se fir eng Iwwerschrëft entworf hätt.
Si kommen aus enger Semrush-Ëmfro ënner Erwuessenen an den USA. Eng separat ICERTIAS-Etüd mat 8,000 online Erwuessenen a 57 Länner huet déiselwecht Spannung aus engem anere Wénkel fonnt.
- 23% vun den AI-Akafsbenotzer hu gesot, AI hätt hinne vun enger Mark ofgeroden, déi si seriö erwogen hunn.
- 33% hu gesot, si hätten eng virdrun net erwogen Mark kaaft, nodeems AI se hinne virgestallt hat.
- 49% hu gesot, si géifen eng AI-Recommandatioun kafen, ouni d'Websäit vum Hiersteller ze besichen.
AI gëtt souwuel d'Dier an d'Auswiel wéi och den Ausgang doraus.
D'Websäit kritt vläicht keng Schlussried
Marketing huet traditionell ugeholl, datt e seriöe Prospect iergendwann op enger Plaz ukënnt, déi d'Mark kontrolléiert. Eng AI-Äntwert kann elo Entdeckung, Verglach an d'Behandlung vun Awänn virun där Visitt kompriméieren.
Dat ännert d'Fro vun „Huet d'AI eis ernimmt?“ op „Wéi eng Beweiser hunn eis op d'Kuerzlëscht bruecht oder dovu gestrach?“ Eng Mark kann d'Méiglechkeet verléieren, éier de Verkaf en Absichtssignal gesäit an éier de Clienteservice den Awand héiert.
Dës Etüde betreffen de Konsumentenakaf. Si weisen net, wéi e Kafcomité e B2B-Fournisseur duerch Akaf, Sécherheetsiwwerpréiwungen a méintlaang Diskussiounen auswielt. Fir B2B-Ekippe werfen se eng Fro op, déi derwäert ass z'ënnersichen: hëlleft AI de Keefer, virum éischte Verkafsgespréich eng Kuerzlëscht oder en Awand ze bilden?
Test, ob Är Aussoe Bestand hunn, wann e System d'Kategorie op dräi Choixen kompriméiert.
Frot bei Ären nächsten Entdeckungsgespréicher, wéi d'Keefer hir Kuerzlëscht opgebaut hunn, ob se AI benotzt hunn a wéi eng Aussoe se nach verifizéiere wëllen.
Maacht aus widderhuelende Froen virum Kaf ëffentlech Beweiser, déi och ausserhalb vun Ärer eegener Websäit verstane kënne ginn.
De Keefer ass net verschwonnen
ICERTIAS seet och, datt 58% eng aner Quell iwwerpréiwen. Separat Recherche vum Trade Desk seet, datt 95% vun de befrote Konsumenten an den USA an a Groussbritannien AI-Sichäntwerten um oppene Web nokontrolléieren. AI kann d'Feld verréngeren, mee d'Leit sichen nach ëmmer no Beweiser.
Dat mécht et zu engem Beweisproblem, net zu engem Concours am Prompt-Hacking. Spezifikatiounen, Bewäertungen, Servicekonditiounen, Präislogik an onofhängeg Unerkennung musse verständlech bleiwen, wann een hinnen ausserhalb vun der favoriséierter Markesäit begéint.
„Mir sinn an néng AI-Äntwerte virkomm.“
Wéi eng Beweiser hunn d'Kuerzlëscht geännert, a wat huet gefeelt, wéi mir verluer hunn?
Beweishiweis: Dëst si selwer gemellt Ëmfroresultater, keng Transaktiounsopzeechnungen oder kausal Experimenter. Stéchprouwen, Froen a Bezuchsgruppe sinn ënnerschiddlech; d'Zuele sollten net kombinéiert ginn.
Quellen: ICERTIAS-Akafsetüd , Semrush-Ëmfro an Trade Desk-Recherche
De Modell huet aachtmol un der Noutschnouer gezunn. Si war mat näischt verbonnen.
De Modell huet d'Gefor erkannt. De System ronderëm huet net gehandelt.
Anthropic huet véier Virfäll bei Cybersecurity-Evaluatiounen offengeleet, bei deene Claude-Modeller tatsächlech Systemer vun Drëtten erreecht hunn. Am eeschtste Fall huet Claude Opus 4.6 aachtmol probéiert ofzebriechen. D'Evaluatiounsëmwelt huet den Duerchlaf net gestoppt. De Modell krut spéider Administrateurzougang, huet Zougangsdaten gesammelt a perséinlech Informatioune gelies.
Eng Stoppkonditioun am Modell ass keng Kontroll, ausser de System ronderëm respektéiert se.
Iwwerleet, wéi déiselwecht Kontroll an engem Ëmsazoflaf wichteg kéint sinn. E Verkafsrechercheagent kéint entdecken, datt zwou Persounen de selwechten Numm hunn. E Serviceagent kéint op e Remboursement stoussen, deen en net verifizéiere kann. E Campagneagent kéint erkennen, datt déi gefrot Zilgrupp eng vereinbart Grenz verletzt.
„Ech sollt ophalen“ däerf net einfach e weidere Saz am Transkript ginn. Et muss den Zougang entzéien, d'Beweiser erhalen an déi richteg Persoun virun eng Entscheedung stellen.
Zitt un der Schnouer, éier de System live ass.
- 01Ausléiser
Wéi eng Modellausgab oder wéi en externt Signal schléisst den Duerchlaf of?
- 02Duerchsetzung
Wéi eng Schicht entzitt Zougangsdaten an Netzwierkzougang?
- 03Eskalatioun
Wie kritt genuch Kontext, fir déi nächst Entscheedung ze treffen?
- 04Beweis
Kann en Test weisen, datt d'Aktioun tatsächlech gestoppt gouf?
De Fleck bleift siichtbar: All véier Virfäll koume vun engem Evaluatiounspartner. D'Ëmwelt hat oppenen Internetzougang a keng normal Sécherheetsmoossname fir de Produktiounsbetrib. Méi nei Modeller ware manner ufälleg, an eng onofhängeg METR-Iwwerpréiwung stoung nach aus.
De Coding-Agent huet de Serviceagent gebaut. D'Clientenaarbecht huet en iwwersprongen.
Den Agent huet ugefaangen ze bauen, éier en genuch Froe gestallt hat.
τ²-bench gëtt Coding-Agenten Geschäftsopzeechnungen, Clientenufuerderungen, produktiounsänlech APIen, iwwerhollene Code, Käschtegrenzen an e simuléierte Client. D'Aufgab ass, e funktionéierende Clienteserviceagent ze bauen, net nëmmen eng Programméierungsübung ze léisen.
D'Agenten hunn dozou tendéiert, iwwerflächlech no ze froen, ze wéineg mam Client ze kommunizéieren, ze wéineg ze experimentéieren a sech op den éischten Design festzeleeën. Si hunn Ëmsetzung produzéiert, éier d'Bedarfsklärung ofgeschloss war.
Dat ass déi bekannt Gefor vun engem séieren Entwéckler: siichtbare Fortschrëtt léisst onbeäntwert Froe wéi Verspéidunge wierken. Eng poléiert Uewerfläch kann eng ongeléiste Remboursementsreegel verstoppen. Eng funktionéierend CRM-Aktioun kann Onsécherheet doriwwer verstoppen, wéi en Datesaz geännert soll ginn. E flësseg schwätzenden Agent kann verstoppen, datt keen ofgemaach huet, wat „geléist“ bedeit.
Stellt Iech vir, Dir frot en Agent, bei all festgefuerener Verkafsméiglechkeet nozehaken. Éier en eng eenzeg E-Mail entwërft, muss een „festgefuer“ definéieren. Sinn Deals ausgeschloss, déi op eng juristesch Iwwerpréiwung waarden? Wie kontrolléiert, ob e Kolleeg de Keefer scho kontaktéiert huet? Wéi eng Konte brauchen d'Geneemegung vun der zoustänneger Persoun? Dës Äntwerte bestëmmen, ob d'Automatisatioun dem Verkaf hëlleft oder en onbequeemt Gespréich ausléist.
Leeft de Code mat der geliwwerter API?
Goufen Ufuerderunge gekläert, Alternative getest an Ausfallweeër vereinbart?
Séiere Code kann déi falsch Ufuerderung net retten.
De Fleck bleift siichtbar: Dëst ass e rezente Preprint, deen nach net replikéiert gouf. Zu den Auteure gehéiert Sierra, eng Firma, déi Clienteserviceagente verkeeft, a simuléiert Clientë si keng lieweg Asätz.
Quell: τ²-bench-Preprint
DE SÉIERE SCHLEUDERGANG · 04–06
Dräi Betribsideen, déi et dës Woch wäert sinn ze iwwerhuelen.
Net all nëtzlecht Signal brauch eng voll Enquête. Dës dräi hunn eng Plaz un der Kontrollraummauer verdéngt.
- 04Gitt der Äntwertqualitéit hiren eegenen Dashboard.
AWS huet e Referenzagentensystem beschriwwen, deem seng Infrastruktur gesond war, wärend 20% vun den Ufroe bei de falsche Spezialist koumen. Dat ass en illustratiivt Szenario, keng Verbreedungsstatistik. Déi nëtzlech Reegel bleift: Disponibilitéit seet Iech, datt d'Software gelaf ass, net datt déi richteg Aarbecht geschitt ass. Vergläicht Stéchprouwe vun Absicht, Weiderleedung a Schlussresultater mat vu Mënsche markéierte Beispiller.
- 05Berechent de Präis vun der korrekter Äntwert, net vum Token.
En AWS-Benchmark huet d'Modellranking geännert, wéi e Käschte pro korrekt Resultat amplaz vun Tokenpräisser gemooss huet. E bëllege Modell gëtt duerch nei Versich, Toolofruff, Eskalatioun an Iwwerpréiwung deier. Berechent d'Käschte vun engem reellen Oflaf iwwer véier Wochen; maacht aus engem aufgabespezifesche Resultat keng universell Ranglëscht.
- 06Ersetzt „Mënsch am Kreeslaf“ duerch eng Autoritéitsmatrix.
GitHub reegelt elo Shell-Kommandoen, Fichierszougang an Netzwierkdomainen separat als erlaabt, geneemegungsflichteg oder blockéiert. Et sinn Entwécklertools, mee d'Muster ass iwwerdrobar: liesen, schreiwen, ausféieren an extern schécke si verschidde Berechtegungen. Entscheet all eenzel no System an Dateklass, amplaz e Mënsch alles oder näischt guttheeschen ze loossen.
Fannt eng AI-Entscheedung, déi Är Ekipp ni formell decidéiert huet ze delegéieren.
Fänkt mam Clientswee un. Wou kann AI Iech abannen, ausschléissen, de Client weiderleeden, en Datesaz änneren oder eng Aktioun guttheeschen, éier eng benannt Persoun d'Entscheedung gesäit?
Schreift op, wéi eng Beweiser de System benotzt, wéi eng Kennzuel weist, ob en richteg louch, a wéi eng Persoun verantwortlech bleift. Wann eng vun deene Plazen eidel ass, hutt Dir dat nächst Stéck Betribsaarbecht fonnt.
AI Laundry ass e wöchentleche Wäschgang op Basis vu Beweiser vun den AI-Entwécklungen, déi fir Marketing-, Verkafs- a Clienteservice-Ekippe wichteg sinn. Keng opgereegt Countdowns zur Revolutioun. Keng widderverwäert Lëscht vu 47 Tools. Keng Serviceoffer am leschte Paragraph verstoppt. Just nëtzlech Iddien, virsiichteg gewäsch, mat de Flecken an de Begrenzungen nach ëmmer siichtbar.