Laut einer Gartner-Umfrage wären es 64 % der Kunden lieber, wenn Unternehmen im Kundenservice keine KI einsetzen würden. Und ehrlich gesagt? Sie haben recht – zumindest was die KI angeht, die die meisten von ihnen kennen. Chatbots, die einen durch fünf Menüs schicken und dann empfehlen, eine Nummer anzurufen, die man längst probiert hat. Chatbots, die ein Ticket als „gelöst“ markieren, weil man aufgegeben hat – nicht, weil irgendetwas behoben wurde.
Das ist das Erbe von Conversational AI im Kundensupport: Systeme, die darauf optimiert sind, Interaktionen abzufangen, statt sie zu lösen. Doch inzwischen ist eine andere Architektur im Produktiveinsatz. Eine, die nicht nur mit Kunden plaudert, sondern tatsächlich in ihrem Auftrag handelt. Die Branche nennt das Agentic AI – und die Leistungslücke zwischen beiden Ansätzen ist alles andere als klein.
Conversational AI wurde zum Abwimmeln gebaut. Genau das ist das Problem.
Klassische Conversational AI – die Kategorie, zu der die meisten Chatbots des letzten Jahrzehnts gehören – wurde um eine einzige Kennzahl herum entwickelt: die Containment-Rate. Wie viele Interaktionen lassen sich von menschlichen Agenten fernhalten? Das System konnte FAQs beantworten, Hilfeartikel anzeigen und Tickets weiterleiten. Was es nicht konnte: tatsächlich etwas beheben. Keine Erstattungen, keine Kontoänderungen, keine Bestellanpassungen.
CNBC berichtete im April 2026, dass viele Service-Chatbots Kunden noch immer in einem regelrechten Labyrinth der Unklarheit gefangen halten. Wenn Sie schon einmal die „Deflection-Rate“ Ihres Chatbots gemessen und sich darüber gefreut haben, lohnt sich die Frage: Wie viele dieser abgelenkten Tickets endeten tatsächlich mit einem zufriedenen Kunden? Die Analyse von Maven AGI zu Deflection- vs. Lösungskennzahlen zeigt: Die Antwort ist oft unbequem.
Agentic AI antwortet nicht nur. Sie löst.
Der Schritt von Conversational AI zu Agentic AI ist kein Feature-Upgrade. Es ist ein architektonischer Wandel in dem, wofür das System gebaut ist. Analysten aller großen Häuser kommen zur gleichen Unterscheidung: Conversational AI verbessert Interaktionen, Agentic AI verbessert die Umsetzung.
Gartners Prognose vom März 2025, nach der Agentic AI bis 2029 80 % der gängigen Kundenservice-Anliegen autonom lösen wird, zieht eine klare Grenze: Conversational AI ist reaktiv und bearbeitet eng umrissene Anfragen im Dialog. Agentic AI ist proaktiv – autonome Agenten, die Entscheidungen treffen, mehrstufige Aufgaben über Backend-Systeme hinweg ausführen und Workflows mit minimaler menschlicher Beteiligung abschließen.
McKinsey stellt Autonomie als entscheidendes Merkmal heraus: Diese Systeme zerlegen übergeordnete Ziele in einzelne Aufgaben, legen die Reihenfolge fest, beschaffen und bewerten Informationen und stoßen Aktionen an. BCG bezeichnet das als neue Grenze der Kundenservice-Transformation. Der gemeinsame Nenner aller Analystendefinitionen ist einfach: Agentic AI erzeugt keine Antworten. Sie liefert Ergebnisse.
In der Praxis heißt das: Meldet sich ein Kunde wegen eines Abrechnungsfehlers, greift ein KI-Agent auf das Abrechnungssystem zu, gleicht die Transaktionshistorie ab, findet die Abweichung, nimmt eine Korrektur vor, verschickt eine Bestätigung und protokolliert die gesamte Interaktion. Eine Sitzung. Keine Eskalation. Kein „Ich verbinde Sie mit einem Spezialisten“. (Es sei denn, eine Eskalation ist tatsächlich nötig. Dann sollte sie erfolgen – mit dem vollständigen Kontext des bisherigen Gesprächs für den menschlichen Agenten.)
Die Leistungslücke ist bereits messbar
Erste Unternehmenseinsätze liefern Daten, die den Unterschied greifbar machen. Klassische regelbasierte Chatbots erreichen 20–40 % Containment. Chatbots mit LLM-Integration kommen auf 40–55 %. Gut implementierte Agentic-AI-Systeme erreichen 70–80 % autonome Lösung, und Kunden von Maven AGI erzielen Lösungsquoten von bis zu über 90 %. Und das ist Lösung, nicht Containment.
Die Kundendaten von Maven AGI belegen das. Mastermind erreichte in sechs Wochen 93 % autonome Lösung. Papaya Pay kam in drei Wochen auf 90 %. Clio erreichte 80 % Lösung und löste 60 % mehr Tickets. Das sind keine Pilotzahlen aus kontrollierten Umgebungen, sondern Produktiveinsätze mit echtem Kundenvolumen.
Gartner prognostiziert, dass Conversational AI die Personalkosten in Contact Centern 2026 um 80 Milliarden US-Dollar senken wird – und den ROI sehen die Unternehmen, die autonome Lösung messen, nicht Deflection. Daten von IDC und Microsoft zeigen einen Return von 3,50 US-Dollar pro investiertem 1 US-Dollar in KI-Kundenservice; Spitzenreiter erreichen das 8-Fache.
Der Haken: Die meisten Unternehmen sind noch nicht so weit
Bei aller Dynamik ist die Lücke zwischen Early Adopters und dem Rest des Markts groß. McKinsey berichtet, dass weniger als 10 % der Unternehmen KI-Agenten so skaliert haben, dass sie greifbaren Mehrwert liefern. Laut BCG haben nur 28 % messbaren geschäftlichen Nutzen aus generativer KI im Kundenservice erzielt. Und Gartner selbst warnt, dass über 40 % der Agentic-AI-Projekte bis Ende 2027 wegen steigender Kosten oder unklarem ROI eingestellt werden.
Die erfolgreichen Unternehmen folgen einem Muster: Sie haben in Dateninfrastruktur und Systemintegration investiert, bevor sie Agenten eingeführt haben. Sie haben sich für Plattformen mit einer Overlay-Architektur entschieden, die sich an ihren bestehenden Helpdesk anbindet – Zendesk, Salesforce, Freshdesk –, statt eine komplette Ablösung zu verlangen. Und sie haben Erfolg an Kundenergebnissen gemessen, nicht daran, wie viele Tickets sie vermeiden konnten.
Die Prognosen von Forrester für 2026 sind deutlich: In diesem Jahr werden etwas mehr KI-Self-Service-Initiativen scheitern als gelingen – vor allem, weil Unternehmen unter Kostendruck einführen, ohne die Integrationsarbeit, die Lösung überhaupt erst möglich macht. Die Lehre aus Erfolgen wie Misserfolgen ist eindeutig: Agentic AI ist kein Chatbot-Upgrade. Sie ist ein Wandel der operativen Architektur.
Was das für Ihre CX-Strategie bedeutet
Wenn Sie heute eine Support-Organisation leiten, lautet die praktische Frage nicht: „Sollten wir Agentic AI einführen?“ Darüber sind sich die Analysten längst einig. Die Frage ist, wie Sie den Übergang gestalten, ohne die Fehler zu wiederholen, die Chatbots der ersten Generation zur Lachnummer gemacht haben.
Nach den Erfahrungen aus dem Produktiveinsatz kommt es vor allem auf drei Dinge an:
Messen Sie, was zählt. Wechseln Sie von der Containment-Rate zur autonomen Lösungsquote. Kann Ihr Anbieter keine echte Lösung ausweisen – verifiziert über den Zustand im Backend-System, nicht nur über den Gesprächsabschluss –, betreiben Sie weiterhin Containment-Theater. Der Leitfaden von Maven AGI zur Bewertung von KI-Agenten zeigt genau, worauf Sie achten sollten.
Erst integrieren, dann einführen. Der Geschwindigkeitsvorteil eines Overlay-Modells – Tage bis Wochen statt Monate – wirkt nur, wenn die KI Ihre Systeme auch tatsächlich erreicht. Das heißt: API-Zugriff auf CRM, Abrechnung, Auftragsmanagement und Ticketing. Ohne Lese- und Schreibzugriff bauen Sie nur einen teureren FAQ-Bot.
Planen Sie hybrid. Alle erfolgreichen Einsätze laufen, quer durch alle Analystenberichte, auf dasselbe Betriebsmodell hinaus: 60–70 % KI, 30–40 % Mensch. Ziel ist nicht, Ihr Team abzuschaffen. Ziel ist, es von repetitiven Anfragen zu entlasten, damit es sich um die komplexen, geschäftskritischen Interaktionen kümmern kann, bei denen menschliches Urteilsvermögen wirklich den Unterschied macht.
Das Zeitfenster, um das richtig umzusetzen, schließt sich. Unternehmen, die jetzt handeln – mit der richtigen Architektur, den richtigen Integrationen und den richtigen Kennzahlen –, werden ihre Wettbewerber nicht nur bei den Supportkosten übertreffen. Sie schaffen etwas weit Wertvolleres: Kunden, die darauf vertrauen, dass ihr Problem tatsächlich gelöst wird, wenn sie sich melden. Genau das macht Agentic AI möglich. Die Frage ist, ob Sie darauf hinarbeiten – oder noch immer Deflection messen und das Erfolg nennen.
Testen Sie es mit Ihren eigenen Konversationen.
Fordern Sie eine kostenlose, individuelle Demo an.
