Enterprise-Leitfaden für KI-Agenten: Tools, Begriffe und Technologien für den Kundensupport

Als Verantwortliche für Customer Experience im großen Maßstab bewerten Sie KI nicht als Konzept, sondern als Fähigkeit, die über Kanäle, Systeme und echte Kundenmomente hinweg zuverlässig funktionieren muss. Nach Jahren, in denen ich bei Google und IBM groß angelegte intelligente Systeme entwickelt habe, habe ich Maven mitgegründet, um eine Lücke zu schließen, die mir immer wieder begegnet ist: Support-Automatisierung, die zwar kommunizieren, Anliegen aber nicht wirklich kontextbezogen lösen konnte (und das ohne Halluzinationen).

Moderner Kundensupport braucht KI, die schlussfolgern und handeln kann – nicht nur antworten – über Voice, Chat, E-Mail und SMS hinweg. Unser Fokus lag schon immer darauf, agentische KI zu entwickeln, die schlussfolgern, Aktionen ausführen und in Unternehmensumgebungen nahtlos über Voice, Chat, E-Mail und SMS hinweg arbeiten kann.

Dieses Einsteiger-Glossar mit den 5 Kernkonzepten agentischer KI in der CX zeigt, wie wir dieses Problem in der Praxis angehen, und soll Ihnen als klare, praxisnahe Referenz dienen, wenn Sie bewerten, was moderner KI-gestützter Kundensupport leisten kann und sollte.

Interessiert an unserer vollständigen Liste „100 essenzielle Begriffe zu KI-Agenten“? Den vollständigen Artikel lesen Sie hier.

Ein Leitfaden für CX-Teams unter Druck

CX-Teams in Unternehmen müssen Kosten senken, Anliegen schneller lösen und das Vertrauen in die Marke wahren – und das bei wachsenden Volumina über alle Kanäle hinweg. Zum Druck kommt Verwirrung, wenn Begriffe wie agentische KI, autonome Agenten und KI-Copilots von Anbietern uneinheitlich verwendet werden.

Dieses Glossar soll:

• zentrale Konzepte rund um KI-Agenten in klarer, unternehmensrelevanter Sprache erläutern.
• reine Konversations-KI von handlungsfähigen agentischen Systemen abgrenzen.
• unabhängige Bestätigung durch führende Branchenexperten liefern.
• CX-Verantwortlichen helfen, Technologiepartner souverän zu bewerten.

Wenn Sie prüfen, wie KI in Ihre Support-Strategie passen könnte, kann dieser Leitfaden als gemeinsamer Bezugspunkt für Stakeholder aus CX, IT und Operations dienen.

1) Zentrale Konzepte zu KI und Agenten

Agentische KI

Agentische KI bezeichnet KI-Systeme, die Aufgaben innerhalb expliziter, durch Richtlinien festgelegter Grenzen planen, durchdenken und ausführen können, um ein Ziel zu erreichen – oft durch den Aufruf von Tools, APIs und Workflows in Unternehmenssystemen. Anders als klassische Chatbots oder generative KI sind agentische Systeme darauf ausgelegt, Arbeit zu erledigen, statt nur Antworten zu generieren.

IBM beschreibt agentische KI als Muster, bei dem Sprachmodelle mit Tools und Entscheidungslogik kombiniert werden, um in realen Systemen zu handeln. 👉 IBM-Überblick: Agentische KI – IBM

Gartner prognostiziert, dass agentische KI bis 2029 80 % der gängigen Kundenservice-Anliegen autonom lösen und den CX-Betrieb grundlegend verändern wird. 👉 Gartner-Pressemitteilung: Agentische KI verändert den Kundenservice

Maven-Kontext: Maven AGI ist auf agentische Ausführung ausgelegt – KI-Agenten können schlussfolgern und sichere, nachvollziehbare Aktionen in Kundensupport-Workflows ausführen. Mehr erfahren: Agent Maven

**Die Sicht der Maven-Führung: Aus meiner Sicht ist der wichtigste Wandel derzeit nicht generative KI – sondern Handlungsfähigkeit. Unternehmen tun sich nicht schwer, weil ihnen Antworten fehlen, sondern weil ihre Systeme über fragmentierte Tools hinweg nicht handeln können. Agentische KI ist wichtig, weil sie diese Lücke schließt. Wenn KI Absichten versteht, Rahmenbedingungen berücksichtigt und reale Workflows sicher ausführt, ist sie keine Demo mehr, sondern wird zur Infrastruktur.

KI-Agent

Ein KI-Agent ist ein System, das Eingaben wahrnehmen, Kontext behalten, über Ziele schlussfolgern und handeln kann, um Ergebnisse zu erzielen. Diese Definition geht über reaktive Bots hinaus und entspricht der langjährigen KI-Forschung.

Allgemeine Definition: 👉 KI-Agent – Wikipedia

In CX-Umgebungen müssen KI-Agenten:

• Absichten kanalübergreifend verstehen.
• auf Unternehmenswissen zugreifen.
• Backend-Aktionen ausführen (nicht nur vorschlagen).

Maven-Kontext: Die KI-Agenten von Maven arbeiten über Voice, Chat, E-Mail und SMS hinweg mit einer gemeinsamen Reasoning-Ebene, sodass Kunden bei einem Kanalwechsel nicht von vorn beginnen müssen. KI-Agenten können in Maven definierte, zulässige Actions mit Parametern und Instructions aufrufen; neue Actions leiten sie nicht eigenständig ab. Agent-Kanäle entdecken: Agent-Kanäle

**Die Sicht der Maven-Führung: KI-Agenten sind erfolgreich, wenn sie Reasoning mit Handeln verbinden. CX-Teams brauchen nicht nur Antworten, sondern Ergebnisse. Deshalb sind die Agenten von Maven darauf ausgelegt, über alle Kanäle und Touchpoints hinweg auf Basis der Kundenabsicht zu handeln.

Autonomie & Human-in-the-Loop (HITL)

Autonomie beschreibt, wie eigenständig ein KI-Agent arbeiten kann. In der Enterprise-CX ist volle Autonomie selten eine Entweder-oder-Frage. Stattdessen balancieren Systeme Automatisierung und menschliche Aufsicht aus.

Salesforce zeigt, wie sich agentische KI von assistiver KI unterscheidet: Sie führt Aufgaben proaktiv aus und ermöglicht bei Bedarf dennoch eine menschliche Prüfung. 👉 Was ist agentische KI? – Salesforce

Best Practice: Workflows mit hohem Volumen und geringem Risiko werden oft vollständig automatisiert, während sensible Sonderfälle mit vollständig erhaltenem Kontext an menschliche Agenten weitergeleitet werden.

Maven-Kontext: Maven unterstützt konfigurierbare Human-in-the-Loop-Guardrails, mit denen CX-Teams festlegen, wo die Autonomie endet und die menschliche Prüfung beginnt. Autonomie ist stets durch Eignungsregeln, den Knowledge-Umfang und Action-Beschränkungen begrenzt.

**Die Sicht der Maven-Führung: Autonomie bedeutet nicht, Menschen komplett zu ersetzen – sondern ihnen zu ermöglichen, sich auf wertvolle Ausnahmefälle zu konzentrieren. HITL-Strategien sind zentral für Zuverlässigkeit und Vertrauen im Unternehmen.

2) Kanäle für die Kundeninteraktion

Voice AI / Sprachagenten

Voice AI ermöglicht KI-Agenten, Live-Telefongespräche zu führen – sie verstehen Unterbrechungen, Akzente und Absichten und führen dabei Aktionen in Echtzeit aus.

Maven Voice™ ist für Voice-Automatisierung auf Enterprise-Niveau konzipiert und lässt sich in bestehende Telefonie- und Contact-Center-Infrastrukturen integrieren. Voice-Kanäle funktionieren wie alle anderen Kanäle und nutzen dieselben Grundlagen aus Actions und Knowledge.

Für ein Gespräch über Maven Voice oder unsere anderen Agent-Lösungen: Demo buchen

**Die Sicht der Maven-Führung: Kunden denken nicht in Kanälen – sie denken in Ergebnissen. Einer der größten Fehler herkömmlicher Support-Technologie ist, Voice, Chat, E-Mail und SMS getrennt zu behandeln. Die Konstante sollte der Agent sein, nicht der Kanal. Kanäle sind nur Schnittstellen; die Intelligenz sollte geteilt werden.

Chat- & Messaging-KI

Chat-Agenten führen digitale Echtzeit-Gespräche im Web und in Apps. Sie behalten den Kontext, greifen auf Wissen zu und eskalieren bei Bedarf nahtlos.

Maven-Kontext: Chat-Agenten basieren auf derselben Reasoning-Ebene wie Voice und E-Mail und liefern so konsistente Antworten und Aktionen. Alle Kanäle teilen dieselben Knowledge-Inhalte, Actions und Signale zur Qualitätsbewertung.

Chat-Funktionen entdecken: Chat

**Die Sicht der Maven-Führung: Die gemeinsame Reasoning-Engine sorgt dafür, dass sich jede Interaktion nahtlos anfühlt – auch wenn Kunden mitten im Gespräch den Kanal wechseln.

E-Mail- & SMS-Automatisierung

E-Mail und SMS sind für Interaktionen mit hohem Volumen entscheidend. KI kann Nachrichten in großem Umfang klassifizieren, zusammenfassen, entwerfen und lösen – unter Wahrung von Tonalität und Compliance.

Maven-Kontext: E-Mail- und SMS-Interaktionen werden von derselben agentischen Engine verarbeitet. Das ermöglicht kanalübergreifende Kontinuität und messbar schnellere Lösungen.

**Die Sicht der Maven-Führung: Konsistenz und Kontext sind nicht verhandelbar – gerade bei asynchronen Kanälen wie E-Mail und SMS.

3) Wissen, Kontext & Reasoning

Knowledge Graphs & fundierte KI (Grounding)

Enterprise-KI muss auf vertrauenswürdigem, kontrolliertem Wissen basieren, um Halluzinationen und Richtlinienverstöße zu vermeiden. Ohne verlässliche Grundlage liefern selbst leistungsfähige Modelle inkonsistente Antworten, geben veraltete Informationen aus oder verstoßen gegen Richtlinien.

Maven-Kontext: Der Graph of Record von Maven ist ein eigener Ansatz, um KI in den verlässlichen Daten des Unternehmens zu verankern. Er verbindet Wissen aus den bestehenden Systemen eines Unternehmens, ohne Daten zu kopieren, zu migrieren oder zu zentralisieren. Statt Unternehmen zu bitten, ihre Informationen in ein neues System zu überführen, schafft Maven intelligente Echtzeit-Verbindungen zu Systems of Record wie CRMs, Ticketing-Plattformen, Content-Repositories und Data Warehouses.

Da jede Antwort direkt aus diesen Systemen stammt, stellt der Graph of Record sicher, dass Antworten die aktuellen Daten widerspiegeln, bestehende Berechtigungen befolgen und Unternehmensrichtlinien einhalten.

Fragt ein Kunde beispielsweise nach seinem Kontostatus oder seiner Abrechnungsberechtigung, antwortet der Agent auf Basis des Live-Systemkontexts statt einer zwischengespeicherten Zusammenfassung. Das reduziert Halluzinationen, veraltete Antworten und Compliance-Risiken erheblich – insbesondere in regulierten oder operativ komplexen Umgebungen.

**Die Sicht der Maven-Führung: Intelligenz ohne Verankerung ist ein Risiko. Wissen, Kontext und Guardrails sind die schwierigste – und wichtigste – Arbeit für KI im Unternehmensmaßstab. Der Graph of Record von Maven ist der Grundpfeiler von Business AGI, denn er ermöglicht es, Intelligenz unternehmensweit zu skalieren und dabei präzise, compliant und betrieblich solide zu bleiben. Indem sie Systeme verbinden statt sie zu duplizieren, können Unternehmen KI schneller einführen, versteckte Infrastrukturkosten senken und souverän vom Experiment in die Produktion wechseln.

Kontextgedächtnis & RAG

Retrieval-Augmented Generation (RAG) ermöglicht es Agenten, zur Laufzeit relevante Unternehmensdaten abzurufen. Das Kontextgedächtnis sorgt für Kontinuität bei langen oder sitzungsübergreifenden Interaktionen. RAG in Maven greift auf klar abgegrenzte Knowledge Bases zu, die Zugriffsregeln und die Freigabe für bestimmte Oberflächen berücksichtigen.

IBM und Gartner betonen Grounding und Kontext als Schlüssel für zuverlässige Enterprise-KI. 👉 IBM-Insights zu Enterprise-KI: KI-Agenten für Unternehmen – IBM

**Die Sicht der Maven-Führung: RAG und Gedächtnis ermöglichen es der KI, souverän zu handeln und Fehler zu vermeiden, die das Vertrauen der Kunden beschädigen könnten.

4) Integrationen & Workflow-Ausführung

CRM- & Backend-Integrationen

KI-Agenten müssen sich in CRMs, Abrechnungssysteme und interne Tools integrieren, um echte Arbeit zu leisten – etwa Datensätze aktualisieren oder Rückerstattungen bearbeiten.

Maven-Kontext: Maven lässt sich in Systeme wie Salesforce und Zendesk integrieren, sodass Agenten zulässige Actions aufrufen können, die Systemdaten lesen oder schreiben.

Alle Maven-Integrationen ansehen: Integrationen

**Die Sicht der Maven-Führung: KI, die nicht handeln kann, ist nur eine weitere Interface-Schicht. Agenten müssen als vollwertige Akteure in Unternehmenssystemen arbeiten – mit vollständiger Nachvollziehbarkeit und Sicherheit.

APIs & sichere Ausführung

Über APIs interagieren Agenten mit Unternehmenssystemen, stoßen Workflows an und führen Aktionen sicher und nachvollziehbar aus. Das gewährleistet die Einhaltung von Governance-Standards und steigert zugleich betriebliche Effizienz und Skalierbarkeit.

Maven-Kontext: Mit seinem API-first-Ansatz befähigt Maven Agenten, komplexe Workflows direkt in Unternehmenssystemen auszuführen. Maven stellt sicher, dass jede Aktion strengen Maßnahmen zu Authentifizierung, Rückverfolgbarkeit und Compliance unterliegt. So integrieren Kunden Maven nahtlos in ihre bestehende Infrastruktur, behalten die Kontrolle und erzielen messbare Effizienzgewinne.

**Die Sicht der Maven-Führung: Wir sehen sichere Ausführung als strategischen Wegbereiter für Innovation im Unternehmen. Vertrauen und Verantwortlichkeit sind die Grundpfeiler erfolgreicher Unternehmensautomatisierung. Indem wir sicherstellen, dass jede automatisierte Aktion rückverfolgbar, prüfbar und an Governance-Richtlinien ausgerichtet ist, geben wir Unternehmen die Sicherheit, ihren Betrieb geschützt zu skalieren.

5) Metriken & KPIs, auf die es CX-Verantwortlichen ankommt

Autonome Lösungsquote (Autonomous Resolution Rate, ARR)

Definition: Der Anteil der Kundenanfragen oder Tickets, die vollständig von KI-Agenten ohne menschliches Eingreifen gelöst werden. Als autonom gelöst gelten Gespräche ohne Übergabe und ohne negatives Feedback – entsprechend „Resolved by Maven“ in den Produktmetriken.

Warum das wichtig ist: Die Kennzahl misst, wie wirksam und zuverlässig agentische KI Aufgaben eigenständig ausführt – das senkt Kosten und verschafft menschlichen Agenten Freiraum für anspruchsvollere Aufgaben.

Beispiel: Papaya Pay hat mit Maven AGI 90 % der Anfragen autonom beantwortet.

Erstlösungsquote (First Contact Resolution, FCR)

Definition: Der Anteil der Kundenanliegen, die bereits beim ersten Kontakt gelöst werden – unabhängig vom Kanal.

Warum das wichtig ist: Eine hohe FCR steht für Effizienz und eine nahtlose Customer Experience. KI-Agenten können die FCR steigern, weil sie sofort auf Wissen und Systeme zugreifen und so Rückfragen reduzieren.

Beispiel: Papaya Pay erreichte nach der Einführung von Agent Maven™ eine Erstlösungsquote von 70 %.

Lösungszeit (Time to Resolution, TTR)

Definition: Die durchschnittliche Zeit zwischen dem Eingang einer Kundenanfrage und der vollständigen Lösung des Anliegens.

Warum das wichtig ist: Eine kürzere TTR bedeutet schnelleren Service und bessere CX. KI-Agenten können die TTR deutlich senken, indem sie automatisch Informationen abrufen, Systeme aktualisieren und Aktionen ausführen.

Beispiel: Enumerate löste mit Agent Maven™ 80 % der Tickets in unter 3 Minuten – ein Beleg für deutlich kürzere TTR im Produktivbetrieb.

Customer Effort Score (CES)

Definition: Eine Kennzahl dafür, wie einfach es für Kunden war, ihr Anliegen zu lösen – meist per Umfrage nach der Interaktion erhoben (z. B. „Wie einfach war es heute, Ihr Anliegen zu lösen?“).

Warum das wichtig ist: Ein hoher CES (geringer Aufwand) korreliert mit Kundenzufriedenheit, Loyalität und geringerer Abwanderung. KI-Agenten tragen dazu bei, indem sie Reibung reduzieren, unnötige Schritte vermeiden und kontextbezogen unterstützen.

Beispiel: Mastermind löste 93 % der Chat-Anfragen mit 75 % schnelleren Antwortzeiten – ein starker Indikator für geringeren Kundenaufwand.

Geringere Gemeinkosten

Definition: Die Senkung der Betriebskosten durch Automatisierung repetitiver Aufgaben, optimierte Workflows und einen geringeren Bedarf an zusätzlichem Personal.

Warum das wichtig ist: Niedrigere Gemeinkosten ermöglichen es Unternehmen, Budget in strategische Initiativen zu lenken, besser zu skalieren und auch bei wachsendem Anfragevolumen profitabel zu bleiben. KI-Agenten tragen dazu bei, indem sie große Interaktionsvolumina autonom bearbeiten und die Abhängigkeit von menschlichen Agenten bei Routineaufgaben verringern.

CSAT und NPS steigern

CSAT-Definition: Ein Maß dafür, wie zufrieden Kunden mit einer bestimmten Interaktion oder dem Service insgesamt sind – meist über eine kurze Umfrage nach der Interaktion erhoben (z. B. „Wie zufrieden sind Sie mit dem erhaltenen Support?“ auf einer Skala von 1–5 oder 1–10). Warum das wichtig ist: CSAT spiegelt die unmittelbare Stimmung der Kunden und die Qualität des Erlebnisses wider. KI-Agenten können den CSAT positiv beeinflussen, indem sie präzise, schnelle und kontextbezogene Lösungen liefern.

Beispiele: Rho erreichte 95 % Kundenzufriedenheit (CSAT) und bewältigte dabei mehr Kontakte, ohne das Team zu vergrößern. Bei der Evaluierung von über 50 Anbietern durch Thumbtack schnitt Maven in der internen CSAT-Bewertung des Unternehmens über 15 % besser ab als der Wettbewerb.

NPS-Definition: Ein Maß für Kundenloyalität und die Bereitschaft, eine Marke weiterzuempfehlen, erhoben über eine Frage wie: „Wie wahrscheinlich ist es, dass Sie unser Unternehmen einem Freund oder Kollegen empfehlen?“ Die Befragten vergeben 0–10 Punkte; die Werte werden wie folgt eingeteilt:

NPS-Berechnung =%Promotoren−%DetraktorenNPS

Warum das wichtig ist: Der NPS spiegelt langfristige Kundenloyalität wider. KI-Agenten, die Reibung reduzieren, Lösungen beschleunigen und kanalübergreifend konsistente Erlebnisse bieten, können den Anteil der Promotoren erhöhen und den der Detraktoren senken.

Beispiel: Enumerate meldete einen NPS von +40 – ein Zeichen für hohe Loyalität und Zufriedenheit mit dem durch Maven ermöglichten Support-Erlebnis.

Julie Mohr, Principal Analyst bei Forrester, schrieb am 1. Dezember 2025: „Mit KI und Automatisierung im Spiel ergibt die alte Denkweise ‚schneller ist besser‘ noch weniger Sinn“, und stellt ihre Sicht auf 5 neue KI-zentrierte KPIs vor.

👉 Forrester-Insight: Zeit, den Erfolg des Service Desks neu zu denken

Maven-Kontext: Viele Maven-Kunden erreichen bei gezielten Workflows eine ARR von über 90 %. Kundenergebnisse entdecken: Fallstudien

**Die Sicht der Maven-Führung: Reine Volumenumleitung ist kein Erfolg – die Lösung ist es. Metriken sollten echte Ergebnisse für Kunden abbilden, nicht nur Ticketzahlen.

‍Fazit

Wir wissen, dass ein Glossar wahrscheinlich nur einer von vielen Schritten ist, wenn Sie prüfen, ob, wie und wann agentische KI in Ihrem Unternehmen eingeführt werden könnte.

Unsere Teams aus Vertrieb, Solution Engineering und Customer Experience Management arbeiten eng mit potenziellen Kunden zusammen, um Anforderungen zu schärfen, Investitionen intern voranzubringen, eine Roadmap für Tests und Beta-Phase zu entwickeln und das Potenzial agentischer KI in Ihrer CX-Strategie zu klären.

Als Nächstes könnte ein erstes Gespräch über Ihre Ziele und den Stand Ihrer Überlegungen folgen! Gerne helfen wir Ihnen, den weiteren Weg zu gestalten: Kontakt mit unserem Team aufnehmen

Über den Autor

Sami ShalabiMitgründer & Chief Technology Officer, Maven AGI

LinkedIn-Profil

Sami Shalabi verantwortet die Produktvision und Plattformarchitektur von Maven für KI-Agenten in Unternehmen über Voice, Chat, E-Mail und SMS hinweg. Als ehemalige Führungskraft im Engineering bei Google und IBM konzentriert er sich auf agentische KI-Systeme, die Reasoning, Autonomie und Unternehmensintegrationen verbinden, um messbare CX-Ergebnisse zu erzielen.