Laut Gartner verdoppeln sich die CX-Tech-Ausgaben bis 2028. Die Lösungslücke erklärt, warum.

Innerhalb von 60 Tagen hat Gartner zwei Prognosen veröffentlicht, die jede CX-Führungskraft, die ihre KI-Ausgaben für die nächsten 24 Monate plant, nebeneinanderlegen sollte.

Am 26. Januar prognostizierte das Unternehmen, dass die Kosten pro Lösung für generative KI im Kundenservice bis 2030 über 3 $ steigen werden und damit höher liegen als bei vielen Offshore-Servicemitarbeitenden im B2C-Bereich. Am 31. März folgte die Prognose, dass mehr als die Hälfte der Kundenservice-Organisationen ihre Technologieausgaben bis 2028 verdoppeln wird, ohne den Personalbestand entsprechend zu reduzieren.

Zusammen betrachtet beschreiben diese Prognosen eine CX-Ökonomie, in der die Ausgabenkurve steigt, die Personalkurve weitgehend flach bleibt und sich die Kosten pro KI-Lösung genau der Offshore-Linie annähern, die sie eigentlich unterbieten sollten. Die Erzählung, dass KI den Kundenservice günstiger macht – die Annahme hinter den meisten CX-Softwarebudgets seit 2023 –, geht nicht mehr sauber auf.

Gartner nennt zwei Faktoren hinter diesem Trend: Fachkräfte und die Komplexität der Tools. Beide sind real, doch darunter liegt ein dritter Faktor, den die meisten Teams nicht im Blick haben: die Lösung – genauer gesagt die Lücke zwischen dem, was KI bearbeitet, und dem, was KI tatsächlich löst. Sie entscheidet darüber, ob jeder zusätzliche Dollar für CX-Technologie ein Ergebnis erzeugt oder lediglich eine Transaktion.

Die Lösungslücke in Dollar

Die meisten CX-Dashboards weisen die „Automatisierungsrate“ oder „Deflection-Rate“ als zentrale Kennzahl aus. Ein Ticket geht ein, die KI antwortet, die Konversation endet ohne Agent, und die Plattform markiert das Ticket als bearbeitet. Die Kennzahl im Dashboard steigt.

Was das Dashboard nicht immer zeigt: ob das Problem der Kundin oder des Kunden tatsächlich gelöst wurde. Das ist die Lösungslücke – der Abstand zwischen den Interaktionen, die die KI berührt, und den Anliegen, die sie tatsächlich löst.

Ist die Lücke groß, verschwindet das Volumen nicht. Es kehrt auf drei Wegen ins System zurück:

• Als erneuter Kontakt, wenn Kunden über denselben Kanal zurückkommen, weil ihr Problem weiterbesteht
• Als kanalübergreifende Eskalation, wenn Kunden es im Chat versuchen, aufgeben, anrufen und bei einem Menschen landen, der von vorn beginnt
• Als Abwanderung, wenn Kunden zu dem Schluss kommen, dass das Unternehmen ihnen nicht helfen kann, und es nicht weiter versuchen

Jedes dieser Ergebnisse verursacht Kosten, die das Deflection-Dashboard nicht erfasst. Die McKinsey-Studie AI in Customer Service 2026 macht die Stückkosten deutlich: Eine von KI erledigte Lösung kostet etwa 0,62 $, eine von Menschen erledigte 7,40 $ (zitiert nach der Benchmark-Zusammenstellung 2026 von Digital Applied). Diese Rechnung geht aber nur bei der Lösungs-, nicht bei der Deflection-Zahl auf. Jede Interaktion, die als abgewehrt erfasst wird und dann als von Menschen bearbeitete Eskalation zurückkommt, bedeutet zwei Rechnungen: eine für die KI-Lizenz und eine weitere für den Agent, der den abgerissenen Faden wieder aufnimmt. Ist die Lücke groß, potenziert sich dieser Effekt – und die Ausgabenkurve, die Gartner bis 2028 prognostiziert, ist genau das Bild davon im großen Maßstab.

Deshalb ist beim Vergleich der KI-Wirtschaftlichkeit mit der menschlichen Baseline die Kennzahl Kosten pro Lösung entscheidend – nicht Kosten pro Interaktion und nicht die Deflection-Rate. Gartners Prognose von 3 $ pro Lösung für 2030 misst, was KI kostet, wenn sie das Problem tatsächlich löst, und nicht, was sie kostet, wenn sie eine Nachricht bearbeitet.

Was sich innerhalb der Ausgabenkurve tatsächlich abspielt

Gartners Umfrage unter 321 Kundenservice-Führungskräften vom Oktober 2025 ergab, dass nur 20 % der Organisationen ihr Agent-Personal aufgrund von KI reduziert haben. Die übrigen 80 % zahlen für die KI und für die Agents.

Das ist kein Übergangszustand auf dem Weg zu niedrigeren Kosten, sondern die strukturelle Folge davon, wie KI in den meisten CX-Bereichen eingesetzt wird. Wie CXOVoice es formulierte, steigen die Kosten im Kundenservice, weil KI Ebenen hinzufügt, statt sie zu entfernen: Der Stack umfasst inzwischen Conversational AI, Routing, Wissensmanagement, Analytics, Orchestrierung und Überwachung – jeweils mit eigenen Lizenz-, Implementierungs- und Integrationskosten.

Keine dieser Ebenen ersetzt eine bestehende. Was Gartner bis 2028 prognostiziert, sind keine einmaligen Migrationskosten, sondern eine strukturelle Verschiebung von personalintensiven zu softwareintensiven CX-Budgets, bei der die Gesamtkostenbasis steigt statt sinkt.

Innerhalb dieser Verschiebung entscheidet die Lösungslücke, auf welcher Seite der Bilanz die KI-Ausgaben landen. Löst die KI ein Anliegen durchgängig, rechtfertigt die Softwareebene ihren Platz: Sie erledigt Arbeit, die sonst ein Mensch übernehmen müsste, und die Stückkosten gehen auf. Lenkt die KI Anfragen nur ab, ohne sie zu lösen, verursacht die Softwareebene zusätzliche Kosten, ohne bestehende abzulösen – und der Dollar, der eigentlich aus dem Agent-Budget kommen sollte, finanziert die KI am Ende obendrauf.

Die Rechnung, die sich potenziert

Nehmen wir ein typisches Szenario: 10.000 eingehende Tickets pro Monat, ein Anbieter-Dashboard mit einer Automatisierungsrate von 60 % und 6.000 Tickets, die ohne Menschen als „bearbeitet“ markiert sind.

Ein Audit, das Deflection von bestätigter Lösung unterscheidet, kommt in der Regel zu einem anderen Ergebnis. Branchenstudien zu RAG-basierten Implementierungen zeigen durchgängig, dass 15 % bis 25 % der „abgewehrten“ Tickets falsche oder unvollständige Antworten enthalten. Kehren 25 % dieser 6.000 abgewehrten Tickets innerhalb von 72 Stunden ins System zurück (als erneute Kontakte, Eskalationen oder Versuche über andere Kanäle), waren 1.500 scheinbar automatisierte Interaktionen es nicht.

Die tatsächliche autonome Lösungsquote bei diesem Volumen liegt nicht bei 60 %, sondern bei 45 %. Und die Lücke zeigt sich in drei Posten, die die meisten CX-Dashboards nicht ausweisen:

• Die Rechnung des KI-Anbieters bleibt unverändert. Die Lizenz wird nach Interaktionen berechnet, und die KI bearbeitet die Interaktionen.
• Die Arbeitslast des Agent-Teams umfasst diese 1.500 zurückgekehrten Tickets – oft ohne Kontext, weil die Übergabe nicht funktioniert.
• Die Customer Experience trägt die Kosten dafür, dass Kunden zweimal fragen müssen. Der Anbieter berechnet 6.000 Interaktionen. Sie haben 4.500 Lösungen bezahlt.

Die Lösungslücke entscheidet, ob der KI-Posten die menschliche Bearbeitung ersetzt oder zu ihr hinzukommt. Ist die Lücke klein, gleichen KI-Ausgaben die Agent-Kosten aus. Ist sie groß, stapeln sich die KI-Ausgaben auf die Agent-Kosten – und genau diese Kurve prognostiziert Gartner bis 2028.

Der Architekturfaktor

Die Lösungslücke ist kein Modellproblem. Sie ist ein Architekturproblem.

Die meisten KI-Agenten im Produktiveinsatz können heute lesen, aber nicht handeln. Sie rufen Informationen aus einer Wissensdatenbank ab, fassen Richtlinien zusammen und schlagen nächste Schritte vor. Was sie ohne tiefere Integration in der Regel nicht können: die Rückerstattung durchführen, das Konto aktualisieren, die Bestellung ändern oder den Termin verschieben. Die architektonische Trennlinie verläuft zwischen Lese- und Lese-/Schreibzugriff auf die Systeme, in denen das eigentliche Problem der Kunden liegt.

Eine KI mit reinem Lesezugriff ist strukturell auf den Anteil an Tickets begrenzt, der sich durch das Bereitstellen von Informationen lösen lässt. In den meisten CX-Programmen von Unternehmen ist das ein Tier-1-Segment aus Passwort-Resets, Abfragen zum Bestellstatus und Fragen zu Richtlinien – echtes Volumen, aber mit einer Obergrenze. Beschwerden, Ausnahmen, Abrechnungsstreitigkeiten und Kontoänderungen, die die Supportkosten treiben, liegen auf der anderen Seite der Lese-/Schreib-Grenze.

Deshalb lohnt es sich, Automatisierungsraten von über 70 % bei breit gefächerten Anfragen genauer zu hinterfragen. Sie spiegeln meist entweder eine aggressive Triage-Ebene wider, die die schwierigen Fälle aussortiert, bevor die KI sie sieht, oder eine Definition von Lösung, die abgeschlossene Konversationen zählt, ohne das Ergebnis zu bestätigen. Produktive Implementierungen mit Lese-/Schreib-Integration in Backend-Systeme erreichen bei breit gefächerten Anfragen, einschließlich richtlinienabhängiger Tickets, typischerweise eine bestätigte Lösungsquote von 70 % bis 85 %.

Die Architekturentscheidung bestimmt, ob jeder zusätzliche Dollar für CX-Technologie die Lösungslücke schließt oder vergrößert. Lese- oder Lese-/Schreibzugriff, Overlay oder Komplettaustausch, KI als zusätzliche Ebene oder KI direkt im Helpdesk – das sind keine Implementierungsdetails. Das ist der Ausgabenmultiplikator. Mavens Evaluierungs-Framework geht ausführlicher auf diese Dimensionen ein.

So sieht Resolution-first im Produktiveinsatz aus

Die Unternehmen, die die Lösungslücke schließen, teilen ein architektonisches Merkmal: Lese-/Schreib-Integration in die Systeme, in denen die Probleme der Kunden tatsächlich liegen. Die Produktivdaten dazu sind konkret:

• Mastermind erreichte innerhalb von sechs Wochen nach dem Go-live eine autonome Lösungsquote von 93 %.
• Papaya Pay erreichte in drei Wochen eine autonome Lösungsquote von 90 %.
• Clio wechselte von einem veralteten Chatbot zu einer autonomen Lösungsquote von 80 %, löste 60 % mehr Tickets und verkürzte die Reaktionszeit im Live-Support um das 4-Fache.
• Rho hielt einen CSAT von 95 % und bewältigte dabei 12 % mehr monatliche Kontakte, ohne zusätzliches Personal.

Dieser letzte Datenpunkt verdient besondere Aufmerksamkeit. Gartners Veröffentlichung vom 31. März prognostiziert, dass der Verdopplung der CX-Technologieausgaben bis 2028 keine Reduzierung des Personals gegenübersteht, und warnt, dass Unternehmen, die Agents abbauen, um KI zu finanzieren, Betriebsstörungen, eine schlechtere Customer Experience und teure Rückabwicklungen riskieren. Die Prognose geht davon aus, dass KI allein nicht genug löst, um wachsendes Volumen zu bewältigen.

Rhos Zahlen sind das deutlichste Beispiel für eine Resolution-first-Ausgabenrechnung im Produktiveinsatz. Der CSAT blieb bei 95 %, das Kontaktvolumen wuchs um 12 %, und das Team wuchs nicht mit. So sieht Kapazität aus, wenn die Lösungsquote echt ist: mehr betreute Kunden, dasselbe Team, stabiler CSAT.

Das ist die Version der Ausgabenrechnung, in der der KI-Posten seinen Platz verdient. Die Technologieausgaben steigen, die Agent-Kosten bleiben stabil, das Kundenvolumen wächst, und die Gesamtkosten pro gelöstem Anliegen sinken. Das funktioniert nur, wenn die Lösungsquote hoch genug ist – also wenn die Lücke zwischen Deflection und Lösung so klein ist, dass sich KI-Volumen sauber in KI-Ergebnisse übersetzt.

Drei Fragen, bevor Sie das Budget verdoppeln

Gartners Ausgabenprognose für 2028 muss nicht in jeder CX-GuV eintreffen. Ob sie es tut, entscheiden Architektur und Wirtschaftlichkeit der hinzugefügten KI-Ebene. Drei Fragen helfen, hinter die Schlagzeilen-Zahlen zu blicken, mit denen jeder Anbieter auftritt.

1. Kann die KI Aktionen in den Systemen ausführen, in denen das Problem der Kunden liegt, oder nur auf Basis von Dokumenten antworten? Die Grenze zwischen Lese- und Lese-/Schreibzugriff ist der Architekturfaktor, der bestimmt, wie viel der Supportkosten die KI überhaupt adressieren kann. Eine KI, die den Bestellstatus anzeigt, ist nützlich. Eine KI, die die Retoure abwickelt, das Konto aktualisiert und die Änderung bestätigt, schließt die Lösungslücke.
2. Wie hoch ist die Rate erneuter Kontakte innerhalb von 72 Stunden bei gelösten Tickets? Das ist die Audit-Kennzahl. Wenn 25 % der „gelösten“ Tickets innerhalb von drei Tagen eine Folgeanfrage auslösen, liegt die effektive Lösungsquote deutlich unter dem ausgewiesenen Wert. Ein Anbieter, der von der Lösungsqualität seiner KI überzeugt ist, veröffentlicht diese Zahl. Ein Anbieter, der sie nicht gemessen hat, hat dafür meist einen Grund.
3. Wie hoch ist die bestätigte Lösungsquote – nicht die Deflection-Rate? Eine bestätigte Lösung zählt nur Tickets, bei denen das Problem gelöst wurde und die Kunden nicht zurückkamen. Deflection zählt jedes Ticket, das die KI berührt. Anbieter, die beides gemessen haben, teilen beides. Anbieter, die es nicht getan haben oder nicht teilen wollen, optimieren in der Regel auf die Zahl, die sie besser aussehen lässt.

Zusammen entscheiden die drei Antworten darüber, ob jeder zusätzliche Dollar für CX-Technologie Lösungen kauft oder nur Aktivität.

Der Faktor, den Gartner nicht benannt hat

Die beiden Prognosen aus 2026 weisen in dieselbe Richtung: Die Ausgaben steigen, die Kosten pro KI-Lösung nähern sich der menschlichen Untergrenze, und der Personalbestand bleibt weitgehend stabil. Für die Hälfte der Organisationen, die ihre Technologieausgaben bis 2028 verdoppeln, bedeutet das in Summe einen strukturellen Anstieg der CX-Kostenbasis.

Was die Prognosen nicht sagen – weil sie Technologieausgaben messen, nicht Architektur –: Die Lösungslücke ist der Faktor, der entscheidet, in welcher Hälfte eine Organisation landet. Unternehmen, die Lösung als maßgebliche Kennzahl behandeln und ihre KI-Ebene so aufbauen, dass sie in den Systemen handeln kann, in denen die Probleme der Kunden tatsächlich liegen, werden keine verdoppelte Ausgabenkurve ohne Ergebnisse erleben. Unternehmen, die Lösung mit Deflection gleichsetzen, werden 2026, 2027 und 2028 mehr ausgeben und etwa genauso viel lösen wie 2024.

Die Sprache der Branche verändert sich entsprechend. Autonome Lösung wird zur maßgeblichen Kennzahl. Die Resolution Rate ist auf dem Weg, ältere CX-Benchmarks abzulösen – als primäres Maß dafür, ob KI im Support funktioniert. Anbieter und Analysten sind sich zunehmend einig: 2026 sollten Sie gerade das Dashboard am kritischsten prüfen, mit dem Ihr KI-Anbieter wirbt.

Die Ausgabenkurve, die Gartner für 2028 prognostiziert, ist nicht unvermeidlich. Sie ist die Folge von Architekturentscheidungen, die die meisten CX-Teams genau jetzt treffen.