Was ist agentische KI im Kundenservice?

Agentic AI bezeichnet Software, die eigenständig ein Ziel verfolgt, statt nur auf einzelne Anweisungen zu reagieren. Im Kundenservice heißt das: Ein KI-Agent erfasst, was ein Kunde möchte, ermittelt die nötigen Schritte, greift auf die Systeme zu, die die Antwort liefern oder die Aktion ausführen können, und prüft, ob es tatsächlich funktioniert hat – ohne dass ein Mensch jeden Schritt steuert. Beim Anbietervergleich lautet die entscheidende Frage daher nicht „Nutzt es KI?“, sondern: Verschiebt die Software Arbeit nur hin und her, oder erledigt sie sie tatsächlich?

Fast jedes Serviceteam beschäftigt sich derzeit damit, doch nur wenige können genau sagen, was die Kategorie eigentlich umfasst.

Gartner erwartet, dass bis Ende 2027 mehr als 40 % aller Agentic-AI-Projekte eingestellt werden – wegen steigender Kosten, unklaren Nutzens und unzureichender Risikokontrollen (Gartner-Pressemitteilung, 25. Juni 2025). Laut derselben Studie erfüllen nur rund 130 der Tausenden Anbieter, die sich als „agentisch“ bezeichnen, die Definition tatsächlich. Gartner nennt das Agent Washing. Auf Käuferseite stellte McKinsey fest, dass rund 80 % der Unternehmen generative KI eingeführt haben, ein etwa ebenso großer Anteil aber keine spürbare Wirkung auf das Ergebnis sieht (McKinsey, Seizing the agentic AI advantage, 13. Juni 202 5).

Dass Agentic AI funktionieren kann, steht außer Frage: Einer Prognose zufolge wird sie bis 2029 80 % der gängigen Serviceanliegen autonom lösen (Gartner, 5. März 2025). Entscheidend ist, die Systeme, die dieses Ziel tatsächlich erreichen, von denen zu unterscheiden, die 18 Monate damit verbringen, Tickets eleganter weiterzuleiten als zuvor.

Woraus ein agentisches System besteht

6 Bausteine. Die meisten Anbieter sind bei 2 davon stark und beim Rest vage.

• Wahrnehmung. Die Anfrage erfassen und herausfiltern, worum es tatsächlich geht – in Text, Sprache und Bildern.
• Reasoning und Planung. Ein Ziel in Schritte zerlegen und deren Reihenfolge festlegen. Das unterscheidet einen Agenten von einem Skript.
• Gedächtnis. Ein Kurzzeitgedächtnis, damit er weiß, wo er sich in der Aufgabe befindet, und ein Langzeitgedächtnis, damit er weiß, mit wem er spricht und was beim letzten Mal passiert ist.
• Tool- und Aktionsebene. Die eigentlichen Anbindungen an Ihre Systeme: eine Bestellung abrufen, eine Gutschrift ausstellen, ein Abonnement ändern. Ohne diese Ebene kann das System eine Rückerstattung nur beschreiben, aber nicht durchführen.
• Orchestrierung. Mehrere Agenten oder Schritte koordinieren und Kontext zwischen ihnen weitergeben. Hier bilden sich erste Standards heraus (Model Context Protocol für den Tool-Zugriff, Agent-to-Agent-Protokolle für die Koordination).
• Guardrails und Eskalation. Wissen, was nicht zu tun ist – und wann es Zeit ist, aufzuhören und mit vollständigem Kontext an einen Menschen zu übergeben.

Diese Bausteine arbeiten in einer Schleife, nicht linear: wahrnehmen, planen, handeln, prüfen, anpassen. Ein geskripteter Ablauf läuft einmal durch und funktioniert – oder bricht ab.

Was mit Agentic AI verwechselt wird

4 andere Kategorien werden in Anbieterpräsentationen als „agentisch“ bezeichnet. Sie alle leisten echte Arbeit, aber keine davon löst tatsächlich etwas.

Verschiedene KI-Typen, die sich für unterschiedliche Kundenservice-Szenarien eignen.

Kurz zur Terminologie: Die Branche nennt die erste Zeile meist „Chatbots“. Dieser Artikel spricht stattdessen von regelbasierten Bots, da der eigentliche Unterschied in der Architektur liegt, nicht im Branding.

Orchestrierung ist keine Lösung

Hier liegt der Großteil der Verwirrung, deshalb ganz offen:

Die agentischen Use Cases, die man in der Praxis am häufigsten sieht – Routing, Triage, Eskalationsmanagement, Workflow-Orchestrierung, Personalisierung –, sind alle echte Arbeit. Keiner davon löst etwas. Ein System, das ein Ticket liest, korrekt klassifiziert, den richtigen Kontokontext abruft und es an die richtige Queue weiterleitet, hat etwas wirklich Nützliches getan – das Problem des Kunden hat es aber nicht gelöst. Orchestrierung beschleunigt Ihren bestehenden Prozess. Lösung nimmt Ihnen tatsächlich Arbeit ab.

An dieser Stelle werden auch die Kennzahlen unscharf. 3 Begriffe werden synonym verwendet, obwohl sie es nicht sein sollten:

• Deflection-Rate. Der Anteil der Kontakte, die ohne Mitarbeitende bearbeitet werden. Leicht zu schönen, denn Kunden, die einfach aufgegeben haben oder in einer Schleife festhingen, sehen im Log genauso aus wie ein Erfolg.
• Containment-Rate. Der Anteil der Gespräche, die im automatisierten Kanal geblieben sind. Sagt nichts darüber aus, ob das Anliegen gelöst wurde.
• Lösungsquote. Ob das Anliegen tatsächlich erledigt wurde – bestätigt dadurch, dass sich der Kunde innerhalb von 24–48 Stunden nicht erneut meldet, oder durch direkte Nachfrage.

Nur die dritte Kennzahl spiegelt ein echtes Kundenergebnis wider. Nennt ein Anbieter eine Zahl, ohne zu sagen, welche der 3 gemeint ist, sollten Sie genau danach zuerst fragen.

Wie Lösung aussieht, wenn sie funktioniert

Die konkrete Ausgangslage zählt mehr als die Schlagzeilenzahl, denn der Einwand jeder Serviceleitung lautet: „Unsere Umgebung ist komplizierter als diese Fallstudie.“ Deshalb hier die Rahmenbedingungen, unter denen diese Teams tatsächlich gearbeitet haben:

K1x wickelt Workflows für Steuer- und Rechtsdokumente mit einem kleinen Supportteam ab – und hatte keinerlei Interesse an einem langen IT-Projekt. Das System setzte auf der bestehenden Infrastruktur auf, statt sie zu ersetzen. Genau das ermöglichte einen schnellen Rollout: K1x erreichte bereits in der ersten Woche nach dem Go-live 80 % autonome Lösung.

Clio vertreibt Kanzleisoftware an Kunden weltweit und hat sich nicht auf Versprechen verlassen. Das Unternehmen evaluierte 32 Anbieter und testete mehr als 10 davon im direkten Vergleich, bevor es sich entschied. Ergebnis: 80 % autonome Lösung und ein 4-mal schnellerer Live-Support.

Rho, ein Fintech-Unternehmen, verzeichnete steigende Kontaktvolumina, ohne dass zusätzliches Personal in Aussicht stand. Ziel war schlicht, Schritt zu halten, ohne dass die Experience leidet: Rho hielt einen CSAT von 95 % und bewältigte mit gleicher Teamgröße 12 % mehr Kontakte pro Monat.

Ein Fortune-500-Gaming-Unternehmen ist in einem regulierten Umfeld tätig, in dem das Volumen rund um Events stark ansteigt. Das normale Volumen liegt bei über 330.000 Interaktionen pro Monat bei 80 % Lösung; an einem einzigen Spitzentag löste das System 13.000 Interaktionen.

Welchen Autonomiegrad Sie tatsächlich kaufen

Frameworks für Autonomiestufen nehmen allmählich Gestalt an. Die Cloud Security Alliance veröffentlichte im Januar 2026 ein 6-stufiges Modell, und die meisten anderen Varianten stimmen in der Grundstruktur überein, auch wenn sie andere Bezeichnungen verwenden.

In der Praxis arbeiten die meisten Enterprise-Implementierungen mit bedingter Autonomie: Das System erledigt die gesamte Aufgabe innerhalb eines definierten Rahmens und eskaliert alles, was darüber hinausgeht. Verspricht ein Anbieter mehr, beschreibt er eine Roadmap, kein Produkt.

Ein Beispiel zur Rückerstattung macht das greifbar: Bei bedingter Autonomie liest das System die Anfrage, gleicht sie mit der Richtlinie ab, prüft die Berechtigung anhand der Bestellung, stellt die Gutschrift aus, sofern sie innerhalb des Schwellenwerts liegt – und übergibt andernfalls mit vollständigem Kontext an einen Menschen. Den Schwellenwert legen Sie fest, und genau diese Einstellung – nicht das zugrunde liegende Modell – bestimmt, wie viel das System tatsächlich leistet.

5 Fragen, die beide Kategorien voneinander trennen

1. Was tut das System tatsächlich – und nicht nur, was sagt es? Lassen Sie sich die konkrete Liste der Aktionen geben, die es in Ihren Systemen ausführen kann. Dreht sich die Antwort nur um das Beantworten von Fragen, orchestriert es, statt zu lösen.
2. Wie wird Lösung definiert und überprüft – Deflection, Containment oder bestätigte Lösung – und über welchen Zeitraum?
3. Was passiert bei geringer Konfidenz? Ein System ohne echten Eskalationspfad rät nur.
4. Was verlangt die Einrichtung tatsächlich von Ihrem Team? Wochen mit einem Solutions Architect des Anbieters sind etwas ganz anderes als Wochen mit Ihren eigenen Engineers.
5. Welche namentlich genannten Kunden aus Ihrer Branche und mit Ihrem Volumen sprechen tatsächlich mit Ihnen? Ein einziges Referenzgespräch in einem vergleichbaren Umfeld sagt mehr als jede Benchmark-Statistik.

Häufig gestellte Fragen

Was ist Agentic AI im Kundenservice?

Software, die eigenständig ein Serviceziel verfolgt: Sie liest die Anfrage, plant die Schritte, handelt in den Systemen, in denen die Daten liegen, und bestätigt das Ergebnis, ohne dass jemand jeden Schritt vorgibt. Das entscheidende Merkmal: Sie erledigt die Aufgabe, statt sie nur weiterzuleiten.

Worin unterscheidet sich Agentic AI von einem Chatbot?

Ein regelbasierter Bot ordnet Eingaben geskripteten Antworten zu und schiebt alles Unbekannte an einen Menschen weiter. Ein agentisches System durchdenkt auch eine unbekannte Anfrage, ermittelt die Schritte zur Lösung und führt sie in Live-Systemen aus. Das eine leitet weiter, das andere löst.

Ist Agentic AI dasselbe wie generative KI?

Nein. Generative KI erzeugt lediglich Text als Antwort auf einen Prompt. Agentic AI nutzt ein generatives Modell als einen Baustein eines größeren Systems, das zusätzlich plant, sich erinnert und handelt. Generative KI zu kaufen und agentische Ergebnisse zu erwarten, ist ein häufiger Fehler.

Kann ein KI-Agent eine Rückerstattung ausstellen oder eine Bestellung ändern?

Ja – sofern er mit den Systemen verbunden ist, die diese Aktionen ausführen, und dies innerhalb festgelegter Grenzen darf. Die meisten Unternehmen legen einen Schwellenwert fest und leiten alles darüber an einen Menschen weiter.

Was ist eine gute Lösungsquote für KI im Kundenservice?

Das hängt vom Kanal, von der Komplexität und von der Messmethode ab. Reale Produktionswerte liegen zwischen etwa 50 % und 93 %. Fragen Sie jeden Anbieter genau, wie er seine Zahl definiert und überprüft, bevor Sie sie mit anderen vergleichen.

Wird Agentic AI menschliche Mitarbeitende ersetzen?

Heutige Systeme arbeiten mit bedingter Autonomie: Sie übernehmen definierte Aufgaben und eskalieren den Rest. Bisher zeigt sich vor allem mehr Kapazität: Dasselbe Team bewältigt mehr Volumen und verbringt mehr Zeit mit Aufgaben, die tatsächlich Urteilsvermögen erfordern.

Ist Agentic AI mit PCI DSS und HIPAA konform?

Compliance hängt von der Plattform ab, nicht von der Kategorie. Fragen Sie nach konkreten Zertifizierungen, ob diese auch Voice abdecken und wie personenbezogene Daten in Echtzeit verarbeitet werden.

Warum scheitern Agentic-AI-Projekte?

Gartner nennt steigende Kosten, unklaren Nutzen und unzureichende Risikokontrollen. Dahinter steckt meist ein grundlegenderes Problem: Man kauft etwas, das orchestriert, und erwartet, dass es löst.