Künstliche Intelligenz im Kundenkontakt: Experten fordern klare Use Cases statt Tool-Hype

Wie lässt sich Künstliche Intelligenz (KI) im Unternehmensalltag so einsetzen, dass sie messbaren Nutzen bringt? Diese Frage stand im Mittelpunkt eines Expertengesprächs unter dem Titel „Kein Use Case, kein KI-Erfolg“. Beteiligt waren Roman Erlacher (NovaTaste), Ron Boes (SYBIT) und Jonas Degener (SYBIT). Rund 200 Teilnehmende verfolgten die Diskussion.

Die zentrale Botschaft: Wer KI wirtschaftlich nutzen will, muss konkrete Geschäftsziele und Anwendungsfälle („Use Cases“) definieren – statt Technologien ohne klaren Bezug zu bestehenden Prozessen einzuführen.

Vom Technologietrieb zur Problemorientierung
Laut den Expertinnen und Experten sind KI-Initiativen in Unternehmen oft technologiegetrieben. Neue Tools erscheinen in rascher Folge, doch die Einführung orientiert sich häufig an Funktionen, nicht an Geschäftsnutzen. Inzwischen zeichnet sich ein Wandel ab: Der Fokus verlagert sich auf die Lösung konkreter Probleme, etwa lange Reaktionszeiten im Kundenservice, Überlastung von Callcentern oder ineffiziente Dokumentenverarbeitung.

Entwicklung sinnvoller Use Cases
Ein erfolgreicher KI-Einsatz beginne nicht mit der Auswahl eines Tools, sondern mit der Analyse des Problems, betonten die Gesprächspartner. Erst danach sollten Technologie, Plattform und Architektur festgelegt werden. Systeme wie SAP BTP oder Microsoft Azure böten strategische Vorteile, müssten jedoch in eine Gesamtarchitektur mit passendem Datenmodell, Governance-Strukturen und Schnittstellen eingebettet werden.

Ein praxisnaher Ansatz zur Entwicklung von Use Cases sei das sogenannte „Shadow Working“. Dabei begleitet ein Experte Mitarbeitende im Arbeitsalltag, um Abläufe zu beobachten und Potenziale zu erkennen, die in Prozessbeschreibungen oft nicht sichtbar werden. Ergänzend dazu helfen Workshops mit Fachbereichen und IT, praxisrelevante und umsetzbare Anwendungsfälle zu identifizieren.

Bewertung und Priorisierung
Die Bewertung des wirtschaftlichen Nutzens sei eine Herausforderung, da der Return on Investment (ROI) nicht immer eindeutig messbar sei. In der Praxis empfiehlt sich laut den Fachleuten eine Priorisierung anhand des erwarteten Nutzens und der Umsetzbarkeit. Ziel sei es, schnell sichtbare Ergebnisse („Quick Wins“) zu erreichen, zum Beispiel weniger Serviceanfragen, kürzere Bearbeitungszeiten oder verbesserte Datenqualität.

Beispiele aus der Praxis
Im Gespräch wurden konkrete Anwendungsbeispiele vorgestellt:

• Service-Triage-Agent: Automatisierte Erkennung, Kategorisierung und Weiterleitung von Kundenanfragen zur Entlastung des First-Level-Supports.
• Ticketbefüllung: Automatisches Ergänzen von Servicetickets mit strukturierten Informationen zur Erhöhung der Datenqualität und Zeitersparnis.
• Übersetzung: KI-gestützte Übersetzung von Inhalten zur Beschleunigung internationaler Kommunikation.
• Angebotsgenerierung: Automatisierte Erstellung von Angeboten auf Basis von Kundendaten zur Verkürzung der Angebotsdauer.
• Analyse: Intelligente Auswertung von Kunden-, Ticket- und Feedbackdaten zur Identifikation wiederkehrender Probleme und Prozessverbesserung.

Diese Beispiele zeigen nach Ansicht der Diskutierenden, dass viele KI-Anwendungen ohne Großprojekte in bestehende Prozesse integriert werden können – vorausgesetzt, es gibt einen klar definierten Use Case.

Hürden und Lösungsansätze
Zu den häufigsten Hindernissen zählen laut den Expertinnen und Experten: aktionistische Projekte ohne klares Ziel, Unsicherheit im Team, mangelhafte Datenqualität, fehlende Governance und überdimensionierte Technologieansätze. Als Lösungswege nannten sie unter anderem frühzeitige Einbindung der Mitarbeitenden, Standardisierung, zentrale Architektur- und Datenmodelle sowie klare Verantwortlichkeiten.

Standardisierung als Erfolgsfaktor
Standardisierte Prozesse und Schnittstellen gelten demnach als Voraussetzung für Skalierbarkeit, Wiederverwendbarkeit und Sicherheit. Dies sei insbesondere im Hinblick auf Datenschutz und Compliance relevant, da Fachbereichsinitiativen sonst unbewusst gegen Regularien verstoßen könnten.

Schrittweise Umsetzung statt Perfektionismus
Zum Abschluss gaben die drei Experten Empfehlungen:

• KI sollte nur so umfangreich wie nötig eingesetzt werden, oft reichten einfache Algorithmen (Degener).
• C-Level und Fachbereiche müssten gemeinsam agieren und unterschiedliche Wissensstände mit Change-Management-Maßnahmen ausgleichen (Erlacher).
• Unternehmen sollten mutig erste Schritte gehen, statt sich aus Angst vor Fehlern zu blockieren – dabei jedoch klar priorisieren (Boes).

Das Fazit: Der entscheidende Erfolgsfaktor für KI im Vertrieb und Kundenservice ist nicht die Technologie selbst, sondern die Verbindung zu einem klar definierten Geschäftsziel. Erst dann lässt sich das Potenzial von KI in der Customer Experience ausschöpfen.

Den kompletten Review des Talks finden Sie hier: 

https://www.sybit.com/de/wir/insights/kuenstliche-intelligenz-ki-kein-use-case-kein-erfolg