Verantwortungsvolle Automatisierung des Contact Centers

Ein Contact Center, das seine Kosten pro Kontakt senkt, aber gleichzeitig seine Vertrauenswerte einbüßt, hat nicht automatisiert — es hat outgesourct, was am schwersten zu ersetzen war: den Ausweg für den Kunden. Genau das passiert in den meisten Rollouts von Voicebots, Chat-Automatisierung und KI-Agenten, die ich in den vergangenen Jahren in der Region begleitet habe. Die Technologie funktioniert. Die Erfahrung bricht trotzdem zusammen.

Verantwortungsvolle Automatisierung im Contact Center bedeutet nicht, möglichst viele Kontakte vom Menschen wegzuhalten. Sie bedeutet, Aufwand zu entfernen, ohne den Ausweg zu entfernen: Jeder automatisierte Flow muss dem Kunden erlauben, innerhalb einer klar begrenzten Zahl von Schritten einen Menschen zu erreichen, den Kontext dieser Übergabe verlustfrei mitzunehmen, und am Ende an Lösungsrate und Vertrauen gemessen werden — nicht an der Zahl der abgewiesenen Anrufe.

Warum scheitert Automatisierung im Kundenservice so oft?

Sie scheitert, weil die meisten Programme ein Kostenziel optimieren und ein Erfahrungsziel dabei stillschweigend voraussetzen. Die gängige Kennzahl heißt Containment Rate — der Anteil der Kontakte, die den Bot nicht verlassen. Eine hohe Containment Rate sieht im Quartalsbericht hervorragend aus. Sie sagt aber nichts darüber, ob das eigentliche Problem des Kunden gelöst wurde, nur, dass er nicht durchgestellt wurde.

Das Nielsen Norman Group hat in ihrer Forschung zu Chatbot-Usability wiederholt gezeigt, dass Nutzer Bots vor allem dann als frustrierend erleben, wenn diese komplexe oder emotionale Anfragen behandeln, für die sie nicht ausgelegt sind — und wenn der Weg zu einem Menschen verborgen oder künstlich verlängert wird. Das deckt sich mit meiner eigenen Beobachtung aus Projekten in Banken- und Telecom-Contact-Centern: Die Beschwerde ist selten „der Bot war dumm". Die Beschwerde ist „ich konnte nicht zu einem Menschen".

Was unterscheidet Friction von Sludge bei der Automatisierung?

Der Verhaltensökonom Richard Thaler hat in seinem 2018 in der Fachzeitschrift Science veröffentlichten Essay „Nudge, not sludge" den Begriff Sludge geprägt: künstliche, meist bewusst eingebaute Reibung, die eine Handlung erschwert, die im Interesse der Person liegt — im Gegensatz zu notwendiger Friktion, die ein System schützt oder Missbrauch verhindert. Ein Rückgabeformular mit zwölf Pflichtfeldern ist Sludge. Eine Identitätsprüfung vor einer Kontoänderung ist Friktion mit Zweck.

Contact-Center-Automatisierung produziert Sludge fast systematisch, wenn Design und Ziel nicht getrennt betrachtet werden: ein Bot, der fünf Menüebenen durchläuft, bevor er „Für einen Mitarbeiter sagen Sie 'Mitarbeiter'" anbietet, hat keine Zeit gespart — er hat sie versteckt verlagert. Der Kunde zahlt sie trotzdem, nur später und genervter. Der einzige Unterschied zur alten IVR-Warteschleife ist die Illusion von Fortschritt.

Automatisierung, die den Ausweg versteckt, spart keine Kosten — sie leiht sich Frustration von morgen.

Warum verstärkt schlechte Automatisierung Verlustaversion?

Verlustaversion, eines der robustesten Ergebnisse der Verhaltensökonomie seit Daniel Kahnemans und Amos Tverskys Arbeiten der späten 1970er-Jahre, besagt: Menschen empfinden einen Verlust deutlich stärker als einen gleich großen Gewinn. Übertragen auf den Kundenservice heißt das: Der Verlust der Kontrolle — nicht zu wissen, ob und wann man an einen Menschen kommt — wiegt psychologisch schwerer als die Zeitersparnis durch Selbstbedienung sie ausgleicht.

Das erklärt ein Muster, das in Kundenbefragungen nach automatisierten Interaktionen immer wieder auftaucht: Kunden, die den Bot erfolgreich genutzt haben, berichten selten von Begeisterung. Kunden, die im Bot feststeckten und danach schnell und souverän an einen Menschen übergeben wurden, bewerten die Erfahrung oft überraschend positiv — obwohl sie länger gebraucht haben. Sie haben die Kontrolle zurückbekommen, bevor sie sie endgültig verloren hätten. Genau das sollte jede durchdachte Eskalationsstrategie als Designziel behandeln, nicht als Notausgang für Grenzfälle.

Wie beeinflusst die Peak-End-Rule die Wahrnehmung automatisierter Interaktionen?

Kahneman, Fredrickson, Schreiber und Redelmeier zeigten in ihrer 1993 in der Fachzeitschrift Psychological Science veröffentlichten Studie „When More Pain Is Preferred to Less: Adding a Better End", dass Versuchspersonen eine objektiv längere, aber am Ende weniger schmerzhafte Erfahrung rückblickend positiver bewerteten als eine kürzere Erfahrung mit schlechterem Abschluss. Daraus entstand die Peak-End-Rule: Erinnerung wird von der Intensität des schlimmsten oder besten Moments und vom Ende einer Erfahrung geprägt, nicht von ihrer Gesamtdauer.

Für automatisierte Contact-Center-Flows ist das eine der wichtigsten Designregeln überhaupt. Ein Bot-Gespräch, das in einer klaren, menschlichen Übergabe mit vollem Kontext endet, wird als deutlich positiver erinnert als ein technisch schnelleres Gespräch, das im Nichts verläuft — Auflegen, Zurückrufen-Schleife, oder eine E-Mail-Bestätigung ohne echten Abschluss. Das Ende zählt mehr als die Minuten davor.

Welche Kennzahlen zeigen, ob Automatisierung tatsächlich funktioniert?

Wer Containment Rate als einzige Steuerungsgröße nutzt, optimiert für Abwehr, nicht für Lösung. Ein belastbares Set an Kennzahlen für verantwortungsvolle Automatisierung sollte mindestens folgende Dimensionen abdecken:

• First Contact Resolution nach Kanal — wurde das Anliegen im ersten Kontakt gelöst, unabhängig davon, ob Bot oder Mensch beteiligt war?
• Escalation Time-to-Human — wie viele Schritte oder Sekunden liegen zwischen dem Wunsch nach menschlichem Kontakt und dessen Erfüllung?
• Context Carry-Over — musste der Kunde sich beim Mitarbeiter wiederholen, oder lag der volle Verlauf bereits vor?
• Customer Effort Score nach dem Kontakt, getrennt für rein automatisierte und für eskalierte Fälle.
• Abandonment innerhalb des Bots — wie viele Nutzer verlassen die Automatisierung ohne Lösung und ohne Eskalation, also einfach frustriert?

Die letzte Zahl wird in den meisten Dashboards gar nicht erfasst, weil sie unangenehm ist. Sie ist aber die ehrlichste Kennzahl im ganzen System.

Wie baut man Automatisierung auf, die den Exit-Test besteht?

Ich nenne die Prüfung, die ich in Automatisierungsprojekten inzwischen an den Anfang jedes Reviews stelle, den Exit-Test: Kann der Kunde jederzeit, mit vertretbarem Aufwand und ohne Statusverlust, zu einem Menschen wechseln? Wer diesen Test nicht bestehen lässt, verschiebt Kosten, statt sie zu senken. Der Aufbau folgt in der Praxis sechs Schritten:

1. Journey vor Kanal kartieren. Bevor ein Bot gebaut wird, muss die vollständige Journey inklusive aller emotionalen Hochpunkte und Tiefpunkte verstanden sein — nicht nur das Skript des Anrufs. Ein Team, das End-to-End-Journeys strukturiert kartiert, findet die Stellen, an denen Automatisierung Wert schafft, und die Stellen, an denen sie Vertrauen kostet, bevor beides live geht.
2. Anliegen nach emotionaler Ladung klassifizieren. Ein Passwort-Reset trägt kaum emotionale Ladung und ist ein guter Automatisierungskandidat. Eine Reklamation nach einer verpassten Lieferung, ein Storno nach einem Todesfall in der Familie, eine Kreditablehnung — diese Fälle tragen hohe emotionale Ladung und gehören priorisiert zum Menschen, nicht zum Bot.
3. Die Eskalationsschwelle explizit festlegen. Wie viele erfolglose Versuche, wie viele Minuten, welche Schlüsselwörter lösen automatisch die Übergabe aus? Diese Schwelle sollte niedriger sein, als das Bauchgefühl der Produktabteilung vorschlägt.
4. Kontext technisch mitgeben, nicht nur protokollieren. Der Mitarbeiter, der übernimmt, braucht den vollständigen Verlauf sichtbar im System, bevor der Kunde den ersten Satz sagt. Jede Wiederholung ist ein gemessener Vertrauensverlust.
5. Das Ende bewusst gestalten. Ob Bot oder Mensch das Gespräch abschließt: die letzten zehn Sekunden entscheiden über die Erinnerung an die gesamte Interaktion. Eine klare Bestätigung, ein nächster Schritt, ein Name — das kostet nichts und zahlt sich in der Wahrnehmung überproportional aus.
6. Mit den ehrlichen Kennzahlen steuern, nicht mit der Containment Rate allein. Wer Automatisierung ausschließlich an Ablenkungsraten misst, baut über Zeit ein System, das sehr gut darin wird, Kunden loszuwerden, und sehr schlecht darin, sie zu binden.

Wo sollte man nicht automatisieren?

Nicht jede Reduktion von menschlicher Interaktion ist Fortschritt. Anliegen mit hoher Unsicherheit, hoher emotionaler Ladung oder rechtlicher Tragweite gehören zu den Momenten, in denen Kunden Empathie erwarten, keine Effizienz. Ein Kunde, der wegen eines medizinischen Notfalls eine Reise umbuchen muss, oder ein Erbe, der ein Konto auflösen will, sollte nicht zuerst auf einen Bot treffen, der „Ich helfe Ihnen gerne weiter" sagt und dann in einer Schleife endet.

Die Faustregel, die sich in meiner Arbeit bewährt hat: Automatisiere das, was wiederholbar, regelbasiert und emotional neutral ist. Reserviere Menschen für das, was individuell, ambivalent oder emotional aufgeladen ist. Diese Trennung lässt sich nicht allein technisch lösen — sie verlangt eine Personalplanung, die weiß, wie viele geschulte Mitarbeiter für die verbleibenden, komplexeren Fälle tatsächlich nötig sind. Wer diese Größe unterschätzt, baut Automatisierung, die auf dem Papier Kosten spart und in der Realität Warteschlangen für genau die Fälle verlängert, die am wenigsten Wartezeit vertragen. Ein Rechner zur Teamgrößenbestimmung hilft, diese Restlast realistisch statt hoffnungsvoll zu planen.

Automatisierung sichtbar und messbar gestalten

Ein praktisches Problem bei vielen Automatisierungsprogrammen ist, dass die Journey nach dem Rollout nie wieder angeschaut wird, außer in aggregierten Dashboards. Werkzeuge, die jede Touchpoint-Ebene einer Journey mit einem nachvollziehbaren Score versehen, machen sichtbar, wo genau ein automatisierter Schritt Vertrauen kostet, statt es nur zu vermuten. René Studio etwa bildet Journeys als Stufen, Schritte und Touchpoints ab und bewertet jeden Touchpoint mit einem deterministischen Experience-Score, sodass eine Eskalationsschwelle nicht nach Bauchgefühl, sondern anhand des tatsächlichen emotionalen Verlaufs der Journey festgelegt werden kann — und Schwachstellen direkt in priorisierte Roadmap-Initiativen überführt werden, statt in einer Präsentation zu verstauben.

Was bedeutet das für die nächste Automatisierungswelle?

KI-Agenten werden in den kommenden Jahren deutlich mehr Anfragen selbstständig lösen können als heutige regelbasierte Bots — Sprachverständnis und Kontextverarbeitung haben sich sichtbar verbessert. Das ändert die Kalkulation nicht grundsätzlich, es verschärft sie. Ein KI-Agent, der überzeugender klingt als ein Skript-Bot, weckt höhere Erwartungen an Verständnis und Empathie. Wird diese Erwartung enttäuscht — etwa weil der Agent ein Anliegen falsch einordnet und trotzdem selbstsicher antwortet — ist der Vertrauensschaden größer als bei einem offensichtlich limitierten Menü-Bot, weil die Enttäuschung nach einem gefühlten Versprechen kommt, nicht nach einer erwarteten Grenze.

Genau deshalb wird der Exit-Test mit leistungsfähigeren Systemen wichtiger, nicht überflüssiger. Je überzeugender die Automatisierung wirkt, desto genauer muss geprüft werden, ob sie ihre eigenen Grenzen kennt und kommuniziert — und ob der Weg zurück zum Menschen genauso gut gestaltet ist wie der Weg in die Automatisierung hinein. Unternehmen, die diesen Übergang als Teil einer breiteren Customer-Experience-Strategie statt als reines IT-Projekt behandeln, verschaffen sich hier einen strukturellen Vorteil: Sie messen Automatisierung an Vertrauen und Lösungsrate von Anfang an, nicht erst nach der ersten Beschwerdewelle.

Die Contact Center, die in den nächsten Jahren tatsächlich Kosten senken und gleichzeitig Vertrauen aufbauen, werden nicht die sein, die am meisten automatisieren. Es werden die sein, die am genauesten wissen, wann sie es nicht tun sollten — und die diesen Moment so gestalten, dass er sich für den Kunden wie eine bewusste Entscheidung anfühlt, nicht wie ein Fluchtweg, den man erst finden musste.