KI im After-Sales-Service: Warum 3 von 4 Serviceteams keinen ROI sehen

Die KI-Ausgaben von Kundenservice-Verantwortlichen sind 2026 um 38 % gestiegen, während ihr Gesamtbudget nur um 2 % gewachsen ist, so Gartner. Dennoch geben nur 24 % der von Gartner befragten Service- & Support-Verantwortlichen an, eine positive finanzielle Rendite ihrer KI-Anwendungsfälle nachweisen zu können.

Im industriellen After-Sales- und Außendienst beobachtet McKinsey ebenfalls viele vielversprechende Projekte, aber noch wenige Unternehmen, die diese Ergebnisse in messbare Wirkung auf ihre GuV umsetzen.

Wo also geht der Wert verloren?

Beim Problem ansetzen, nicht bei der KI

91 % der Service- & Support-Verantwortlichen geben an, von ihrer Geschäftsleitung unter Druck gesetzt zu werden, KI einzuführen, so Gartner.

Dieser Druck kann die Logik leicht umkehren: erst einen Chatbot, einen Assistenten oder einen KI-Agenten auswählen und dann einen Einsatzzweck dafür suchen.

Besser wäre es, bei den Problemen des Kundendienstes anzusetzen:

• Auf welche Reibungspunkte stößt der Kunde im Kontakt mit Ihrem Service?
• Wo verlieren die Techniker Zeit? Warum?
• Wie hoch ist der Anteil wiederkehrender Anfragen?
• Welche Vor-Ort-Einsätze ließen sich vermeiden?
• Wie lange dauert eine Diagnose im Durchschnitt? Warum?

Wie einfach sich heute eine Software-Oberfläche prototypisieren lässt, verstärkt diese Verzerrung: Eine überzeugende erste Demo ist sehr schnell gebaut, ohne dass Fragen der Integration, der Daten und der Messung geklärt wären.

BCG stellt fest, dass Vorreiter häufig punktuelle Produktivitätsgewinne erzielen, ohne den erwarteten ROI zu erreichen – vor allem, weil ihre ersten Anwendungsfälle nicht weit genug gehen oder die Skalierung scheitert.

Die KI muss Ihren Kundendienst kennen – und einen Rahmen haben

Eine generische KI kann einen Fehlercode anhand eines Handbuchs erklären.

Um einem Techniker oder einem Kunden aber wirklich zu helfen, müsste sie auch wissen, dass dieser Fehler bei dieser Maschinenbaureihe schon aufgetreten ist, welche Lösungen funktioniert haben, welche Teile ausgetauscht wurden und was an genau diesem Gerät bereits versucht wurde.

Diese Informationen liegen jedoch selten an einem Ort.

Sie sind verteilt auf technische Dokumentation, CRM, ERP, Tickets, Einsatzberichte, Maschinenhistorien, WhatsApp, E-Mails und das Wissen der Techniker.

McKinsey nennt genau diese Datenfragmentierung und die Altsysteme als zwei der größten Hindernisse für die Skalierung von KI im After-Sales- und Außendienst.

Die Wahl des KI-Modells ist also nur ein kleiner Teil des Projekts. Der Wert hängt vor allem vom fachlichen Kontext ab, auf den die KI zugreifen kann, und von der Rahmeninfrastruktur (dem „Harness“):

• Wie findet sie unter Tausenden von Dokumenten die richtige Information?
• Woher weiß sie, welche Frage sie in Ihrem fachlichen Kontext zum richtigen Zeitpunkt stellen muss?
• Wie reagiert sie je nach Persona (ein Händler hat andere Bedürfnisse als ein Endkunde)?
• Wie stellen Sie sicher, dass sie auf Grundlage Ihres Wissens antwortet und nicht auf Grundlage des allgemeinen Wissens ihres Modells?

Dieser Rahmen entscheidet, ob die KI auf Ihrem Kundendienst aufbaut oder an der Sache vorbei antwortet.

Ein Produktivitätsgewinn ist kein ROI

Angenommen, ein Assistent spart einem Techniker jeden Tag 20 Minuten.

Der Gewinn ist real. Doch wenn sich dahinter nichts ändert, bleiben die Kosten des Kundendienstes praktisch gleich.

Um Wert zu schaffen, müssen diese 20 Minuten in etwas Konkretes münden:

• Bessere Ferndiagnose: weniger Vor-Ort-Einsätze und damit geringere Einsatzkosten.
• Weniger Suchzeit: mehr bearbeitete Anfragen und damit zusätzliche Kapazität ohne Neueinstellungen.
• Automatisch dokumentierte Einsätze: wiederverwendbares Wissen und damit schnellere Lösungen beim nächsten Mal.

Deshalb reicht es nicht immer, einem bestehenden Arbeitsschritt einen Copilot, ein ChatGPT oder ein Claude hinzuzufügen.

BCG empfiehlt, über reine Produktivitätsgewinne hinauszugehen und Prozesse und Workflows rund um die KI neu zu denken. Gartner kommt beim Kundenerlebnis zum selben Schluss: Statt isolierte Chatbots hinzuzufügen, sollten Unternehmen Abläufe aufbauen, in denen die KI wirklich hilft, das Problem von Anfang bis Ende zu lösen.

Im Kundendienst ist es nützlich, einen Bericht fünf Minuten schneller zu verfassen. Dafür zu sorgen, dass der Einsatz automatisch in die Gerätehistorie einfließt und beim nächsten Ausfall genutzt werden kann, schafft einen weitaus interessanteren Kreislauf:

Jede Lösung beschleunigt die nächste.

Von KI, die funktioniert, zu KI, die sich rechnet

Die Zahlen von Gartner zeigen weniger eine Grenze der KI im Kundendienst als eine Verwechslung von drei Reifegraden:

• Eine KI, die funktioniert: Sie kann die Aufgabe erledigen.
• Eine nützliche KI: Sie verfügt über den richtigen Kontext und verbessert die Arbeit im Kundendienst spürbar.
• Eine rentable KI: Dieser operative Gewinn wird zu Kostensenkung, zusätzlicher Kapazität oder Umsatz.

Meist geht der ROI zwischen diesen drei Stufen verloren.

Vor dem Start eines neuen KI-Projekts lautet die erste Frage daher nicht „Welches KI-Tool sollen wir einführen?“, sondern „Welches Problem wollen wir lösen, und für welches Geschäftsziel?“