In loser Folge versuchen wir, die Impulse aus der Shift/CX Konferenzwoche 2026 aufzuarbeiten - als Orientierungspunkt für kommende Diskussionen und als Impuls für eure Projekte. Hier nun der Nachmittag des 11. März zum Thema Customer Service Management, was uns auch auf der Customer Service Management & Automation Konferenz im Juni weiter beschäftigt und dafür als Vorbereitung gilt.

Insgesamt gilt für den Kundenservice: Servicequalität und Exzellenz sind entscheidend für Kundenzufriedenheit und langfristige Geschäftsentwicklung. Dennoch wird der Kundenservice organisatorisch fast immer als Kostenstelle geführt. Damit gilt die Effizienz-Doktrin - nach dem Motto, wo können wir Aufwand durch Automatisierungen wie IVRs in Call-Centern oder Chatbot-Lösungen, Self-Service oder Outsourcing reduzieren. Das Ergebnis war aber zumeist: mehr Effizienz auf Kosten der Qualität. 

Die KI-Technologien im Service-Bereich versprechen nun, diesen Trade-off aufzulösen. Also - sowohl effizient zu automatisieren als auch intelligent und qualitativ hochwertig auf das Kundenanliegen eingehen zu können. Was das konkret bedeutet und welche Bedingungen dafür erfüllt sein müssen, haben wir versucht, in der Konferenzwoche aufzuzeigen.

KI als Brennglas: Sie beschleunigt, was schon vorher nicht gestimmt hat

Wenn wir KI auf bestehende Serviceprozesse anwenden, wirkt sie wie ein Brennglas: Sie beschleunigt gut organisierte Abläufe. Und entfacht Feuer dort, wo es schon vorher geraucht hat. Martin Hill-Wilson hat in seiner Keynote die Diagnose präzisiert: drei konkrete Strukturprobleme stehen dem skalierbaren KI-Einsatz im Weg. 

• Wissen, Zugriffsrechte und Entscheidungsbefugnisse sind auf Teams und Hierarchiestufen verteilt. Eine Rechnungsreklamation, die ein KI-Agent in einer Minute lösen könnte, braucht im klassischen Modell drei bis vier Übergaben.
• Serviceprozesse sind kanalzentriert optimiert: Telefon, E-Mail, Chat separat, mit eigenen Skripten und KPIs. KI denkt in Ergebnissen, nicht in Kanälen.
• Und Service ist reaktiv organisiert: Frustration entsteht, bevor überhaupt reagiert wird.

„Viele Organisationen investieren in beeindruckende KI-Plattformen, scheitern jedoch beim Skalieren, weil das Betriebsmodell nicht angepasst ist." Das ist Hill-Wilsons Kernbefund, und er gilt laut aktuellen Studien für 60 bis 80 Prozent aller KI-Initiativen im Service. Was es in der Praxis braucht: eine Orchestrierungsschicht, die Zugriffsrechte, Wissen und Entscheidungsbefugnisse systemübergreifend regelt. Keine neue Abteilung, sondern ein Governance-Framework, das KI-Agenten bereichsübergreifend handlungsfähig macht. 

Was das für hybride Service-Betriebsmodelle bedeutet und welche Rolle Agentic AI dabei spielt, haben wir schon beschrieben. In der Konferenzwoche wurden diese Konzepte mit Projekterfahrungen untermauert.

Resolution statt Effizienz: Was die Messlatte wirklich entscheidet

Was hält die Effizienz-Logik so hartnäckig in Gang? Die Messlatte selbst. Florian Sieg hat aus der Lexware-Praxis beschrieben, wie der Blick konsequent gewechselt wird: weg von Average Handling Time und Deflection-Rate, hin zu betriebswirtschaftlichen Kennzahlen wie Churn, Retention-Kosten und Umsatzentwicklung. Das ist kein KPI-Hygiene-Projekt. Es ändert, woran eine Serviceorganisation gemessen und damit wie sie geführt wird. Produktivitätsgewinne durch Automatisierung fließen bei Lexware nicht in Stellenabbau, sondern in längere, wertschöpfende Gespräche für die komplexen Fälle. Menschlicher Service wird dabei zur Premiumdienstleistung.

Henning Ahlert hat dazu das Grönroos-Modell eingebracht: Service-Qualität hat zwei Dimensionen, was gelöst wird (technisch) und wie es gelöst wird (funktional). Die technische Dimension ist die Mindestanforderung. Empathie, der richtige Übergabemoment und emotionale Verlässlichkeit bleiben menschlich. Sie greifen aber erst, wenn das eigentliche Problem gelöst wird.„Lösungsfähigkeit bleibt entscheidend, egal ob durch Mensch oder Maschine", so Ahlert. Der kritische Moment im hybriden Modell ist die Übergabe von Bot zu Mensch: zu früh kostet Effizienz, zu spät kostet Vertrauen. Was Resolution Management und Agent Assist dazu beitragen können, haben wir in unseren Knowhow-Artikeln beschrieben.

Andreas Ackermann von Zendesk hat das mit einem Marktindikator untermauert: lösungsbasierte Preisgestaltung, bei der nur für erfolgreich gelöste Tickets bezahlt wird. Als gelöst gilt ein Ticket erst, wenn es nach 72 Stunden nicht erneut geöffnet wurde. „Kunden möchten ihr Problem nicht nur abgeschlossen, sondern wirklich gelöst haben." Der Resolution Learning Loop, in dem KI, Mensch und Daten als kontinuierliches System zusammenwirken, macht diese Orientierung skalierbar. Jonas Leismann hat den Governance-Schluss formuliert: „Es kommt immer auf die Lösung an, egal über welchen Kanal, ob das Bots sind oder Menschen. Die First Contact Resolution Rate ist die führende KPI für jeden Kundenservice."

Service als Sensor: Der Lernloop, der in den meisten Organisationen fehlt

Wer Service nur als Ausführungseinheit begreift, übersieht seinen strategischen Wert. Matias Musmacher hat das Reframingproblem benannt: „Die Anforderungen der Kunden sind: Holt mich emotional ab, löst es schnell, löst es in meinem Sinne, löst es einfach. Die Forderung ist nicht, zwingend KI einzusetzen." KI-Projekte starten zu oft mit Effizienzversprechen. Dabei liegt der strategische Wert woanders: im Service-Center als CX-Sensor. Was wir als Feedback-First-Problem beschrieben haben, hat hier eine weitere Dimension bekommen: Wer zu schnell automatisiert, verliert die Fähigkeit, CX-Probleme upstream zu erkennen und zu beheben.

Andreas Ackermann hat im Panel die eigentliche Frage gestellt: Wenn 40 Prozent der Kontakte automatisiert werden, was passiert mit den Erkenntnissen aus diesen Kontakten? Landen sie bei Produktentwicklung, Abrechnung, Logistik? Er sieht hier das seit 20 Jahren nicht gelöste Kernproblem: Der geschlossene Informationskreislauf zwischen Service und den Upstream-Bereichen fehlt. Service sieht Produktmängel, Abrechnungsfehler und Kommunikationsversprechen, die nicht eingelöst werden. Diese Rückkopplung erreicht die zuständigen Stellen aber nicht systematisch.

Annika Schmidt von Content Guru hat den Ausblick formuliert: „Service wird nicht weniger bedeutsam, sondern mehr bedeutsam in der Zukunft vor dem Hintergrund aller technologischen Entwicklungen." Das setzt den Sensor-Gedanken in Perspektive: Service, der seinen Lernloop schließt, verliert nicht an Relevanz. Er wird zur strategischen Ressource.

Fazit

Der Trade-off zwischen Effizienz und Exzellenz galt im Service lange als unvermeidbar. Was die Konferenzwoche gezeigt hat: Das stimmt nicht mehr. Aber es löst sich nur auf, wenn drei Dinge gleichzeitig stimmen:

• Betriebsmodell-Governance: KI-Agenten brauchen systemübergreifende Handlungsfähigkeit. Wissen, Zugriffsrechte und Entscheidungsbefugnisse müssen organisationsweit geregelt sein - nicht auf Teams und Hierarchiestufen verteilt.
• Resolution statt Effizienz: Die Messlatte wechselt von Effizienz-KPIs wie AHT und Deflection-Rate auf betriebswirtschaftliche Kennzahlen wie Churn, Retention und Revenue - und auf die First Contact Resolution Rate als führende Service-KPI.
• Service als Lernloop: Service schließt den Feedback-Kreislauf zurück in die Organisation. Nicht als Berichts-Tool, sondern als systematisches Signal für Produktentwicklung, Abrechnung und die Einlösung von Kommunikationsversprechen.

Was aus dem Nachmittag hängenbleibt: Die KI-Frage im Service ist keine Technologiefrage. Es ist eine Frage, wie Serviceorganisationen geführt, gemessen und in die Gesamtorganisation eingebunden werden. Wer das ernst nimmt, bekommt ein echtes Upgrade. Wer KI als reines Effizienzprojekt angeht, wird die bestehenden Probleme nur schneller sichtbar machen.

Die vollständigen Vorträge sind in der Shift/CX Mediathek abrufbar.

Alle Beiträge der Shift/CX 2026 Konferenzwochen-Nachschau.