---
title: "KI-Projekte im Kundenservice: Die häufigsten Fallstricke – und wie man sie vermeidet"
description: "Datenqualität und Prototypen minimieren Risiken bei KI-Projekten im Kundenservice. Vermeiden Sie Fallstricke durch gezielte Prozessanalysen."
canonical_url: "https://www.shiftcx.de/mediathek/asset/ki-projekte-im-kundenservice-die-haeufigsten-fallstricke-und-wie-man-sie-vermeidet.html"
published: "2025-04-22"
updated: "2026-02-17"
language: "de"
content_type: "VideoObject"
publisher: ""
---

# KI-Projekte im Kundenservice: Die häufigsten Fallstricke – und wie man sie vermeidet

**Aufgezeichnet am:** 25.06.2025
**Dauer:** 35 Min.

## Sprecher
- [Andreas Lindenberg](/experten/andreas-lindenberg.html) — Consultant AI, Agile Heroes GmbH

Datenqualität und Prototypen minimieren Risiken bei KI-Projekten im Kundenservice. Vermeiden Sie Fallstricke durch gezielte Prozessanalysen.

Andreas Lindenberg beleuchtet auf der Shift/CX Customer Service Management Konferenz 2025 die Herausforderungen bei der Einführung von KI-Projekten im Kundenservice von B2B-Unternehmen. Sein Vortrag richtet sich an technische Projektleiter und CX-Verantwortliche, die Effizienzsteigerungen durch KI anstreben, jedoch Fehlentscheidungen und Qualitätsverluste vermeiden wollen. Lindenberg betont die Bedeutung von Datenqualität und einem konsequenten Qualitätsfokus, während er die Rolle von Prototypen zur Risikominimierung hervorhebt. Er warnt vor der Vernachlässigung von Qualität zugunsten kurzfristiger Einsparungen und beschreibt die Komplexität der Integration von KI-Lösungen in bestehende Prozesse.
Lindenberg identifiziert mehrere Fallstricke bei KI-Projekten, darunter den Fokus auf Lösungen statt auf spezifische Unternehmensprobleme und die sogenannte KPI-Monokultur. Er fordert eine ganzheitliche Erfolgsmessung, die qualitative Bewertungen und End-to-End-Prozessanalysen umfasst. Ein weiterer zentraler Punkt ist das Testen von KI-Lösungen unter realen Bedingungen, um ihre Praxistauglichkeit zu gewährleisten. Lindenberg empfiehlt ein experimentelles Vorgehen mit schnellen Prototypen und betont die Bedeutung der Dokumentation von Fehlern als Lernchance. Er unterscheidet zwischen generischen Sprachmodellen wie GPT-4 und spezialisierten Ansätzen wie Retrieval-Augmented Generation, um die Limitationen und Potenziale von KI-Lösungen klar zu benennen.

## Kernaussagen
- Der Fokus sollte auf der Lösung von spezifischen Unternehmensproblemen liegen, nicht auf der Implementierung von generischen KI-Lösungen.
- Qualität muss bei KI-Projekten im Kundenservice an erster Stelle stehen, um langfristige Kundenzufriedenheit zu gewährleisten.
- Erfolge von KI-Projekten sollten nicht nur anhand von KPIs gemessen werden, sondern auch durch qualitative Bewertungen und End-to-End-Prozessanalysen.
- Prototypen sind essenziell, um frühzeitig die Machbarkeit und den Nutzen von KI-Lösungen zu testen.
- Fehler in KI-Projekten sollten als Lernchancen betrachtet und systematisch dokumentiert werden, um zukünftige Projekte zu verbessern.

## Zitat
> Der Fokus auf Effizienz und Kosteneinsparung bei KI-Projekten kann die Qualität beeinträchtigen und zu falschen Erwartungen führen. – Andreas Lindenberg
KI-Projekte erfordern ein klares Verständnis der internen Prozesse und Pain Points, um sinnvolle Lösungen zu entwickeln, anstatt sich von vorgefertigten Lösungen leiten zu lassen. – Andreas Lindenberg
Prototypen sind entscheidend, um schnell zu testen, ob KI-Projekte sinnvoll sind, und um frühzeitig zu erkennen, ob der eingeschlagene Weg erfolgversprechend ist. – Andreas Lindenberg