---
title: "KI-Textanalyse von morgen: Wie GenAI, Understanding AI und Agenten die Kundenfeedback-Analyse verändern "
description: "KI-Modelle optimieren Kundenfeedback-Analysen: Unterschiede, Herausforderungen und Multi-Level-Topic-Modelle für B2B-SaaS-Unternehmen."
canonical_url: "https://www.shiftcx.de/mediathek/asset/ki-textanalyse-von-morgen-wie-genai-understanding-ai-und-agenten-die-kundenfeedback-analyse-veraendern.html"
published: "2025-11-30"
updated: "2026-03-19"
language: "de"
content_type: "VideoObject"
publisher: ""
---

# KI-Textanalyse von morgen: Wie GenAI, Understanding AI und Agenten die Kundenfeedback-Analyse verändern 

**Aufgezeichnet am:** 10.03.2026
**Dauer:** 30 Min.

## Sprecher
- [Lukas Kauderer](/experten/lukas-kauderer.html) — Gründer & Geschäftsführer, licili

KI-Modelle optimieren Kundenfeedback-Analysen: Unterschiede, Herausforderungen und Multi-Level-Topic-Modelle für B2B-SaaS-Unternehmen.

Lukas Kauderer beleuchtet in seiner Keynote auf der Shift/CX Konferenzwoche 2026 die Rolle von KI-Technologien in der Kundenfeedback-Analyse für B2B-SaaS-Unternehmen. Der Vortrag hebt die Unterschiede zwischen generativer und diskriminativer KI hervor und zeigt, wie Multi-Level-Topic-Modelle eine tiefere Datenstrukturierung ermöglichen. Kauderer bietet methodische Einblicke und praxisnahe Empfehlungen, die sich an Heads of Customer Experience und Data Scientists richten. Der Fokus liegt auf der Optimierung bestehender Datenquellen, um operative und strategische Entscheidungen zu unterstützen.
Im Vortrag wird deutlich, dass generative KI-Modelle wie ChatGPT bei der Themenverkodung mit vorgegebenen Kategorien hohe Konsistenz erreichen, jedoch bei eigenständiger Themenfindung und Ergebniszusammenfassung Schwächen zeigen. Diskriminative Modelle bieten hier eine höhere Präzision und Wiederholbarkeit. Kauderer stellt das Multi-Level-Topic-Model von licily vor, das Feedback auf Unternehmens- und inhaltlicher Ebene strukturiert, was eine gezielte Zuordnung zu Verantwortungsbereichen ermöglicht. Die Diskussion betont die Notwendigkeit, KI-Modelle differenziert einzusetzen und die mathematischen Grundlagen zu verstehen, um die Wirksamkeit der Analysen zu maximieren.

## Kernaussagen
- Generative KI eignet sich gut für vorgegebene Themen, ist jedoch bei der eigenständigen Themenfindung und Wiederholbarkeit deutlich schwächer.
- Diskriminative KI bietet eine höhere Präzision und Wiederholbarkeit bei der Analyse von Kundenfeedback im Vergleich zu generativen Modellen.
- Multi-Level-Topic-Modelle ermöglichen eine tiefere Datenstrukturierung, indem sie sowohl Unternehmensstrukturen als auch inhaltliche Details berücksichtigen.
- Die Temperatur-Einstellung bei generativer KI beeinflusst die Kreativität und Konsistenz der Ergebnisse erheblich.
- Die richtige Auswahl und Anwendung von KI-Modellen erfordert ein klares Verständnis der Zielsetzung und der zugrunde liegenden Mathematik.

## Zitat
> Der größte Impact der Veränderung durch KI liegt im Feedback- und Insights-Management, da wir vorhandene Daten auf ein neues Level heben können, ohne mehr Daten zu benötigen. – Lukas Kauderer
Generative KI eignet sich gut zur Analyse von Kundenfeedback, wenn Themen vorgegeben sind, aber scheitert oft, wenn sie selbst Themen finden soll. – Lukas Kauderer
Die Textanalyse der Zukunft wird durch Multi-Level-Topic-Modelle geprägt sein, die sowohl die Unternehmensstruktur als auch inhaltliche Ebenen berücksichtigen und so mehr aus vorhandenen Texten herausholen. – Lukas Kauderer