Leiterin des Kundenerfolgs sagt: KI kann nicht unabhängig in Kundenerlebnis-Workflows arbeiten — sie braucht ständige Überwachung

Angela Guedes ist die Leiterin des Kundenerfolgs bei Enginy, wo sie die Organisation derzeit von einem Modell mit intensiver Kundenbetreuung auf ein segmentiertes Modell umstellt. Außerdem ist sie die Erstellerin des Newsletters „From the Ground Up“.

Wir haben uns mit Angela zusammengesetzt, um die Details dessen zu besprechen, was bei KI im CX funktioniert und was nicht. Das hatte sie zu sagen.

Kundenerfolg im B2B-SaaS-Bereich leiten

Ich bin Angela Guedes. Seit zehn Jahren baue und leite ich Kundenerfolgsorganisationen, immer im B2B-SaaS-Bereich.

Derzeit bin ich die Leiterin des Kundenerfolgs bei Enginy, einer nativen KI-Plattform für durchgängige intelligente Marktbearbeitungsprozesse für B2B-Vertriebsteams. Wir sind ein vertikales SaaS-Unternehmen im Bereich Vertriebsautomatisierung und bedienen alle Segmente von SMB bis Großunternehmen. Wir befinden uns in der Frühphase und wachsen in diesem Jahr von 3 Mio. $ auf 10 Mio. $ ARR.

Wir verfügen derzeit über ein Modell für ein intensiv betreutes Kundenerlebnis und stellen auf ein segmentiertes Modell um. Jeder Kunde hat über In-App-Chat und E-Mail Zugang zum Produktsupport. Außerdem stellen wir ihm einen Manager für die Kundenanbindung und einen Kundenbetreuer zur Seite. Wir betreuen unsere Kunden über Meetings, Telefonate und E-Mail. Anfang dieses Jahres haben wir wöchentliche Webinare zur Kundenanbindung eingeführt, um die Kundenanbindung und Schulungen zu skalieren.

Ich betreue mit einem Team von 12 Personen Kundenbetreuung, Kundenanbindung und Produktsupport. Wir planen, das Jahr mit 20 Personen zu beenden.

Wie zwei einfache Veränderungen die Wirksamkeit eines CX-Teams beeinflussen können

Im vergangenen Jahr habe ich zwei konkrete Veränderungen vorgenommen:

Die erste war kundenorientiert. Wir nutzen FIN, den KI-Agenten von Intercom, zur Entlastung des Supports. Innerhalb von vier Monaten stieg die Lösungsquote um 10 Prozentpunkte. Dadurch erreichten weniger Tickets der ersten Ebene das Team, und die Tickets, die einen Menschen erreichten, waren tatsächlich komplex. So konnten wir die Zeit des Teams neu verteilen.

Allerdings sank der CX-Score im Februar um 9 Punkte. Wir verstanden schnell, warum: FIN gab falsche Antworten, weil veraltete Inhalte in das System eingespeist worden waren. Der Agent antwortete selbstbewusst auf Fragen, die er nicht hätte beantworten sollen, und die Eskalationslogik erkannte dies nicht. Die Kunden kamen nicht weiter.

Wir behoben das Problem durch eine Inhaltsprüfung und eine vollständige Überprüfung der Eskalationsregeln: Wir legten fest, was FIN bearbeiten sollte, was es sofort weiterleiten sollte und was passieren sollte, wenn es eine Antwort nicht kennt. Wir überarbeiteten die Eskalationslogik, damit sie bei Signalen wie wiederholten Umformulierungen, Anzeichen von Frustration und bestimmten Themenkategorien wie Abrechnung und Fehlern früher an einen Menschen übergibt. Bis April hatte sich der CX-Score erholt und lag 5 Punkte über dem Ausgangswert.

Angela berichtet

…KI im Support ist kein einmalig eingeführtes Tool zur Entlastung. Sie ist ein System mit einer veraltenden Inhaltsebene. Wenn man diese nicht pflegt, betreibt man einen selbstbewusst auftretenden Bot, der das Vertrauen der Kunden langsam untergräbt – so langsam, dass man es erst bemerkt, wenn sich die Kennzahlen bewegen.

Die Erkenntnis daraus war, dass KI im Support kein einmalig eingeführtes Tool zur Entlastung ist. Sie ist ein System mit einer veraltenden Inhaltsebene. Wenn man diese nicht pflegt, betreibt man einen selbstbewusst auftretenden Bot, der das Vertrauen der Kunden langsam untergräbt – so langsam, dass man es erst bemerkt, wenn sich die Kennzahlen bewegen. Der Rückgang im Februar zeigte, dass sich die Kennzahlen bewegten. Der Vorteil liegt im eindeutigen Signal. Wenn etwas schiefläuft, kann man die Ursache zurückverfolgen. Das ist mehr, als man bei einem menschlichen Team im großen Maßstab erhält.

Die zweite Veränderung war intern. Wir haben unseren Arbeitsablauf zur Gesprächsvorbereitung verbessert, indem wir Claude mit Granola, Intercom, HubSpot und unserem eigenen Produkt verbunden haben. Zuvor verbrachten Kundenbetreuer vor jedem Gespräch 20–30 Minuten damit, Kontext zusammenzutragen: Notizen zum letzten Meeting, offene Support-Tickets, die Deal-Phase und die Produktnutzung.

Jetzt trägt Claude all diese Informationen automatisch in einer Zusammenfassung vor dem Gespräch zusammen. Die Kundenbetreuer gehen mit präzisem Kontext statt mit allgemeinen Statusgesprächen in die Gespräche. Dadurch konnten wir die Vorbereitungszeit verkürzen, und die eingesparten Stunden fließen in proaktive Kontaktaufnahme und Gespräche über den Mehrwert.

Wie KI-gestützte Abwanderungsanalysen die Entscheidungsfindung verbessern

Sehen wir uns einen Arbeitsablauf zur Abwanderungsanalyse an, den ich in Claude erstellt habe. Der offensichtliche Ausgangspunkt für eine Abwanderungsanalyse ist das Feld „Abwanderungsgrund“ im CRM. Dort liegt auch der größte Teil der Verzerrung. Der Kundenbetreuer füllt dieses Feld nach dem Verlust des Geschäfts aus – unter dem Druck, den Monat abzuschließen. Es spiegelt wider, wie der Kundenbetreuer den Verlust eingeordnet hat, und nicht unbedingt, warum der Kunde gegangen ist.

Ich begann mit einem manuellen KI-Prompt, den ich jeden Monat ausführte. Die Ergebnisse waren uneinheitlich; ich verbrachte mehr Zeit damit, sie zu korrigieren, als ich einsparte. Deshalb entwickelte ich eine automatisierte Funktion, die direkt Daten aus HubSpot abruft und klare Regeln dafür verwendet, nach welchen Eigenschaften und Aktivitäten im CRM gesucht werden soll.

Sie ruft alle verlorenen und gefährdeten Deals für einen bestimmten Zeitraum ab, vereinheitlicht CRM-Bezeichnungen und gruppiert sie nach mehreren Dimensionen – einschließlich eines abgeleiteten Grundes, der auf der vollständigen Deal-Historie basiert: Notizen, Gesprächsprotokolle, Aktivitäten und der Abschluss des Onboardings. Entscheidend ist, dass sie die Zuständigkeit für die Abwanderung anhand kausaler Zusammenhänge neu zuweist und nicht anhand dessen, was der AM eingetragen hat.

Bei einem kürzlich abgeschlossenen Deal wurde beispielsweise „Kein ROI“ als Grund eingetragen, was die meisten als Versagen des Customer Success interpretieren. Die Deal-Notizen zeigten jedoch, dass der Vertriebsprozess Erwartungen geweckt hatte, die das Produkt niemals hätte erfüllen können. Das ist ein Problem der Vertriebsqualifizierung, kein Problem des Customer Success. Ohne KI hätten wir jemanden gebraucht, der jede Notiz zu jedem verlorenen Deal liest – was nicht passiert –, um dies zu erkennen.

Das Ergebnis ist ein für den CEO geeignetes Dokument sowie separate Auszüge für Customer Success, Produkt und Vertrieb, jeweils mit den zugehörigen Fällen und Ursachenanalysen.

Warum der Prozess von Erkenntnis zu Ergebnis vor dem Einsatz von KI nachgewiesen werden muss

Ich setze KI dort ein, wo ein Mensch den Prozess von der Erkenntnis zum Ergebnis bereits nachgewiesen hat. Wenn dieser Prozess noch getestet wird, kommt KI dabei nicht zum Einsatz – diese Validierungsarbeit darf nicht übersprungen werden. Wenn man automatisiert, bevor man das Muster bestätigt hat, skaliert man das falsche Verhalten.

Hier übernimmt KI derzeit die Arbeit:

• Analyse: Prognose von Verlängerungen und Erkennung von Abwanderungsmustern. Hier ist das deutlichste Beispiel. Ich habe aufgehört, den von AMs angegebenen Abwanderungsgründen zu vertrauen – diese häufen sich um „Budget“ und „keine Passung“, weil sie einfach einzutragen sind – und begann, die tatsächlichen Gründe aus Notizen, Gesprächsprotokollen und Produktnutzung abzuleiten. KI deckte hinter der Hälfte der „Budget“-Angaben ein ins Stocken geratenes Onboarding auf. Dadurch konnten wir früher im Prozess eingreifen.
• Zusammenfassungen: Vorbereitung auf Meetings, Nachfassaktionen und die wöchentliche Zusammenfassung von Entscheidungen. Nur so kann ein einzelner CSM die Beziehungsdichte bewältigen, die wir bei unserem Effizienzziel benötigen.
• Support-Chat: Antworten auf der ersten Support-Ebene, die auf Dokumentation beruhen, die zuvor von einem Menschen geprüft wurde. Die Reihenfolge ist entscheidend.

Wir versuchen, einen Menschen im Prozess zu behalten. Wenn KI eine Handlung vorschlägt – etwa Risikohinweise, Expansionssignale oder nächste Schritte –, prüfe und validiere ich oder ein CSM sie, bevor sie den Kunden erreicht. KI erkennt Muster schneller als ich, aber die Person, die die Beziehung betreut, behält die Entscheidungshoheit.

Wie gesagt, ich muss den Prozess von der Erkenntnis zum Ergebnis selbst nachweisen, bevor ich KI integriere. Deshalb sind das Coaching von AMs und Leistungsbeurteilungen die deutlichsten Beispiele für Aufgaben, die vollständig menschlich geblieben sind. Irgendwann werde ich diese Aufgaben delegieren, aber zunächst muss ich bei meinen AMs testen, ob die Kombination bestimmter Maßnahmen mit bestimmten Signalen zu besseren Ergebnissen für das jeweilige Kundenportfolio führt. Solange dieses Muster in Einzelgesprächen nicht bestätigt ist, würde eine Automatisierung lediglich eine Vermutung skalieren.

Warum CX-Führungskräfte KI mit Kontext versorgen müssen

Delegiere niemals das Denken und überspringe niemals den Kontext.

Denke daran: Die Qualität der KI-Ausgabe hängt nur so gut ab wie der Kontext, den du ihr gibst. Und nichts kann menschliches Denken ersetzen. Ja, nutze KI, um deine Annahmen zu hinterfragen, Lücken in deinem Denken zu finden und deine Ideen mit Branchenstandards zu vergleichen. Für relevante Ergebnisse musst du ihr jedoch den Kontext aus deinem eigenen Kopf und aus internen Dokumenten geben.

Wenn du sie einfach bittest, etwas zu entwickeln, ohne diesen Kontext bereitzustellen, ist das Ergebnis bestenfalls banal und in den meisten Fällen irrelevant.

Das ist bei Chatbots besonders wichtig – arbeite an deiner Kontextschicht für Kundendaten. Ein Agent ohne vollständigen Kundenkontext gibt nicht einfach nur eine schlechte Antwort; er gibt eine selbstsichere, falsche Antwort. Und denke daran, dass Chatbots nicht einfach von selbst laufen können. Jemand muss für die Inhalte verantwortlich sein, mit denen die KI versorgt wird, Eskalationsregeln definieren und ihre Ausgaben aktiv einer Qualitätssicherung unterziehen.

Wie KI Lücken in deinen Daten aufdecken kann

Mein Rat? Beginnen Sie mit Ihren Daten, nicht mit Ihren Tools.

Das Nützlichste, was KI derzeit leisten kann, ist, sichtbar zu machen, was in Ihren bestehenden Systemen nicht funktioniert — keinen Bericht zu erstellen, sondern Lücken zu finden. Meine erste Abwanderungsanalyse mit Claude zeigte mir nicht, warum Kunden gingen; sie zeigte mir, dass AMs die Gründe für die Abwanderung uneinheitlich kennzeichneten, die CRM-Daten veraltet waren und wichtige Felder fehlten. Das ist ein Datenproblem, das ich erst vollständig erkannt habe, als die KI versuchte, damit zu arbeiten.

Das ist der Ausgangspunkt. Verstehen Sie, was Sie haben, beheben Sie Inkonsistenzen und ergänzen Sie, was fehlt. KI ist nur so gut wie die Eingaben, die Sie ihr geben. Führungskräfte, die diesen Schritt überspringen, automatisieren lediglich das Rauschen und fragen sich, warum die Erkenntnisse nicht ankommen.

Saubere Daten sind kein glamouröser Ratschlag, aber sie sind die Voraussetzung.

Angela teilt

Mein Rat? Beginnen Sie mit Ihren Daten, nicht mit Ihren Tools…Das ist der Ausgangspunkt. Verstehen Sie, was Sie haben, beheben Sie Inkonsistenzen und ergänzen Sie, was fehlt…Saubere Daten sind kein glamouröser Ratschlag, aber sie sind die Voraussetzung.

Folgen Sie uns

Folgen Sie Angela Guedes auf LinkedIn und Substack.

Weitere Experteninterviews folgen beim CX Lead!