Tech-CXO sagt, dass Führungskräfte zu viel automatisieren, anstatt schlechtes Produktdesign zu beheben
Shankar Sahai erklärt, warum CX-Führungskräfte schlechtes Produktdesign und unübersichtliche Daten beheben sollten, bevor sie KI einsetzen, um Probleme in der Kundenreise zu automatisieren.
Shankar Sahai
CXO bei UpendNow.com
KI-gestützte Forschung: KI verkürzt die Zeit für qualitative Forschung von Wochen auf Minuten, indem sie spezifische Reibungspunkte der Nutzer in Echtzeit sichtbar macht.
Menschliches Urteilsvermögen: Menschen müssen den Branchenkontext interpretieren, Kundenreisen neu gestalten und sensible Entscheidungen zur Servicewiederherstellung treffen.
Kontextbezogene Unterstützung: KI stattet Supportmitarbeiter mit dem vollständigen Sitzungsverlauf aus und ermöglicht so schnellere und relevantere Hilfe, ohne Kunden in Bots festzuhalten.
Design zuerst: Besseres Produktdesign ist oft wirkungsvoller als Personalisierung, wenn Nutzer einfachere Abläufe, klarere Benutzeroberflächen und eine schnellere Suche benötigen.
Datengrundlage: Erfolgreiche KI-Pilotprojekte erfordern bereinigte und vereinheitlichte Daten; andernfalls verstärkt die Automatisierung Widersprüche, Datenrauschen und Fehlentscheidungen.
Shankar Sahai ist CXO bei UpendNow.com, einer Plattform zur Orchestrierung der KI-Produktion, die die Erstellung von Videos, Filmen und Werbeanzeigen optimiert. Sein Fokus liegt darauf, zu verhindern, dass das Unternehmen teure Dinge entwickelt, die niemand braucht. Und dabei hilft ihm KI.
Wir haben uns mit Shankar zusammengesetzt, um zu erfahren, was er automatisiert – und wo Design die Automatisierung übertrumpft.
Sicherstellen, dass die menschliche Erfahrung den Versprechen des Vorstands entspricht
Hallo zusammen, ich bin Shankar Sahai und CXO bei UpendNow.com.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Wenn ich meine tägliche Arbeit in einem einzigen Satz zusammenfassen müsste, dann wäre es dieser: Ich hindere Unternehmen daran, unglaublich teure Dinge zu entwickeln, die niemand will oder zu nutzen weiß. Die meiste Zeit verbringe ich an der chaotischen Schnittstelle von Produktentwicklung, Kundenforschung und Betriebsstrategie.
Bei UpendNow arbeiten wir intensiv im B2B-Bereich und helfen Organisationen dabei, umfassende digitale Transformationen zu bewältigen und fehlerhafte Kundenreisen zu verbessern. Wenn wir von „Skalierung“ sprechen, geht es weniger darum, eine riesige Menge an Support-Tickets zu zählen – obwohl wir reichlich davon sehen – und mehr darum, eine enorme operative Komplexität zu bewältigen. Wir untersuchen Ökosysteme mit mehreren Kanälen, in denen Kunden möglicherweise innerhalb derselben Woche zwischen einem Webportal, einer mobilen App, dem direkten Support und einem Vertriebsmitarbeiter wechseln und dabei erwarten, dass sich das Unternehmen auf magische Weise an jede Interaktion erinnert.
Als CXO helfe ich Führungsteams dabei, CX nicht länger nur als Kostenstelle für einen „Support-Schalter“ zu betrachten, sondern als Kernmotor des Geschäfts zu behandeln. Wir übernehmen die aufwendige Arbeit – von tiefgehender Nutzerforschung über Workflow-Automatisierung bis hin zu agilen Transformationen –, um sicherzustellen, dass die menschliche Erfahrung den großen Versprechen aus dem Vorstandssaal entspricht.
Wie KI in die qualitative Nutzerforschung eingebettet werden kann
\u003cstrong\u003eWir haben eine interne KI-Pipeline entwickelt, die Rohdaten aus Gesprächen in Echtzeit automatisch aufnimmt, kategorisiert und eine Stimmungszuordnung vornimmt … Dadurch entfiel das Rätselraten. Unsere Zeit bis zur Erkenntnis verkürzte sich von drei Wochen auf wenige Minuten. Tatsächlich haben wir kürzlich innerhalb von 48 Stunden nach dem Start einen schwerwiegenden UX-Fehler in einem neuen Portal entdeckt, ihn sofort behoben und einen massiven Anstieg der Support-Tickets vermieden.\u003c/strong\u003e
Unsere größte Veränderung bestand nicht darin, einen auffälligen, kundenorientierten Chatbot zu installieren. Stattdessen haben wir KI tief in unsere qualitative Nutzerforschung und die Analyse nach Interaktionen eingebettet.
Wir hatten eine riesige Menge unstrukturierter Daten – Tausende Stunden an Nutzerinterviews, Support-Mitschriften und offenem Feedback. Die manuelle Durchsicht auf verwertbare Erkenntnisse nahm früher Wochen in Anspruch. Wenn wir die Reibungspunkte erfasst hatten, waren die Daten bereits veraltet.
Wir haben eine interne KI-Pipeline entwickelt, die Rohdaten aus Gesprächen in Echtzeit automatisch aufnimmt, kategorisiert und eine Stimmungszuordnung vornimmt. Statt einfach nur „glücklich oder traurig“ zu markieren, identifiziert sie konkrete verhaltensbezogene Hindernisse – etwa die Stellen, an denen ein Nutzer durch die Begrifflichkeiten der Benutzeroberfläche verwirrt wird oder einen Onboarding-Workflow abbricht.
Bei den Werkzeugen verwenden wir die Whisper-API von OpenAI für die Transkription von Audio- und Videodateien. Für Analyse und Kategorisierung nutzen wir Claudes 3.5 Sonnet von Anthropic.
Dadurch entfiel das Rätselraten. Wir haben Vermutungen aus dem Vorstandssaal durch belastbare Daten ersetzt. Jetzt verfügen wir über ein Live-Dashboard, das genau zeigt, warum und an welchen Stellen Nutzer Schwierigkeiten haben. Außerdem hat sich die Geschwindigkeit erhöht. Unsere Zeit bis zur Erkenntnis verkürzte sich von drei Wochen auf wenige Minuten. Tatsächlich haben wir kürzlich innerhalb von 48 Stunden nach dem Start einen schwerwiegenden UX-Fehler in einem neuen Portal entdeckt, ihn sofort behoben und einen massiven Anstieg der Support-Tickets vermieden.
Ein CX-Workflow mit intensiver Betreuung und KI-Unterstützung
Unsere gesamte Welt bei UpendNow.com dreht sich um Solt OS, unsere Plattform, die Filmemachern und Werbeagenturen dabei hilft, den Albtraum der Vorproduktion zu automatisieren – ein unübersichtliches Drehbuch in Storyboards, Aufnahmelisten und Budgets zu verwandeln. Da das Filmemachen so visuell und unübersichtlich ist, funktioniert ein standardmäßiger Support-Ticket-Workflow für uns nicht. Wenn ein Regisseur beim Erstellen eines Videos zur Vorvisualisierung feststeckt und die Einheitlichkeit der Figuren immer wieder verloren geht, möchte er keinen allgemeinen IT-Helpdesk.
Inzwischen bewältigen wir das nahtlos. Hier ist der Ablauf.
Sobald ein Kreativer ein Problem meldet oder nicht weiterkommt, liest unsere interne KI nicht einfach nur seine Textbeschwerde; sie zieht den gesamten Kontext seiner kreativen Sitzung heran. Sie analysiert das hochgeladene Drehbuch, die verwendeten Prompts und die fehlgeschlagenen Storyboards.
Von dort aus übernimmt die KI die aufwendige analytische Arbeit. Sie diagnostiziert den genauen Punkt der kreativen Reibung – etwa indem sie erkennt, dass der Filmemacher eine nicht standardisierte Szenenüberschrift verwendet hat, die die Standortverfolgung des Systems verwirrte.
Anstatt den Nutzer warten zu lassen oder mit einem Bot sprechen zu lassen, übergibt das System anschließend alles an eines unserer menschlichen Teammitglieder. Die Übergabe erfolgt jedoch mit einem vollständigen Spickzettel. Der menschliche Mitarbeiter öffnet den Fall und sieht sofort, welche Szenennummern sich wiederholen, worin der Formatierungsfehler besteht und wie eine vorformulierte Lösung aussieht.
Der Filmemacher erhält eine schnelle, umfassend kontextualisierte Antwort von einem Menschen, der seine filmische Sprache versteht, und wir verhindern, dass sein kreativer Schwung verloren geht. Um den Vorgang abzuschließen, protokolliert die KI diesen konkreten Formatierungsfehler automatisch in unserem Entwicklungs-Backlog, damit wir die Produktoberfläche korrigieren und verhindern können, dass er beim nächsten Regisseur erneut auftritt.
Zu keinem Zeitpunkt bleibt der Kunde in einem Gespräch mit einem Bot stecken oder muss komplexe kreative Fachbegriffe gegenüber einem Supportmitarbeiter erklären.
Wie KI CX-Entscheidungen beeinflusst, während Menschen die Strategie bestimmen
Wir folgen einer strengen Faustregel: Die KI kümmert sich um das „Was“ und das „Wo“, während die Menschen das „Warum“ und das „Wie“ verantworten.
Hier sind einige Beispiele dafür, was die KI gut erledigt:
- Priorisierung von Problemen und Erkennen von Trends: Die KI durchsucht in Echtzeit Tausende eingehender Supporttranskripte und Nutzersitzungen. Sie markiert sofort Anomalien – etwa einen plötzlichen Anstieg um 15 % bei Nutzern, die auf einer Zahlungsseite feststecken –, lange bevor ein menschlicher Manager das Muster bemerkt. Dafür verwenden wir PostHog.
- Abbildung von Reibungspunkten in der Nutzerreise: Die KI analysiert das Nutzerverhalten auf unseren Plattformen und zeigt genau auf, wo Abbrüche auftreten. Sie macht Vermutungen überflüssig. Derzeit stellen wir unsere Werkzeuge auf FullStory (StoryAI und API) um.
Auf menschlicher Seite:
- Neugestaltung und Strategie der Nutzerreise: Die KI kann mir sagen, wo Menschen abspringen, aber ihr fehlen der geschäftliche Kontext und die kreative Empathie, um die Erfahrung neu zu gestalten. Die Behebung einer fehlerhaften B2B-Nutzerreise erfordert bereichsübergreifende Abstimmungen, Kompromisse bei der Entwicklung und ein tiefes Verständnis menschlichen Verhaltens. Die KI kann nicht in einem Raum sitzen und drei verschiedene Abteilungen dazu bringen, sich auf eine Lösung zu einigen.
- Servicewiederherstellung und Eskalation: Wenn ein Systemausfall den Betrieb eines wichtigen Kunden beeinträchtigt und ihn wütend macht, möchte dieser keine perfekt formulierte Entschuldigung von einer KI. Die Bewältigung kritischer Situationen erfordert echte menschliche Empathie, Verantwortungsübernahme und die Befugnis, Regeln flexibel auszulegen, um die Angelegenheit in Ordnung zu bringen.
Mit anderen Worten: Wir automatisieren keine menschlichen Beziehungen. Wir setzen KI ein, um analytische Routinearbeit zu erledigen, damit unser Team Zeit hat, sich auf die hochwertige, zutiefst menschliche Arbeit des Beziehungsaufbaus und der Lösung komplexer Probleme zu konzentrieren.
Wie KI mit branchenspezifischem Kontext Schwierigkeiten hat
Die Integration von KI in unsere qualitative Datenanalyse und die Priorisierung von Problemen hat unser Arbeitstempo grundlegend verändert.
Unser Team verbrachte früher Wochen damit, Daten manuell zu markieren, um systemische UX-Mängel oder Engpässe beim Onboarding kontenübergreifend zu erkennen. Heute kennzeichnet die KI diese wiederkehrenden Reibungsmuster nahezu sofort. Durch das schnellere Erkennen dieser Probleme können wir Fehler beheben und verwirrende Abläufe korrigieren, bevor sie zu einer Flut von Kundenbeschwerden führen. Dadurch konnten sich unsere Produkt- und Forschungsteams grundlegend von der mühsamen Dateneingabe in Tabellenkalkulationen lösen und sich stattdessen auf die Entwicklung von Lösungen konzentrieren.
Allerdings verlief nicht alles reibungslos. Unser größtes Problem waren analytisches Rauschen und ein Mangel an echtem Kontext.
Anfangs verließen wir uns zu stark auf die Fähigkeit der KI, Stimmungen und Trends zu markieren. Wir stellten einen starken Anstieg negativer Stimmungskategorien rund um eine neu veröffentlichte Funktion fest. Das Team wollte das Update beinahe zurücknehmen. Eine eingehende menschliche Analyse zeigte jedoch, dass die KI den branchenspezifischen Fachjargon und das technische Frustablassen unserer erfahrenen Nutzer völlig falsch interpretiert hatte. Sie waren nicht wegen der Funktion verärgert, sondern sprachen lediglich leidenschaftlich über ihre eigenen komplexen Arbeitsabläufe.
Blindes Vertrauen in das automatisierte Dashboard ohne menschliche Plausibilitätsprüfung hätte dazu geführt, dass wir wochenlang einwandfreien Code neu geschrieben hätten. Die KI erkennt Muster, hat aber große Schwierigkeiten mit tiefgreifendem, branchenspezifischem Kontext.
Warum Produktdesign wichtiger sein kann als ausgeklügelte KI
Kontextbezogene Hyperpersonalisierung ist ein weiterer Bereich, in dem KI hinter den Erwartungen zurückbleibt.
Das Versprechen lautete, dass KI das bisherige Verhalten eines B2B-Kunden, die aktuelle Produktnutzung und den Supportverlauf nahtlos analysieren könnte, um das Onboarding- oder Dashboard-Erlebnis in Echtzeit dynamisch anzupassen. Wir erwarteten, dass es intuitiv wirken würde – wie ein digitaler Concierge, der genau vorherahnt, was ein Nutzer als Nächstes braucht. Stattdessen wirkte es meist aufdringlich oder irrelevant.
In einer komplexen B2B-Technologieumgebung ändert sich die Absicht eines Nutzers von Stunde zu Stunde grundlegend. Ein Nutzer könnte sich anmelden, um eine schnelle, sich wiederholende Verwaltungsaufgabe zu erledigen, doch die KI – die auf Grundlage übergreifender Kontotrends hilfreich sein möchte – überfrachtet seine Ansicht mit Empfehlungen für eine fortgeschrittene Funktion, die ihn im Moment nicht interessiert. Sie erhöhte die kognitive Belastung, anstatt sie zu verringern.
Wir stellten fest, dass Nutzer beim Navigieren auf einer Plattform nicht möchten, dass die KI errät, was sie als Nächstes tun wollen; sie möchten ein klares UI-Design, vorhersehbare Arbeitsabläufe und eine blitzschnelle Suchfunktion. Wir erwarteten, dass KI ein Problem der Nutzererfahrung lösen würde, das letztlich ein besseres, einfacheres Produktdesign erforderte.
Warum Datenqualität vor dem Start von KI-Pilotprojekten entscheidend ist
Ich wünschte, ich hätte gewusst, wie sehr unsere eigenen unübersichtlichen internen Daten anfangs alles durcheinanderbringen würden.
Wenn man KI-Anbietern zuhört, erwecken sie den Eindruck, man müsse dieses magische Tool nur anschließen, und schon liefere es brillante, für Menschen aufbereitete Erkenntnisse. Doch in Wirklichkeit ist die Qualität Ihrer KI nur so gut wie die Daten, mit denen Sie sie versorgen.
Vor unserem ersten Pilotprojekt hatten wir jahrelanges Kundenfeedback, alte Nutzerforschung und Supportprotokolle, die über verschiedene isolierte Systeme verteilt waren. Ein Teil davon war veraltet, manches widersprach sich schlichtweg, und vieles enthielt nicht den spezifischen Kontext der Filmproduktion, in dem wir bei UpendNow arbeiten.
Da wir diese Datengrundlage nicht zuerst bereinigten, verbrachte die KI die ersten Wochen damit, bizarre Trends zu halluzinieren und eine Menge analytisches Rauschen zu erzeugen, dessen Widerlegung mein Team viel Zeit kostete.
Wenn ich es noch einmal machen könnte, hätte ich deutlich weniger Zeit in die Bewertung auffälliger KI-Funktionen und deutlich mehr Zeit in die Bereinigung unserer internen Datenarchitektur investiert, bevor ich das System einschaltete. Zuerst muss man die Grundlage reparieren, sonst automatisiert man nur das Chaos.
Der Bereich, auf den sich alle CX-Führungskräfte konzentrieren sollten
\u003cstrong\u003eDer eine Bereich, den jetzt alle grundlegend neu gestalten müssen, ist die Abbildung der Kundenreise … Wenn Sie nicht neu gestalten, wie Sie die Kundenreise abbilden und betrachten, werden Sie KI dazu verwenden, einzelne, isolierte Kontaktpunkte zu optimieren, während Sie völlig übersehen, dass das Gesamterlebnis mangelhaft ist. Wir müssen aufhören, die Vergangenheit abzubilden, und anfangen, die Gegenwart zu orchestrieren.\u003c/strong\u003e
Der eine Bereich, den jetzt alle grundlegend neu gestalten müssen, ist die Abbildung der Kundenreise.
Historisch betrachtet war die Abbildung der Kundenreise eine statische Übung im Sitzungssaal. Die Beteiligten saßen mit Haftnotizen in einem Raum, zeichneten einen idealisierten Verlauf auf, stellten ihn in ein PDF und sahen ihn dann ein Jahr lang nicht wieder an. Sie stellt dar, was der Kunde unserer Hoffnung nach tut, nicht die Realität.
In einer durch KI erweiterten Welt ist dieser Ansatz überholt.
Führungskräfte sollten Karten der Kundenreise aktiv so umgestalten, dass sie dynamisch und in Echtzeit sind und mit Live-Daten gespeist werden. Da KI-Tools unstrukturierte Daten – etwa laufende Nutzersitzungen, Supportanrufe und Abbruchpunkte – inzwischen in Echtzeit verarbeiten können, sollte Ihre Karte der Kundenreise kein Dokument sein. Sie sollte ein lebendes, atmendes Software-Dashboard sein.
Statt zu raten, wo Reibung entsteht, sollte Ihr System Ihnen aktiv mitteilen: „Hey, gerade stoßen Filmemacher aus Boutique-Agenturen beim dritten Onboarding-Schritt aufgrund einer verzögerten Benutzeroberfläche auf ein Problem.“ Wenn Sie nicht neu gestalten, wie Sie die Kundenreise abbilden und betrachten, werden Sie KI dazu verwenden, einzelne, isolierte Kontaktpunkte zu optimieren, während Sie völlig übersehen, dass das Gesamterlebnis mangelhaft ist. Wir müssen aufhören, die Vergangenheit abzubilden, und anfangen, die Gegenwart zu orchestrieren.
Schlechtes Design lässt sich nicht wegautomatisieren
Mein Rat ist einfach: Versuchen Sie nicht länger, schlechte Gestaltung durch Automatisierung zu kompensieren.
Derzeit sind CX-Führungskräfte stark versucht, KI auf jeden einzelnen Reibungspunkt in der Kundenreise anzuwenden, weil es schnell und kostengünstig wirkt. Wenn Ihr Onboarding verwirrend ist, setzen Sie einen KI-Assistenten ein. Wenn Ihre Dokumentation ein Chaos ist, entwickeln Sie einen KI-Suchbot. Aber damit kleben Sie lediglich ein Hightech-Pflaster auf einen kaputten Prozess. Sie nutzen KI, um Kunden dabei zu helfen, durch eine Komplexität zu navigieren, die von vornherein nicht existieren sollte.
Bevor Sie ein weiteres KI-Tool kaufen oder einen weiteren automatisierten Workflow starten, gehen Sie einen Schritt zurück. Betrachten Sie Ihr Kernprodukt und Ihre zentrale Leistungserbringung. Beheben Sie zunächst die zugrunde liegenden UX-Mängel, bereinigen Sie die unübersichtlichen Datenpipelines und vereinfachen Sie die Kundenreise.
Folgen Sie uns
Sie können Shankar Sahais Arbeit auf LinkedIn und X verfolgen.
Weitere Experteninterviews folgen auf The CX Lead!
