Leiterin für Kundenerlebnis sagt: KI verändert die Organigramme von Kundenerlebnis-Teams – und deshalb stellt sie auf ein „Service-Team“-Modell um

Sofia Barbosa ist Leiterin der Kundenbetreuung bei BMC Software, einem B2B-Unternehmen, das Kunden mit komplexen IT-Umgebungen betreut.

Wir haben uns mit Sofia getroffen, um zu erfahren, wie sie KI einsetzt – und wie diese die Organisationsstruktur ihrer CX-Organisation verändert. Das hat sie erzählt.

Den gesamten Kundenlebenszyklus nach dem Verkauf leiten

Ich bin Sofia Barbosa, Leiterin der Kundenbetreuung bei BMC Software. Ich leite die Kundenorganisation, eine einheitliche Organisation, die professionelle Dienstleistungen, Support, Kunden-Erfolgsmanagement, Schulungen und die Kundenstimme zusammenführt.

Gemeinsam decken diese Bereiche den gesamten Kundenlebenszyklus nach dem Verkauf ab – von der Implementierung und Befähigung bis hin zu fortlaufendem Erfolg, Nutzung und Fürsprache.

Wir betreuen B2B-Kunden, die einige der komplexesten IT-Umgebungen der Welt betreiben. Das bedeutet, dass unsere Teams über eine große Bandbreite an Kanälen und Interaktionsmodellen hinweg arbeiten – von strategischen Kundenbeziehungen mit intensiver Betreuung bis hin zu skalierbarem Selbstbedienungssupport.

Warum KI die Organisationsstrukturen im CX-Bereich verändert

Die meisten Organisationsstrukturen im CX-Bereich spiegeln heute eine über Jahrzehnte gewachsene Komplexität wider: spezialisierte Teams, eng begrenzte Übergaben und Prozesse, die davon ausgehen, dass Menschen jeden Arbeitsschritt erledigen. KI stellt diese Annahme infrage, doch viele Führungskräfte versuchen weiterhin, KI in die bestehende Struktur einzupassen, statt sich zu fragen, wie die Struktur aussehen sollte, wenn man sie von Grund auf neu mit KI als gegebenem Bestandteil entwerfen würde.

Mein Rat ist, das „Ist“ bewusst zu vergessen und sich auf das „Soll“ zu konzentrieren. Das bedeutet, dem Impuls zu widerstehen und zu fragen: „Wie passt KI in unsere aktuellen Teams und Prozesse?“ Stattdessen sollte man fragen: „Wenn wir diese Organisation heute mit verfügbaren KI-Fähigkeiten von Grund auf neu aufbauen würden, wie würde sie aussehen?“

In den meisten Fällen ist die Antwort einfacher als das, was heute besteht: weniger Silos, weniger Übergaben und Rollen, die durch Ergebnisse statt durch eng begrenzte funktionale Aufgaben definiert werden.

Das ist schwierig, weil es bedeutet, Strukturen, Titel und Prozesse loszulassen, die über Jahre aufgebaut wurden. Doch Führungskräfte, die die Organisation am „Soll“ statt am nachträglichen Anpassen des „Ist“ ausrichten, werden Organisationsstrukturen schaffen, die sowohl einfacher als auch leistungsfähiger sind als ihre ursprünglichen.

Wie KI ein Servicemodell mit Betreuungseinheiten ermöglicht

Sofia teilt mit

Die Verantwortung verlagert sich von “welches Team ist dafür zuständig” zu “welche Betreuungseinheit ist für das ganzheitliche Erlebnis dieses Kunden zuständig,“. Dadurch werden Schuldzuweisungen nach und nach reduziert und es wird leichter zu erkennen, wo KI tatsächlich hilft und wo weiterhin Lücken durch Menschen geschlossen werden müssen.

Im vergangenen Jahr haben wir ein Servicemodell mit Betreuungseinheiten eingeführt – eine laufende Umstrukturierung, um Silos zwischen Dienstleistungen, Support, CSM und Schulungen abzubauen und KI-Agenten in dieselbe einheitliche Organisationsstruktur zu integrieren, statt sie als separates, nachträglich hinzugefügtes Werkzeug zu behandeln.

Der Auslöser war, dass KI-Agenten einen wachsenden Anteil der routinemäßigen Interaktionen übernahmen. Wir erkannten, dass KI einen neuen Silo-Bereich schaffen würde, wenn sie außerhalb der bestehenden Teamstruktur arbeitete – eine weitere Lücke bei Übergaben, statt bestehende Lücken zu schließen. Daher arbeiten wir daran, KI-Agenten, Support, CSM, Dienstleistungen und Schulungen unter einer gemeinsamen Leitung zusammenzuführen und ihnen gemeinsam Einblick in die Kundenhistorie, offene Probleme und den Kundenkontext zu geben.

Infolgedessen müssen Kunden in den Bereichen, in denen das Modell mit Betreuungseinheiten bereits Gestalt annimmt, ihre Situation nicht mehr über verschiedene Kanäle hinweg erneut erklären. Der Kontext begleitet sie unabhängig davon, ob zuerst eine KI oder ein Mensch antwortet.

KI-Agenten machen außerdem in Echtzeit Muster sichtbar, etwa häufige Fragen und Reibungspunkte. Dadurch können wir Schulungen und Dokumentationen proaktiv statt reaktiv aktualisieren.

Die Verantwortung verlagert sich von „welches Team ist dafür zuständig“ zu „welche Betreuungseinheit ist für das ganzheitliche Erlebnis dieses Kunden zuständig“, wodurch Schuldzuweisungen nach und nach reduziert werden und es leichter wird zu erkennen, wo KI tatsächlich hilft und wo weiterhin Lücken durch Menschen geschlossen werden müssen.

Ein durchgängiger KI-Arbeitsablauf zur Schulung von Nutzern

Ein durchgängiger KI-gestützter Workflow, den wir heute einsetzen, konzentriert sich auf die Erstellung von Inhalten und Schulungen. Nun erweitern wir ihn um einen Adoptionsagenten.

Der Workflow beginnt mit Rohdaten: Kundeninteraktionen, Support-Tickets, Produktnutzungsdaten und Fallnotizen. Die KI fasst diese zusammen, um häufige Fragen, Reibungspunkte und Lücken bei der Funktionsakzeptanz in verschiedenen Kundenkonten zu identifizieren.

Anschließend erstellt die KI Entwürfe für die relevanten Inhalte: Schulungsmodule, Aktualisierungen der Dokumentation, Erfolgsgeschichten oder lokalisierte bzw. übersetzte Materialien – abhängig von den Lücken, die die Analyse aufzeigt. Ein Mensch prüft und verfeinert diese Entwürfe, bevor sie veröffentlicht oder in unsere Schulungs- und Enablement-Bibliothek aufgenommen werden.

Die hierfür eingesetzten Werkzeuge sind Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach und Tools für Produkttelemetrie.

Außerdem führen wir derzeit eine neuere Komponente ein: einen intern gemeinsam mit Copilot Studio entwickelten Adoptionsagenten. Er schließt den Kreislauf. Statt lediglich Schulungsinhalte zu erstellen und darauf zu warten, dass Kunden sie finden und nutzen, identifiziert der Agent proaktiv, wo ein Kunde oder Nutzer eine Funktion oder einen Workflow nicht wie erwartet übernimmt, und stellt ihm direkt im Moment des Bedarfs die relevanten Schulungen oder Anleitungen bereit.

Der durchgängige Workflow sieht folgendermaßen aus: Datensignale → KI-generierte Inhalte/Schulungen → Prüfung und Verfeinerung durch Menschen → Veröffentlichung → der Adoptionsagent ordnet dem richtigen Kunden zum richtigen Zeitpunkt die passenden Inhalte zu, basierend auf seinen tatsächlichen Nutzungslücken.

Wir stehen bei der Einführung des Adoptionsagenten noch am Anfang, aber unser Ziel ist es, die Inhaltserstellung von einer einseitigen Übertragung in ein geschlossenes System umzuwandeln, in dem KI sowohl die Inhaltserstellung als auch die Bereitstellung beeinflusst.

Wie KI Effizienzsteigerungen im CX-Bereich ermöglicht

Was die Ergebnisse betrifft, die wir beobachten, hat die KI erhebliche Verbesserungen bei Umfang und Output bewirkt. Wir haben die Anzahl der Erfolgsgeschichten ungefähr verdreifacht und ähnliche deutliche Fortschritte bei der Automatisierung der Dokumentation, der Erstellung von Schulungs- und Lernkursen, Videoinhalten und der automatischen Übersetzung festgestellt.

Der manuelle Aufwand wurde früher zum Engpass bei Aufgaben wie dem Verfassen von Kundengeschichten, der Lokalisierung von Inhalten oder dem Aufbau von Schulungsmodulen. Heute erstellt die KI solche Entwürfe in einem Bruchteil der Zeit. Dadurch können Teams mehr Inhalte für mehr Kundenkonten und in mehr Sprachen produzieren, als dies zuvor möglich war.

Die Aufteilung zwischen KI-Arbeit und menschlicher Arbeit im CX-Bereich

Insgesamt beeinflusst KI inzwischen mehrere CX-Aktivitäten: die Priorisierung des Backlogs, die Fallanalyse, die Adoptionsplanung, die Erstellung von Erfolgsgeschichten und die Überprüfung der realisierten Werte. In all diesen Bereichen fasst die KI Daten zusammen, macht Muster in verschiedenen Fällen sichtbar, kennzeichnet gefährdete Kundenkonten und erstellt erste Entwürfe, während Menschen die Ergebnisse prüfen, verfeinern und ihr Urteilsvermögen einbringen, bevor etwas den Kunden erreicht.

Ausdrücklich menschliche Tätigkeiten erfordern Beziehungskontext oder strategisches Urteilsvermögen: die Pflege von Beziehungen zu Fürsprechern, der Umgang mit Eskalationen bei wichtigen Stakeholdern und Gespräche über die Wertrealisierung, bei denen das „Warum“ hinter einer Empfehlung ebenso wichtig ist wie die Empfehlung selbst. In diesen Bereichen kann KI Vertrauen, Tonalität und die gelebte Geschichte eines Kundenkontos nicht nachbilden.

Die Aufteilung ist klar: KI verkürzt den Zeitaufwand für Analyse und Entwurf – Arbeiten, die früher stundenlanges manuelles Durchsuchen von Fällen, Nutzungsdaten oder Notizen erforderten. Indem wir diese Aufgaben an die KI auslagern, schaffen wir unseren Teams Zeit für Aktivitäten mit höherem Mehrwert.

Warum KI-Pilotprojekte vom ersten Tag an skalierbar sein müssen

Die Herausforderungen, die ich erlebt habe, betrafen weniger die KI selbst als vielmehr die Skalierung vom POC zur Produktion. Viele dieser Anwendungsfälle funktionierten in Pilotprojekten oder kleinen Umgebungen gut. Wir stellten jedoch fest, dass ihre Überführung in produktionsreife, wiederholbare Prozesse – mit den richtigen Qualitätskontrollen, der Integration in bestehende Workflows und einer teamübergreifenden Konsistenz – schwieriger war, als die ersten Experimente vermuten ließen.

Die Lücke zwischen „Das funktioniert in einer Demo“ und „Das ist zuverlässig in unsere tägliche Arbeitsweise eingebettet“ war der größte Reibungspunkt.

Wenn es um KI geht, ist Experimentieren der richtige Ausgangspunkt, und es ist entscheidend, voranzugehen, ohne auf vollkommene Gewissheit zu warten. Teams, die jetzt starten, würde ich jedoch raten, von Anfang an auf Skalierung und Produktion auszulegen, selbst wenn sie noch experimentieren.

Auf diese Weise bleibt ihr nicht in einem POC-Modell stecken und führt Pilotprojekt um Pilotprojekt durch, das zwar beweist, dass ein Konzept funktioniert, aber nicht die zugrunde liegenden Prozesse, Integrationen und Qualitätskontrollen aufbaut, die nötig sind, um es in die Produktion zu überführen. Wenn ihr diesen Weg nicht frühzeitig bedenkt, endet ihr mit einem Friedhof erfolgreicher Pilotprojekte, die nie zu echten operativen Fähigkeiten wurden.

Mein Rat lautet daher, die Einstellung zum Experimentieren beizubehalten, sie aber vom ersten Tag an mit einem klaren Blick darauf zu verbinden, was Produktionsreife erfordert, damit Pilotprojekte einen realistischen Weg nach vorn haben, anstatt in Sackgassen zu enden.

Sofia teilt

Wenn es um KI geht, ist Experimentieren der richtige Ausgangspunkt, und es ist entscheidend, voranzugehen, ohne auf vollkommene Gewissheit zu warten … Mein Rat lautet daher, die Einstellung zum Experimentieren beizubehalten, sie aber vom ersten Tag an mit einem klaren Blick darauf zu verbinden, was Produktionsreife erfordert, damit Pilotprojekte einen realistischen Weg nach vorn haben, anstatt in Sackgassen zu enden.

Warum KI menschliche Strategie im CX nicht ersetzen kann

Die Erwartung, dass KI die strategische Betreuung von Kundenkonten skalieren könnte, genauso wie sie die Erstellung von Inhalten oder Dokumentation skaliert hat, hat sich nicht erfüllt. Beziehungen mit hoher persönlicher Betreuung und hohen Anforderungen bleiben grundsätzlich menschlich geprägt, wobei KI eher eine unterstützende als eine führende Rolle spielt.

Stattdessen hat KI innerhalb dieses Prozesses für mehr Effizienz gesorgt. Sie hilft dabei, sich schneller auf strategische Gespräche vorzubereiten, relevante Daten und Kontext vor Besprechungen zusammenzutragen und Materialien zu entwerfen, die Menschen anschließend ausarbeiten und präsentieren. Sie beschleunigt die von Menschen geleitete Strategie, ersetzt sie aber nicht.

Wie KI die Kanalpräferenzen der Generationen verändert hat

Eine lang gehegte Annahme, die uns durch KI zu einer Neubewertung zwang, betraf die Kanalpräferenzen der Generationen: die Vorstellung, dass jüngere Kunden standardmäßig Chat oder Selbstbedienung nutzen, während ältere Kunden standardmäßig zum Telefon oder zur E-Mail greifen, und dass wir Erlebnisse strikt entlang dieser Generationsgrenzen gestalten sollten.

Wir haben festgestellt, dass KI diese Grenzen stärker als erwartet verwischt, sie aber nicht vollständig beseitigt hat. Über alle Generationen hinweg tendieren Kunden zunehmend zu dem Kanal, über den ihr Anliegen am schnellsten gelöst wird.

Ein jüngerer Kunde könnte beispielsweise bei einer komplexen Angelegenheit zum Telefon greifen, während ein älterer Kunde für etwas Einfaches gerne einen KI-Chat nutzen könnte. Früher hätten wir das Gegenteil angenommen. Die Geschwindigkeit und Qualität der Lösung wiegen inzwischen oft schwerer als der Kanal selbst.

Gleichzeitig haben wir festgestellt, dass für bestimmte Kunden – häufig, wenn auch nicht ausschließlich, in älteren Generationen – das Bedürfnis nach menschlicher Nähe nicht verschwunden ist. Das gilt insbesondere für komplexe Anliegen, sensible Situationen oder beziehungsorientierte Gespräche, bei denen Rückversicherung und Vertrauen ebenso wichtig sind wie die Antwort selbst. KI hat dieses Bedürfnis nicht ersetzt. Wenn überhaupt, hat sie die Fälle, in denen menschliche Interaktion wirklich wichtig ist, sichtbarer gemacht, da KI inzwischen das stärker transaktionale Volumen bearbeitet.

Wir haben uns daher nicht vollständig vom Denken in Generationen verabschiedet, sondern sind von „Gestaltung nach Generation“ zu „Gestaltung nach Bedarf“ übergegangen. Wir setzen KI ein, um alle Interaktionen mit hohem Volumen und schneller Lösbarkeit zu bearbeiten, während wir unabhängig davon, wer die Frage stellt, von Menschen geleitete, persönliche Wege für komplexe oder emotional bedeutsame Momente bewahren und priorisieren.

Warum CX-Führungskräfte mit proprietären Daten Differenzierung schaffen müssen

Mein Rat an CX-Führungskräfte lautet, sich durch die eigenen Daten zu differenzieren. Allgemeine KI-Funktionen werden zur Grundvoraussetzung; jeder Anbieter und jeder Wettbewerber hat Zugriff auf ähnliche zugrunde liegende Modelle und Werkzeuge. Echte Differenzierung entsteht durch die proprietären Daten, die Sie gesammelt haben: Kundeninteraktionen, Nutzungsmuster, Supportverläufe, Erfolgsresultate und institutionelles Wissen, das für Ihr Unternehmen und Ihre Kundenbeziehungen einzigartig ist.

Die Führungskräfte, die sich durchsetzen werden, sind diejenigen, die diese Daten als strategisches Gut betrachten und sie aktiv in ihre KI-Initiativen einfließen lassen, anstatt sich auf standardmäßige KI zu verlassen, die dieselben allgemeinen Ergebnisse liefert wie bei anderen. Das bedeutet, jetzt in Datenqualität, Zugänglichkeit und Integration zu investieren, damit KI-Werkzeuge mit dem vollständigen Kontext Ihrer Kundenbeziehungen arbeiten und nicht mit allgemeinen Mustern.

Treten Sie nicht dadurch in Konkurrenz, dass Sie KI haben. Messen Sie sich daran, wie gut Sie Ihre KI mit den Daten und dem Wissen fundieren, über die nur Sie verfügen.

Bleiben Sie auf dem Laufenden

Sie können die Arbeit von Sofia Barbosa auf LinkedIn verfolgen.

Weitere Experteninterviews für The CX Lead folgen!