Das Gespenst in der Telefonzentrale: Lektionen aus 81 Millionen Support-Gesprächen

In Vorstandsetagen und Chefetagen kursiert derzeit eine stille, gefährliche Fiktion. Sie besagt, dass KI endlich das Kostenproblem im Support gelöst habe. Die Logik ist simpel: Automatisiere die Routinefragen, beobachte, wie das Volumen sinkt, und reduziere die Anzahl der Beschäftigten. Betrachtet man die Dashboards auf Makro-Ebene, scheint es zu funktionieren. Die Effizienz steigt, und die Ticketumleitung erreicht Rekordwerte.

Doch wenn man sich heute tatsächlich mit einem Support-Team zusammensetzt – wenn man die Geschwindigkeit ihrer internen Chats beobachtet und den Gesichtsausdruck eines Agenten um 16 Uhr an einem Arbeitstag sieht – erkennt man, dass die Realität anders aussieht. Unterstützung wird nicht leichter. Sie wird dichter. 

Und diese Dichte lastet direkt auf den verbleibenden Menschen.

Bei Hiver hatten wir nie vor, für die aufgeblähte Komplexität eines Fortune-500-Unternehmens zu bauen; wir entwickelten für die agilen, schnell agierenden Teams, die Probleme ohne den Ballast einer alten Fabrik lösen wollen. Im vergangenen Jahr haben unsere Plattformen unseren Kund:innen geholfen, 81 Millionen Konversationen zu lösen. Es ist kein Enterprise-Volumen, aber selbst in dieser KMU-Bubble sehen wir einen Wandel, der die Krise in der Unternehmenswelt widerspiegelt und in vielerlei Hinsicht sogar verstärkt.

Die Branche taumelt schlafwandelnd in eine Talentkrise. Wir erleben eine globale Erosion des First-Level-Supports. Im Eifer, die einfachen Aufgaben zu automatisieren, haben die „KI-gestützten“ Support-Plattformen versehentlich den Weg zur Expertise zerstört.

Man kann das „Transformation“ nennen, wenn man will, aber die Wortwahl ändert nichts daran, dass der Einstieg in Support-Expertise rasch und leise verschwindet. Was diesen Moment von früheren Effizienzzyklen unterscheidet, ist, dass die zugrundeliegenden wirtschaftlichen Bedingungen beginnen, sich in die entgegengesetzte Richtung zur vorherrschenden Erzählung zu bewegen. 

Dies ist kein temporäres Managementversagen. Es ist eine Systemverschiebung.

Mehr als ein Jahrhundert lang stand Kundenservice unter der unsichtbaren Annahme, Support sei ein Sanitärproblem. Diese Annahme geht zurück auf das Jahr 1917 und einen Mathematiker namens Agner Krarup Erlang. Er entwickelte Erlang-C, eine Formel, die Telefongesellschaften angab, wie viele Vermittler:innen sie für eine bestimmte Anzahl von Anrufen brauchten. Die Formel behandelt Menschen wie Rohre: Steigt der Wasserstand, erweitert man einfach das Rohr. Ergo, wenn mehr Anrufe eingehen, fügt man einfach mehr Leute hinzu, um den Eingang zu bewältigen.

Diese Schaltbrett-Logik schwingt noch immer im Hintergrund jedes modernen Helpdesks mit. Wir reden von KI-first-Zukunft und leistungsstarken Agent:innen, und doch steuern wir den Support weiterhin mit Relikt-Metriken wie Durchschnittliche Bearbeitungszeit und Auslastung. KI versprach das Entkommen aus der Sanitärlogik. Viel zu oft ist sie einfach nur das neueste Rohr, das in eine uralte Maschine eingebaut wurde.

Ich möchte das weiter erläutern.

Im vergangenen Jahr hat die Infrastruktur von Hiver 85 Millionen manuelle Aufgaben durch Automatisierungen erledigt – Passwortzurücksetzungen, Status-Updates und Routing-Regeln, die früher das tägliche Geschäft eines Agenten ausmachten. Nach der Logik der alten Schaltbrett-Mathematik sollte das Entfernen von 85 Millionen Arbeitseinheiten einen enormen Überschuss an menschlicher Kapazität schaffen. Und wenn diese Logik noch gültig wäre, wäre dieser Überschuss in der gesamten Supportwirtschaft sichtbar.

Stattdessen berichten branchenweit 77 % der Agent:innen, dass die Komplexität zunimmt, während andere Berichte sagen, dass 56 % der Support-Mitarbeitenden Rekordwerte beim Thema Burnout aufweisen. 

Die Mathematik versagt, weil sie vergessen hat, dass diese 85 Millionen einfachen Aufgaben nicht nur Arbeit waren – sie waren Erholungszeit, Lernzeit und kognitive Luft zum Atmen. Wiederholung zu entfernen, ohne das menschliche System an das zu adaptieren, was bleibt, führt nicht zu Effizienz, sondern zu Verdichtung.

Das Cornell Global Call Center Project dokumentiert seit Jahren, warum dieses „Sanitär“-Modell scheitert. Ihr Bericht von 2007 belegte erstmals, dass Hochleistungsteams von Entscheidungsspielraum leben, aber die Branche steuert sie weiterhin auf Volumen. 

Die Supportbranche hat fast zwei Jahrzehnte gebraucht, um aufzuholen, aber endlich sprechen wir von „kognitiver Überlastung“ und „menschlichem Urteilsvermögen“ – Schlagwörter, die andere Hochrisiko-Systeme viel früher aufgegriffen haben, während sie Automatisierung und augmentierte Intelligenz einführten. 

In der Luftfahrt zum Beispiel hat der Autopilot die Pilot:innen nicht ersetzt; er hat sie zu Manager:innen seltener, kritischer Ausnahmen gemacht, wo Urteilsvermögen wichtiger ist als Routinekontrolle. In der Medizin hat diagnostische Bildgebungssoftware die Radiolog:innen nicht verdrängt; sie bündelt ihre Aufmerksamkeit auf mehrdeutige Scans, bei denen Erfahrung entscheidend für das Ergebnis ist. 

In jedem dieser Fälle beseitigte Automatisierung die Wiederholung, bewahrte aber die Lernpfade, die Expertise erzeugen. Der Kundensupport betritt nun diese historische Phase – nur schneller, ohne den Weg geschützt zu haben, der die benötigten Expert:innen hervorbringt.

Können wir die Expert:innen von morgen ausbilden, wenn wir heute den Weg dorthin versperren?

Es gibt eine zweite, noch gefährlichere Nebenwirkung dieser Automatisierung, die die Branche größtenteils ignoriert. Wir löschen bewusst die Ausbildungspipeline aus. 

Laut Forschung dauert es etwa 16 Wochen, bis eine neue Kraft wirklich kompetent ist. Historisch wurden diese 16 Wochen im First-Level-Support verbracht. Eine Nachwuchskraft lernte das Produkt und die spezifische Sprache der Kund:innen durch die Bearbeitung hunderter einfacher, risikoarmer Anfragen.

Heute werfen wir neue Mitarbeitende jedoch direkt ins kalte Wasser. Die Folgen sehen wir täglich. Ein:e Kund:in sendet eine E-Mail, dass auf der linken Seite des Panels etwas defekt erscheine. Für erfahrene Agent:innen ist das ein klarer Hinweis auf ein bestimmtes Aktivitätsmodul. Doch für eine:n Neuling, die oder der nicht die 1.000 einfachen Tickets bearbeiten durfte, die diese mentale Landkarte entstehen lassen, ist es ein Rätsel.

Diese Sprachlücke schafft eine enorme Kompetenzschuld. Wir haben keine Möglichkeit, die nächste Generation von Senior-Expert:innen auszubilden, weil wir alle Einstiegslektionen automatisiert haben. Deshalb prognostiziert Gartner, dass 50 % der Unternehmen, die Mitarbeitende zugunsten von KI abbauen, bis 2027 gezwungen sein werden, für genau diese Rollen wieder einzustellen. 

Sie erkennen, dass KI zwar sprechen kann, aber nicht das "Fachwissen, die Empathie und das Urteilsvermögen" ersetzt, die nur durch Erfahrung aufgebaut werden. Wir haben die Trittsteine überpflastert und wundern uns nun, warum niemand mehr den Fluss überqueren kann.

Jeder Beruf lebt von einem sichtbaren Weg vom Neuling zur Expert:in – von einer Phase, in der Fehler klein und die Einsätze gering sind und in der sich Mustererkennung langsam ansammelt. Wenn dieses Mittelfeld verschwindet, erneuert sich Fachkompetenz nicht mehr von selbst. Das unmittelbare Symptom ist eine langsamere Problemlösung und mehr Eskalation. Die langfristige Folge ist noch gravierender: eine ausgehöhlte Belegschaft, in der Senior-Urteilsvermögen selten und fragil wird. Wenn die Knappheit schließlich auf den Dashboards der Geschäftsleitung sichtbar wird, ist der Lernzyklus, der zur Behebung erforderlich wäre, schon seit Jahren unterbrochen.

Wie überleben Teams, wenn kein Einzelner alle Antworten haben kann?

Dieser Druck hat einen sichtbaren Überlebensmechanismus im Posteingang ausgelöst. In diesem Jahr erstellten Hiver-Nutzer:innen 5 Millionen interne Notizen direkt über Kundengesprächen. Das ist nicht nur eine Kollaborationsstatistik. Es ist ein Signal dafür, dass die Ära des Einzelkämpfers vorbei ist.

Im alten Modell besaß eine Person ein Ticket, bis es abgeschlossen war. Doch wenn jedes Ticket eine komplexe Ausnahme darstellt, kann kein:e Einzelne:r alle Antworten wissen. Diese 5 Millionen Notizen stehen für einen kollektiven Schulterschluss. Indem Teams sich im Gespräch um das Problem scharen, bauen sie in Echtzeit ein "geteiltes Gehirn" auf. Sie verteilen die Denklast so um, dass niemand allein das Gewicht einer komplexen Krise tragen muss. 

Doch kollektive Intelligenz ist nur eine Seite des Überlebens. Die andere ist die ökonomische Realität.

Da wir durch KI Geschwindigkeit zur Massenware gemacht haben, verlieren die Metriken, die wir seit Jahrzehnten nutzen, an Bedeutung. Es entsteht eine neue Kennzahl, die jede:n CFO beunruhigen sollte: die steigenden Kosten der Automatisierung.

Gartners jüngste Analyse deutet darauf hin, dass der Traum vom "kostenlosen" Support endet. Bis 2030 soll die Kosten pro GenAI-Lösung voraussichtlich über 3 $ liegen; sie übersteigen damit die Kosten vieler Offshore-Mitarbeitender. Die Subventionen enden, die Infrastrukturkosten steigen.

Erinnern Sie sich daran, dass ich zuvor sagte, dass sich die zugrunde liegende Ökonomie langsam in die entgegengesetzte Richtung zur gängigen Erzählung bewegt? Über mehr als ein Jahrzehnt wurde Automatisierung vor allem mit Lohndifferenzen begründet – unter der Annahme, dass Software mit zunehmendem Einsatz billiger wird. Doch wenn die Grenzkosten der automatisierten Problemlösung mit den Arbeitskosten des Menschen konkurrieren oder sie sogar übersteigen, verändert sich die strategische Fragestellung grundlegend. 

KI lässt sich nicht mehr rein als Ersatz rechtfertigen. Sie muss sich als Multiplikator menschlicher Fähigkeiten beweisen. Dieser Unterschied ist gravierend. Ein Ersatz senkt kurzfristig die Kosten. Multiplikation von Fähigkeiten entscheidet langfristig über die Widerstandsfähigkeit. Unternehmen, die diesen Wandel früh erkennen, hören auf zu fragen, wie sie Menschen aus dem Support entfernen können, und beginnen zu fragen, wie sie die verbleibenden Mitarbeiter:innen deutlich effektiver machen können.

Und Effektivität wird in dieser neuen Landschaft nicht mehr nur allein durch Richtigkeit definiert.

Im vergangenen Jahr nutzten unsere Kund:innen über 3,6 Millionen Mal ein Feature namens „Sentiment-Analyse“, um den emotionalen Kontext in Support-Gesprächen zu verstehen. Das zeigt uns, dass eine richtige Antwort nicht mehr ausreicht – oder wirksam ist. 

Kund:innen gelangen heute mit einem "Gefühlsdefizit" in menschliche Interaktionen. Sie sind müde und frustriert nach den Auseinandersetzungen mit Bots. In diesem Umfeld hat sich die Aufgabe des:der Agent:in vom Informationslieferanten zur emotionalen Wiederherstellung verschoben. Das Ziel ist nicht mehr „Lösung“, sondern „emotionales Gleichgewicht“.

Leiten Sie immer noch eine Fabrik – oder sind Sie bereit, Expert:innen zu unterstützen?

Wenn diese Diagnose stimmt, bedeutet das für Führung nicht schrittweise Verbesserung, sondern eine vollständige Neuausrichtung. Die zentrale Support-Frage heißt nicht länger: „Wie bearbeiten wir mehr Tickets mit weniger Menschen?“ Sondern: „Wie verstärken wir menschliches Urteilsvermögen dort, wo Automatisierung endet – und wie stellen wir zugleich sicher, dass die richtigen Übergaben im passenden Moment erfolgen und Kontext im Tool-Chaos und im gemeinsamen Gehirn nie verloren geht?“ Und das ist in der Tat eine lange Frage. 

Organisationen, die weiterhin auf Durchsatz optimieren, wirken effizient – bis zu dem Moment, an dem das Kund:innenvertrauen bröckelt und die Talente davonlaufen. Organisationen, die stattdessen auf Kontext, Zusammenarbeit und erfahrungsbasiertes Lernen setzen, erscheinen kurzfristig langsamer, sind aber langfristig strukturell überlegen. Die Differenz zwischen diesen Wegen wird das nächste Jahrzehnt des Kundensupports und der Kundenerfahrung bestimmen.

Support-Leiter:innen stehen gleichzeitig vor drei zusammenlaufenden Herausforderungen: den steigenden kognitiven Kosten jeder verbleibenden Interaktion, einem schrumpfenden Nachwuchs an Talenten, die in Fachwissen hineinwachsen können, und einer Automatisierungsebene, deren Grenzersparnisse stagnieren, während sich Infrastruktur- und Modellkosten stabilisieren. 

Wenn Komplexität schneller steigt als die Produktivität, verengt sich das System. Deshalb wird die kommende Unterstützungskrise nicht schleichend verlaufen. Sie wird plötzlich wirken – nicht, weil die Kräfte neu sind, sondern weil sie unbemerkt die Schwelle überschritten haben, an der schrittweise Optimierung strukturelle Spannungen nicht mehr ausgleichen kann.

Die Krise, mit der wir konfrontiert sind, ist nicht ein Mangel an Technologie; sie ist die Bindung an eine 100 Jahre alte Managementphilosophie. Wenn wir die Wissensverschuldung lösen und die Erosion der L1 verhindern wollen, müssen wir aufhören, Werkzeuge zu entwickeln, die Mitarbeitende isolieren, und stattdessen Umgebungen schaffen, die das geteilte Wissen erkennen und fördern.

Support kann nicht länger skalieren, indem wir Kunden abwimmeln; wir können nur skalieren, indem wir die Menschen stärken, die als Vertrauenshüter in risikoreichen Situationen agieren. Das kommende Jahrzehnt wird nicht von dem Unternehmen gewonnen, das den effizientesten Bot hat, sondern von dem, das die fähigsten, gelassensten und kontextreichsten Menschen bewahrt.