Wie viel Support kann KI wirklich lösen? Ehrliche Erwartungen setzen

Fragen Sie fünf Anbieter, welchen Anteil Ihres Supports ein KI-Agent lösen wird, und Sie hören fünf selbstbewusste Zahlen — die meisten beginnen mit einer 7 oder einer 8. Fragen Sie fünf Supportleitungen, die tatsächlich eine betreiben, und Sie hören etwas Brauchbareres: „Kommt darauf an — und zwar auf Folgendes.“ Dieser Artikel ist die zweite Antwort, aufgeschrieben: welche Lösungsquoten realistisch sind, welche Fragetypen sich gut automatisieren lassen, welche es niemals sollten und welche Hebel Ihre Zahl wirklich bewegen.

Definieren Sie zuerst „gelöst“ — und zwar streng

Eine Lösungsquote ist nur so ehrlich wie ihre Definition. Bevor Sie irgendwelche Zahlen vergleichen — die eines Anbieters, die eines Wettbewerbers, Ihre eigenen aus dem letzten Quartal —, legen Sie fest, was als gelöst zählt:

• Der Kunde hat eine echte Antwort bekommen, keine Linksammlung und keine „Bitte wenden Sie sich an den Support“-Schleife.
• Kein Mensch hat die Konversation angefasst, weder vor noch nach der KI-Antwort.
• Der Kunde ist nicht zurückgekommen — nicht zum selben Anliegen, innerhalb eines vernünftigen Zeitfensters (sieben Tage sind eine übliche Wahl), auf keinem Kanal.

Unter dieser strengen Definition schrumpfen die meisten spektakulären Zahlen. Ein Bot, der „85 % der Chats löst“, löst am Ende oft 85 % der Chats, die er zu Ende führen durfte — nachdem Routing-Regeln die schwierigen still an Menschen abgezweigt haben und abgebrochene Konversationen als Erfolge verbucht wurden. Streng zu zählen ist das Unbehagen wert: Es ist die einzige Version der Kennzahl, auf der Sie Personal- und Budgetentscheidungen aufbauen können.

Was sich gut automatisieren lässt: die Routine-Mehrheit

E-Commerce-Support hat eine für Automatisierung günstige Form, denn ein großer Teil des Eingangs besteht aus einer kleinen Menge von Fragen, die tausendfach wiederkehren:

• Bestellstatus und Zustellung („Wo ist meine Bestellung?“). Die mit Abstand größte Kategorie in den meisten Shops — üblicherweise 25–40 % aller Kontakte. Vollständig automatisierbar, sofern die KI Bestell- und Sendungsdaten live lesen kann.
• Retouren- und Umtauschmechanik. „Wie schicke ich das zurück?“, „Wie lang ist die Frist?“, „Wer zahlt den Rückversand?“ — Richtlinienfragen mit dokumentierten Antworten.
• Produktfragen, die Ihre Seiten längst beantworten. Größen, Materialien, Kompatibilität, Pflegehinweise — alles, was eine gute Produktseite oder FAQ abdeckt.
• Konto- und Rechnungsmechanik. Passwort zurücksetzen, Adresse ändern, Rechnungskopie anfordern, Zahlungsmittel aktualisieren.
• Vorverkaufsgrundlagen. Versandkosten und Lieferzeiten, Zahlungsarten, Verfügbarkeit und Nachlieferung.

Zählen Sie das zusammen, und Sie landen bei den bekannten 55–70 % des Eingangs, die Routine und dokumentiert sind. Das ist die ehrliche Obergrenze für die meisten Shops — nicht weil KI schwierigere Fragen nicht lesen könnte, sondern weil die schwierigeren nicht ohne einen Menschen geschlossen werden sollten.

Was die KI bewusst nicht lösen sollte

Manche Kategorien kann eine KI zwar beantworten, aber sie sollte sie nicht abschließen:

• Ermessensfälle. Kulanzerstattungen, Ausnahmen von der Regel, „der Zusteller meldet zugestellt, angekommen ist nichts“. Die richtige Antwort hängt an einer Entscheidung, die nur Ihr Team verantworten kann.
• Verärgerte Eskalationen. Automatisierung, die auf einen bereits frustrierten Kunden trifft, vervielfacht den Frust. Die Aufgabe der KI ist hier, den Ton zu erkennen und schnell zu übergeben — mit Kontext.
• Komplexe oder neuartige Fehlersuche. Steht die Antwort nicht in Ihrer Wissensdatenbank, sagt eine gut erzogene KI genau das und leitet die Konversation weiter. Eine selbstbewusste Improvisation ist schlimmer als eine Warteschlange.
• Signale. Fehlermeldungen, Defektmuster, Feature-Wünsche, Abwanderungswarnungen. Die KI darf sie bestätigen und verschlagworten, lesen sollte sie ein Mensch — das ist Produktfeedback, das Sie geschenkt bekommen.

Teams, die diese Kategorien in die Automatisierung drücken, kaufen sich eine höhere Schlagzeilenquote und bezahlen sie in Wiederöffnungen, Rückbuchungen und stiller Abwanderung. Das Ziel ist nicht die maximale Lösungsquote, sondern die maximale Quote auf oder über Ihrem Qualitätsniveau.

Die vier Faktoren, die Ihre tatsächliche Zahl bestimmen

Zwei Shops können dieselbe KI betreiben und dreißig Punkte auseinanderliegen. Der Unterschied liegt fast immer an einem dieser vier Punkte:

1. Ticketmix. Ein Shop, in dem Zustellfragen dominieren, automatisiert weit mehr als einer, der komplexe, konfigurierbare Produkte verkauft. Ziehen Sie 200 aktuelle Konversationen und sortieren Sie sie nach Typ — der Routineanteil, den Sie dort finden, sagt mehr voraus als jeder Branchenwert.
2. Abdeckung der Wissensdatenbank. Die KI löst, was Ihre Dokumentation belegt. Dünne Doku heißt: Die ehrliche Quote startet niedrig, und jede geschlossene dokumentierte Lücke hebt sie. Das ist die wirkungsvollste Arbeit der ersten drei Monate.
3. Datenzugriff. Ohne Live-Verbindung zu Bestellungen und Sendungsverfolgung ist „Wo ist meine Bestellung?“ — Ihre größte Kategorie — nicht automatisierbar. Mit ihr trägt allein diese Kategorie bis zu einem Drittel der Gesamtquote.
4. Zählregeln. Fenster für Folgekontakte, Umgang mit Abbrüchen, welche Kanäle mitzählen. Zwei Teams mit identischem Betrieb können aus demselben Monat an Konversationen 55 % und 80 % melden.

Realistische Spannen nach Reifegrad

Bei strenger Zählung sieht gesund für einen E-Commerce-Betrieb so aus:

• Erster Monat: 30–50 %. Die Wissensdatenbank hat Lücken, Integrationen sind neu, und Sie sollten die KI ohnehin auf schmalen Kategorien laufen lassen.
• Monate zwei bis vier: 45–60 %, getrieben fast ausschließlich davon, dass Sie die dokumentierten Lücken schließen, die die KI meldet.
• Reif, ab sechs Monaten: 55–70 % für typische Shops. Über 70 % kommt vor, meist aber in Unternehmen mit ungewöhnlich routinelastigem Mix — hohes Bestellvolumen, einfache Produkte, großzügige und gut dokumentierte Richtlinien.

Wenn ein Pitch 90 % und mehr nennt, ohne nach Ihrem Mix, Ihrer Dokumentation und Ihrer Definition von „gelöst“ zu fragen, dann nennt er eine andere Kennzahl als die, mit der Sie am Ende leben werden.

Die Quote heben, ohne sie zu schönen

Die ehrlichen Hebel, nach Ertrag sortiert:

1. Schließen Sie Wissenslücken wöchentlich. Sehen Sie die Fragen durch, die die KI nicht beantworten konnte, schreiben Sie den fehlenden Artikel, wiederholen Sie das. Nichts anderes verzinst sich so.
2. Verbinden Sie Bestelldaten. Das verwandelt Ihre größte Kategorie von „Übergabe“ in „in Sekunden gelöst“.
3. Beheben Sie Ursachen. Wenn 15 % der Kontakte auf eine verwirrende Größentabelle zurückgehen, ist die beste Automatisierung eine bessere Größentabelle. Eine sinkende Kontaktquote ist ein Gewinn, auch wenn die Lösungsquote dadurch flach aussieht.
4. Erweitern Sie Kategorie für Kategorie. Lassen Sie die KI auf jeweils einen neuen Fragetyp los, prüfen Sie eine Stichprobe der Verläufe, dann weiter zur nächsten.

Und ein Hebel, den Sie ablehnen sollten: die Definition zu lockern. Die Teams, die ihre Automatisierung bereuen, sind selten die mit ehrlichen 55 %; es sind die mit gemeldeten 85 %, die Kunden als 50 erleben.

Wo ReplyPool ins Bild passt

Die Ökonomie von ReplyPool ist auf ehrliche Zahlen gebaut. Jeder Tarif ist ein festes Monatskontingent an KI-Antworten — 1.000, 2.500 oder 7.500 —, es gibt also keinen Zähler, der mehr verdient, wenn eine „Lösung“ großzügig gezählt wird. Der KI-Agent antwortet aus Ihrer Wissensdatenbank, übergibt, was er nicht mit einer Quelle belegen kann, und das Dashboard zeigt die Fragen, die er nicht beantworten konnte — damit Sie die Lücken schließen, die Ihre Quote tatsächlich heben. Ist das Kontingent aufgebraucht, laufen Konversationen in das Postfach Ihres Teams, und die Rechnung bleibt dort, wo die Preisseite sie versprochen hat.

Wollen Sie Ihre echte Zahl kennen? Sortieren Sie 200 Ihrer letzten Konversationen in Routine und Ermessen — damit haben Sie eine bessere Prognose als mit jedem Branchenwert. Bestätigen Sie sie anschließend mit einem Kalibrierungsmonat.