Wie KI den Wertstrom Issue-to-Resolution verändert

Wie sich der Kundenservice davon, dass ein Mitarbeiter jedes Ticket bearbeitet, dahin verschiebt, dass die KI die Routinefälle übernimmt und ein Mensch auf Abruf bereitsteht, und wo das schiefgehen kann..

Sebastian Bitter

4.8.2026

Issue-to-Resolution trägt ein Kundenproblem von der ersten Nachricht bis zum gelösten Fall. Hier zeigt sich KI im Service zuerst, und hier ist ein Fehler für den Kunden am sichtbarsten. Je mehr die KI übernimmt, desto stärker laufen die Routinefälle automatisch und der Mensch rückt zu den schweren, heiklen und hochwertigen Fällen. Der Weg zur Eskalation an einen Menschen wird zu einem geplanten Schritt im Ablauf. Für die meisten Unternehmen ist das realistische Ziel eine KI, die die Standardfälle löst, mit einer verlässlichen menschlichen Eskalation. Vollautomatisierung ohne diesen Notausgang ist der Punkt, an dem System bricht. Der klarste Beleg ist der Weg einer Firma über zwei Jahre. Im ersten Monat leistete Klarnas Assistent die Arbeit von rund 700 Agenten. Ein Jahr später, nach dem Wechsel zur Vollautomatisierung, erklärte Klarna, die Qualität sei gesunken und holte echte Menschen zurück. Eine hohe Lösungsquote ist nicht dasselbe wie ein zufriedener Kunde. Manche Anbieterzahlen zählen einen Fall als gelöst, wenn der Kunde einfach verstummt, weshalb auch immer Vorsicht geboten ist.

Der Wertstrom heute und wohin die KI ihn führen kann

Issue-to-Resolution ist der Wertstrom, der ein Kundenproblem vom ersten Kontakt bis zum gelösten Fall trägt. Er beginnt, wenn jemand ein Anliegen meldet und endet, wenn das Anliegen gelöst und der Kunde informiert ist. Jedes Unternehmen mit Kunden betreibt diesen Strom, und hier landet aktuell viel Aufmerksamkeit für KI im Service, weil das Volumen hoch ist und sich die Arbeit wiederholt.

In seiner klassischen Form läuft die Arbeit in sechs Schritten. Der Kunde meldet sich und ein Mitarbeiter legt das Ticket von Hand an. Der Mitarbeiter ordnet es nach Thema und Dringlichkeit ein. Er sieht die Kundenhistorie und die Wissensdatenbank durch. Er schreibt die Antwort und schickt sie ab. Schwere Fälle gehen an ein Second-Level-Team. Zum Schluss schließt er den Fall und bittet um eine Bewertung.

Den Schmerz kennt jeder, der in der Warteschleife hing. Ein Mensch macht jeden Schritt, der Kunde wartet und dieselben Routinefragen werden immer wieder beantwortet. Der Großteil der Verzögerung sitzt in der Warteschlange und den Übergaben, nicht in der Antwort selbst. Ein schnelleres Suchwerkzeug für die Mitarbeiter behebt das nicht, denn der Engpass ist, wie viel ein menschliches Team gleichzeitig schafft.

Genau das ändert die KI. Aufnahme, Sortierung und die Standardantworten wandern zur KI. Die Aufgabe des Menschen verschiebt sich zu den Fällen, die wirklich Urteilsvermögen brauchen: den heiklen, den komplexen und den hochwertigen. Und die Eskalation, also der Schritt, an dem ein Fall an einen Menschen übergeben wird, wird zu einem fest geplanten Teil des Ablaufs. Der Rest dieses Posts geht diesen Weg Stufe für Stufe und zeigt jede Veränderung an einem realen Beispiel.

Abbildung 1: Issue-to-Resolution über die vier Stufen. Derselbe Strom auf jeder Stufe. Aufnahme, Triage und Standardlösung wandern zur KI, und der Mensch rückt zu den Ausnahmen, mit der Eskalation als geplantem Gate.

Stufe für Stufe, an realen Fällen gezeigt

Jede Stufe unten kommt mit einem realen Beispiel, seiner Kernzahl und dem Punkt, an dem diese Zahl nicht mehr trägt. Die klassische Stufe ist der Ausgangspunkt oben, ohne KI im Ablauf, deshalb beginnen wir bei assistierend.

Assistierend: Die KI entwirft die Antwort, der Mitarbeiter schickt sie ab

Auf der assistierenden Stufe bleiben die sechs Schritte, wie sie sind, und die KI hilft in jedem einzelnen. Sie füllt das Ticket vor, schlägt eine Kategorie vor, holt die Kundenhistorie und den passenden Hilfeartikel hervor und entwirft die Antwort. Der Mitarbeiter prüft jeden Entwurf und schickt ihn ab. Der Kunde spricht weiterhin mit einem Menschen.

Das Beispiel ist Magic Ink, das Support-Werkzeug von Kraken Technologies, im Einsatz beim Energieversorger Octopus Energy. Es entwirft Antworten aus der Kundenhistorie, und nach Angaben des Unternehmens war rund ein Drittel dieser Entwürfe unverändert versandfertig. Der Mitarbeiter behält die Kontrolle und schickt jede Antwort ab.

Die Hilfe ist echt, hat aber zwei Schwachstellen. Ein Entwurf, der richtig aussieht, wird unter Zeitdruck schnell abgeschickt und so lässt die menschliche Prüfung unbemerkt nach. Es lohnt sich diese Zahlen genauer anzuschauen: Ein interner Zufriedenheitswert von 80 stammt aus den einfachen Fällen, das offizielle, öffentliche Maß lag jedoch eher bei 70. Bei routinemäßiger Massenpost hilft das Werkzeug spürbar. Bei den komplexen, mehrstufigen Fällen tut es sich schwer und genau die sind den Kunden am wichtigsten und können kostspielig für das Unternehmen werden.

Abbildung 2: der Fall Kraken Magic Ink. Die Kundennachricht, der KI-Entwurf, die Entscheidung des Mitarbeiters und die gesendete Antwort. Rund ein Drittel der Entwürfe ging unverändert raus, bei routinemäßiger Post, mit einem Menschen, der jede Antwort abschickt.

Agentisch: Die KI löst die Routinefälle, ein Mensch ist einen Schritt entfernt

Auf der agentischen Stufe wird der Strom um die KI herum neu gebaut und die Schritte verschmelzen. Aufnahme und Sortierung laufen automatisch. Die KI löst dann die Standardfälle von Anfang bis Ende, in der Sprache des Kunden: Rückerstattungen, Retouren, Rechnungsfragen und Ähnliches. Der wichtige Zusatz ist ein geplantes Eskalations-Gate. Heikle oder komplexe Fälle gehen an einen Menschen und der Kunde kann jederzeit einen Menschen verlangen. Der Mensch wird zum Ausnahmebearbeiter und setzt die Regeln.

Das Beispiel ist Klarna, der Buy-now-pay-later-Anbieter. Im ersten Monat berichtete Klarna, dass sein OpenAI-basierter Assistent 2,3 Millionen Chats bearbeitete, das Äquivalent von rund 700 Vollzeit-Agenten und die durchschnittliche Lösungszeit von 11 Minuten auf unter 2 senkte. Der Assistent machte die Routinearbeit und wer einen Menschen wollte, erreichte weiterhin einen. Diese Zahlen kommen von Klarna selbst, nicht aus einer unabhängigen Prüfung. Das ist die agentische Stufe.

Eine hohe Lösungsquote ist nicht dasselbe wie ein zufriedener Kunde. Ein viel zitierter Support-Assistent, Intercom Fin, wird mit einer Lösungsquote von 76% beworben, während unabhängige Schätzungen die reale Zahl eher bei 45 bis 53% sehen, auch weil ein Fall als gelöst zählen kann, wenn der Kunde einfach einen Tag lang nicht mehr antwortet.

Abbildung 3: der Klarna-Bogen, vom agentischen Erfolg zur Überautomatisierung. Eine Firma über zwei Jahre. 2024 löst die KI den Standardfall mit einem Menschen auf Abruf. 2025 fällt dieser Eskalationsweg weg, die Qualität sinkt, und Klarna holt Menschen zurück.

Autonom: Vollautomatisierung ohne Ausweg, und warum es nach hinten losging

Auf der autonomen Stufe fällt der menschliche Eskalationsweg weg. Die KI bearbeitet jeden Fall und Menschen setzen nur noch die Regeln und beobachten die Gesamtzahlen. Auf dem Papier ist das der günstigste Aufbau. Im Kundenservice ist es zugleich der riskanteste und derselbe Klarna-Fall zeigt, warum.

Ein Jahr nach dem Erfolg trieb Klarna die Vollautomatisierung voran und nahm die menschliche Eskalation heraus. Das Unternehmen erklärte dann öffentlich, die Servicequalität sei gesunken und begann, Menschen wieder flexibel und auf Abruf einzusetzen. Der fehlende Eskalationsweg war die Ursache. Wenn jeder Fall zwingend durch die KI läuft und ein frustrierter Kunde keinen Menschen erreicht, zeigt sich der Preis im Vertrauen und nicht im Support-Budget.

Genau deshalb ist die autonome Stufe in diesem Strom eine Warnung. Derselbe Bogen, der den agentischen Erfolg zeigt, zeigt auch den Preis dafür, ihn zu überschreiten, deshalb halten wir beide Kapitel in der einen Ansicht oben fest (Abbildung 3).

Was realistisch ist

Legt man die Stufen zusammen, ist der Rat klar. Für die meisten Unternehmen ist das realistische Ziel in Issue-to-Resolution eine KI, die die Standardfälle löst, mit einer verlässlichen menschlichen Eskalation, die immer verfügbar ist. Die KI übernimmt das Routinevolumen und alles Heikle, Komplexe oder Hochwertige erreicht schnell einen Menschen. Das ist das agentische Klarna-Muster vor der Überautomatisierung, und das Eskalations-Gate ist der Teil, den man nicht weglassen darf.

Dorthin zu kommen braucht ein paar konkrete Dinge. Sie brauchen ein klares Regelwerk für die Fälle, die die KI übernehmen darf. Sie brauchen eine Anbindung an Ihre Systeme, damit sie tatsächlich handeln kann, etwa eine Rückerstattung auslösen, mit den geringstmöglichen Rechten, die noch funktionieren. Sie brauchen klare Regeln, wann ein Fall an einen Menschen geht. Und Sie brauchen eine strukturierte Wissensdatenbank, aus der die KI schöpfen kann. Je sauberer die sind, desto mehr kann die KI sicher übernehmen.

Es gibt einen zweiten Preis, der für diesen Strom typisch ist. Das Material, das Sie der KI geben, sind die persönlichen Daten Ihrer Kunden, und in einem Support-Gespräch können darin sensible Details stecken. Wo und wie diese Daten verarbeitet werden, ist von Anfang an eine Datenschutzfrage, gerade unter europäischen Regeln. Diese Entscheidung gehört in den Plan, neben den Business Case.

Messen Sie das Richtige. Eine Lösungsquote lässt sich leicht aufblähen, und ein Fall, der als gelöst gilt, weil der Kunde aufgegeben hat, ist kein Erfolg. Achten Sie darauf, ob der Kunde zufrieden zurückkam und ob dasselbe Anliegen erneut auftaucht, nicht nur darauf, wie viele Tickets die KI geschlossen hat. Das ist die Falle, die die Intercom-Zahlen zeigen, und sie ist leicht zu übersehen, wenn das Dashboard Volumen belohnt.

Es gibt einen leiseren Effekt, der es wert ist, genannt zu werden. Wenn die KI alle einfachen Fälle übernimmt, bleiben den Menschen nur die schweren und die frustrierten, was sie schneller ausbrennt. Und an den einfachen Fällen lernten neue Mitarbeiter früher das Handwerk, sodass das Wegautomatisieren dieser Fälle den Nachschub an erfahrenen Leuten austrocknen kann, die Sie für die schweren Fälle weiterhin brauchen. Ein guter Rollout plant für beides.

Für Issue-to-Resolution ist der belastbare Endzustand agentisch, mit einem Menschen, der immer nur einen Schritt entfernt ist. Vollautonomie ist hier nicht zu empfehlen. Der Klarna-Rückzieher ist der Beleg und das Recht eines Kunden, einen Menschen zu erreichen, ist nahezu eine harte Anforderung, in der Praxis und zunehmend in der Regulierung.

Abbildung 4: Gewinn und Preis über die vier Reifegrade. Jede Stufe bringt einen Gewinn und verlangt einen Preis, belegt an unseren Fällen. Agentisch ist der realistische Zielzustand, autonom der Warnfall. Konzept, keine aggregierten Kennzahlen, die Einzelzahlen sind unternehmenseigene Angaben.

Was als Nächstes kommt

Issue-to-Resolution zeigt dasselbe Muster wie der Rest der Serie, nur zugespitzter: Die Routinearbeit wandert zur KI, der Mensch rückt zu den Fällen, die zählen und das Ganze hängt an einem Gate, hier der Eskalation an einen Menschen. Wer über dieses Gate hinausgeht, verwandelt die Ersparnis in ein Vertrauensproblem.

Die zwei Headline-Fälle hier tragen die Geschichte am klarsten, aber die Library hält mehr auf jeder Stufe bereit. Salesforce und Commonwealth Bank stehen neben Klarna als agentische Fälle, und Air Canada, DPD und Cursor stehen neben dem Klarna-Rückzieher als autonome Warnfälle, jeweils mit eigenem Beleg und eigenen Grenzen.