Wie KI den Wertstrom Issue-to-Resolution verändert

Issue-to-Resolution ist der Wertstrom, der ein Kundenproblem vom ersten Kontakt bis zum gelösten Fall führt. Er beginnt mit der Meldung eines Anliegens und endet, wenn das Anliegen gelöst und der Kunde informiert ist. Jedes Unternehmen mit Kunden betreibt diesen Strom, wobei sich die Aufmerksamkeit für KI im Service wegen des hohen Volumens und der immer gleichen Arbeit zuerst hierher richtet.

In seiner klassischen Form läuft die Arbeit in sechs Schritten, die alle bei einem Menschen liegen. 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.

Das Problem dieser Form kennt jeder aus der Warteschleife, denn ein Mensch macht jeden Schritt, während der Kunde wartet. Dieselben Routinefragen werden dabei immer wieder beantwortet. Die meiste Verzögerung sitzt in der Warteschlange und in 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.

Die KI entscheidet in diesem Strom neu, welche Fälle überhaupt einen Menschen erreichen und welche automatisch durchlaufen. Aufnahme, Sortierung und die Standardantworten wandern zur KI. Der Mensch wechselt zu den Fällen, die wirklich Urteilsvermögen brauchen. Das sind die heiklen Fälle, die komplexen und die hochwertigen. 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 Beitrags geht diesen Weg Stufe für Stufe und zeigt jede Veränderung an einem realen Beispiel.

Zu jeder Stufe unten gehören ein Beispiel, seine Kernzahl und der Punkt, an dem diese Zahl nicht mehr trägt. Die klassische Stufe ist der Ausgangspunkt oben, ohne KI im Ablauf. Der Gang beginnt deshalb bei der assistierenden Stufe.

Auf der assistierenden Stufe bleiben die sechs Schritte an ihrem Platz, während die KI innerhalb jedes einzelnen hilft. 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 Werkzeug für den Kundendienst von Kraken Technologies, im Einsatz beim Energieversorger Octopus Energy. Es entwirft Antworten aus der Kundenhistorie. In den Worten der Fallstudie brauchte rund ein Drittel dieser Entwürfe keine oder nur geringe Änderungen, bevor es verschickt wurde. Der Mitarbeiter behält die Kontrolle und schickt jede Antwort ab.

Der Nutzen ist echt, doch die Kernzahl verschweigt zwei Schwachstellen, eine im Werkzeug und eine in der Zahlenlage. Die Fallstudie nennt Halluzinationen als Hürde und schreibt, dass die Mitarbeiter darauf geschult sind, alles von Magic Ink Geschriebene sehr genau zu prüfen. Genau diese Prüfung lässt unter Zeitdruck nach. Und sämtliche Zahlen zu diesem Fall stammen von Kraken selbst. Die Fallstudie nennt für die KI-gestützte Post eine Kundenzufriedenheit von rund 70 Prozent und bezeichnet sie als höher als bei der übrigen. Der Jahresabschluss von Kraken für 2025 berichtet Einsparungen von bis zu 33 Prozent bei den Kosten je Vorgang, wobei Magic Ink bei E.ON Next und Good Energy bis zu 60 Prozent der E-Mails schreibe. Vor den letzten beiden Zahlen steht ein bis zu, das eine Obergrenze bezeichnet und keinen Durchschnitt.

Weil ein einzelner Fall keine Messung ist, zählt für diese Stufe zusätzlich eine unabhängige Untersuchung. Ökonomen aus Stanford und vom MIT haben die schrittweise Einführung eines KI-Assistenten bei 5.172 Mitarbeitern im Kundendienst begleitet und ihre Ergebnisse im Quarterly Journal of Economics veröffentlicht. Die Zahl der gelösten Fälle je Stunde stieg im Schnitt um 15 Prozent. Hinter dem Durchschnitt stecken zwei sehr verschiedene Gruppen. Weniger erfahrene und geringer qualifizierte Kräfte wurden schneller und lieferten zugleich bessere Antworten. Die erfahrensten gewannen wenig Tempo und verloren leicht an Qualität. Das passt zur Deutung der Autoren, dass der Assistent weitergibt, was die besten Kollegen ohnehin schon können. Der Ton der Kunden wurde freundlicher und sie verlangten seltener nach einem Vorgesetzten. Gemessen wurde die assistierende Stufe und nichts darüber hinaus, denn das Werkzeug unterstützte die Mitarbeiter und ersetzte sie nicht.

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

Das Beispiel ist Klarna, der schwedische Anbieter für Rechnungs- und Ratenkauf, dessen Weg einen Blick über zwei Jahre lohnt. Im ersten Monat berichtete Klarna, dass sein OpenAI-basierter Assistent 2,3 Millionen Chats bearbeitete, was der Arbeit von rund 700 Vollzeitkräften entsprach. Die durchschnittliche Lösungszeit fiel dabei von 11 Minuten auf unter 2. Der Assistent übernahm die Routinearbeit, während jeder, der mit einem Menschen sprechen wollte, das weiterhin tun konnte. Diese Zahlen kommen von Klarna selbst und nicht aus einer unabhängigen Prüfung. Bis hierhin funktionierte die agentische Stufe wie beschrieben.

Eine hohe Lösungsquote ist nicht dasselbe wie ein zufriedener Kunde, wie eine viel zitierte Zahl zeigt. Der Assistent Intercom Fin wird mit einer Lösungsquote von 76 Prozent beworben. Diese Quote beruht auf einer eigenen Definition. Als gelöst gilt ein Gespräch, wenn nach der letzten Antwort des Assistenten niemand mehr um Hilfe bittet. Eine belastbare unabhängige Messung dieser Quote ist nicht auffindbar. Die Zahl beschreibt damit die Zählregel des Anbieters genauso wie das Ergebnis. Sie sagt nichts darüber, ob der Kunde zufrieden zurückkam.

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

Ein Jahr nach dem Erfolg trieb Klarna die Vollautomatisierung voran und nahm die menschliche Eskalation heraus. Das Unternehmen berichtete dann öffentlich von gesunkener Servicequalität und begann, Menschen wieder flexibel und auf Abruf einzusetzen. Als Ursache bietet sich der fehlende Eskalationsweg an, denn er ist die auffälligste Änderung zwischen den beiden Kapiteln. Das ist eine Lesart und kein Befund der Berichterstattung. Wenn jeder Fall zwingend durch die KI läuft und ein frustrierter Kunde keinen Menschen erreicht, zeigt sich der Preis im Vertrauen und nicht im Budget des Kundendienstes. Die Zahlen von 2024 stammen von Klarna selbst. Für den Rückzieher von 2025 stehen dagegen unabhängige Presse und ein selbstkritisches Eingeständnis des Vorstandschefs.

Die autonome Stufe ist in diesem Strom deshalb eine Warnung und kein Zielzustand, denn derselbe Verlauf zeigt den agentischen Erfolg und den Preis für den Schritt darüber hinaus. Deshalb stehen beide Kapitel in der einen Ansicht oben (Abbildung 3).

Legt man die Stufen zusammen, zeigt dieser Strom beide Richtungen an einer einzigen Firma, was selten vorkommt. Wo die KI die Standardfälle löst und eine menschliche Eskalation verfügbar bleibt, tragen die berichteten Zahlen. Wo diese Eskalation wegfiel, berichtete dieselbe Firma selbst von gesunkener Qualität. Das agentische Klarna-Muster vor der Überautomatisierung ist der Aufbau, hinter dem Belege stehen. Getragen wird er vom Eskalations-Gate.

Der erste Preis besteht in Bedingungen, die mit dem Modell wenig zu tun haben und dafür umso mehr mit dem Unterbau, den ein Unternehmen vorher gelegt hat. Dazu gehören ein klares Regelwerk für die Fälle, die die KI übernehmen darf, sowie klare Regeln für den Übergang an einen Menschen. Dazu kommen eine Anbindung an die Systeme mit den geringstmöglichen Rechten, die noch zum Auslösen einer Rückerstattung reichen, sowie eine strukturierte Wissensdatenbank, aus der die KI schöpfen kann. Je sauberer die sind, desto mehr kann die KI sicher übernehmen.

Der zweite Preis ist für diesen Strom typisch, denn die KI bekommt hier die persönlichen Daten der Kunden, im Gespräch mit dem Kundendienst oft samt sensibler Details. Wo und wie diese Daten verarbeitet werden, ist von Anfang an eine Datenschutzfrage, gerade unter europäischen Regeln. Diese Entscheidung gehört in den Plan, direkt neben den Geschäftsnutzen.

Erst die Wahl der richtigen Kennzahl entscheidet, ob von all dem etwas beim Kunden ankommt, denn gerade eine Lösungsquote lässt sich sehr leicht aufblähen. Ein Fall, der als gelöst gilt, weil der Kunde aufgegeben hat, ist kein Erfolg. Aussagekräftig ist, ob der Kunde zufrieden zurückkam und ob dasselbe Anliegen erneut auftaucht, nicht die Zahl der geschlossenen Tickets. Das ist die Falle hinter der Intercom-Zahl, in die eine Kennzahlen-Übersicht läuft, die Volumen belohnt.

Zu nennen bleibt ein leiserer Effekt, dessen Belege für die assistierende Stufe in eine klare Richtung zeigen und für die agentische Stufe ganz fehlen. Die Sorge hat zwei Teile. Wenn die KI alle einfachen Fälle übernimmt, bleiben den Menschen nur die schweren und die frustrierten. Und neue Mitarbeiter lernten das Handwerk früher gerade an diesen einfachen Fällen. Die Studie aus dem Quarterly Journal of Economics fand für die assistierende Stufe das Gegenteil. Berufsanfänger wurden schneller gut, die Kunden blieben höflicher und weniger Leute kündigten. Die Studie untersuchte allerdings einen Aufbau, in dem jeder Fall weiterhin bei einem Menschen ankam. Auf der agentischen Stufe kommen die einfachen Fälle dort gar nicht mehr an, was eine andere Lage ist, zu der bisher keine veröffentlichte Messung auffindbar ist. Die Sorge ist berechtigt und sie bleibt eine Sorge.

Die Belege stützen in diesem Strom die agentische Stufe mit einem Menschen, der immer nur einen Schritt entfernt bleibt. Der Klarna-Rückzieher ist der Grund, warum hinter voller Autonomie hier kein Fall steht. Der Weg zu einem Menschen ist in der Praxis nahezu eine harte Anforderung. Das Gesetz verlangt allerdings weniger. Die europäische KI-Verordnung gilt seit August 2026 und schreibt vor, dass ein Kunde erfährt, dass er mit einer KI spricht. Zu einer Weiterleitung an einen Menschen sagt sie nichts. Das Datenschutzrecht kennt ein Recht auf das Eingreifen eines Menschen, aber nur bei Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung. Eine Frage nach dem Liefertermin fällt nicht darunter. Klarna hat diese Anforderung gelernt, ohne dass eine Vorschrift das Unternehmen dazu gezwungen hätte.

Dies ist der einzige Strom dieser Reihe, in dem die Arbeitseinheit einen öffentlichen Marktpreis hat. Intercom berechnet für seinen Agenten Fin 99 Cent je erledigtem Fall, bei mindestens fünfzig Fällen im Monat, dazu 29 Dollar je Arbeitsplatz im Helpdesk. Damit wird die Rechnung ungewöhnlich einfach und ungewöhnlich aufschlussreich.

Dieselbe Seite nennt auch die Regel für ein abgerechnetes Ergebnis und es ist dieselbe Regel, die hinter der beworbenen Lösungsquote von 76 Prozent steht. Abgerechnet wird ein gelöster Fall, eine vorgesehene Übergabe an einen Menschen oder ein aussortierter Interessent. Als gelöst gilt ein Fall dann, wenn nach der letzten Antwort des Agenten keine weitere Hilfe mehr angefordert wird. Ein Kunde, dem geholfen wurde, sieht in dieser Definition genauso aus wie einer, der aufgegeben hat. Bezahlt werden beide.

Ein Wettbewerber hat diesen Einwand inzwischen in sein eigenes Preismodell eingebaut, das einen genaueren Blick lohnt. Zendesk sortiert automatisierte Lösungen seit Mai 2026 in drei Stufen und rechnet nur noch die oberste davon ab. Hat die KI nur vorgearbeitet und ein Mensch den Fall abgeschlossen, wird nichts berechnet. Meldet sich der Kunde nicht mehr, liest ein zweites Sprachmodell das Gespräch und beurteilt, ob das Anliegen tatsächlich erledigt wurde. Abgerechnet wird nur, was diese Prüfung besteht, womit das bloße Verstummen eines Kunden nicht mehr genügt. Wie oft diese Prüfung richtig liegt, steht in Zendesks Dokumentation nicht. Geändert hat sich damit die Zählregel und nicht das Problem.

Der Preis zeigt außerdem, wo das Kaufen nach Fall aufhört zu funktionieren, wofür Klarnas eigenes Volumen das Beispiel liefert. Klarna berichtete 2,3 Millionen Gespräche in einem einzigen Monat. Zu 99 Cent je Fall wären das rund 2,3 Millionen Dollar. Das ist eine Rechnung auf einen veröffentlichten Preis und keine Angabe darüber, was Klarna gezahlt hat, denn das Unternehmen hat seinen Assistenten selbst gebaut. Es erklärt allerdings, warum ein Unternehmen in dieser Größenordnung baut statt kauft. Ab dieser Menge wird aus einem Preis je Fall ein Grund, die Sache selbst zu besitzen.

Klarna ist zugleich das einzige Unternehmen in diesem Beitrag, dessen Servicekosten in einem geprüften Bericht nachzulesen sind. Seit dem Börsengang in New York im September 2025 legt es Quartalszahlen vor. Im zweiten Quartal 2026 lag der Posten für Kundenservice und Betrieb bei 58 Millionen Dollar gegenüber 51 Millionen im Vorjahresquartal. Die Ausgaben stiegen also um rund 14 Prozent, nachdem das Unternehmen Menschen zurückgeholt hatte. Im selben Zeitraum wuchs der Umsatz um 27 Prozent, sodass derselbe Posten von 6,2 auf 5,6 Prozent des Umsatzes fiel. So sieht ein Hybridmodell in der Gewinn- und Verlustrechnung aus. Absolut mehr Geld für den Kundenservice, der zugleich nicht mehr mit dem Geschäft mitwächst.

Alles Weitere auf der Rechnung gleicht den anderen Strömen und hat mit KI wenig zu tun. Regelwerk, Systemanbindung, Eskalationsregeln und Wissensbasis müssen zuerst vorhanden sein. Was sie wert sind, zeigt gerade Klarna. Die Zahlen hielten, solange die Eskalation bestand. Nachdem sie entfernt war, berichtete das Unternehmen von sinkender Qualität. Die Ausnahmen verdichten sich auch hier, statt zu verschwinden. Den Menschen bleiben die schweren und die verärgerten Fälle. Und der Boden unter all dem bewegt sich. OpenAI hat im Juli 2026 den Preis eines laufenden Modells um 80 Prozent gesenkt, sodass alles, was auf ein bestimmtes Modell abgestimmt wurde, erneut geprüft werden muss.

Issue-to-Resolution zeigt dasselbe Muster wie der Rest der Serie, nur zugespitzter, weil hier ein einziges Gate über Gewinn und Vertrauensverlust entscheidet. Die Routinearbeit wandert zur KI, während der Mensch zu den Fällen rückt, die zählen. Alles hängt dabei an einem Gate, hier der Eskalation an einen Menschen. Wer über dieses Gate hinausgeht, verwandelt die Ersparnis in ein Vertrauensproblem. Die Frage, die diese Reihe an jeden Strom stellt, ist immer dieselbe. Was ist an einem Schritt heute tatsächlich möglich und wer hat es gemessen? Diese Antwort altert schnell, deshalb steht an jeder Zahl hier ein Datum. Der nächste Beitrag legt dieselbe Brille an Procure-to-Pay an, den Strom von der Bedarfsmeldung bis zur bezahlten Rechnung, an dessen Ende Geld das Unternehmen verlässt.

Die zwei ausführlich erzählten Fälle zeigen das Muster am klarsten, obwohl auf jeder Stufe weitere Fälle liegen. Neben dem Klarna-Rückzieher stehen drei weitere Warnfälle mit eigenen Belegen. Air Canada haftete vor einer kanadischen Schlichtungsstelle für die erfundene Auskunft seines Chatbots. DPD schaltete seinen Bot ab, nachdem er einen Kunden beschimpft hatte. Cursors Support-Bot erfand eine Anmelderegel, die es nie gab. Weitere agentische Fälle bleiben hier ungenannt, weil sie nicht mit der Sorgfalt geprüft sind, die der übrige Beitrag anlegt.

Die Zahlen in diesem Post stützen sich auf diese Quellen:

Kraken Magic Ink bei Octopus Energy, rund ein Drittel der Entwürfe mit keiner oder nur geringer Änderung, dazu rund 70 Prozent Zufriedenheit bei KI-gestützter Post: techUK-Fallstudie (firmenberichtet)

Klarna KI-Assistent im ersten Monat, 2,3 Mio. Chats und die Arbeit von rund 700 Mitarbeitern: Klarna-Pressemitteilung, 2024 (firmenberichtet)

Klarna holt nach Überautomatisierung Menschen zurück, 2025: Customer Experience Dive, 2025 (unabhängige Presse)

Fin wird mit 99 Cent je erledigtem Fall abgerechnet, die Definition steht auf derselben Seite: fin.ai Preise (Preisliste des Anbieters, frei zugänglich)

Intercom Fin, beworbene Lösungsquote 76 Prozent:fin.ai (Anbieterangabe, einschließlich der Definition einer Lösung)

Unabhängige Messung der assistierenden Stufe an 5.172 Mitarbeitern im Kundendienst, 15 Prozent mehr gelöste Fälle je Stunde, Gewinne vor allem bei den weniger Erfahrenen: Brynjolfsson, Li und Raymond, Generative AI at Work, Quarterly Journal of Economics 140(2), 2025 (begutachtete Fachzeitschrift, frei lesbar als NBER Working Paper 31161)

Klarna, Kundenservice und Betrieb im zweiten Quartal 2026: Quartalsbericht der Klarna Group plc an die US-Börsenaufsicht (geprüfter Pflichtbericht, wobei die Zuschreibung an KI eine Angabe des Unternehmens ist)

Zendesk rechnet seit Mai 2026 nur geprüfte Lösungen ab: Zendesk Hilfebereich (Herstellerdokumentation, öffentlich nachlesbare Regel)

Was das Gesetz verlangt, wenn ein Kunde mit einer KI spricht: EU-KI-Verordnung, Artikel 50 (nur Offenlegung, gilt seit August 2026)

Das Recht auf das Eingreifen einer Person und der enge Fall, den es abdeckt: DSGVO, Artikel 22 Absatz 3 (gilt für Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung)

Ein laufendes Modell im Juli 2026 um 80 Prozent verbilligt: Preisankündigung von OpenAI (Ankündigung des Anbieters)

Magic Ink, Einsparungen von bis zu 33 Prozent je Vorgang und bis zu 60 Prozent der E-Mails bei zwei Kunden: Kraken Technologies Ltd, Jahresabschluss FY25 (eingereichter Jahresabschluss, Angabe des Unternehmens)

Air Canada haftet für seinen Chatbot: Moffatt v. Air Canada, 2024 BCCRT 149 (Entscheidung der kanadischen Schlichtungsstelle CRT)

DPD schaltet seinen Chatbot ab, nachdem er einen Kunden beschimpft hat: The Guardian, Januar 2024 (unabhängige Presse)

Der Support-Bot von Cursor erfindet eine Anmelderegel, der Mitgründer entschuldigt sich: The Register, April 2025 (unabhängige Fachpresse, Erstbericht)