KI-Readiness: Warum Nutzung noch keine Wirkung ist

TEIL 1 UNSERER 6-TEILIGEN SERIE „VOM USE CASE ZUM KONTROLLIERTEN REGELBETRIEB“

4 Prüfsteine, die zeigen, ob der Kundenservice KI wirklich skalieren kann

KI ist in vielen Unternehmen längst angekommen. Die wichtigere Frage lautet: Haben wir sie auch im Griff? Gerade im Kundenservice reicht es nicht, wenn ein Assistent Antworten formuliert oder ein Bot einzelne Anliegen übernimmt. Wirkung entsteht erst, wenn Kundennutzen, Datenqualität, Prozesse, Verantwortung und Wirtschaftlichkeit zusammenpassen. KI-Readiness beginnt deshalb nicht mit dem nächsten Tool, sondern mit einem ehrlichen Blick auf Bestand und Betriebsfähigkeit.

Transparenz vor Ambition

Bevor die nächste Initiative startet, braucht es eine belastbare Inventur:

Welche Modelle, Assistenten und Agents sind offiziell im Einsatz?

Welche Use Cases laufen als Pilot, welche produktiv?

Welche Datenquellen und Schnittstellen werden genutzt?

Wer verantwortet Qualität, Kosten, Datenschutz, Monitoring und Eskalation?

___________________________

Diese Transparenz trennt echte Fähigkeiten von einer Sammlung isolierter Experimente.
___________________________

Sie macht zugleich Schatten-KI sichtbar. Deren Nutzung ist nicht nur ein Risiko, sondern auch ein Bedarfssensor: Mitarbeitende greifen dort zu öffentlichen Werkzeugen, wo sichere Alternativen oder einfache Freigabewege fehlen.

KI ist in vielen Unternehmen längst angekommen. Die wichtigere Frage lautet: Haben wir sie auch im Griff? Gerade im Kundenservice reicht es nicht, wenn ein Assistent Antworten formuliert oder ein Bot einzelne Anliegen übernimmt. Wirkung entsteht erst, wenn Kundennutzen, Datenqualität, Prozesse, Verantwortung und Wirtschaftlichkeit zusammenpassen. KI-Readiness beginnt deshalb nicht mit dem nächsten Tool, sondern mit einem ehrlichen Blick auf Bestand und Betriebsfähigkeit.

Transparenz vor Ambition

Bevor die nächste Initiative startet, braucht es eine belastbare Inventur:

  • Welche Modelle, Assistenten und Agents sind offiziell im Einsatz?

  • Welche Use Cases laufen als Pilot, welche produktiv?

  • Welche Datenquellen und Schnittstellen werden genutzt?

  • Wer verantwortet Qualität, Kosten, Datenschutz, Monitoring und Eskalation?

Diese Transparenz trennt echte Fähigkeiten von einer Sammlung isolierter Experimente.

Sie macht zugleich Schatten-KI sichtbar. Deren Nutzung ist nicht nur ein Risiko, sondern auch ein Bedarfssensor: Mitarbeitende greifen dort zu öffentlichen Werkzeugen, wo sichere Alternativen oder einfache Freigabewege fehlen.

Readiness Check

Ein Readiness-Check sollte sechs Dimensionen gemeinsam betrachten:
Strategie und Wertbeitrag, Prozesse, Technologie und Daten, Qualität, Menschen und Governance

Entscheidend ist nicht der beste Einzelwert. Eine moderne Plattform bei ungeklärten Verantwortlichkeiten oder schwacher Wissensbasis ist keine Readiness, sondern punktuelle Ausstattung. Für Service, Marketing und Aftersales muss außerdem klar sein, welches Kundenerlebnis verbessert werden soll: schnellere Lösung, höhere Erstlösungsquote, konsistentere Beratung oder proaktive Betreuung.

Vom Pilot zum kontrollierten Regelbetrieb

Der aktuelle McKinsey-Bericht „The state of AI in 2025“ zeigt die Lücke: 88 % der Befragten nutzen KI regelmäßig in mindestens einer Geschäftsfunktion. Fast zwei Drittel haben die unternehmensweite Skalierung noch nicht begonnen. 39 % berichten über einen EBIT-Effekt auf Unternehmensebene. Nutzung ist damit verbreitet, belastbare Wirkung jedoch keineswegs selbstverständlich.

Im Kundenservice wird diese Lücke besonders schnell sichtbar. Ein Agent Assist kann Bearbeitungszeit reduzieren, aber trotzdem falsche oder uneinheitliche Empfehlungen liefern.

Ein Marketing-Use-Case kann Kontakte personalisieren, ohne die Servicehistorie sauber einzubeziehen. Im Aftersales kann eine Prognose Chancen erkennen, aber an fehlenden Übergaben in Vertrieb, Werkstatt oder Beschwerdemanagement scheitern. Deshalb gehören fachliche Qualitätskriterien, menschliche Eskalationswege und messbare Zielgrößen bereits in das Design.
Erst wenn Ergebnisse regelmäßig geprüft und Rückmeldungen in Wissen, Prompting, Modelle und Prozesse zurückgeführt werden, entsteht ein lernfähiger Betrieb.

Deshalb sind für den Realitätscheck 4 Schritte empfehlenswert:

Bestand klären
Use Cases, Tools, Daten, Owner, Status und Risikoklasse in einem KI-Inventar erfassen

Reife messen
dieselben Kriterien über alle Servicebereiche hinweg anwenden und Lücken offen benennen

Wirkung priorisieren
wenige Anwendungsfälle nach Kundennutzen, Qualität, Risiko und Umsetzbarkeit auswählen

Betrieb absichern
Verantwortlichkeiten, Freigaben, Monitoring, Feedback und kontinuierliche Verbesserung verbindlich verankern

Deshalb sind für den Realitätscheck 4 Schritte empfehlenswert:

  • Bestand klären
    Use Cases, Tools, Daten, Owner, Status und Risikoklasse in einem KI-Inventar erfassen

  • Reife messen
    dieselben Kriterien über alle Servicebereiche hinweg anwenden und Lücken offen benennen

  • Wirkung priorisieren
    wenige Anwendungsfälle nach Kundennutzen, Qualität, Risiko und Umsetzbarkeit auswählen

  • Betrieb absichern
    Verantwortlichkeiten, Freigaben, Monitoring, Feedback und kontinuierliche Verbesserung verbindlich verankern

Unser Fazit:
KI- Readiness ist kein Zertifikat und kein einmaliges Assessment.

Sie zeigt sich daran, ob ein Unternehmen KI wiederholbar, sicher und wirtschaftlich in seine Arbeitsabläufe bringt.
Die Managementfrage lautet deshalb nicht: „Welche KI kaufen wir als Nächstes?“ Sondern: „Welche Voraussetzungen fehlen uns heute, um aus vorhandener KI verlässlich Wert für Kunden und Unternehmen zu schaffen?“

(Quelle McKinsey & Company (5. November 2025):
“The state of AI in 2025: Agents, innovation, and transformation”.
https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai)