88 Prozent der Wissensarbeiter:innen, die intensiv mit KI arbeiten, berichten von verstärkten Burn-out-Gefühlen. Die Zahl stammt von BCG und beschreibt ziemlich genau das Gegenteil dessen, was KI im Kundenservice leisten sollte.
Sie ist auch kein Ausreißer. Für unser Whitepaper „State of Service Leads“ haben wir die relevanten Branchenstudien der letzten Monate ausgewertet. Von Puzzel über ServiceNow und Salesforce bis zum Fehlzeiten-Report des Wissenschaftlichen Instituts der AOK. Der Befund wiederholt sich in jeder einzelnen.
Künstliche Intelligenz löst kein einziges der strukturellen Probleme im Kundenservice. Wer sie über fragmentierte Systeme stülpt, skaliert nur die Frustration von Kund:innen und Mitarbeitenden.
Warum verschärft KI die Personalkrise, statt sie zu entlasten?
Weil zusätzliche Tools auch zusätzliche kognitive Last erzeugen. Beschäftigte im Dialogmarketing fehlen laut WIdO im Schnitt 35,0 Tage pro Jahr, über alle Branchen hinweg sind es 23,9. Bei Burn-out-Diagnosen ist der Abstand noch drastischer. 460,8 Fälle je 1.000 Versicherte gegenüber 186,0 im Branchenschnitt.
Der naheliegende Reflex, Personalengpässe schnell durch KI-Einzellösungen abzufedern, bewirkt im Alltag das Gegenteil. Die Berater:innen von BCG haben mit „AI Brain Fry“ dafür einen passenden Begriff. Das beschreibt die Überlastung, die entsteht, wenn Agent:innen zusätzlich zu ihren klassischen Systemen noch mehrere KI-Assistenten bedienen müssen. 88 Prozent der Wissensarbeiter:innen, die intensiv mit KI arbeiten, berichten laut BCG von verstärkten Burn-out-Gefühlen.
Das ständige Wechseln zwischen Systemen kostet rund 51 Minuten pro Woche. Der eigentliche Schaden entsteht aber woanders. Er entsteht im Kopf. Und er wird teuer, sobald Mitarbeitende die einzig verbleibende Konsequenz ziehen. Die durchschnittliche Fluktuation in deutschen Contact Centern liegt laut PwC bei 19,2 Prozent, mehr als doppelt so hoch wie im Branchendurchschnitt.
Was ist ein Frankenstack und was kostet er?
Ein Frankenstack ist eine historisch gewachsene Systemlandschaft aus unkoordinierten Einzellösungen für Telefonie, E-Mail, Chat, CRM und Ticketing, die nie zusammengeführt wurde. 86 Prozent der Service-Mitarbeitenden nutzen laut Puzzel drei bis fünf Systeme, um ein einziges Anliegen zu bearbeiten.
Für das Team bedeutet das Multi-Tabbing im laufenden Kundengespräch. Das ist kein logistisches Ärgernis, sondern ein messbarer neurobiologischer Kostenfaktor. Bei jedem Wechsel bleibt ein Teil der Aufmerksamkeit am vorherigen Task hängen. Die Wissenschaft nennt das „Attention Residue“. Die Folgen sind schnellere Ermüdung und nachweislich höhere Fehlerquoten.
Was ist ein stiller KI-Fehler?
Ein stiller Fehler liegt vor, wenn eine KI eine sachlich falsche, unvollständige oder halluzinierte Antwort gibt, diese aber sprachlich fehlerfrei und überzeugend präsentiert. Klassische IT-Systeme stürzen ab oder werfen Fehlermeldungen. Generative KI scheitert lautlos.
Laut Testlio sind 82 Prozent aller KI-Fehler im Live-Betrieb genau von dieser Sorte. Das System markiert den Fall im CRM als erfolgreich gelöst, die Qualitätssicherung sieht nichts. Während Erstlösungsquote und Deflection perfekte Performance suggerieren, bauen sich im Hintergrund Support-Schulden auf.
Wie groß der Anteil der Kund:innen ist, die eine schlechte KI-Erfahrung niemals melden und stattdessen kommentarlos zur Konkurrenz wechseln, rechnen wir im Whitepaper vor.
Warum scheitert die Übergabe von KI zu Mensch?
Weil der Kontext auf dem Weg verloren geht. Laut ServiceNow verlieren 68 Prozent aller KI-zu-Mensch-Übergaben den Gesprächsverlauf. Die Erwartung der Kund:innen geht in die exakt entgegengesetzte Richtung. 81 Prozent möchten laut Parloa, dass Mitarbeitende das Gespräch einfach fortsetzen.
Dieser Broken Handoff entwertet die gesamte vorherige Interaktion. Statt von moderner Technologie zu profitieren, landen Kund:innen gefühlt wieder in der starren Telefon-Warteschleife. Was das konkret mit Average Handling Time, Erstlösungsquote und Zufriedenheit macht, haben wir im Whitepaper mit den Zahlen von SQM und Gartner durchgerechnet.
Wie verändert sich die Rolle des Service Leads?
Service Leads haben Teams geführt, Schichtpläne verwaltet und akute Notfälle gelöst. Gesteuert wurde über Kapazitäten und Headcounts. Dieses Bild löst sich gerade auf.
Heute verantworten Service Leads das Zusammenspiel von Menschen, KI-Agenten und Wissen. Kapazität wird über den Mix geplant, nicht mehr über Köpfe. Routine wird automatisiert, damit Menschen die komplexen Fälle übernehmen. Dazu kommen Aufgaben, die vorher in keiner Stellenbeschreibung standen. Wissens-Governance, Guardrails, Qualitätssicherung der KI und das Design der Übergabe. Auch die Kennzahlen verschieben sich. Weg von AHT und SLA, hin zu Containment, Lösungsquote, Zufriedenheit und stillen Fehlern.
Suse Hagedorn verantwortet seit 2018 als Product Lead den Customer Support, Sales und das Marketing bei sipgate. Ihre Antwort auf die Frage, wie sich der Teufelskreis aus KI-Druck und überlasteten Teams durchbrechen lässt, fällt kurz aus.
Indem wir aufhören, KI als Pflaster auf bestehendes Chaos zu kleben. Weg vom Brände-Löschen, stattdessen das System aktiv gestalten. Man darf eine KI nie blind auf Kund:innen loslassen.
Suse Hagedorn
Product Lead Support, Sales und Marketing bei sipgate
Das vollständige Bild gibt es im Whitepaper
Im Whitepaper „State of Service Leads“ finden sich alle vier Trends mit den kompletten Datensätzen, die Kostenrechnung hinter Fluktuation und Onboarding, ein Fünf-Punkte-Modell für abgestufte Autonomie und Governance inklusive EU-AI-Act, das vollständige Interview mit Suse Hagedorn sowie das Quellenverzeichnis zum Nachlesen.
Whitepaper "State of Service Leads" kostenlos herunterladen
