Ein großer Onlinehändler investiert in ein KI-gestütztes Analytics-System. Das System analysiert Millionen von Kundenkontakten, clustert Beschwerdemuster, identifiziert Abwanderungssignale – und produziert jede Woche ein Dashboard mit den zehn wichtigsten Erkenntnissen.
Das Team ist beeindruckt. Die Visualisierungen sind präzise. Die Muster, die das System findet, hätten sie selbst nie so schnell gesehen.
Und dann passiert etwas Merkwürdiges: Sechs Monate später hat sich nichts verändert. Die gleichen Probleme tauchen auf. Die gleichen Muster. Nur jetzt in höherer Auflösung.
Das System erkennt Muster. Aber niemand hat entschieden, was sie bedeuten – und noch weniger, was daraus folgen soll.
Das ist kein Einzelfall. Es ist das Symptom einer strukturellen Lücke zwischen dem, was KI-Systeme können, und dem, was Organisationen daraus machen.
Was KI besser kann als jedes Team – und was nicht
KI-gestützte Analytics-Systeme haben in der CX-Praxis echte Stärken, die nicht wegzureden sind. Sie analysieren transkribierte Telefonate, E-Mails, Chat-Protokolle und Social-Media-Kommentare in einem Umfang, der manuell schlicht nicht erreichbar wäre. Generative AI macht heute Muster in unstrukturierten Daten sichtbar, die bislang im Rauschen verschwanden.
Der CEX Trendradar 2026 (Hafner & Henn) beschreibt die Konsequenz klar: Unternehmen können durch den Einsatz von KI in der Analyse unstrukturierter Daten verborgene Muster und Wachstumschancen identifizieren, die vorher schlichtweg unsichtbar waren.
Der Satz stimmt. Und er ist gleichzeitig präzise unvollständig.
Denn das Erkennen eines Musters ist nicht dasselbe wie das Verstehen seiner Ursache. Und das Verstehen einer Ursache ist nicht dasselbe wie ein Urteil darüber, was jetzt getan werden soll.
Das Bitkom-Whitepaper Agentic AI in Customer Experience (2026) bringt die Arbeitsteilung auf den Punkt:
- AI = Scale, Speed, and Early Signals.
- Humans = Context, Evaluation, and Decision-Making.
Der Wert entstehe aus dem Zusammenspiel beider – wo technologische Geschwindigkeit auf professionelles Urteilsvermögen trifft. Genau dieses Zusammenspiel fehlt in vielen Organisationen.
Das Muster erklärt keine Ursache
Ein konkretes Beispiel aus der CX-Praxis: Ein Analyse-System zeigt, dass Kundenzufriedenheit bei einer bestimmten Produktkategorie nach dem dritten Kontakt deutlich sinkt. Das Muster ist valide. Es ist reproduzierbar. Es ist statistisch signifikant.
Aber: Was ist der dritte Kontakt? Handelt es sich um einen Eskalationspunkt? Einen Lieferverzug? Eine Systemgrenze, nach der Kunden aufgeben, weil kein Kanal mehr funktioniert? Einen Beziehungsabbruch, weil jedes Mal eine andere Person antwortet?
Die Antwort bestimmt die Maßnahme. Und die Antwort liefert kein Algorithmus.
Der CEX Trendradar hält dazu fest, was im CX-Feld oft verdrängt wird: Mehr als in allen anderen Technologie-Trends ist statistisch-analytische Fachkompetenz der Mitarbeitenden in der Anwendung und Interpretation der Daten eine zwingende Voraussetzung. Nicht eine wünschenswerte Ergänzung. Eine zwingende Voraussetzung.
Die Tools sind verfügbar. Aber viele Organisationen kämpfen mit Datensilo-Mentalität und fehlender analytischer Kompetenz ihrer Mitarbeitenden.
Synthetische Daten: Das Risiko der überzeugenden Illusion
Synthetische Consumer Panels gewinnen 2026 erheblich an Bedeutung. Mehrere Anbieter haben Modelle lanciert, die in wenigen Stunden simulieren sollen, wie Konsumenten auf neue Konzepte oder Produkte reagieren würden – trainiert auf echten Marktforschungsdaten, zu einem Bruchteil der klassischen Panel-Kosten.
Die Effizienz ist real. Das Risiko auch. Und die Bedenken zur Nutzung echter Kundendaten zur Konstruktion synthetischer Daten stellen noch einmal eine ganz andere Problematik dar.
Forrester hat in den Predictions 2026 eine deutliche Warnung ausgesprochen: Mindestens zwei größere Skandale sind zu erwarten, weil Teams synthetische Ergebnisse unkritisch einsetzen. Die Debatte zwischen Effizienz und Validität werde 2026 schärfer.
Das Problem synthetischer Personas ist nicht, dass sie falsch sind. Es ist, dass sie überzeugend falsch sein können. Ein Modell, das auf historischen Daten trainiert wurde, reproduziert mit hoher Präzision das, was Kunden in der Vergangenheit gedacht haben. In Märkten, die sich verändern – und welcher Markt verändert sich nicht? – kann das in die Irre führen.
Pattern Recognition, angewendet auf synthetische Daten, erkennt Muster in Modell-Output. Nicht in Kundenrealität.
Das ist ein Qualitätsproblem, das keine bessere KI löst. Es ist eine Frage des Urteilsvermögens: Wann sind synthetische Daten sinnvoll – und wann gefährlich?
Warum so wenige Insights Wirkung entfalten
In der Branche kursiert seit Jahren ein unbequemer Befund, der immer wieder in verschiedenen Formaten auftaucht: Nur ein kleiner Bruchteil des gesammelten Kundenfeedbacks wird tatsächlich mit einer Folgeaktion verknüpft. Forrester-Analystin Maxie Schmidt beschreibt dieses Phänomen als strukturelles Problem im CX-System: Organisationen, die messen, ohne zu handeln, geraten in eine Art Measurement-Spirale, aus der mehr Daten nicht herausführen.
Das ist keine Randnotiz. Das ist der Systemzustand vieler Insight-Architekturen.
Das Kernproblem: fehlende Ownership, unklare Prozesse, Entscheidungswege, die am Feedback vorbeigehen. Das ist kein Tool-Problem. Es ist eine Organisations- und Prozessfrage.
CX ist kein Insight-Problem. Es ist ein Action-Problem. Mehr analytische Fähigkeiten, schnellere Mustererkennung, bessere Visualisierungen – das alles löst das Wirkungsproblem nicht, solange die Grundfragen ungeklärt bleiben: Wer ist zuständig, wenn ein Muster auf ein Problem hinweist? Welcher Prozess greift dann? Wer entscheidet, ob das Muster handlungsrelevant ist?
Journey-Daten als fehlender Kontextraum
Hier schließt sich ein Kreislauf, der über Analytics hinausgeht.
Das Muster – sinkende Zufriedenheit nach dem dritten Kontakt – ergibt erst dann eine Handlungsgrundlage, wenn es im Kontext der Journey betrachtet wird. Welche Touchpoints hat der Kunde durchlaufen? Was war die Ausgangssituation? Welche Erwartungen hat er mitgebracht? Wo lagen Brüche, die außerhalb des Systems lagen?
Jochem van der Veer (TheyDo) beschreibt vier Typen von Journey-Inhalten nach ihrem organisatorischen Zweck. Einer davon: Point of View in Debates – glaubwürdige Darstellung von Governance-Friction, Datenproblemen und dem, was tatsächlich bricht, wenn Journeys operationalisiert werden sollen. Nicht was das Modell zeigt. Sondern was die Journey offenbart.
Journey-Daten sind der Kontextraum, in dem Insight-Muster interpretierbar werden. Ohne diesen Kontext ist Mustererkennung Beobachtung ohne Ursachenverstehen.
Analytische Reife: Was sie konkret bedeutet
Analytische Reife im KI-Zeitalter ist keine Frage der Toolkompetenz. Sie ist eine Frage der organisatorischen Urteilsfähigkeit.
Drei Dimensionen, die den Unterschied machen:
- Datenkompetenz: Wissen Entscheider, woher die Daten kommen – und welche Qualitätslücken sie haben? Welche Annahmen sind im Modell enthalten? Was hat das System nie gesehen?
- Kontextualisierungsfähigkeit: Gibt es eine Verbindung zwischen Analyse-Output und Journey-Kontext? Kann ein Muster in eine Ursachenhypothese übersetzt werden – mit menschlichem Wissen über den operativen Kontext?
- Aktionsfähigkeit: Ist klar, wer Verantwortung trägt, wenn ein Muster auf ein Problem hinweist? Gibt es einen definierten Weg von Insight zu Entscheidung zu Maßnahme?
Diese drei Dimensionen sind keine technischen Anforderungen. Sie sind organisationale Anforderungen. Und genau deshalb ist der CEX Trendradar richtig, wenn er die Adaptionsgeschwindigkeit im Mainstream als organisatorisch und kulturell bedingt einordnet – nicht als technologisch.
Was das für CX-Verantwortliche bedeutet
Drei Fragen, die vor dem nächsten Analytics-Rollout explizit beantwortet sein sollten:
- Wer interpretiert – und mit welchem Kontext? KI liefert Muster. Ein Team mit Geschäftsverständnis, Kundenkenntnis und Prozesswissen übersetzt sie in Hypothesen. Diese Funktion darf nicht wegoptimiert werden.
- Welche Daten gehen in die Analyse ein – und welche fehlen? Synthetische Daten, historische Datensätze, selektierte Touchpoints: Jede Quelle hat blinde Flecken. Wer die Quellen nicht kennt, vertraut dem Output, den er nicht versteht.
- Was passiert, wenn das Muster auf ein Problem hinweist? Solange diese Frage offen bleibt, ist Analytics eine Beobachtungsfunktion. Erst wenn sie mit einem definierten Handlungspfad verbunden ist, wird sie zur Steuerungsfunktion.
Das Bitkom-Whitepaper beschreibt die Richtung, in die sich Market-Intelligence-Funktionen entwickeln: weg von der Rolle des Daten-Operators, hin zur Rolle des curating intelligence hub – der KI-gestützte Systeme pflegt, Hypothesen generiert und Insights fast in Echtzeit in Planung, Innovation und Vertrieb einspeist. Das ist eine klare Gestaltungsaufgabe für CX-Verantwortliche.
KI-gestützte Analytics haben den Blickwinkel auf Kundendaten fundamental verändert. Was früher unsichtbar war, ist heute in Dashboards sichtbar. Was früher Wochen brauchte, dauert jetzt Minuten. Das ist ein echter Fortschritt. Und er verschiebt die eigentliche Herausforderung.
Pattern Recognition ist eine Fähigkeit. Urteil ist eine andere. Beides braucht man – und keines ersetzt das andere.
