Voicebots im Kundenservice: Was nach dem Auflegen fehlt

Sie rufen bei Ihrer Bank an, und eine freundliche Stimme stellt sich als KI vor, ganz korrekt, so wie es in der EU seit dem Sommer vorgeschrieben ist. Zehn Sekunden später sagt dieselbe Stimme mit einer kleinen Pause davor und ganz warm: „Das tut mir leid.“ Zwischen diesen beiden Sätzen geht etwas verloren, das in keiner Kennzahl einer Serviceleitung auftaucht, und zwar gerade dann nicht, wenn diese Kennzahlen großartig aussehen.

Im Februar 2024 meldete Klarna etwas, wovon jede Serviceleitung träumt: Ein KI-Assistent hatte in seinem ersten Monat 2,3 Millionen Gespräche geführt, das waren zwei Drittel aller Service-Chats, ein Anliegen dauerte unter zwei statt elf Minuten, und die Kundenzufriedenheit lag gleichauf mit der bei menschlichen Mitarbeitern. Gut ein Jahr später sagte Klarna-Chef Sebastian Siemiatkowski gegenüber Bloomberg einen ganz anderen Satz, nämlich dass die Kosten bei der Bewertung leider ein zu dominanter Faktor gewesen seien und am Ende geringere Qualität stehe. Klarna setzt weiter auf KI, will aber, dass Kunden immer einen Menschen erreichen können, und was zwischen diesen beiden Meldungen fehlte, stand offenbar in keiner der Zahlen.

Voicebots, also KI-Systeme, die am Telefon mit Kunden sprechen, werden gerade auf zwei Ziele hin gebaut: Sie sollen schneller werden, und sie sollen menschlicher klingen. Beide Ziele sind vernünftig, und beide haben einen Preis, der erst nach dem Auflegen fällig wird.

Das Dashboard sieht nur die eine Seite des Hörers

Gebaut wird ein Voicebot für das Dashboard, also für die Übersicht mit den wichtigsten Zahlen, auf der die Minuten pro Anruf stehen, der Anteil der Fälle, die ohne einen Menschen erledigt wurden, und die Kosten pro Kontakt. Dieses Dashboard ist der geschützte Raum, in dem ein solches System entworfen und abgenommen wird. Das Verhalten, um das es eigentlich geht, findet jedoch woanders statt, nämlich nach dem Auflegen, im Kopf des Kunden.

Was dort passiert, haben Ryan Buell und Michael Norton von der Harvard Business School bereits 2011 untersucht. Ihre Versuchspersonen suchten auf zwei Reiseseiten nach Flügen, die exakt dieselben Ergebnisse lieferten, wobei die eine Seite sofort antwortete und die andere 30 oder 60 Sekunden brauchte und dabei laufend zeigte, welche Fluggesellschaften und Preise sie gerade durchsuchte. Rund sechs von zehn wählten die langsame Seite, und als die langsame Seite nach 60 Sekunden statt ihrer Arbeit nur einen Ladebalken zeigte, waren es nur noch 23 Prozent. Es lag also nicht am Warten, sondern am sichtbaren Aufwand: Wer sieht, dass sich jemand für ihn anstrengt, schätzt das Ergebnis höher, und die beiden Forscher haben diesem Effekt den Namen Labor Illusion gegeben.

Zwei Arten von Aufwand

Bequem wäre an dieser Stelle der Schluss, man müsse den Bot eben langsamer machen, und dieser Schluss wäre falsch. Matthew Dixon, Karen Freeman und Nicholas Toman haben 2010 in der Harvard Business Review Befragungen von mehr als 75.000 Kunden ausgewertet. Ihr Befund war deutlich: Kunden wollen vor allem eine schnelle, einfache Lösung, und wie viel Aufwand sie selbst damit hatten, sagt ihre Treue besser voraus als ihre Zufriedenheit.

Beide Befunde passen zusammen, sobald man zwei Arten von Aufwand auseinanderhält, nämlich den eigenen, den der Kunde loswerden will, und den des Gegenübers, den er sehen will. Ein guter Voicebot nimmt dem Kunden den eigenen Aufwand ab, und das ist viel wert, nur verschwindet dabei auch der Aufwand der anderen Seite aus dem Bild. Der Kunde legt nach 40 Sekunden auf, sein Problem ist gelöst, und niemand hat sich hörbar für ihn angestrengt.

Gearbeitet hat das Unternehmen dabei durchaus, es hat Prozesse automatisiert, Daten verknüpft und ein Modell trainiert, nur geschah all das Monate vor dem Anruf und an einem Ort, den der Kunde nie zu sehen bekommt. In seinem Kopf bleibt deshalb nicht die Arbeit zurück, sondern der Eindruck, dass für ihn eigentlich gar nichts passiert ist, und das ist ungefähr die Lage, in der die Reiseseite nur noch einen Ladebalken zeigt.

Drei Wege, den Aufwand hörbar zu halten

Der Bot soll dem Kunden den eigenen Aufwand weiter abnehmen, also baut man ihn so, dass der Aufwand der anderen Seite hörbar bleibt, und dafür sehe ich drei Wege. Auf dem ersten spricht der Bot seine Arbeit mit, statt nur „erledigt“ zu melden: „Ich schaue in Ihre letzten drei Rechnungen. Hier ist der Fehler, im März wurde doppelt abgebucht, ich buche das jetzt zurück.“ Der Kunde muss dafür nichts tun, und das Gespräch dauert kaum länger, trotzdem hört er, dass gerade etwas für ihn passiert, was natürlich nur funktioniert, wenn es auch stimmt.

Auf dem zweiten Weg bekommt der Kunde nach dem Gespräch eine Aufwandsquittung, also eine Quittung nicht für sein Geld, sondern für die Arbeit, und in dieser Nachricht steht, was geprüft, was gefunden und was geändert wurde. So bleibt der Aufwand sichtbar, auch wenn das Gespräch längst vorbei ist, und er liegt genau dort, wo der Kunde ihn später wiederfindet, wenn er sich fragt, ob er der Sache trauen kann.

Auf dem dritten Weg gibt die Firma einen Teil der gesparten Zeit zurück, und zwar an der richtigen Stelle. Bei Klarna waren das rund neun Minuten pro Anliegen, und ein Teil davon ließe sich so einsetzen, dass nach einem schweren Fall kurz ein Mensch anruft und sagt: „Ich habe mir Ihren Fall angesehen, passt jetzt alles?“ Dieser Anruf wird umso wertvoller, je besser die Bots werden, denn eine Geste wirkt nur, wenn sie etwas kostet, wie ich im Artikel über Costly Signaling beschrieben habe, und die Zeit eines Menschen kostet etwas. Menschlicher Aufwand verschwindet also nicht, er wird knapp.

Menschlicher klingen, und was das kostet

Das zweite Ziel heißt menschlicher, und hier lohnt zuerst ein Blick auf eine Zahl, die schnell altert. Xueming Luo und Kollegen zeigten 2019 in der Fachzeitschrift Marketing Science mit 6.000 Kunden eines Finanzdienstleisters, dass die Kaufquote um 79,7 Prozent sank, wenn die Kunden vor dem Kauf erfuhren, dass ein Bot mit ihnen sprach. Diese Zahl ist jedoch sieben Jahre alt, und ich glaube, sie altert schnell, denn Menschen gewöhnen sich. Laut einer Umfrage von Visa unter US-Verbrauchern haben bereits 72 Prozent einen KI-Assistenten benutzt, und dass ein Bot etwas verkauft oder für jemanden einkauft, wird damit vermutlich einfach normal.

Spannender finde ich deshalb etwas anderes. Seit dem 2. August 2026 verlangt Artikel 50 der KI-Verordnung, dass Menschen erfahren, wenn sie mit einer KI sprechen, sofern das nicht ohnehin offensichtlich ist. Der Bot sagt es also am Anfang, und danach klingt er oft wie ein Mensch, mit kleinen Pausen und einem warmen „Das tut mir leid“. Der Kopf des Kunden weiß dann, dass er mit einer Maschine spricht, sein Bauch hört jedoch einen Menschen, und diese kleine Diskrepanz kostet gleich zweimal.

Zuerst verliert die Wärme ihren Wert, weil Mitgefühl, von dem man weiß, dass es aus einer Maschine kommt, nicht mehr wie Mitgefühl ankommt. Yidan Yin, Nan Jia und Cheryl Wakslak von der University of Southern California haben 2024 in PNAS gezeigt, dass sich Menschen weniger gehört fühlten, sobald sie glaubten, eine Antwort stamme von einer KI, obwohl die KI-Antworten für sich genommen sogar besser ankamen als die menschlichen. Das Etikett wurde dabei unabhängig von der tatsächlichen Herkunft der Antwort vergeben, das „Das tut mir leid“ des Bots ist also schon entwertet, bevor er es überhaupt ausspricht. Die Forscher vermuten übrigens, dass sich das mit wachsender Vertrautheit mit KI ändern könnte, nur eben vielleicht auch nicht.

Danach verliert die Maschine ihren eigenen Vorteil, denn es gibt Momente, in denen Menschen froh sind, wenn keiner hinsieht, und in denen es ihnen lieber ist, dass nichts extra warm klingt. Jana Holthöwer und Jenny van Doorn von der Universität Groningen haben 2022 einen solchen Moment untersucht. Wer vor einem Restaurant abgewiesen wurde, weil er selbst vergessen hatte zu reservieren, nahm das Gegenangebot eines anderen Restaurants desselben Besitzers eher von einem Roboter an als von einem Menschen. War das Restaurant dagegen einfach voll, also kein eigener Fehler im Spiel, verschwand dieser Vorteil, und der Titel der Studie fasst den Mechanismus in drei Wörtern zusammen: Robots do not judge.

Bei Gegenmeinungen gibt es einen verwandten Effekt. Louise Lu, Zakary Tormala und Adam Duhachek aus Stanford haben 2025 mit 2.061 Teilnehmenden gezeigt, dass Menschen einer Gegenmeinung eher zuhören, wenn sie von einer KI kommt, weil sie einer KI weniger Absicht unterstellen, sie zu überreden.

Die Forscherinnen aus Groningen haben allerdings auch einen sehr menschlich aussehenden Roboter getestet, und in einer peinlichen Apothekenszene fühlten sich die Befragten von ihm stärker beurteilt als von einem Roboter, der klar wie eine Maschine aussah. Getestet wurde das Aussehen und nicht die Stimme, meine Vermutung ist jedoch, dass eine menschlich klingende Stimme dasselbe bewirkt, auch wenn vorher das Etikett kam. Clifford Nass und Youngme Moon haben nämlich bereits im Jahr 2000 zusammengefasst, dass Menschen auf Computer sozial reagieren, obwohl sie wissen, dass es Computer sind.

Etikett und Stimme müssen dasselbe sagen

Stellen Sie sich vor, Sie müssen Ihrer Bank sagen, dass Sie Ihre Rate vergessen haben und sie diesen Monat auch nicht zahlen können, und fragen Sie sich ehrlich, bei welcher Stimme Ihnen das leichter fällt: bei einer warmen, die klingt wie eine nette Kollegin, oder bei einer nüchternen, die klar eine Maschine ist.

Meine Lesart für dieses System lautet: Schneller kostet den sichtbaren Aufwand, und menschlicher kostet den Moment, in dem keiner hinsieht. Mit Etikett und warmer Stimme bekommt der Kunde am Ende weder das Mitgefühl eines Menschen noch die Ruhe einer Maschine, und deshalb müssen Etikett und Stimme dasselbe sagen.

Geht es um eine offene Rate, eine Kündigung oder einen eigenen Fehler, darf die Maschine auch wie eine Maschine klingen und das offen sagen: „Ich bin ein automatisches System, sagen Sie einfach, was passiert ist.“ Braucht jemand Mitgefühl, geht das Gespräch an einen Menschen, weil nur der es glaubwürdig geben kann, und bei der Routine darf der Bot ruhig freundlich klingen, weil dort niemand etwas zu verbergen und niemand etwas zu trösten hat.

Wer im Raum steht

Für Serviceleitungen heißt das, dass ein Voicebot nie nur eine Frage der Geschwindigkeit oder der Stimmfarbe ist. Wer einen Voicebot baut, entscheidet damit auch, wer im Raum steht, wenn der Kunde anruft: ein Mensch, der sich hörbar anstrengt, eine Maschine, die nicht urteilt, oder eine Maschine, die wie ein Mensch klingt und deshalb keins von beidem liefert.

Offen bleibt eine Frage, die jede Serviceleitung nur für ihre eigenen Anrufe beantworten kann: Bei welchem Anruf wäre Ihr Kunde froh, wenn keiner hinsieht, und bei welchem wäre er froh, wenn sich jemand länger Zeit nimmt?

Den Gedanken gibt es auch zum Anschauen, in meinem Video zu Voicebots im Kundenservice aus dem Format „Wenn keiner hinsieht“.