AI im Kundenservice messen: Wie viel Entlastung zeigen die KPIs im Dashboard?

Viele Kundenservice-Teams nutzen mittlerweile AI und sehen in den Dashboard-Zahlen bzw. AI Analytics etwa steigende Resolution Rates durch die künstlichen Kollegen – aber warum hat das echte Team dann genauso viel zu tun wie vorher? Mit unserem Überblick über das sinnvolle Messen von KI im Support bringen wir Licht ins Dunkel: Das sagen euch die Zahlen wirklich!

Zurück zur Resolution Rate: Die zählt die abgeschlossenen Konversationen. Hat ein Kunde nach einer unbefriedigenden Antwort aber einfach frustriert aufgehört zu schreiben, sieht er darin genauso aus wie einer, dessen Problem wirklich gelöst wurde. Je mehr Interaktionen automatisiert ablaufen, desto stärker fällt das ins Gewicht und ihr verliert bei der Kundenzufriedenheit trotz der grünen Zahlen.

Gartner hat nachgemessen: Nur 14 % der Customer-Service-Anliegen werden im Self-Service – AI ist dabei inkludiert – vollständig gelöst. Was mit dem Rest passiert? Kanalwechsel und stille Abwanderung …

An der Frage nach den richtigen Kennzahlen führt also kein Weg vorbei, wenn ihr euch mit der KI im Kundenservice nicht ins Abseits katapultieren wollt. Bereits nach einem einzigen ungelösten Kontakt verlassen Kunden eine Marke, sagen die Zendesk CX Trends 2026. Wer das dann noch als Gewinn verbucht, riskiert langfristig nicht weniger als den Unternehmenserfolg.

Die richtigen KPIs für AI Analytics

Eine sinnvolle Bewertung, was die KI im Service leistet, besteht im Wesentlichen aus 4,5 Fragen:

• Wie viele Konversationen übernimmt die AI?
• Welche davon löst sie vollständig, welche übergibt sie ans Team?
• Wie viele Kunden melden sich anschließend mit demselben Anliegen erneut?
• Und wie viel Arbeit nimmt die AI dem Team bei eskalierten Fällen tatsächlich ab?

Beispiel: Zendesk AI

Das bildet etwa das Zendesk-Dashboard für AI Agents ab: Conversations, Automated Resolutions, Escalations, Dropped Conversations, ergänzt durch Kundenbewertungen und verwendete Inhalte.

Dropped Conversations sind besonders prüfenswert: Sie wurden weder als automatisierte Lösung noch als Eskalation erfasst und können deshalb auf Abbrüche, Verständnisprobleme oder fehlende Eskalationswege hinweisen.

Aussagekräftig werden diese Zahlen aber erst, wenn ihr sie mit der Realität abgleicht: Sinkt das Ticketvolumen bei den Themen, die die AI löst, insgesamt? Werden Tickets seltener wieder geöffnet? Nehmen Folgekontakte ab?

Folgekontakte solltet ihr dabei möglichst kanalübergreifend betrachten. Wer nach dem AI-Chat anruft oder eine E-Mail schreibt, taucht nicht zwangsläufig als Wiedereröffnung derselben Konversation auf.

Klassische Kennzahlen wie Suggestion Rate oder Click-through-Rate können dabei helfen, Grundprobleme wie fehlende Inhalte oder Lücken in der Abdeckung zu erkennen – der Kern der Auswertung moderner Zendesk AI sind sie nicht mehr. Welche KPIs insgesamt relevant sind, hängt auch davon ab, welche Aufgaben ihr der AI zugedacht habt – einen Überblick dazu gibt es auf unserer Seite KI im Kundenservice.

Contained, Verified, Assisted: 3 Wahrheiten

Zendesk unterscheidet heute zwischen verschiedenen Gesprächsausgängen, und es lohnt sich, diese auseinanderzuhalten, sagen sie doch unterschiedlich viel über den tatsächlichen Verlauf einer Konversation aus:

Fazit: Eine möglichst hohe Automatisierungsquote allein bringt wenig. Gute AI Analytics zeigen, ob die AI geeignete Anliegen zuverlässig löst, komplexere Fälle sinnvoll vorbereitet und dabei Folgekontakte sowie zusätzlichen Aufwand tatsächlich reduziert.

Mehr zu den Zendesk Advanced AI Agents

So sehen gute Werte aus

Eine einzig richtige Zielmarke für den Kundenservice gibt es genauso wenig wie den richtigen Kundenservice ohne Blick auf das konkrete Unternehmen; auch Benchmarks aus anderen Unternehmen sind kaum direkt übertragbar. Ein Online-Shop mit hohem Volumen an Standardanfragen zu Lieferstatus, Retouren oder Passwort-Reset hat schließlich ein grundlegend anderes Automatisierungspotenzial als ein B2B-Unternehmen, dessen Support hauptsächlich aus technischen Einzelfragen und Vertragsgesprächen besteht.

Aussagekräftiger ist die Unterscheidung nach Anfragetypen:

• Welche Themen lassen sich vollständig automatisieren?
• Welche sollen vorbereitet und dann übergeben werden?
• Welche gehören von Anfang an direkt zum Support-Team?

Sinnvolle Benchmarks entstehen deshalb meist intern: Vergleicht dieselben Kontaktgründe vor und nach der Automatisierung und trennt dabei mindestens nach Kanal, Sprache und Komplexität.

Eine niedrige Gesamtquote kann auf fehlende Inhalte hinweisen, sie kann aber genauso bedeuten, dass die ausgewählten Themen einfach zu komplex für eine vollständige Automatisierung mit AI sind. Und eine hohe Quote, hinter der sich viele Folgekontakte verbergen, ist andersherum auch keine Entlastung, sondern nur eine Runde leeres Vorgeplänkel, teuer für euch und frustrierend für die Kunden.

Gut zu wissen: Seit Mai 2026 sind die erweiterten AI-Agent-Funktionen in allen Zendesk Suite- und Support-Plänen enthalten. Zum jeweiligen Plan gehört ein Grundkontingent an Automated Resolutions. Auf dieses Kontingent werden allerdings nur Verified Resolutions angerechnet; Contained Resolutions und Assisted Escalations nicht. Reporting- und Abrechnungskennzahl sind damit nicht vollständig deckungsgleich. Quelle: Zendesk

Ob die AI den Kundenservice tatsächlich entlastet, zeigt sich deshalb nicht nur im AI-Dashboard. Entscheidend ist auch, was im restlichen Support passiert: Geht das Ticketvolumen für automatisierte Kontaktgründe zurück? Sinkt die Bearbeitungszeit bei eskalierten Fällen? Benötigt das Team insgesamt weniger Agentenstunden? Erst wenn sich AI-KPIs und klassische Service-Kennzahlen in dieselbe Richtung entwickeln, entsteht echte Entlastung statt nur besser aussehender Reports.

Hier optimiert ihr effektiv

Eine naheliegende Reaktion auf schwache AI-KPIs besteht oft darin, mehr Inhalte zu erstellen – mehr Helpcenter-Artikel, mehr FAQs, mehr Guidelines. Das bringt leider oft wenig, denn das Problem steckt in der Qualität der bestehenden Inhalte statt in ihrer Menge.

Kundenservice-KI arbeitet mit dem Wissen, das ihr ihr zur Verfügung stellt – und ein für Menschen gemachtes HelpCenter ist nicht automatisch bereit für AI Self-Service. Eure Artikel sollten dazu eindeutig, aktuell und handlungsorientiert sein. Interne Begriffe, die im Support selbstverständlich sind, für Kunden aber nichts bedeuten, sind eines der häufigsten Probleme, denn die nutzt die KI ohne Hintergedanken.

Wirksamer als eine Content-Offensive ist daher meist der gezielte Blick auf die häufigsten Kontaktgründe: Sind sie sauber abgedeckt? Gibt es klare nächste Schritte? Und es lohnt sich der Blick in einzelne Konversationen: Wo steigen Kunden aus? Wann wäre eine frühere Eskalation besser gewesen? Welche Themen produzieren regelmäßig Verified Resolutions und könnten weiter ausgebaut werden?

Automated und Verified Resolutions lassen sich gut laufend beobachten, ein tieferes Review nach Kontaktgründen und Content-Lücken bietet sich eher in größeren Abständen an – sonst besteht die Gefahr, Ausreißer für Muster zu halten.

Die eigenen Zahlen einordnen

Wenn Kundenservice-AI nicht die erwartete Wirkung bringt, steckt das Problem meist im Zusammenspiel; Inhalte, Prozesse, Routing und Reporting greifen nicht sauber und logisch ineinander. Und was euch das Dashboard zeigt, ist zwar wahr, aber eben nicht die ganze Wahrheit.

Als einer der erfahrensten Kundenservice-Experten und Zendesk Premier Partner mit der Lizenz für AI sehen wir solche Situationen regelmäßig. Mit welchem Tool ihr auch arbeitet: Der beste erste Schritt, um sie zu verbessern, ist meist ein Klarheitsworkshop . Zwei Experten, ein Tag, und endlich wisst ihr genau, wo ihr steht und wie es weitergeht.

Wenn ihr euch in der Zwischenzeit noch weiter belesen wollt, möchten wir euch besonders unsere Kundenservice-Strategie-Seite und unseren Beitrag zu echter Kundenservice-Effizienz ans Herz legen. Oder sprecht ganz direkt mit uns über eure Fragen und Ziele:

Über eure AI-KPIs sprechen