Zendesk Outcome AI™: bessere Ergebnisse, wo immer der Kundenservice beginnt

Als KI im Kundenservice noch überwiegend daran gemessen wurde, wie viele Gespräche sie von menschlichen Mitarbeiter:innen fernhalten konnte, haben wir argumentiert: Eigentlich sollte darauf ankommen, ob KI ein Problem wirklich löst. Das wurde zum neuen Standard. Im vergangenen Jahr hat Zendesk über 4,5 Milliarden Service-Probleme gelöst.

Die Lösungsquote war zu diesem Zeitpunkt der richtige Maßstab. Es war aber auch klar, dass wir damit noch nicht am Ziel waren.

Milliarden von Service-Interaktionen geben uns Aufschluss darüber, wohin sich die Messlatte als Nächstes verschiebt. Es kann passieren, dass ein Ticket geschlossen wird, obwohl ein:e Kund:in gerade auf dem Absprung ist oder ein:e Mitarbeiter:in immer noch nicht weiterarbeiten kann. Kund:innen fallen solche Diskrepanzen auf: 83 % finden, die Customer Experience sollte deutlich besser sein, als sie es heute ist – und 88 % sagen, dass die Qualität des Kundenservice maßgeblich beeinflusst, was sie kaufen.

Auch Führungskräfte spüren das. 79 % der CX-Führungskräfte sagen, dass traditionelle Metriken allein die volle Auswirkung von KI-gestütztem Kundenservice nicht erfassen können. Sie fragen nicht mehr nur, ob die KI das Ticket geschlossen hat. Sie wollen wissen, welches Ergebnis dabei herauskam: Ist die Kundin doch nicht abgewandert, wurde die Bestellung abgeschlossen und konnte der neue Mitarbeiter gleich am ersten Tag loslegen?

Eine verlässliche Anlaufstelle für den Kundenservice, wo immer die Arbeit beginnt

Die Art, wie Menschen arbeiten, verändert sich rasant. Teams nutzen zunehmend KI-Tools wie ChatGPT, Claude und Copilot, und auch im Alltag übergeben immer mehr Menschen Aufgaben an persönliche KI-Assistenten. Fast zwei Drittel der Verbraucher:innen verwenden KI heute häufiger als noch vor einem Jahr. Schon bald werden sie auch ihre Kundenservice-Anliegen an KI-Assistenten übergeben.

Da dies zur neuen Normalität wird, muss der Kundenservice dorthin kommen, wo die Arbeit anfällt. Damit Teams effizient arbeiten können, muss Zendesk in ihre bestehenden Tools integriert sein. Gleichzeitig benötigen die KI-Assistenten der Kund:innen einen zuverlässigen Weg, um das richtige Unternehmen zu finden. 

„Genau auf diesen Wandel bereiten wir uns bei Zendesk vor: Wir entwickeln den Kundenservice so weiter, dass er Menschen dort abholt, wo sie bereits sind. Gleichzeitig stellen wir sicher, dass jeder Kontaktpunkt, den Kund:innen heute nutzen, so viel Vertrauen genießt, wie es früher bei der einen zentralen Anlaufstelle für Kundenservice der Fall war. Wir halten das für die spannendste Neuausrichtung, die unsere Branche seit einem Jahrzehnt erlebt hat.“ – Ram Sangireddy, VP of Platform Product and Engineering.

Zendesk Bridge macht das möglich. Damit können Unternehmen bessere Kundenservice-Ergebnisse erzielen, indem spezialisierte Tools, Kontext und AI Agents von Zendesk in genau den KI-Agenten, Apps und Tools bereitgestellt werden, die Kund:innen und Mitarbeiter:innen bereits verwenden. Ein Führungskraft im Support kann zum Beispiel ein Zahlungsproblem in ChatGPT oder Claude anhand eines Zendesk-Tickets untersuchen. Kund:innen können innerhalb einer individuellen App Unterstützung von einem KI-Agenten erhalten. Und eine Frage zum Onboarding können Mitarbeiter:innen sich direkt in Microsoft Copilot beantworten lassen.

Bridge sorgt außerdem dafür, dass Unternehmen die volle Kontrolle behalten. Administrator:innen legen fest, welche KI-Agenten sich verbinden dürfen, wer sie nutzen kann und welche Aktionen sie ausführen dürfen. Bestehende Benutzerberechtigungen gelten weiterhin, und Teams können nachvollziehen, welcher KI-Agent gehandelt hat und was genau passiert ist. 

Das Open Service Directory überträgt genau dieses Vertrauen auch auf die KI-Assistenten der Kund:innen. Es hilft kompatiblen persönlichen KI-Assistenten dabei, die verifizierte Support-Anlaufstelle eines Unternehmens zu finden. Unternehmen genehmigen ihre Einträge, und teilnehmende Assistenten können Kund:innen mit entsprechender Berechtigung direkt mit dem offiziellen Support verbinden. So finden Kund:innen einen zuverlässigen Weg zum richtigen Unternehmen, statt sich mühsam durch Suchergebnisse zu klicken und zu rätseln, welcher Weg legitim ist.

KI-Agenten für die wirklich komplexen Aufgaben

Zugang allein reicht nicht aus. Entscheidend ist als Nächstes, ob die Aufgabe tatsächlich erledigt wird. Wenn Kund:innen nach einer Antwort immer noch Genehmigungen hinterherlaufen, Systeme wechseln oder den nächsten Schritt selbst koordinieren müssen, ist die Aufgabe nur halb erledigt. Genau das ist der Unterschied zwischen einer Lösung und einem Ergebnis.

Besonders deutlich wird das beim Employee Service. Ein Antrag auf Softwarezugriff oder ein Beschäftigungsnachweis kann Richtlinien, Genehmigungen und Unterlagen betreffen, die sich über IT, HR und Finanzen verteilen. AI Agents für Employee Service koordinieren diese Schritte mithilfe von Advanced Action Flows systemübergreifend. Mitarbeiter:innen können zum Beispiel in Slack Zugriff anfordern, und der AI Agent übernimmt die Weiterleitung der Genehmigung und die nächsten Schritte, ohne dass die betreffende Person selbst herausfinden muss, wer zuständig ist oder wie sie sich zurechtfinden kann.

„Allzu oft verlieren Mitarbeiter:innen Zeit damit, Genehmigungen hinterherzulaufen und sich durch interne Systeme zu klicken, anstatt die Arbeit zu erledigen, für die sie eigentlich eingestellt wurden. Genau das ist das Versprechen einer agentischen Employee Experience: weniger Reibungsverluste für Mitarbeiter:innen und mehr Zeit für die Arbeit, die wirklich zählt.“ – Shashi Upadhyay, President of Product, Engineering, and AI

Erste Ergebnisse zeigen, wie viel Arbeit AI Agents für Employee Service übernehmen können. In den ersten zwei Monaten der Nutzung haben 300 Kund:innen 9 Millionen Workflows ausgeführt – Arbeit, die nach Schätzungen von Zendesk 750.000 Stunden in Anspruch genommen hätte, wenn sie manuell ausgeführt worden wäre.  

Dasselbe Prinzip gilt für den Kundenservice, auch wenn die Aufgaben je nach Unternehmen unterschiedlich ausfallen. Eine Retoure, ein Versicherungsantrag oder eine Frage zur Rechnung erfordern jeweils andere Richtlinien und Systeme. Industry Agents bringen spezialisiertes Fachwissen für typische Kundenservice-Anliegen in bestimmten Branchen mit, während Unternehmen mit dem Agent Builder eigene Custom Agents für ihre individuellen Workflows und Sonderfälle erstellen können.

Wechselt ein Gespräch von digitalen Supportkanälen zu einem Telefonanruf, können Voice AI Agents dafür sorgen, dass der nötige Kontext erhalten bleibt. Echtzeitübersetzung und proaktive Folgeanfragen sorgen dafür, dass Kund:innen weiterkommen, ohne immer wieder von vorne anfangen zu müssen.

Entscheidend ist nicht, wie viele Aufgaben ein KI‑Agent übernehmen kann. Ausschlaggebend ist, ob Kund:innen und Mitarbeiter:innen mit weniger Wartezeit, weniger Übergaben und weniger Aufwand zum gewünschten Ergebnis kommen. 

Neben dem Volumen ist die Qualität entscheidend

Gute Ergebnisse sind wichtig. Genauso wichtig ist es, die nächsten Ergebnisse leichter erreichbar zu machen. Wenn KI immer mehr Aufgaben im Kundenservice übernimmt, können Teams aus Mustern in diesen Interaktionen ableiten, wo der Prozess noch ins Stocken gerät. Wiederholte Kontaktaufnahmen können bedeuten, dass das Problem nicht durch die erste Antwort gelöst wurde. Unbeantwortete Fragen können ein Zeichen für Wissenslücken sein. Eskalationen können auf eine Richtlinie hinweisen, die menschliches Urteilsvermögen erfordert. Ob im Kundenservice oder im Employee Service: Diese Indikatoren machen für Teams sichtbar, wo Reibungsverluste weiterhin bestehen.

Ein selbstoptimierendes Zendesk hilft Teams, diese Erkenntnisse zu nutzen, um den Kundenservice zu verbessern. Agentische Analysen unterstützen Teams dabei, zu verstehen, was zu verbessern ist und warum. Admin Copilot kann dabei helfen, diese Erkenntnisse in einen konkreten Änderungsvorschlag umzuwandeln. Mit AI Agent Launchpad können Teams Automatisierungspotenziale aus früheren Unterhaltungen erkennen, Wissen und Abläufe erstellen und KI-Agenten vor der Inbetriebnahme testen. Simulationen zeigen, wo KI-Agenten erfolgreich sind und wo noch Verbesserungsbedarf besteht. A/B-Tests wiederum ermöglichen den Vergleich verschiedener Versionen, um herauszufinden, welche die besseren Ergebnisse liefert.

Mitarbeiter:innen prüfen und genehmigen Änderungen, bevor sie veröffentlicht werden. Anschließend können Teams mit einem Quality Score messen, was sich verändert hat, und festlegen, was als Nächstes verbessert werden soll. 

So entsteht eine kontinuierliche Feedbackschleife: Muster erkennen, Änderung umsetzen, testen und bewerten, ob sie den gewünschten Effekt hatte. Teams können so nachvollziehen, ob Kund:innen seltener erneut Kontakt aufnehmen mussten, ob Probleme schneller gelöst wurden und ob die Servicequalität stabil blieb.

Der Preis sollte sich am gelieferten Mehrwert orientieren

Wenn Ergebnisse entscheidend sind, sollten sie auch das Maß dafür sein, was Unternehmen bezahlen. Ein nutzerbasiertes Preismodell stößt besonders dann an seine Grenzen, wenn eine Anfrage über das Kundenservice-Team hinausgeht.

Ergebnisbasierte Preisgestaltung orientiert sich an der tatsächlich von KI geleisteten Arbeit, nicht an der Anzahl der beteiligten Personen. Lucy Field, VP, Product, erklärt dazu:  „Wir geben Kund:innen mehr Freiraum, mit KI zu automatisieren, und binden gleichzeitig mehr Personen ein, um Kundenanliegen zu lösen. Unbegrenzte Lizenzen und ein flexibles, an Ergebnissen ausgerichtetes Budget helfen Teams dabei, Probleme auf ihre eigene Weise zu lösen – und zwar mit der nötigen Transparenz und den Sicherheitsvorkehrungen, um immer die volle Kontrolle zu behalten.“

Die Ausgaben orientieren sich dabei an zwei Arten von Ergebnissen: Conversational Outcomes entstehen, wenn ein Anliegen innerhalb einer Kundeninteraktion erfolgreich gelöst wird. Operational AI Outcomes entstehen, wenn ein automatisierter Workflow systemübergreifend abgeschlossen wird.

Dieses Modell basiert auf zwei Jahren praktischem Einsatz in Unternehmen, Hunderten von KI-Kund:innen und Milliarden automatisierter Ergebnisse. Je mehr substanzielle Aufgaben Software übernimmt, desto mehr sollten sich ihr Mehrwert und die Art, wie Unternehmen dafür bezahlen, an den tatsächlich erzielten Ergebnissen orientieren.

Das Ergebnis ist die Experience

KI wird nicht daran gemessen, wie gut sich ihre Aussagen anhören. Entscheidend ist, ob die Menschen das Ergebnis erhalten, das sie sich erhofft haben.

Genau dafür wurde die Outcome AI™ Platform entwickelt. Bridge verschafft KI Zugriff auf die anstehende Arbeit, unabhängig vom Ausgangspunkt. Spezialisierte KI-Agenten übernehmen anspruchsvollere und komplexere Arbeit. Und ein selbstoptimierendes Zendesk lernt aus jedem Ergebnis, damit das nächste Anliegen noch besser und umfassender gelöst wird.

Wir haben mit dazu beigetragen, dass die Problemlösung zum Maßstab für KI im Kundenservice wurde. Jetzt legen wir die Messlatte noch höher.