Autonome Service-Workforce: Was KI-Agenten im Kundenservice jetzt leisten müssen

Kundenservice wird zum Prüfstand für produktive KI-Agenten. Nicht, weil Support einfach wäre, sondern weil dort sehr schnell sichtbar wird, ob ein Agent nur höflich antwortet oder ein Problem tatsächlich löst: Hat er den richtigen Kontext? Darf er handeln? Erkennt er Risiko? Übergibt er sauber an Menschen? Und kann das Unternehmen später nachvollziehen, warum eine Entscheidung getroffen wurde?

Bild öffnen

Die aktuellen KI-News zeigen genau diese Verschiebung. Zendesk stellte am 19. Mai 2026 auf der Relate-Konferenz die „Autonomous Service Workforce“ vor: keine klassische Bot-Erweiterung, sondern ein Modell aus spezialisierten KI-Agenten, Copilots, Qualitätsmessung, Workflows und MCP-Anbindungen. Google zeigte bei I/O 2026 gleichzeitig, dass Suche und Gemini stärker agentisch werden: Nutzer stellen nicht mehr nur Fragen, sondern lassen Informationen beobachten, Optionen vergleichen und Aufgaben vorbereiten. Anthropic wiederum übernahm Stainless, weil die nächste Agentenwelle saubere SDKs, APIs und MCP-Server braucht.

Für österreichische KMUs ist das mehr als eine weitere Plattformmeldung. Es ist ein Signal: KI-Projekte werden reifer, aber auch anspruchsvoller. Der Wettbewerbsvorteil entsteht nicht durch „einen Chatbot auf der Website“, sondern durch kontrollierte Arbeitsflüsse, die Wissen, Daten, Tools, Menschen und Messung zusammenbringen.

Die News: Service wird agentisch

Zendesk beschreibt seine neue Service-Vision als Abkehr von deflection-orientierten Bots. Das ist wichtig, weil viele Support-Automatisierungen der letzten Jahre intern gut aussahen, aber beim Kunden oft nur die Tür zum echten Problem verlängerten. Tickets wurden vermieden, aber Anliegen nicht gelöst. Zendesk dreht die Sprache deshalb Richtung „Resolution“: Was zählt, ist die verifizierbare Lösung.

Dazu gehören mehrere Bausteine, die für KMUs auch ohne Zendesk-Stack interessant sind:

• spezialisierte Agenten für unterschiedliche Servicefälle statt ein generischer Bot für alles
• ein Agent Builder, mit dem Richtlinien, Workflows, Daten und Tests zusammengeführt werden
• Quality Score, der menschliche und KI-gestützte Interaktionen umfassend bewertet
• Action Flows und Konnektoren, damit Agenten nicht nur antworten, sondern Aufgaben ausführen
• MCP Client und MCP Server, damit externe Systeme in beide Richtungen kontrolliert angebunden werden können

Gerade der MCP-Teil passt zu dem, worüber wir bereits im Beitrag „KI-Agenten brauchen Schnittstellen“ geschrieben haben: Ein Agent ist nur so gut wie die Systeme, die er erreichen darf. Ohne verlässliche Schnittstellen bleibt er ein Textgenerator. Mit gut modellierten APIs, Datenrechten und Prüfregeln wird er zu einem Arbeitskollegen im Prozess.

Warum Kundenservice der ehrlichste KI-Test ist

Viele KI-Demos wirken beeindruckend, solange sie isoliert bleiben. Ein Supportfall ist härter. Der Kunde hat ein konkretes Ziel, die Datenlage ist oft unvollständig, es gibt Emotion, Datenschutz, Kulanzgrenzen, Zuständigkeiten und wirtschaftliche Folgen. Genau deshalb ist Kundenservice ein guter Test für produktive Agenten.

Ein Beispiel: Ein Kunde schreibt, dass eine Bestellung beschädigt angekommen ist und heute noch Ersatz benötigt. Ein oberflächlicher Bot kann freundlich antworten und einen Link zur Retourenseite schicken. Ein produktiver Service-Agent muss mehr können: Bestellung finden, Lieferstatus prüfen, Produktverfügbarkeit lesen, Kulanzregel anwenden, mögliche Ersatzlieferung vorbereiten, Kostenlimit prüfen, bei Unsicherheit an einen Menschen eskalieren und am Ende dokumentieren, warum der Fall als gelöst gilt.

Das ist kein Prompting-Problem. Das ist Prozessdesign. Die entscheidenden Fragen lauten:

Ebene	Leitfrage	Typischer Fehler
Wissen	Ist die Antwortquelle aktuell und eindeutig?	Alte Hilfeartikel werden als Wahrheit verwendet.
Daten	Welche Kundendaten darf der Agent lesen?	Der Agent kennt zu wenig oder zu viel.
Aktion	Welche Handlung darf automatisch passieren?	Antworten werden automatisiert, Entscheidungen nicht sauber begrenzt.
Risiko	Wann muss ein Mensch übernehmen?	Eskalation kommt zu spät oder gar nicht.
Messung	Was zählt als gelöster Fall?	Deflection wird mit Resolution verwechselt.

Für KMUs ist diese Tabelle oft der bessere Startpunkt als eine Toolauswahl. Wer diese fünf Ebenen nicht klärt, kauft Software, aber keinen belastbaren KI-Betrieb.

MCP macht Agenten anschlussfähig, aber nicht automatisch sicher

Das Model Context Protocol ist gerade deshalb relevant, weil es eine wiederkehrende Integrationsfrage standardisiert: Wie bekommt ein KI-System kontrollierten Zugriff auf Tools, Datenquellen und Aktionen? Wir haben MCP bereits ausführlich im Beitrag „MCP in der Praxis 2026“ eingeordnet. Die neue Zendesk-Meldung ist ein gutes Praxisbeispiel: Ein MCP Client kann externe Tools nutzbar machen, ein MCP Server kann Zendesk-Daten und Servicefunktionen für andere Agentensysteme bereitstellen.

Aber MCP ist keine Sicherheitsstrategie. Es ist eine Verbindungsschicht. Die eigentliche Arbeit liegt darunter und darüber:

• Welche Tools werden überhaupt freigegeben?
• Welche Rollen dürfen lesen, schreiben, stornieren, buchen oder erstatten?
• Welche Aktionen benötigen Freigabe?
• Welche Daten werden protokolliert?
• Wie wird verhindert, dass ein Agent mit veralteten oder widersprüchlichen Quellen arbeitet?
• Wie werden Fehler analysiert, ohne personenbezogene Daten unnötig zu replizieren?

Genau an dieser Stelle scheitern viele Agentenprojekte in der Praxis. Die Demo zeigt eine beeindruckende Aktion. Der Betrieb braucht aber Rechte, Grenzen, Tests, Logs, Fallbacks und Verantwortlichkeiten. Für KMUs ist das lösbar, wenn man klein beginnt: ein Prozess, wenige Datenquellen, klare Eskalation, messbare Resolution.

Google zeigt, warum Service nicht mehr nur auf der Website passiert

Google I/O 2026 verstärkt den Druck zusätzlich. Google beschreibt AI Mode und Gemini als zunehmend agentische Oberflächen: Informationen werden nicht nur gefunden, sondern beobachtet, zusammengeführt und in Handlungen überführt. Für Unternehmen bedeutet das: Kunden starten künftig häufiger in KI-Oberflächen, nicht zwingend auf der eigenen Website oder im eigenen Supportportal.

Das passt direkt zu unseren Beiträgen über AI Overviews in Österreich und ASO: Agentic Search Optimization. Sichtbarkeit reicht nicht mehr nur bis zum Klick. Wenn KI-Systeme Produkte vergleichen, Termine vorbereiten oder Supportwege vorschlagen, müssen Unternehmensinformationen maschinenlesbar, aktuell und vertrauenswürdig sein. Sonst entscheidet ein Agent auf Basis unvollständiger Signale.

Für den Kundenservice heißt das: Die eigene Wissensbasis, FAQ-Struktur, Produktdaten, Standortdaten, Öffnungszeiten, Policies und Kontaktwege werden Teil eines größeren Agenten-Ökosystems. Ein Support-Agent im Unternehmen und ein Such- oder Assistenz-Agent beim Nutzer greifen im Idealfall auf konsistente Informationen zu. Im schlechten Fall widersprechen sie einander.

Was KMUs jetzt konkret tun sollten

Der richtige Einstieg ist kein „großes KI-Transformationsprogramm“. Für die meisten KMUs ist ein sauber begrenzter Pilot sinnvoller. Wir empfehlen vier Schritte.

Erstens: Einen Servicefall auswählen, der häufig vorkommt, wirtschaftlich relevant ist und klare Regeln hat. Gute Kandidaten sind Terminänderungen, Angebotsvorqualifizierung, Garantiefragen, Lieferstatus, einfache Reklamationen, interne IT-Anfragen oder wiederkehrende HR-Fragen. Schlechte Kandidaten sind hoch emotionale Sonderfälle, rechtlich heikle Entscheidungen oder Prozesse mit chaotischer Datenlage.

Zweitens: Das Wissen bereinigen. Viele Agentenprobleme sind in Wahrheit Contentprobleme. Wenn Hilfeartikel, Preislisten, interne Richtlinien und Website-Inhalte nicht zusammenpassen, wird ein Agent diese Widersprüche nur schneller sichtbar machen. Hier überschneiden sich KI-Projekte mit klassischem Webdesign, SEO und Content-Architektur.

Drittens: Die Werkzeugschicht bauen. Ein Agent muss nicht sofort jedes System bedienen. Aber er braucht saubere Wege zu den wichtigsten Quellen: CRM, Shop, Kalender, Ticketing, Dokumentenablage, Produktdaten, Formularen oder internen Freigaben. Ob das über MCP, direkte APIs, Webhooks oder Automatisierungsplattformen läuft, ist eine Architekturentscheidung. Wichtig ist, dass Rechte, Logs und Fehlerfälle von Anfang an mitgedacht werden.

Viertens: Resolution messen. Die wichtigste Kennzahl ist nicht, wie viele Antworten die KI geschrieben hat. Wichtiger sind gelöste Fälle, Wiederkontaktquote, Eskalationsqualität, Bearbeitungszeit, Kundenzufriedenheit, Kosten pro gelöstem Fall und Fehlerklasse. Genau hier entsteht der Unterschied zwischen KI als Spielerei und KI als Geschäftsprozess.

Wo wir als Ostheimer OG ansetzen

Als KI-Agentur aus Österreich sehen wir bei KMUs meist dieselbe Lücke: Die Begeisterung für Agenten ist da, aber die Prozesslandkarte fehlt. Unsere Arbeit beginnt deshalb nicht mit dem Modellnamen, sondern mit dem Arbeitsfluss. Welche Aufgabe soll besser werden? Welche Systeme sind beteiligt? Welche Entscheidungen dürfen automatisiert werden? Wo braucht es Freigaben? Welche Inhalte müssen dafür neu strukturiert werden?

Daraus entstehen konkrete Projekte: KI-Beratung, Prozessanalyse, Prototyping, interne Assistenten, Kundenservice-Agenten, Wissensdatenbanken, Website- und SEO-Struktur, Schnittstellen, Automatisierungen und laufende Evaluation. Genau diese Verbindung aus Strategie, Umsetzung und Betrieb beschreiben wir auf unserer Leistungsseite Künstliche Intelligenz & KI-Lösungen.

Der Vorteil für KMUs liegt in der pragmatischen Reihenfolge. Man muss nicht sofort eine komplette Serviceplattform austauschen. Man kann mit einem schmalen, messbaren Prozess starten und ihn so bauen, dass er später wächst. Ein guter erster Pilot beantwortet drei Fragen: Spart er Zeit? Verbessert er die Qualität? Lässt er sich kontrolliert betreiben?

Ein 30-Tage-Plan für einen Service-Agenten-Pilot

Ein realistischer Pilot kann in vier Wochen starten, wenn der Scope klein bleibt.

Woche 1: Prozess und Daten klären. Wir erfassen die häufigsten Anliegen, wählen einen Use Case, sammeln bestehende Antworten, markieren Unsicherheiten und definieren Eskalationsregeln.

Woche 2: Wissensbasis und Schnittstellen vorbereiten. Hilfeartikel, interne Richtlinien und Website-Inhalte werden vereinheitlicht. Die wichtigsten Systeme werden gelesen oder über sichere Aktionen angebunden.

Woche 3: Agent testen. Der Agent wird mit echten historischen Fällen geprüft. Nicht nur gute Antworten zählen, sondern auch korrekte Rückfragen, Ablehnungen und Übergaben.

Woche 4: Live-Pilot mit Messung. Der Agent übernimmt einen begrenzten Anteil der Fälle. Menschen bleiben im Loop, Fehler werden klassifiziert, Inhalte verbessert und Automatisierungsgrenzen angepasst.

Nach 30 Tagen sollte nicht die Frage lauten: „Klingt die KI menschlich?“ Die bessere Frage lautet: „Welche Fälle löst sie nachvollziehbar, welche nicht, und was müssen wir verbessern?“

Fazit: Agenten brauchen Betrieb, nicht nur Intelligenz

Die aktuelle Entwicklung bei Zendesk, Google und Anthropic zeigt eine klare Richtung: KI-Agenten verlassen das Chatfenster und werden Teil realer Service-, Such- und Geschäftsprozesse. Damit steigen Nutzen und Verantwortung gleichzeitig. Für KMUs ist das eine Chance, weil gute Prozesse, sauberes Wissen und klare Entscheidungen plötzlich stärker zählen als Konzernbudgets.

Wer jetzt startet, sollte nicht versuchen, alles zu automatisieren. Der bessere Weg ist ein belastbarer Service-Agent für einen klaren Fall, mit geprüften Daten, begrenzten Rechten, menschlicher Übergabe und ehrlicher Messung. Genau dort beginnt die autonome Service-Workforce: nicht als Zukunftsversprechen, sondern als kontrollierter Arbeitsfluss.

Wenn du wissen möchtest, welcher Service- oder Verwaltungsprozess sich in deinem Unternehmen für einen KI-Agenten eignet, können wir gemeinsam einen kompakten Pilot-Scope definieren: Kontakt aufnehmen.

Quellen

• Zendesk: Autonomous Service Workforce bei Relate 2026, veröffentlicht am 19. Mai 2026.
• Google: Search’s I/O 2026 updates: AI agents and more, veröffentlicht am 19. Mai 2026.
• Google: The Gemini app becomes more agentic, veröffentlicht am 19. Mai 2026.
• Anthropic: Anthropic acquires Stainless, veröffentlicht am 18. Mai 2026.