Illustration Absmeier foto ki designer

KI-Projekte im Kundenservice scheitern selten an fehlenden Werkzeugen, sondern häufig an unklaren Zielen und schwachen Datengrundlagen. Speech Analytics macht aus Gesprächen und Textkontakten ein strukturiertes Lagebild: Sie zeigt wiederkehrende Anliegen, Prozessbrüche sowie Qualitäts- und Compliance-Risiken. So können Unternehmen Anwendungsfälle priorisieren, Wirkung messen und Customer Experience, Employee Experience und operative Leistung systematisch verbinden.

Management Summary

Daten vor Technologie: Sprach- und Textinteraktionen liefern eine empirische Basis, um relevante KI-Anwendungsfälle statt isolierter Technikprojekte zu identifizieren.
Geschäftswert priorisieren: Automatisierung, Wissensassistenz und Qualitätskontrolle sollten nach Nutzen, Risiko und Umsetzbarkeit geordnet werden.
Klein starten: Begrenzte Pilotprojekte mit vorab definierten Kennzahlen schaffen belastbare Entscheidungsgrundlagen für die Skalierung.
Governance einbauen: Datenschutz, Beschäftigtenrechte, Transparenz, menschliche Aufsicht und dokumentierte Verantwortlichkeiten gehören in das Lösungsdesign.
Total Experience anstreben: Strategischer Nutzen entsteht, wenn Kunden-, Mitarbeiter- und Prozessperspektive auf einer gemeinsamen Datenbasis zusammengeführt werden.

Viele Unternehmen wollen künstliche Intelligenz im Kundenservice einsetzen. Häufig ist jedoch unklar, welcher Anwendungsfall den größten Nutzen verspricht. Speech Analytics kann eine belastbare Ausgangsbasis schaffen: Die Analyse von Sprach- und Textinteraktionen zeigt wiederkehrende Anliegen, Prozessbrüche sowie Qualitäts- und Compliance-Risiken. Auf dieser Grundlage lassen sich KI-Projekte priorisieren und schrittweise zu einer umfassenden Total Experience weiterentwickeln.

Der Einstieg in KI-Projekte sollte nicht von einer einzelnen Technologie, sondern von einem konkret beschriebenen Geschäftsproblem ausgehen. Dafür müssen Unternehmen zunächst verstehen, welche Anliegen Kunden tatsächlich haben, an welchen Stellen Prozesse ins Stocken geraten und wodurch Beschäftigte im Service belastet werden. Die Auswertung realer Interaktionen liefert dafür eine empirische Grundlage.

Kundeninteraktionen als Datenquelle

Speech Analytics kann große Mengen an Gesprächen und Textkontakten untersuchen. Sichtbar wird, welche Anliegen wie häufig auftreten, wo Such- und Wartezeiten entstehen, welche Beschwerden wiederkehren und an welchen Punkten Qualitätsvorgaben oder regulatorische Anforderungen gefährdet sind. Die Analyse beschreibt damit nicht nur Symptome, sondern unterstützt auch die Suche nach strukturellen Ursachen.

Das Contact Center wird so zu einer Informationsquelle für die Unternehmenssteuerung. Kunden benennen dort unmittelbar, was sie erwarten, vermissen oder nicht verstehen. Gleichzeitig zeigen die Interaktionen, wo Beschäftigte durch fragmentiertes Wissen, unnötige Übergaben oder wiederkehrende Routinen ausgebremst werden.

Vom Geschäftsproblem zum Anwendungsfall

Aus den Analysedaten lassen sich Einsatzfelder nach Geschäftswert, Dringlichkeit und Umsetzbarkeit ordnen. Häufen sich standardisierte Anfragen, kommt eine Automatisierung infrage. Verlieren Beschäftigte Zeit bei der Suche in verteilten Informationsquellen, kann eine wissensbasierte Assistenz relevante Informationen im richtigen Moment bereitstellen. Bei komplexen Gesprächen kann eine Echtzeitunterstützung helfen. Werden Qualitäts- oder Compliance-Lücken sichtbar, lassen sich Kontrollen und Schulungsmaßnahmen gezielter ausrichten.

Entscheidend ist eine klare Rollenverteilung: Das Unternehmen definiert Ziel, Verantwortlichkeiten und Grenzen des Systems. Die Technik wird einem nachweisbaren Problem zugeordnet und nicht umgekehrt. Dadurch bleiben Projekte überschaubar, Ergebnisse messbar und Entscheidungen nachvollziehbar.

Klein starten und Wirkung messen

Ein erster Anwendungsfall sollte klar abgegrenzt, geschäftlich relevant und technisch beherrschbar sein. Vor dem Start sind überprüfbare Zielgrößen festzulegen, etwa weniger Wiederholungskontakte, kürzere Suchzeiten, eine höhere Erstlösungsquote oder eine bessere Einhaltung von Qualitätsvorgaben. Erst wenn sich die Wirkung im Betrieb belegen lässt, sollte die Lösung auf weitere Prozesse ausgeweitet werden.

Dieses Vorgehen begrenzt das Investitionsrisiko und erleichtert die Abstimmung zwischen Fachbereichen, IT, Datenschutz, Compliance und Beschäftigten. Zugleich entsteht ein Lernzyklus: Erkenntnisse aus dem Betrieb fließen in die nächste Ausbaustufe ein.

Von Einzellösungen zur Total Experience

Werden erste Verbesserungen nachgewiesen, können Erkenntnisse und Anwendungen schrittweise verbunden werden. Ein wiederkehrendes Muster aus Kundenkontakten kann dann zugleich Wissensinhalte aktualisieren, Beschäftigte im Gespräch unterstützen und einen abteilungsübergreifenden Prozess anstoßen. Für Kunden sinkt die Reibung, Mitarbeitende erhalten passendere Werkzeuge und das Unternehmen kann schneller auf neue Signale reagieren.

Total Experience bezeichnet dabei keine einzelne Softwarekategorie. Der Ansatz verbindet Customer Experience, Employee Experience und operative Leistungsfähigkeit auf einer gemeinsamen Daten- und Erkenntnisbasis. Viele Bausteine sind bereits vorhanden: Interaktionen analysieren, repetitive Anliegen automatisieren, Wissen bereitstellen, Beschäftigte in Echtzeit unterstützen sowie Qualität und Prozesse verbessern.

Der strategische Nutzen entsteht erst durch die Verbindung dieser Fähigkeiten. Dafür benötigen Unternehmen konsistente Daten, klar definierte Verantwortlichkeiten, überprüfbare Ziele und Regeln für den Einsatz von KI. Das Contact Center kann sich unter diesen Voraussetzungen von einer isolierten Servicefunktion zu einem Sensor für Kundenbedürfnisse und operative Schwachstellen entwickeln.

Tipps für die Umsetzung

1. Das Geschäftsproblem präzise eingrenzen

Starten Sie nicht mit der Frage, welches KI-Werkzeug angeschafft werden soll, sondern mit einem beobachtbaren Problem. Beschreiben Sie betroffenen Prozess, Nutzergruppe, Häufigkeit, wirtschaftliche Auswirkung und gewünschte Veränderung. So lässt sich später prüfen, ob Speech Analytics tatsächlich einen Beitrag leistet.

Praxisbeispiel: Ein Energieversorger stellt fest, dass ein großer Teil der Wiederholungsanrufe nach Abschlagsänderungen entsteht. Statt allgemein „mehr Automatisierung“ anzustreben, lautet das Ziel: Ursachen der Rückfragen identifizieren und die Quote erneuter Kontakte innerhalb von 30 Tagen senken.

2. Die Datenbasis vor dem Pilotprojekt prüfen

Bewerten Sie frühzeitig, ob Aufzeichnungen und Transkripte vollständig, verständlich und repräsentativ sind. Berücksichtigen Sie verschiedene Kanäle, Sprachen, Akzente, Produktgruppen und Gesprächssituationen. Prüfen Sie außerdem Aufbewahrungsregeln, Zugriffsrechte und technische Schnittstellen.

Praxisbeispiel: Eine Versicherung testet das System nicht nur mit klaren deutschsprachigen Standardgesprächen, sondern auch mit Mobilfunkverbindungen, regionalen Sprechweisen und gemischten Fachbegriffen. Dadurch wird sichtbar, bei welchen Gesprächsarten die Transkription noch nicht zuverlässig genug ist.

3. Erfolgskriterien und Ausgangswerte festlegen

Definieren Sie vor dem Start wenige, aber überprüfbare Kennzahlen. Dazu gehören je nach Ziel Erstlösungsquote, Wiederholungskontakte, Suchzeit, Übergaben, Qualitätsabweichungen oder Korrekturraten der Analyse. Dokumentieren Sie den Ausgangswert und legen Sie Messzeitraum sowie Datenquelle fest.

Praxisbeispiel: Ein Händler misst vor dem Pilotprojekt, dass Servicekräfte durchschnittlich 95 Sekunden nach Informationen zu Rücksendungen suchen. Ziel des Assistenzsystems ist nicht pauschal „mehr Effizienz“, sondern eine Reduktion auf höchstens 60 Sekunden bei gleichbleibender Auskunftsqualität.

4. Datenschutz und Zweckbindung früh verankern

Klären Sie vor der Verarbeitung, welche Daten für welchen Zweck benötigt werden. Legen Sie Rechtsgrundlage, Informationspflichten, Datenminimierung, Löschfristen, Rollen, Zugriffe und Auftragsverarbeitung fest. Prüfen Sie, ob aufgrund des Risikos eine Datenschutz-Folgenabschätzung erforderlich ist.

Praxisbeispiel: Eine Bank verwendet für die Analyse technischer Kontaktgründe nur pseudonymisierte Transkripte. Kontonummern und andere Identifikatoren werden vor der Auswertung entfernt; Rohaufnahmen bleiben nur für einen eng begrenzten Zeitraum und sind ausschließlich für autorisierte Rollen zugänglich.

5. Beschäftigte und Interessenvertretungen einbeziehen

Kommunizieren Sie verständlich, welche Daten analysiert werden, welchem Zweck die Auswertung dient und wofür Ergebnisse ausdrücklich nicht verwendet werden. Binden Sie Servicekräfte, Datenschutz, Informationssicherheit und betriebliche Interessenvertretungen in Gestaltung, Test und Bewertung ein. Rückmeldungen aus dem Arbeitsalltag helfen, untaugliche Kennzahlen und Fehlinterpretationen zu erkennen.

Praxisbeispiel: Ein Telekommunikationsanbieter bildet ein Pilotteam aus Agentinnen und Agenten, Teamleitung, Betriebsrat, Datenschutz und IT. Das Team verwirft die geplante Rangliste einzelner Beschäftigter und nutzt die Ergebnisse stattdessen, um fehlende Wissensartikel und wiederkehrende Prozesshindernisse zu identifizieren.

6. Menschliche Kontrolle konkret definieren

Legen Sie fest, bei welchen Entscheidungen Beschäftigte Vorschläge prüfen, korrigieren oder übersteuern müssen. Dokumentieren Sie Eskalationswege und machen Sie sichtbar, ob eine Empfehlung von einem KI-System stammt. Besonders folgenreiche Entscheidungen sollten nicht allein auf einer automatischen Klassifikation beruhen.

Praxisbeispiel: Erkennt das System in einem Gespräch ein mögliches Compliance-Risiko, löst es keine automatische Sanktion aus. Eine geschulte Qualitätsverantwortliche hört die relevante Passage an, prüft Kontext und Richtlinie und dokumentiert anschließend die Entscheidung.

7. Den Pilot fachlich und organisatorisch begrenzen

Wählen Sie einen häufigen, klar beschriebenen Kontaktgrund, eine kontrollierte Nutzergruppe und einen festen Zeitraum. Definieren Sie, welche Systeme angebunden werden und welche Funktionen zunächst ausgeschlossen bleiben. Ein begrenzter Pilot erleichtert Ursachenanalysen und reduziert Folgerisiken.

Praxisbeispiel: Ein Softwareanbieter beginnt mit Fragen zum Zurücksetzen von Passwörtern in einem deutschsprachigen Supportteam. Reklamationen, Kündigungen und sicherheitskritische Fälle bleiben zunächst außen vor. Nach sechs Wochen werden Nutzen, Fehlerquote und Akzeptanz bewertet.

8. Qualität und Risiken nach dem Rollout laufend überwachen

Ein einmaliger Abnahmetest reicht nicht aus. Überwachen Sie Transkriptionsfehler, Fehlklassifikationen, Verzerrungen, Modell- und Prozessänderungen, Datenschutzvorfälle sowie die tatsächliche Nutzung. Legen Sie Schwellenwerte und Verantwortlichkeiten für Korrektur, Rücknahme oder erneutes Training fest.

Praxisbeispiel: Ein Reiseanbieter prüft monatlich eine geschichtete Stichprobe nach Sprache und Kontaktgrund. Steigt die Fehlklassifikationsrate bei englischsprachigen Umbuchungen über den festgelegten Grenzwert, wird die automatische Weiterleitung ausgesetzt, bis Ursache und Modellanpassung geprüft sind.

FAQ

1. Was ist Speech Analytics?

Speech Analytics überführt aufgezeichnete oder laufende Gespräche typischerweise in durchsuchbare Transkripte und analysiert dort Themen, Gesprächsverläufe, Schlüsselbegriffe und Muster. Aussagekraft und zulässige Nutzung hängen von Datenqualität, Modellleistung und Zweck ab.

2. Worin unterscheidet sich Speech Analytics von einem Sprachbot?

Speech Analytics wertet Interaktionen aus; ein Sprachbot führt sie. Beide Funktionen können kombiniert werden, sind aber technisch, organisatorisch und regulatorisch getrennt zu bewerten.

3. Welche Anwendungsfälle eignen sich für den Einstieg?

Geeignet sind eng umrissene Aufgaben wie die Erkennung wiederkehrender Kontaktgründe, die Prüfung definierter Qualitätsmerkmale oder die Identifikation von Wissenslücken. Ein Pilot sollte einen messbaren Ausgangswert und eine begrenzte Nutzergruppe haben.

4. Welche Kennzahlen sind sinnvoll?

Abhängig vom Ziel kommen Erstlösungsquote, Wiederholungskontakte, Bearbeitungs- und Suchzeit, Übergaben, Qualitätsabweichungen sowie Korrekturraten des Systems infrage. Kundenzufriedenheit sollte nicht allein aus einer technischen Klassifikation abgeleitet werden.

5. Welche Datenschutzfragen sind zu klären?

Gespräche und Transkripte können personenbezogene und besondere Kategorien personenbezogener Daten enthalten. Zu prüfen sind unter anderem Zweck, Rechtsgrundlage, Transparenz, Datenminimierung, Löschfristen, Zugriffe, Auftragsverarbeitung und gegebenenfalls eine Datenschutz-Folgenabschätzung. Der EDSA betont bei KI-Modellen eine fallbezogene Prüfung von Anonymität und Rechtsgrundlage.[2][3]

6. Dürfen Beschäftigte mit Speech Analytics bewertet werden?

Eine Analyse kann Beschäftigtenmonitoring darstellen. Die ICO-Leitlinien verlangen für Monitoring Rechtmäßigkeit, Fairness, Transparenz, Erforderlichkeit und eine Prüfung, ob weniger eingriffsintensive Mittel ausreichen; bei erhöhtem Risiko ist eine Folgenabschätzung relevant.[4][5] Für Deutschland sind zusätzlich arbeitsrechtliche und mitbestimmungsrechtliche Anforderungen zu prüfen.

7. Welche Bedeutung hat der EU AI Act?

Die Pflichten richten sich nach Rolle, Funktion und Risikoklasse des konkreten Systems. Der AI Act arbeitet risikobasiert und enthält Verbote, Transparenzpflichten sowie Vorgaben für Hochrisiko-Systeme.[6][7] Eine pauschale Einordnung allein anhand der Bezeichnung „Speech Analytics“ ist nicht möglich.

8. Wie lässt sich die Qualität der Analyse prüfen?

Unternehmen sollten repräsentative Testdaten, verschiedene Sprachen und Akzente, definierte Fehlertypen sowie regelmäßige Stichproben verwenden. Das NIST AI Risk Management Framework strukturiert das Risikomanagement über die Funktionen Govern, Map, Measure und Manage.[8]

9. Was bedeutet Total Experience in diesem Kontext?

Total Experience verbindet Kunden- und Mitarbeitererfahrung mit Nutzererlebnis und operativen Abläufen. Ziel ist nicht eine einzelne Plattform, sondern die koordinierte Gestaltung der relevanten Kontaktpunkte und Arbeitsprozesse.[1]

10. Wann sollte ein Pilot skaliert werden?

Erst wenn Nutzen, Fehlergrenzen, Datenschutz, Sicherheit, Akzeptanz und Betriebsverantwortung anhand vorab definierter Kriterien bewertet wurden. Bei wesentlichen Risiken oder unklarer Wirkung sollte der Anwendungsfall angepasst oder beendet werden.

Quellen

[1] https://www.gartner.com/en/documents/5884911
[2] https://www.edpb.europa.eu/topics/ai-and-technology/artificial-intelligence_en
[3] https://www.edpb.europa.eu/news/edpb-opinion-on-ai-models-gdpr-principles-support-responsible-ai_en
[4] https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/employment/monitoring-workers/data-protection-and-monitoring-workers/
[5] https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/employment/monitoring-workers/checklists/
[6] https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng
[7] https://eur-lex.europa.eu/EN/legal-content/summary/rules-for-trustworthy-artificial-intelligence-in-the-eu.html
[8] https://www.nist.gov/itl/ai-risk-management-framework

Management Summary, FAQ und Bild wurden mit Hilfe von KI erstellt

Anbieterinformation: Spitch

Spitch ist ein Schweizer Anbieter von Conversational-AI-Lösungen. Nach Unternehmensangaben deckt die Plattform den Zyklus vor, während und nach einer Kundeninteraktion ab – von Speech Analytics und Wissensbereitstellung über Assistenz und Automatisierung bis zur nachgelagerten Qualitätsanalyse. Das Unternehmen bezeichnet seinen Ansatz als »Collaborative Agentic AI«: Menschen geben Ziele und Grenzen vor, während KI definierte Aufgaben innerhalb dieses Rahmens übernimmt. Die Verantwortung für Einsatz und Ergebnisse verbleibt beim einsetzenden Unternehmen.

Stephan Fehlmann, Vice President DACH bei Spitch, beschreibt Speech Analytics als Ausgangspunkt, um aus realen Kundeninteraktionen priorisierte Maßnahmen abzuleiten und einzelne Verbesserungen zu einer Total Experience zu verbinden.

Die Angaben in diesem Kasten beruhen auf Informationen und Einordnungen des Anbieters.

310 Artikel zu „Contact Center“

Kommunikation | Künstliche Intelligenz | News | Services | Whitepaper

KI-Assistenz senkt Stress im Contact Center

15. Juli 2026

Eine Felduntersuchung, gefördert von der Schweizer Agentur für Innovationsförderung, zeigt, dass »Agent Assist« von Spitch Contact-Center-Mitarbeitende genau dann entlastet, wenn der Druck am höchsten ist. Zudem hilft die KI-Assistenz beim Onboarding. Die Arbeit im Kundenservice ist anspruchsvoll, besonders wenn Anrufer unfreundlich oder aggressiv werden. Eine neue, unabhängige Feldstudie des Instituts für Wirtschaftsinformatik der Universität…