Wenn wir uns anschauen, warum ein Service-Chatbot enttäuscht, liegt die Ursache selten im Sprachmodell. Sie liegt in einer Annahme, die beim Bau niemand ausspricht: dass der Mensch am anderen Ende sich so verhält, wie das Dialogdesign es vorsieht. Er liest die Begrüßung. Er wählt die richtige Kategorie. Er formuliert seine Frage so, wie das System sie erwartet. In echten Verläufen tut er nichts davon.
Das ist keine Randbeobachtung. Die Nielsen Norman Group hat bereits 2008 über tausende Seitenaufrufe gemessen, dass Menschen im Web durchschnittlich rund 20 bis 28 Prozent eines Textes lesen. Sie scannen, sie springen, sie suchen den einen Anhaltspunkt, der sie weiterbringt. Ein Chatbot, der mit einem Absatz aus Erklärungen und Optionen öffnet, redet an diesem Verhalten vorbei. Der Nutzer überliest die Nachricht und tippt seine Frage, egal was oben stand.
Ein Chatbot wird daran gemessen, was beim Nutzer ankommt.
Wir sehen drei Denkfehler, die sich in fast jedem schwachen Service-Chatbot wiederfinden. Alle drei entstehen am Schreibtisch und der Konzeption des Chatbots.
Der Fehler beginnt in der ersten Sekunde
Viele Bots begrüßen mit einer Bedienungsanleitung. Was sie können, wofür sie nicht zuständig sind, wie man sie am besten bedient. Gut gemeint, weil es Erwartungen steuern soll. Nur liest es niemand. Der Nutzer kam mit einer Frage und er stellt sie sofort.
Dasselbe Muster wiederholt sich bei jeder Vorschaltung. Ein Bot, der zuerst nach dem Standort fragt, bevor er antwortet, verliert die Nutzer, die diese Auswahl überspringen. Wer die Filiale nicht wählt, bekommt eine allgemeine Auskunft, obwohl die passende lokale Antwort im System steht. In einer Kommune haben wir genau das beobachtet: Die Standortabfrage stand am Anfang, die meisten Anrufenden gingen daran vorbei, und die generische Antwort ließ sie ratlos zurück. Der Bot hatte die richtige Information. Er hat sie nur an eine Bedingung geknüpft, die der Mensch nicht erfüllt.
Ein Chatbot muss vom Scannen her gedacht sein. Die erste Nachricht gehört kurz, das eigentliche Anliegen zuerst, jede Vorabfrage nur dann, wenn sie sich aus dem Gespräch ergibt.
Kunden sprechen in Symptomen, Chatbots hören in Katalogsprache
Der zweite Denkfehler steckt in der Sprache. Ein Kunde beschreibt sein Problem so, wie er es erlebt. Im Maschinenbau sagt er: „Der Streifeneinzug hakt beim Hochlauf der Maschine." Was er meint, steht in der Doku unter Walzenanpressdruck, Banddicke und Drehmoment-Referenzierung. Zwischen dem, was der Mensch sagt, und dem, was die Datenbank kennt, liegt eine Übersetzungslücke.
Die meisten Chatbots überbrücken diese Lücke nicht. Sie suchen mit den Worten des Nutzers in Dokumenten, die in Fachsprache verfasst sind, finden keine Antwort und formulieren das Ergebnis ausweichend. Der Nutzer fühlt sich nicht verstanden und die Zahlen geben ihm recht. In einer Gartner-Befragung unter 5.728 Kunden gaben 43 Prozent an, dass sie im Self-Service keine zu ihrem Anliegen passenden Inhalte fanden, und 45 Prozent hatten das Gefühl, das Unternehmen verstehe ihr Anliegen nicht.
Die Aufgabe eines Service-Chatbots ist Übersetzung, von der Alltagssprache des Kunden in die Struktur des Unternehmenswissens.
Diese Übersetzung ist Arbeit, die vor der Antwort passiert. Ein System muss die Absicht hinter der Formulierung erkennen und sie auf die Begriffe abbilden, unter denen das Wissen abgelegt ist. Wo das fehlt, bleibt selbst der beste Produktkatalog stumm.
Ein Bot, der bindet Nutzer lange beschäftigt, ist noch kein Bot, der hilft
Der dritte Denkfehler sitzt in der Kennzahl. Viele Projekte optimieren auf die Containment-Rate, also den Anteil der Gespräche, die der Bot ohne Übergabe an einen Menschen abschließt. Reife Systeme erreichen hier 55 bis 65 Prozent. Die Zahl sieht gut aus und verdeckt, was darunter passiert. Die tatsächliche Lösungsquote, gemessen an zufriedenen Kunden mit gelöstem Anliegen, liegt nach Branchen-Benchmarks eher bei 25 bis 40 Prozent.
Der Abstand zwischen beiden Zahlen ist der Ort, an dem Vertrauen verloren geht. Ein Bot, der immer irgendeine Antwort gibt, hält den Nutzer im Kanal und schickt ihn trotzdem unerledigt weg. Was danach kommt, zeigt eine aktuelle Gartner-Befragung unter 3.566 Kunden deutlich: Menschen greifen für ihr Serviceanliegen rund dreimal häufiger zu einem allgemeinen KI-Werkzeug wie ChatGPT als zum Chatbot des Anbieters. Der eigene Bot hat sie einmal enttäuscht und beim nächsten Mal fragen sie woanders.
Eine ehrliche Übergabe an einen Menschen wirkt in dieser Rechnung wie ein Makel, weil sie die Containment-Rate senkt. Dabei ist sie der Grund, warum der Kunde bleibt. Ein Bot, der sagt „das kann ich nicht beantworten, ich verbinde Sie" behält den Kunden, während ein Bot mit einer erfundenen Auskunft ihn verliert.
Was ein Service-Chatbot vom Nutzer her gedacht braucht
Aus den drei Denkfehlern folgt ein Bauprinzip. Ein Service-Chatbot wird gut, wenn er das Verhalten echter Menschen zur Grundlage nimmt.
Er öffnet kurz und knapp, aber bringt das Anliegen des Nutzers nach vorn. Er übersetzt zwischen Alltags- und Fachsprache, statt sie gleichzusetzen. Er bindet seine Antworten an geprüftes Wissen, sodass er lieber die Grenze zugibt, als zu raten. Und er misst seinen Erfolg an gelösten Anliegen, mit einer Übergabe an den Menschen, die als geordneter Ausgang gilt und nicht als Niederlage.
Bei Mercury.ai trennen wir dafür die Aufgaben. Ein Orchester spezialisierter Modelle erkennt zuerst das Anliegen, findet und bewertet die passende Quelle und prüft sie, bevor überhaupt formuliert wird. Das Sprachmodell verbalisiert am Ende, es entscheidet nicht über die Fakten. So bleibt die Auskunft an das Wissen des Unternehmens gebunden, und das Risiko erfundener Antworten sinkt deutlich. Wie diese quellengebundene Architektur im Detail arbeitet, steht im Beitrag zu Halluzinationen bei KI-Chatbots und auf der Seite zum Knowledge Hub. Für den Moment, in dem ein Mensch übernehmen soll, sorgt der Agent Desk.
Die zweite Nachricht vom Chatbot muss sich verdient werden
Ein Service-Chatbot hat bei jedem Nutzer genau einen Versuch. Die erste Antwort entscheidet, ob es einen zweiten Satz gibt oder ob der Mensch das Fenster schließt und beim nächsten Mal woanders fragt. Diese Entscheidung fällt nicht im Sprachmodell. Sie fällt in der Frage, ob beim Bau jemand das Verhalten echter Nutzer ernst genommen hat.
Die Technik für gute Service-Chatbots ist vorhanden. Was über Erfolg und Enttäuschung entscheidet, ist die Bereitschaft, den Bot vom Menschen her zu denken statt vom Dialogbaum.
Sie wollen sehen, wie ein Service-Chatbot vom Nutzer her gebaut wird? Sprechen Sie mit uns oder sehen Sie sich die Lösung für den Kundenservice an.
Über den Autor: Dr. Hendrik ter Horst ist Chief Product Officer bei Mercury.ai. Er hat am CITEC-Institut der Universität Bielefeld in Informatik promoviert, mit Schwerpunkt auf maschineller Informationsextraktion und Datenverarbeitung. Seit zehn Jahren arbeitet er an dialogbasierten KI-Systemen und verantwortet die Konzeption, Umsetzung und Validierung KI-gestützter Anwendungen von der Idee bis zur produktiven Nutzung.
Quellen
Nielsen, J. (2008): How Little Do Users Read? Nielsen Norman Group. Auswertung von 45.237 Seitenaufrufen, Nutzer lesen im Schnitt 20 bis 28 Prozent eines Textes.
Gartner (2024): Customer Service Self-Service Survey, Befragung von 5.728 Kunden. 14 Prozent der Anliegen vollständig im Self-Service gelöst, 43 Prozent finden keine passenden Inhalte, 45 Prozent fühlen sich nicht verstanden.
Gartner (2026): Befragung von 3.566 B2B- und B2C-Kunden. Kunden nutzen für Serviceanliegen rund dreimal häufiger allgemeine KI-Werkzeuge als den Chatbot des Anbieters.
