Das Vertrauen in AI wächst. Ihre Genauigkeit wird jedoch oft nicht geprüft.

Gute Kennzahlen zeigen dir, ob du auf dem richtigen Weg bist: Kommst du deinen Zielen näher? Was hast du bereits erreicht? Und wo bist du vom Kurs abgekommen?

Mit AI verändert sich, wie Unternehmen ihren Kundenservice bereitstellen. Doch passen die bisherigen Metriken noch dazu? Wir vermuteten, dass viele Organisationen das noch nicht hinterfragt hatten, und stellten uns die Frage: Erfassen sie also weiterhin das, was wirklich relevant ist?

Gemeinsam mit Metric Sherpa wollten wir dies herausfinden. Für die CX-Observability-Studie 2026 haben wir 531 Fachkräfte aus den Bereichen Customer Experience (CX) und Contact Center sowie 238 Führungskräfte in den USA befragt. Wir wollten wissen, welche Kennzahlen sie für Gespräche mit menschlichen Mitarbeitenden und AI Agents erfassen, wie sehr sie den Ergebnissen vertrauen und was sie tun, wenn sie ein Problem erkennen.

Die Studie belegt: Klassische CX-Kennzahlen reichen dafür nicht aus. Wie schnell ein AI Agent arbeitet, wie viele Anliegen er ohne Weiterleitung bearbeitet und wie oft er Gespräche weitergibt, kann Aufschluss darüber geben, ob er eine Aufgabe abgeschlossen hat. Ob seine Antwort richtig war, lässt sich daran aber nicht erkennen.

Das Vertrauen wächst, doch es bleiben Lücken

Je stärker Unternehmen AI einsetzen, desto mehr vertrauen sie der Technologie. Doch das bedeutet nicht, dass sie auch besser verstehen, was die AI tatsächlich tut. Operative CX-Verantwortliche berichten etwa gleich häufig, dass ihnen Einblicke fehlen – unabhängig davon, wie weit die AI-Adoption in ihrem Unternehmen fortgeschritten ist. Auch Führungskräfte sorgen sich in allen Phasen darum, dass AI-Fehler unentdeckt bleiben. Selbst die Befragten mit dem größten Vertrauen nennen ebenso viele Bereiche, die sie nicht überblicken, wie jene mit dem geringsten.

Das zeigt sich auch in den Zahlen: 94,7% vertrauen darauf, dass ihre aktuellen Kennzahlen das tatsächliche Kundenerlebnis abbilden. Gleichzeitig nennen 89,5% mindestens einen Bereich, in dem ihnen Informationen fehlen. Selbst die Befragten mit dem größten Vertrauen berichten von ebenso vielen blinden Flecken wie jene mit dem geringsten. Ihnen ist also bewusst, dass ihre Dashboards nur einen Teil dessen zeigen, was die AI macht. Damit geben sie sich nicht zufrieden.

Warum das Bild unvollständig bleibt, erklärt ein Blick auf die bisherigen Kennzahlen. CX-Teams haben über Jahre verfeinert, wie sie die durchschnittliche Bearbeitungszeit, den Anteil der ohne Weiterleitung bearbeiteten Anliegen und das Verhalten der Mitarbeitenden messen. Diese Messgrößen stammen jedoch größtenteils aus einer Zeit, in der Menschen den Kundenservice übernommen haben. Sie erfassen deshalb nicht automatisch, was ein AI Agent macht.

Genauigkeit der AI wird am seltensten gemessen

Besonders deutlich wird das bei der sachlichen Richtigkeit der Antworten.

Von den 367 operativen CX-Verantwortlichen, deren Unternehmen AI einsetzen, geben 78,5% an, keine Kennzahl für Halluzinationen oder die sachliche Richtigkeit von Antworten zu erfassen. Selbst unter denjenigen, die ihrer AI nach eigener Aussage sehr stark vertrauen, sind es 76,6%.

Auch auf Führungsebene fehlen diese Informationen häufig. Nur 27,9% der Führungskräfte erhalten Daten zu Halluzinationen oder zur sachlichen Richtigkeit – der niedrigste Anteil unter allen Sicherheits- und Compliance-Kennzahlen der Studie. Wer diese Daten erhält, weiß sie zu schätzen: 60,9% geben ein hohes Vertrauen an.

In regulierten Branchen könnte man ein anderes Bild erwarten. Doch 79,3% der operativen CX-Verantwortlichen im Gesundheitswesen, bei Finanzdienstleistern, Versicherungen, Behörden und Energieversorgern erfassen keine Kennzahl für Halluzinationen oder die sachliche Richtigkeit von Antworten. In den übrigen Branchen sind es 78,0%.

Wer nicht prüft, ob die AI korrekt antwortet, riskiert Compliance-Verstöße und setzt den Ruf der Marke aufs Spiel. Vorgaben wie der EU AI Act verlangen zunehmend, dass Organisationen die Genauigkeit ihrer AI belegen können. „Das wussten wir nicht“ wird bald nicht mehr als Erklärung ausreichen.

Kund:innen bemerken falsche Antworten – auch wenn dein Dashboard sie nicht erfasst. Bleibt ein Fehler unentdeckt, kann die AI diesen in weiteren Gesprächen wiederholen. So leidet das Vertrauen in deine Marke, bevor du den Fehler überhaupt bemerkst.

Wie CX-Observability hilft, blinde Flecken zu finden

Um dieses Risiko zu verringern, brauchst du CX-Observability: einen vollständigen Überblick über jedes Kundengespräch – unabhängig davon, ob ein Mensch, ein AI Agent oder beide das Gespräch führen.

Der Begriff ist noch neu. Nur 32,0% der operativen CX-Verantwortlichen und 30,6% der Führungskräfte gaben an, mit CX-Observability sehr oder äußerst vertraut zu sein. Nach einer Erklärung bewertete jedoch mehr als die Hälfte beider Gruppen das Konzept als sehr oder äußerst wertvoll. Das passt zu den Ergebnissen zur sachlichen Richtigkeit von AI-Antworten: Führungskräfte vertrauen den Daten, wenn sie diese erhalten. Den meisten stehen sie bislang jedoch nicht zur Verfügung.

Mit CX-Observability kannst du für jede Phase deines AI-Deployments festlegen, welche Informationen du über die Arbeit deiner AI brauchst. Bevor ein AI Agent weitere Aufgaben übernimmt, sollte dein Team einige grundlegende Fragen beantworten können:

• Welche Gespräche übernimmt die AI?

• Wie wird geprüft, ob ihre Antworten sachlich richtig sind?

• Wie schnell werden Fehler erkannt, zur Bearbeitung zugewiesen und behoben?

• Wer darf den weiteren Ausbau der AI-Lösung stoppen, wenn die nötigen Nachweise fehlen?

• Erhalten die Führungskräfte, die für die CX-Ergebnisse verantwortlich sind, Daten zur Richtigkeit der Antworten?

Wenn du diese Fragen noch nicht beantworten kannst, kläre sie zuerst, bevor du den AI-Einsatz ausweitest.

Lies die vollständige CX-Observability-Studie 2026. Erfahre, was du in deiner CX bisher nicht erfasst. Prüfe mit dem fünfteiligen CX-Observability-Index, wie aussagekräftig deine bisherigen Messungen sind und wo du als Nächstes ansetzen solltest.