Über das KI-Pilotprojekt hinaus: Kundendaten in skalierbaren personalisierten Handel verwandeln

Die Begeisterung von Unternehmen für KI ist den Ergebnissen bereits vorausgeeilt. Der KI-Index 2026 von Stanford zeigt, dass 2025 88 % der Organisationen KI eingesetzt haben, während die Nutzung von KI-Agenten in fast allen Unternehmensbereichen im einstelligen Prozentbereich blieb. Die Kluft zwischen Experimenten und tatsächlichem Nutzen ist nach wie vor groß und zeigt sich bei der Kundenerfahrung besonders deutlich und greifbar. Um zu verstehen, warum diese Lücke besteht, sind zwei zentrale Punkte zu berücksichtigen.

Der erste Punkt ist der Reifegrad von Organisationen im Umgang mit KI. Die meisten Unternehmen befinden sich noch in einer Phase, in der sie die individuelle Produktivität steigern wollen, und arbeiten daran, skalierbare Grundlagen für Governance und Datenverfügbarkeit sowie ein Portfolio bewährter Anwendungsfälle aufzubauen. Bis sie eine autonome Phase erreichen, in der KI-Agenten innerhalb klar definierter Leitplanken arbeiten können und Menschen sich auf Aufsicht und Ausnahmefälle konzentrieren, liegt noch ein weiter Weg vor ihnen. Dieser Reifegrad ist eine grundlegende Voraussetzung für den Versuch, ein KI-natives Betriebsmodell einzuführen. Dazu später mehr.

Der zweite Punkt ist die operative Kluft zwischen Daten und KI-gestützten Geschäftsentscheidungen. Die meisten Organisationen haben bereits in Daten und Systeme investiert. Sie haben Kundendaten gesammelt, Marketingautomatisierung eingeführt, ihre Systeme in die Cloud migriert und generative KI erprobt. Trotzdem erhalten Kunden weiterhin irrelevante Empfehlungen, erleben voneinander getrennte Kanäle und führen Servicegespräche, bei denen das bereits vorhandene Wissen des Unternehmens über sie unberücksichtigt bleibt.

Selten liegt das Problem am Modell. Häufiger macht KI lediglich sichtbar, was schon vorher nicht funktioniert hat: fragmentierte Daten, unklare Zuständigkeiten, voneinander getrennte Arbeitsabläufe, technische Altlasten und Geschäftsziele, die nie in messbare Anwendungsfälle übersetzt wurden. Der Weg nach vorn beginnt nicht mit einer größeren KI-Initiative. Er beginnt mit einigen gut ausgewählten Kundenentscheidungen, einem klaren Betriebsmodell und einer Architektur, die Erkenntnisse in konkrete Maßnahmen umsetzen kann.

Für Führungskräfte, die von einzelnen Pilotprojekten zu einem wiederholbaren System übergehen wollen, sind einige Prioritäten wichtiger als alle anderen.

Beginnen Sie mit einer Entscheidung, nicht mit einer Fähigkeit.

Die erste Frage lautet nicht: „Wo können wir generative KI einsetzen?“, sondern: „Welche Entscheidung zur Kundenerfahrung müssen wir verbessern?“ Eine Fluggesellschaft möchte Passagieren bei einer Störung bessere Optionen anbieten. Ein Einzelhändler möchte Kunden dabei helfen, das passende Produkt auszuwählen, ohne die Retourenquote in die Höhe zu treiben. Eine Bank möchte, dass ein Servicemitarbeiter eine komplexe Frage klären kann, ohne dafür Informationen in verschiedenen Systemen suchen zu müssen. Jedes dieser Beispiele benennt eine Entscheidung, eine Person und ein Ergebnis. Daraus ergibt sich, welche Daten benötigt werden und wie der Erfolg gemessen werden sollte. Dieser Ansatz hilft Führungskräften außerdem dabei, Nein zu sagen. Lässt sich eine Anwendungsidee oder die Anfrage nach einem Agenten nicht mit einer konkreten Entscheidung und einem messbaren Ergebnis verknüpfen, sollte sie keine Priorität erhalten.

„KI einsetzen, um die Kundenerfahrung zu verbessern“ ist zu vage. Das führt zu Demos, nicht zu operativen Fähigkeiten.

Führt ein Elektronikhändler heute einen „KI-Einkaufsassistenten“ ein, handelt es sich dabei um einen allgemeinen Chatbot, dessen Erfolg daran gemessen wird, wie viele Menschen ihn nutzen. Wird die Aufgabe stattdessen als Entscheidung formuliert, die Kunden dabei helfen soll, den passenden Laptop auszuwählen, rücken eine höhere Conversion-Rate und weniger Retouren in den Fokus. So entsteht ein Werkzeug, das aktuelle Produktspezifikationen nutzt, um die Bedürfnisse der Kunden besser zu verstehen. Gemessen wird der Erfolg anhand von Verkäufen, Retouren und Kundenzufriedenheit. Dieselbe Idee, aber mit einem konkreten Ergebnis.

Behandeln Sie einheitliche Daten als Fähigkeit, nicht als Datenbankprojekt.

Eine „360-Grad-Sicht auf den Kunden“ wird häufig als Vorhaben zur Zentralisierung von Daten beschrieben. In der Praxis geht es dabei um eine organisationsweite Übereinkunft zu Identität, Einwilligung, Zuständigkeiten, Datenqualität und der Bedeutung wichtiger Ereignisse. Gehört eine Browsersitzung zu einem bekannten Kunden, einem Haushalt oder einem anonymen Gerät? Welches System ist für Einwilligungen maßgeblich? Wie schnell muss ein Servicekontakt in einem anderen Kanal sichtbar sein? Ohne Antworten auf diese Fragen erweckt die Zentralisierung von Daten nur den Anschein einer Integration, ohne deren Zuverlässigkeit zu gewährleisten. Zielführender ist ein gemeinsamer Datenvertrag für jeden priorisierten Anwendungsfall. Er legt die erforderlichen Felder und Ereignisse, deren maßgebliche Quellen, die zulässige Verzögerung, die erlaubten Nutzungsarten und das für die Qualität verantwortliche Team fest. Ziel ist nicht, alle Daten zu erfassen, sondern die richtigen Daten zum Zeitpunkt einer Entscheidung in vertrauenswürdiger Qualität verfügbar zu haben.

Ein Autohändler möchte einen wiederkehrenden Onlinekunden mit genau dem Modell begrüßen, das dieser gerade konfiguriert hat. Heute scheitert das, weil der Fahrzeugkonfigurator, das CRM-System des Händlers und das Finanzierungssystem jeweils eine andere Version des Kundenprofils enthalten und sich nicht einig sind, ob ein drei Wochen altes Leasingangebot noch gilt. Wird der Vorgang stattdessen als eine einzige Kundenreise mit klaren Datenregeln gestaltet, ist geregelt, wer wofür zuständig ist: Der Konfigurator ist die maßgebliche Quelle für die Fahrzeugkonfiguration, für die Finanzierungsdaten gelten klar festgelegte Einwilligungs- und Ablaufregeln, und der Bestand wird innerhalb weniger Minuten aktualisiert. So wird dem Kunden kein Fahrzeug angezeigt, das der Händler gerade verkauft hat. Das ist deutlich einfacher, als „alle Kundendaten zu vereinheitlichen“ – und die Begrüßung funktioniert tatsächlich.

Personalisierung als kontinuierliches Entscheidungssystem gestalten

Viele Programme funktionieren noch immer nach dem Kampagnenprinzip. Teams definieren ein Segment, bereiten Inhalte vor und versenden sie nach einem festen Zeitplan. Generative KI erzeugt mehr Varianten, lässt das zugrunde liegende Modell aber unverändert. Ein kontextbezogenes Kundenerlebnis funktioniert anders. Es berücksichtigt den aktuellen Kontext des Kunden, ermittelt die verfügbaren Handlungsoptionen, wählt innerhalb der geschäftlichen und richtlinienbedingten Grenzen eine davon aus, spielt sie über den passenden Kanal aus und lernt anschließend aus der Reaktion. Entscheidend ist: Es geht nicht darum, jede Interaktion individuell zu gestalten. Manchmal ist die richtige Maßnahme eine Standardnachricht, die Übergabe an einen Menschen oder gar keine Maßnahme. Die Wirksamkeit der Personalisierung bemisst sich nicht an der Zahl der erzeugten Varianten. Entscheidend ist, ob das Unternehmen eine für den Kunden relevantere Entscheidung getroffen und dabei dessen Erwartungen respektiert hat. Vertrauen muss Teil des Kundenerlebnisses sein und darf nicht erst nachträglich in einer angehängten Compliance-Prüfung berücksichtigt werden.

Eine Bank bemerkt, dass ein Kunde wiederholt die Hypothekenzinsen prüft. Heute nimmt ihn ein Kampagnensystem beim nächsten planmäßigen Versand in eine E-Mail-Serie für „Erstkäufer“ auf. Als fortlaufender Entscheidungsprozess betrachtet, erfasst das System die Situation: Vergleicht jemand mitten im Kaufprozess die Zinssätze oder ist die Person nur neugierig, obwohl der Kauf noch Monate entfernt ist? Ist es sich nicht sicher, wählt es die zurückhaltende Maßnahme und zeigt eine hilfreiche Frage wie „Möchten Sie herausfinden, was Sie sich leisten könnten?“ an, statt voreilig zum „Lassen Sie sich noch heute vorab genehmigen“ aufzufordern und damit die Situation falsch einzuschätzen. Reagiert der Kunde, lernt das System dazu und passt sich an. Andernfalls hält es sich zurück. Manchmal ist die unaufdringlichste Entscheidung die relevanteste – und gerade diese Zurückhaltung bewahrt das Vertrauen.

Beheben Sie zuerst die Einschränkungen bei Inhalten und Architektur, bevor Sie das Tempo erhöhen.

Generative KI kann Texte und Bilder in bemerkenswert kurzer Zeit erstellen. Wird sie jedoch in einem fehlerhaften Content-Prozess eingesetzt, verlagert sich der Engpass lediglich von der Erstellung auf die Prüfung und Governance. Das Content Marketing Institute stellte fest, dass 75 % der Unternehmensvermarkter KI einsetzen, sie aber nur bei 15 % in die täglichen Arbeitsabläufe integriert ist. Strukturierte, wiederverwendbare Inhalte – also freigegebene Fakten und Komponenten, die sich kanalübergreifend zusammenstellen lassen – ermöglichen es der KI, Inhalte anzupassen, ohne die zugrunde liegende Wahrheit zu erfinden. Dieselbe Disziplin ist auch beim Technologie-Stack gefragt. Statt alles unter dem Schlagwort „modular“ neu zu gestalten, sollten Unternehmen die wenigen Customer Journeys erfassen, die mit vorrangigen Anwendungsfällen verbunden sind, herausfinden, wo Altsysteme Verzögerungen verursachen oder den Datenzugriff blockieren, und diese Einschränkungen schrittweise angehen. Fortschritt bemisst sich nicht an der Zahl der eingeführten Technologien. Entscheidend ist die Fähigkeit, eine Customer Journey sicher und schnell zu verändern, ohne jedes Mal dieselbe Integrationsarbeit erneut leisten zu müssen.

Ein Händler setzt KI ein, um Beschreibungen für 40.000 Artikel zu verfassen. Heute führt das zu einer Flut von Arbeit für die Rechtsprüfung, denn Angaben und Garantiebedingungen müssen bei jedem einzelnen Artikel geprüft werden. Die Lösung ist nicht ein schnelleres Modell, sondern eine kontrollierte Datenquelle: ein PIM, das freigegebene Spezifikationen, Angaben und Garantieformulierungen als wiederverwendbare Komponenten enthält, aus denen die KI ihre Texte zusammenstellt. So kann sie den Ton anpassen, ohne Fakten zu erfinden.

Dieselbe Logik gilt für den Technologie-Stack. Statt alles auf eine neue Plattform zu migrieren, modernisiert das Team nur das veraltete Warenwirtschaftssystem, das eine Echtzeit-Personalisierung mit Hinweisen wie „in Ihrer Nähe auf Lager“ verhindert, und lässt die stabilen Systeme unangetastet. Fortschritt bedeutet, eine Customer Journey schnell zu verändern – nicht, weitere Tools hinzuzufügen.

Verankern Sie Governance in der Umsetzung und messen Sie den Wert im Gesamtportfolio.

Wird Governance als abschließende Hürde behandelt, kommt sie zu spät – nämlich erst, nachdem Entscheidungen getroffen wurden, die sich nur schwer rückgängig machen lassen. Frameworks wie das NIST AI Risk Management Framework sind besonders hilfreich, wenn sie einen Anwendungsfall von Anfang an prägen und Datenschutz, Verzerrungen, Markenintegrität, Zuverlässigkeit und Nachvollziehbarkeit abdecken; die Kontrollen sollten dabei dem Risiko der jeweiligen Interaktion entsprechen. Der Wert lässt sich selten in einer einzigen großen Zahl ausdrücken. Er verteilt sich auf Kundenergebnisse wie Zufriedenheit, Aufgabenerledigung und Kundenbindung; auf operative Ergebnisse wie Durchlauf- und Lösungszeiten sowie Wiederverwendung; auf kommerzielle Ergebnisse wie Konversionsrate, Betreuungskosten und Kundenlebenszeitwert; und auf Risikoergebnisse wie Fehlerquoten, Beschwerden und manuelle Übersteuerungen. All dies sollte anhand eines Ausgangswerts und unter Berücksichtigung der vollständigen Betriebskosten im großen Maßstab gemessen werden.

Eine Fluggesellschaft setzt einen KI-Agenten zur Bewältigung von Störungen ein. Die Frage „Hat mein Flug Verspätung?“ zu beantworten, ist heute ein risikoarmer Vorgang, der vollständig automatisiert abläuft. Eine Umbuchung oder die Ausstellung einer Reisegutschrift über einem festgelegten Betrag wird dagegen an einen Menschen weitergeleitet, da eine Fehlentscheidung in diesem Fall kostspielig wäre. Der Wert wird neu definiert und anhand der relevanten Ergebnisse gemessen: einer schnelleren Behebung von Störungen, Umbuchungen, die besonders wertvolle Mitglieder des Treueprogramms schützen, und einer genauen Beobachtung der Beschwerden. Wird eine Störung gut bewältigt, kann daraus ein Moment werden, der einen Fluggast an die Airline bindet, statt ihn zu verlieren – und genau hier entsteht der eigentliche Kundenlebenszeitwert.

Die Frage nach dem Reifegrad.

Unternehmen, die nachhaltigen Wert schaffen, werden nicht diejenigen sein, die am meisten experimentieren. Es werden diejenigen sein, die Kundenerwartungen, vertrauenswürdige Daten, kontrollierte intelligente Systeme, wiederverwendbare Inhalte und messbare Ergebnisse auf wiederholbare Weise miteinander verknüpfen können – und ehrlich einschätzen, wo sie auf diesem Weg derzeit stehen. Die meisten Unternehmen sind noch nicht so weit, wie ihre Pilotprojekte vermuten lassen.

Ein KI-natives Unternehmen ist eines, in dem KI in jede Ebene der betrieblichen Abläufe und des Wettbewerbs integriert ist. Statt bestehende Prozesse lediglich zu erweitern, wird das Betriebsmodell selbst von Grund auf auf KI ausgerichtet, wobei Intelligenz eine zentrale Geschäftsfähigkeit darstellt.

Die nützlichere Frage für Führungskräfte lautet daher nicht mehr: „Wo können wir KI hinzufügen?“ Sondern: „Welche Entscheidungen können wir verbessern, und welche Voraussetzungen müssen erfüllt sein, damit sich diese Verbesserung verantwortungsvoll skalieren lässt?“