Interviews
Zack Peng, Mitgründer und CEO von Seel – Interviewreihe

Wichtige PunkteSeel löst über 99 % der Supportfälle, indem KI die Lösungen abschließt, statt Tickets…
Mehr anzeigen
- Seel löst über 99 % der Supportfälle, indem KI die Lösungen abschließt, statt Tickets abzuwenden.
- Das Vertrauen in KI-Support hängt von einem sichtbaren Ausweg zu einem Menschen ab und nicht von der Genauigkeit des Bots.
- Händler sollten Nachweise für End-to-End-Lösungsraten und Haftung verlangen statt polierte Demos.
Zack Peng ist Mitgründer und CEO von Seel. Dort konzentriert er sich auf die Probleme, mit denen Käufer und Händler nach dem Kauf konfrontiert sind. Seine Arbeit begann mit der Vorhersage von Retouren und Rückerstattungen und umfasst inzwischen KI-Systeme, die Kundenanliegen in verschiedenen Handelsabläufen bearbeiten. Er setzt sich dafür ein, handlungsfähige Agenten mit klaren Einsatzgrenzen, der Möglichkeit zur Eskalation an Menschen und einer Verantwortlichkeit für das Ergebnis für die Kunden zu verbinden.
Seel bietet Dienstleistungen nach dem Kauf und KI-Agenturen für den E-Commerce an, darunter Kauf- und Lieferschutz, Kundenservice und Wiederverkauf. Die Plattform verbindet Händlersysteme, Bestellinformationen und Serviceabläufe, um Käuferanliegen zu klären. Das LLM Gateway ermöglicht den Zugriff auf Modelle und eine aufgabenbasierte Weiterleitung. In diesem Interview spricht Peng über den Wandel vom Beantworten von Fragen zur Verantwortung für Ergebnisse, über die nötigen Kontrollmechanismen, damit Agenten systemübergreifend handeln können, und darüber, wie Händler beurteilen können, ob KI-Dienstleistungen zuverlässig sind.
Was hat Sie dazu inspiriert, Seel mitzugründen, und wie hat die Lösung von Problemen, mit denen Käufer nach dem Kauf konfrontiert sind, Sie dazu gebracht, eine KI-Belegschaft für den E-Commerce aufzubauen?
Alles begann mit einem Marktplatz. Wir lernten einen Gründer kennen, der einen Marktplatz betrieb, und sahen, wie viel Aufwand die Branche in die Vorhersage von Rückbuchungen steckte, die etwa 0,5 % des GMV ausmachten. Retouren und Rückerstattungen lagen bei 10 bis 20 %, doch niemand sagte sie voraus. Also entwickelten wir ein Modell, das dazu in der Lage war, und ermöglichten Käufern damit, eine kleine Gebühr zu zahlen, um auch Artikel zurückgeben zu können, die vom Umtausch ausgeschlossen waren. Ich erwartete, dass 3 bis 5 % das Angebot nutzen würden. Tatsächlich waren es 10 bis 20 %. Das zeigte uns, dass Käufer bereit sind, für Sicherheit nach dem Kauf zu zahlen – aus demselben Grund, aus dem Menschen AppleCare oder ein Schutzpaket für Mietwagen kaufen.
Die KI-Belegschaft ging aus unserem eigenen Kundenservice-Posteingang hervor. Bei mehr als 70 % unserer Supportanfragen ging es nicht um Retouren. Käufer wollten wissen, wo ihre Bestellung war oder ob sie etwas umtauschen konnten. Statt sie zurück an den Händler zu verweisen, begannen wir, diese Anliegen selbst zu bearbeiten. Wir lernten, dass der wahre Wert von KI im Handel nicht darin liegt, Geld zu sparen. Er liegt darin, Aufgaben sofort und in großem Maßstab zu erledigen – auch bei Spitzenaufkommen. Dazu gehört, dass KI-Systeme berechtigte Rückerstattungen prüfen und genehmigen können, bevor die Rücksendung eingegangen ist, und dass KI-Agenten rund um die Uhr Maßnahmen ergreifen können, um Kundenanliegen zu klären.
Sie beschreiben eine Entwicklung von Chatbots, die Fragen beantworten, über Agenten, die handeln, bis hin zu KI-Agenturen, die für ein vollständiges Ergebnis verantwortlich sind. Was ändert sich technisch und betrieblich zwischen diesen Stufen, und können Sie das anhand eines konkreten Kundenanliegens veranschaulichen?
Der Unterschied liegt darin, wer für das Ergebnis verantwortlich ist. Ein Chatbot beantwortet die Frage: „Wo ist meine Bestellung?“ Ein Agent erledigt eine einzelne Aufgabe, etwa einen Schadensfall einzureichen. Eine Agentur verantwortet das Ergebnis: dass ein Kunde das erhält, wofür er bezahlt hat.
Technisch arbeitet eine Agentur systemübergreifend – etwa mit dem Shop des Händlers, dem Versanddienstleister und den Zahlungssystemen – statt nur innerhalb eines Systems. Sie verfolgt einen Fall über mehrere Tage hinweg und nicht nur während eines Gesprächs und muss erkennen, wann der Fall tatsächlich abgeschlossen ist. Im Betrieb bedeutet das, dass man nicht mehr nach dem Umfang des Anfrageaufkommens plant, sondern nach der Zahl der Ausnahmefälle.
Nehmen wir ein Paket, das als zugestellt markiert ist, aber nie angekommen ist. Ein Chatbot sagt dem Käufer, er solle warten. Ein Agent eröffnet einen Schadensfall. Seel-Agenturen prüfen den Scan des Versanddienstleisters und den Bestellverlauf, entscheiden, ob der Fall anspruchsberechtigt ist, zahlen eine Erstattung aus oder versenden einen Ersatz, aktualisieren die Unterlagen des Händlers und informieren den Käufer, dass der Fall erledigt ist. Als Partner, der für Händler die vollständige Bearbeitung von Anfragen nach dem Kauf übernimmt, haben wir diese KI-Infrastruktur zunächst mit unseren eigenen Anfragen erprobt. Mit diesem ergebnisorientierten Ansatz konnten wir eine Lösungsquote von über 90 % erreichen und zugleich berechtigte Anfragen sofort erkennen und erstatten.
Stellen Sie sich vor, ein Einkaufsagent bestellt im Namen einer Person die falsche Größe. Was müsste zwischen diesem Agenten, dem Händler und Seel geschehen, um den Fehler zu beheben, und wer sollte für das Ergebnis verantwortlich sein?
Der Käufer sollte nicht als Schiedsrichter auftreten müssen. Unabhängig davon, wer den Fehler gemacht hat, ist die Lösung dieselbe: ein schneller Umtausch oder eine Rückerstattung.
Drei Dinge machen das möglich. In der Bestellung muss festgehalten sein, wer sie aufgegeben hat und auf wessen Anweisung, damit die Entscheidung des Agenten nachvollzogen werden kann. Zweitens muss die Rückgaberichtlinie des Händlers maschinenlesbar sein, damit ein Agent danach handeln kann. Drittens muss jemand für das Ergebnis einstehen, bevor geklärt ist, wer schuld ist.
Hier kommt Seel ins Spiel. Wir übernehmen die Haftung. War die Bestellung geschützt, wird dem Käufer zunächst der volle Schaden ersetzt; die Verantwortlichkeit wird anschließend geklärt. Bestellt ein KI-Einkaufsagent im Namen einer Person die falsche Größe, sollte für den Käufer derselbe Weg zur Lösung offenstehen, wie wenn er selbst bestellt hätte – sofern beim Bezahlvorgang der passende Schutz hinzugefügt wurde und der Fall von der Deckung umfasst ist. Für die Ergebnisse, die wir abdecken, stehen wir finanziell ein. Der Käufer sollte nicht als Schiedsrichter entscheiden müssen, ob er selbst oder sein Agent den Fehler gemacht hat.
Ihr Team sagt, dass KI 80 % des Supportanfragevolumens von Seel schneller bearbeitet. Was bedeutet „schneller“ in der Praxis, welcher Anteil wird ohne menschliches Eingreifen gelöst und anhand welcher Kennzahlen lässt sich erkennen, ob Kunden tatsächlich besseren Service erhalten?
Das bedeutet, dass KI die Aufgaben übernimmt, die einen Menschen früher aufgehalten haben: den Fall lesen, Bestell- und Versanddaten abrufen, die Richtlinien des Händlers prüfen und in den meisten Fällen die Lösung umsetzen. Bei 80 % unseres Ticketvolumens übernimmt die KI diese Arbeit. Insgesamt lösen wir mehr als 99 % der Supportfälle; in der Branche ist üblicherweise von 60 bis 70 % die Rede.
Die Abschlussquote allein kann jedoch schlechten Service verschleiern, denn ein Bot, der Kunden abwimmelt, macht sich in einem Dashboard hervorragend. Deshalb erfassen wir Kennzahlen wie die Wiedereröffnungsrate von Tickets, die Eskalationsrate an menschliche Mitarbeitende und die Kundenzufriedenheit. Gerade in Situationen, die Kunden frustrieren, zählt Schnelligkeit. Eine Lieferadresse zu ändern, bedeutet normalerweise eine E-Mail-Kette über getrennte Bestell- und Fulfillment-Systeme hinweg. Unsere Mitarbeitenden erledigen das in wenigen Minuten.
Am wichtigsten ist für mich die Frage, ob Kunden erneut kaufen. In unserem Netzwerk haben 69 % der Wiederholungskäufer ihre erste Bestellung abgesichert.
Sie haben sich als „für KI-Agenten, aber gegen Autopilot“ beschrieben. Welche Entscheidungen behalten Sie bewusst den Menschen vor, und wie erkennt Ihr System, wann ein scheinbar routinemäßiger Fall menschliches Urteilsvermögen erfordert?
Autopilot bedeutet, dass niemand hinschaut. Wir wollen, dass Agenten den Großteil der Arbeit erledigen und Menschen dort entscheiden, wo Urteilsvermögen gefragt ist.
Drei Arten von Entscheidungen überlassen wir den Menschen: alles, was Richtlinien festlegt, Fälle, in denen sich eine Fehlentscheidung nur mit hohem Aufwand rückgängig machen lässt, und ungewöhnliche Fälle, in denen die regelbasierte Antwort möglicherweise nicht fair wäre. Die KI bearbeitet Routinefälle innerhalb dieser Grenzen und darf ihre Befugnisse nicht selbst ausweiten. Wurde eine Handlung nicht genehmigt oder erfordert ein Fall eine zusätzliche Genehmigung oder besondere Behandlung, wird er direkt an einen Menschen weitergeleitet.
Das System berücksichtigt nicht nur die Art der Anfrage, sondern auch deren Kontext: Risiko, Dringlichkeit, Frustration des Kunden und die Sensibilität der Richtlinien. Fälle mit hohem Risiko werden an Menschen weitergeleitet, während bei richtliniensensiblen Fällen vor dem Handeln eine zusätzliche Überprüfung erforderlich sein kann. Diese Schwellenwerte werden für den jeweiligen Händler und Arbeitsablauf festgelegt, statt durch einen einheitlichen Geldbetrag oder Konfidenzwert vorgegeben zu werden. Eine Anfrage nach beschleunigter Bearbeitung oder einer höheren Auszahlung kann beispielsweise außerhalb der autonomen Befugnisse der KI liegen.
Ihre Untersuchungen zu Kunden legen nahe, dass viele Angehörige der Generation Z bei der Lösung ihrer Probleme nach wie vor einen Menschen einbeziehen möchten. Was haben Sie darüber gelernt, wie man KI-Support so gestaltet, dass er Vertrauen schafft – insbesondere dann, wenn Kunden eine Entscheidung anfechten oder einen Menschen erreichen möchten?
Die Generation Z ist am aufgeschlossensten gegenüber KI und bemerkt zugleich am schnellsten, wenn ein Unternehmen sie einsetzt, um Kunden aus dem Weg zu gehen. In unserem Einkaufsbericht zur Generation Z aus dem Jahr 2026 gaben 49 % der Angehörigen dieser Generation an, dass sie ein Problem lieber mit einem Menschen lösen würden. Trotzdem soll es schnell gehen: 87 % der Kunden erwarten, dass ein Problem innerhalb von zwei bis drei Tagen gelöst wird.
Wir haben gelernt, dass Vertrauen nicht vom Bot, sondern von der Möglichkeit abhängt, ihn zu umgehen. Wenn Kunden wissen, dass sie einen Menschen erreichen können, lassen sie die KI gern ihre Anliegen bearbeiten. Wird die KI zu einer Barriere, schwindet das Vertrauen – selbst wenn die Antwort richtig war.
Deshalb richten wir uns nach drei Grundsätzen:
- Schnelligkeit, damit Probleme gelöst werden, bevor Frustration aufkommt
- Eine klare, verständliche Begründung, wenn die KI eine Anfrage ablehnt
- Und die Möglichkeit, mit nur einem Schritt an einen Menschen zu eskalieren, der sofort den vollständigen Verlauf sieht, sodass Kunden sich nicht wiederholen müssen.
Wenn Agenten Erstattungen veranlassen, Bestellungen ändern oder in Händlersystemen handeln können, haben Fehler finanzielle Folgen. Wie setzen Sie Berechtigungen durch, verhindern doppelte oder nicht autorisierte Aktionen und rekonstruieren, was passiert ist, wenn etwas schiefgeht?
Jeder Agent erhält genau die Zugriffsrechte, die er für seine Aufgabe benötigt – und nicht mehr. Wir beschränken diese Rechte auf die konkreten Arbeitsabläufe, denen der Händler zugestimmt hat. Wir verwenden eigene Konten oder API-Tokens, die von den Identitäten der Mitarbeitenden getrennt sind. So kann der Händler den Zugriff jederzeit anpassen, aussetzen oder widerrufen.
Bei Aktionen mit höherem Risiko, etwa hohen Erstattungen, können wir gemäß den Anforderungen des Händlers eine menschliche Prüfung oder Schwellenwerte auf Grundlage von Beträgen und Regeln einrichten. Einem Agenten Zugriff auf ein System zu gewähren, sollte nicht bedeuten, ihm einen uneingeschränkten Handlungsauftrag zu erteilen.
Jede Systemaktion wird mit Zeitpunkt, ausgeführter Handlung und Auslöser protokolliert. Geht etwas schief, haben wir so eine Aufzeichnung, anhand derer wir den Vorfall gemeinsam mit dem Händler untersuchen, bei der Rückabwicklung helfen und die Regeln anschließend verschärfen können.
Mit 1-Click Resale erstellen Agenten Inserate, legen Preise fest und koordinieren Verkäufe auf mehreren Marktplätzen. Wie überprüfen Sie Produktbeschreibungen und Preise und verhindern, dass ein Artikel zweimal verkauft wird, wenn Aktualisierungen auf den Marktplätzen verzögert eintreffen?
Unsere Resale-Agentur übernimmt die Arbeit, die Verkäufer üblicherweise lieber vermeiden. Sie prüft anhand des Fotos des Kunden den Zustand des Artikels, legt den Preis anhand des Marktes fest, erstellt das Inserat und nimmt es offline, sobald der Artikel verkauft ist.
Die Beschreibungen basieren auf Daten, über die wir bereits verfügen. Da der Artikel aus einer Bestellung bei einem Händler stammt, nutzt die Agentur den ursprünglichen Produkteintrag als Grundlage. Bei der Preisgestaltung orientieren wir uns an den tatsächlich erzielten Preisen vergleichbarer Artikel und berücksichtigen den Zustand. Der Kunde bestätigt das Angebot, bevor wir fortfahren; unser Team kümmert sich um das Inserat und ergänzt gegebenenfalls fehlende Angaben.
Ziel ist es, den Weiterverkauf einfacher zu machen, damit Kunden noch einen Gegenwert für Artikel erzielen können, die sie nicht mehr möchten – auch nach Ablauf der Rückgabefrist
Welche betrieblichen Herausforderungen haben Sie dazu bewogen, Seels LLM Gateway zu öffnen, und wie wählen Sie je nach Aufgabe Modelle anhand von Zuverlässigkeit, Latenz und Kosten aus? Bewerten Sie die Wirtschaftlichkeit pro Modellaufruf oder pro erfolgreich abgeschlossenem Kundenvorgang?
Wir haben es zunächst für uns selbst entwickelt. Bei der Entwicklung von Seel Agencies zur Ausführung unserer eigenen Arbeitsabläufe haben wir gelernt, dass KI im großen Maßstab einen disziplinierten Umgang mit der Auswahl von Modellen erfordert. Wir brauchten Skalierbarkeit, Zuverlässigkeit, Zugang zu den besten Modellen und vorhersehbare Stückkosten – also haben wir die nötige Infrastruktur aufgebaut. Händler spürten denselben schleichenden Kostenanstieg, Modell für Modell und Anfrage für Anfrage. Deshalb haben wir die Infrastruktur auch für sie geöffnet.
Wir leiten Anfragen je nach Aufgabe an ein Modell weiter. Eine Bestellnummer aus einer E-Mail herauszusuchen, erfordert nicht dasselbe Modell wie die Bearbeitung eines komplizierten, mehrstufigen Problems. LLM Router bewertet die Komplexität der Anfrage und leitet sie an eines der Modelle weiter, die der Kunde zugelassen hat. Kunden entscheiden sich für Leistung, Kosteneinsparungen oder eine ausgewogene Kombination aus beidem. So können sie festlegen, wie stark sie bei einfacheren Aufgaben Kosten einsparen möchten.
Zuverlässigkeit und Latenz müssen sich auch bei der tatsächlichen Arbeitslast bewähren. Wir empfehlen, Qualität, Antwortzeit und Kosten zu testen, bevor die Weiterleitung stärker auf Kosteneinsparungen ausgerichtet wird. Bei komplexen Arbeitsabläufen oder Aufgaben, die eine strikte Einheitlichkeit erfordern, können Kunden ein bestimmtes Modell festlegen, statt die automatische Weiterleitung zu nutzen.
LLM Router berechnet die Nutzung der Modelle, nicht den Abschluss einzelner Kundenvorgänge. Beim intelligenten Routing wird Ihnen der Tarif des Modells berechnet, das tatsächlich zum Einsatz kommt. Die Kosten für die Bewertung der Anfragekomplexität als Grundlage für die Routing-Entscheidung übernimmt Seel.
Was hat Seel Ihnen als Gründerinnen und Gründern von KI-Unternehmen über den Unterschied zwischen einer beeindruckenden Demonstration und einem Dienst gezeigt, auf den sich Kunden verlassen können? Welche Nachweise sollten Händler verlangen, bevor sie einer KI-Agentur eine ganze Geschäftsfunktion anvertrauen?
Eine Demo zeigt, dass das System einmal funktioniert. Ein Dienst beweist, dass es auch beim zehntausendsten Fall um 2 Uhr nachts funktioniert, wenn die API des Versanddienstleisters ausgefallen und der Kunde verärgert ist. Die größte Herausforderung war nie das Modell. Es sind schlechte Daten, widersprüchliche Systeme und die Frage, wann die KI nicht handeln sollte.
Händler sollten Nachweise verlangen, keine Demos. Welchen Anteil der Fälle löst die Agentur vollständig? Wie lange dauern ihre Lösungen, und wie hoch sind ihre Wiederkaufraten – über die bloße Vermeidung von Support-Tickets hinaus? Wenn etwas schiefgeht: Wer trägt die Kosten, wie schnell wird reagiert, und können Sie genau nachvollziehen, was die Agentur getan hat? Und wie viele Mitarbeitende sind für den Betrieb nötig?
Vielen Dank für das großartige Interview. Leserinnen und Leser, die mehr über KI-Agenturen, Services nach dem Kauf und Automatisierung im E-Commerce erfahren möchten, sollten Seel besuchen.












