Was ein Customer Intelligence Agent ist, und warum KI als Nächstes die CX-Dashboards ersetzt

Rund fünfzehn Jahre lang blieb die Antwort auf «Wie hört das Unternehmen den Kunden?» dieselbe: Umfrage durchführen, NPS berechnen, aufs Dashboard stellen, monatlich präsentieren. Alles ausserhalb des Drehbuchs (warum sind die Detraktoren in der Schaden-Journey letzte Woche hochgeschnellt, welches Segment treibt das Abwanderungssignal, was soll das Filialnetz dagegen tun) wurde zum Ticket für das Insights-Team.

Dieses Modell ächzt, wohin ich auch schaue. Das Dashboard beantwortet eine Frage, die jemand beim Entwurf des Setups vorausgesehen hat, und fast nie die, die im heutigen Steuerungsausschuss gestellt wird. Ein Score ohne Geschichte ist eine Zahl, die darauf wartet, ignoriert zu werden.

Die Technologie, die es ablösen soll, wird recht leichtfertig benannt: der Customer Intelligence Agent. Der Begriff deckt alles ab, vom Sentiment-Widget, das an ein Umfragetool geschraubt ist, bis zum wirklich autonomen Analysesystem. Es lohnt sich also, genau zu sein, was die Kategorie tatsächlich verlangt, und ich nehme InsightNarrator, die agentische Schicht, die wir bei sandsiv+ gebaut haben, als durchgehendes Beispiel, weil ich das System von innen kenne.

Was ein Customer Intelligence Agent eigentlich ist

Ohne Jargon ist ein Customer Intelligence Agent Software, die bei Routinefragen das tut, was eine erfahrene Fachperson im Insights-Team tut. Eine Führungskraft fragt: «Was treibt den NPS-Rückgang in unserer Schaden-Journey in diesem Quartal, und was kostet er uns?» Der Agent klärt, welche Feedbackquellen relevant sind, was «Schaden-Journey» im Touchpoint-Modell dieses Unternehmens bedeutet und welches Zeitfenster zählt, führt die Analyse über strukturierte Scores und unstrukturierte Verbatims aus, prüft, ob der Befund statistisch trägt, beziffert die geschäftliche Wirkung und liefert eine Erzählung mit Belegen. In Minuten, nicht Wochen.

Genauer gesagt ist es eine Schleife:

1. Eine Frage in natürlicher Sprache entgegennehmen, von einer Person, einem geplanten Auslöser oder einer Alert-Schwelle.
2. Kontext abrufen: welche Journeys und Touchpoints es gibt, wie Kennzahlen definiert sind, was das Fachvokabular bedeutet (ein «Storno» in der Versicherung ist kein Tippfehler), was frühere Analysen ergeben haben.
3. Die Analyse erzeugen: nicht eine Abfrage, sondern ein abgestimmtes Bündel analytischer Aufgaben über Sentiment, Themen, Segmente, Trends und Risiko.
4. Das Ergebnis an Qualitätskriterien prüfen, bevor es jemand sieht.
5. Aus Korrekturen lernen, damit derselbe Fehler nicht zweimal passiert.

Die Schritte vier und fünf unterscheiden einen Agenten von einem Chatbot. Ein Chatbot gibt die erste plausible Zusammenfassung zurück, die das Modell erzeugt. Ein Agent prüft seine Arbeit.

In InsightNarrator ist diese Schleife ausdrückliche Architektur, kein Vorsatz. Der Orchestrator (NarratorGPT) zerlegt die Frage, spezialisierte Agenten führen aus, ein Quality Auditor beurteilt das Ergebnis, bevor es rausgeht. Mehr dazu weiter unten.

Agent, Copilot, Sentiment-Widget: nicht dasselbe

In der CX werden diese Begriffe austauschbar verwendet, und das sollten sie nicht.

Ein Sentiment-Widget ist eine dünne Klassifikationsschicht. Es markiert jedes Verbatim als positiv/negativ/neutral und zeichnet ein Tortendiagramm. Es hat keine Ahnung, was das Feedback fürs Geschäft bedeutet, kein Gedächtnis für dein Journey-Modell und keine Möglichkeit, eine Beschwerde über «drei Wochen Warten auf die Auszahlung» mit einem Abwanderungsrisiko in einem bestimmten Segment zu verbinden.

Ein Copilot unterstützt eine Fachperson, die die Analyse selbst macht. Sie baut den Report, der Copilot schlägt ein Diagramm vor oder entwirft einen Absatz. Der Mensch bleibt im Loop, und ein schlechter Vorschlag kostet ungefähr nichts.

Ein Customer Intelligence Agent macht die Arbeit. Die CX-Leitung stellt eine Frage und bekommt eine belastbare Antwort, ohne Analysten zwischen Frage und Antwort. Diese eine Änderung, vom Unterstützen zum Handeln, schreibt jede Anforderung neu. Ein Copilot darf raten, ein Agent nicht. Wenn ein Copilot versagt, ist ein Tastendruck verschwendet. Wenn ein Agent versagt, hat eine falsche Erkenntnis ein Budget zur Kundenbindung geprägt.

Warum CX-Dashboards nicht mithalten

Das Argument für Agenten beginnt bei dem, was VoC-Dashboards strukturell nicht können. Ein Dashboard ist eine feste Antwort auf eine erwartete Frage: Kennzahlen, Schnitte und Filter, festgelegt bei der Konfiguration der Plattform, Monate bevor es die Lage gab, die die heutige Frage auslöst.

Wer VoC betreibt, kennt das Muster:

• Wiederkehrende Fragen dominieren. «Warum hat sich der Score bewegt?» wird nach jeder Welle gefragt, und das Dashboard zeigt, dass er sich bewegt hat, nie warum.
• Insights-Teams werden zu Reportfabriken. Zeit für strategische Analyse geht dafür drauf, dasselbe Quartalsdeck mit neuen Zahlen zu produzieren.
• Die Verbatims bleiben ungelesen. Unternehmen sammeln Millionen Freitextantworten, ein menschliches Team kann eine Stichprobe gründlich lesen. Das Signal in den übrigen 97 % verfällt ungeprüft.
• Die Halbwertszeit einer Erkenntnis ist kurz. Eine Ursachenanalyse, die drei Wochen nach der Geschäftsleitungssitzung kommt, ist nichts wert, so richtig sie auch ist.

Mehr Dashboards zu bauen löst das nicht. Die Frage ausserhalb des Drehbuchs zu beantworten, mit Belegen, über alle Daten, am Tag, an dem sie gestellt wird, ist genau die Stellenbeschreibung des Agenten.

Warum die meiste VoC-KI scheitert: Das Vertrauen bricht ein

Wenn Agenten so nützlich sind, warum bleiben die meisten Versuche stecken? Weil das Vertrauen einbricht. Die Demo beeindruckt: Der Agent fasst zehntausend Bewertungen in einer Minute zusammen, die Geschäftsleitung nickt. Dann geht er live, liefert innert weniger Wochen genug oberflächliche oder falsche Befunde, und niemand öffnet ihn wieder.

«Das Vertrauen bricht ein» zerfällt in drei Dimensionen:

• Genauigkeit. Hat er analysiert, was gefragt war? Eine Analyse kann technisch einwandfrei sein (die Sentiment-Scores stimmen) und trotzdem falsch (falscher Touchpoint, falsches Segment, generische Themen, die jedes Unternehmen der Welt beschreiben).
• Zuverlässigkeit. Kommt er aus denselben Daten zu konsistenten Schlüssen, und weist er auf seine eigene Unsicherheit hin, statt sie zu verstecken?
• Richtigkeit für dieses Unternehmen. «Abwanderungsrisiko» heisst bei einem Telko die Nichtverlängerung des Vertrags, bei einer Bank den Abfluss von Einlagen, bei einer Versicherung das Erlöschen der Police. Dieselben Worte, drei verschiedene Analysemodelle.

Alle drei brechen ohne eine Sache darunter zusammen: Kontext. Es ist kein Modellproblem. Frontier-Modelle fassen Text wunderbar zusammen. Das Versagen liegt weiter vorne: Das System kennt dein Journey-Modell nicht, deine Kennzahlendefinitionen nicht und dein Fachvokabular nicht.

Genau dieses Problem geht das Design von InsightNarrator an, mit drei Mechanismen:

Verankerung in der Branche. Ein Domain-Expert-Agent bringt branchenspezifisches Wissen mit (regulatorischer Kontext, Terminologie, wie «normal» im Banking im Vergleich zur Telekommunikation aussieht), damit Themen nicht generisch sind. «Kommunikationsprobleme» ist ein nutzloser Befund, «Versicherte erhalten zwischen Schadenmeldung und Regulierungsentscheid keinen Statusbericht, ein Schweigefenster von 22 Tagen» ist ein umsetzbarer.

Aspektbasiertes Sentiment (ABSA). Statt ein ganzes Verbatim als «negativ» zu bewerten, zerlegt das ABSA-Modul es: Der Kunde mochte den Berater (positiv), hasste das Login der App (negativ) und ist beim Preis neutral. Eine Bewertung, drei Aspekte, drei verschiedene Verantwortliche im Unternehmen. Sentiment auf Dokumentebene mittelt das zu Brei, Sentiment auf Aspektebene leitet es an die Leute weiter, die handeln können.

Kalibrierte Risikoklassifikation. Das C-Risk-System ordnet Abwanderungssignale nach ausdrücklichen Kriterien in definierte Schweregrade ein, statt das Modell frei einen «Risiko-Score» erfinden zu lassen. Definierte Kriterien machen das Ergebnis über alle Durchläufe konsistent, die Dimension Zuverlässigkeit von oben.

Wie der Schwarm arbeitet, Schritt für Schritt

Die Architektur von InsightNarrator heisst SAJI, Swarm-Assisted Journey Intelligence. Die Wette des Designs: Ein generalistisches Modell mit dem Prompt «analysiere dieses Feedback» liefert Oberflächliches, ein koordinierter Schwarm eng spezialisierter Agenten liefert Ergebnisse auf Analystenniveau. In der Praxis:

1. Orchestrierung. NarratorGPT nimmt die Frage entgegen, löst Mehrdeutigkeiten anhand des Journey-Modells auf und zerlegt sie in Aufgaben. «Was schadet uns im Onboarding?» wird zu: Sentiment nach Touchpoint, Themenextraktion, Segmentvergleich, Trendprüfung, Risikoscan, Bezifferung der Wirkung.
2. Ausführung durch Spezialisten. Jede Aufgabe geht an einen eigenen Agenten: SentimentAI (emotionales Signal, inklusive ABSA), ThemeMapper (worüber Kunden wirklich reden), SegmentLens (wer betroffen ist, denn der Durchschnitt verdeckt alles), TrendRadar (ist das neu, wachsend oder chronisch), RiskAlert (C-Risk-Klassifikation von Abwanderungs- und Eskalationssignalen), ein Data-Scientist-Agent (statistische Validierung: Ist dieser Unterschied echt oder Rauschen) und der Friction Economist, der Reibung in Geld übersetzt: Was kostet dieses Schweigefenster von 22 Tagen an erloschenen Policen und eingehenden Anrufen? Der Friction Economist ist der Agent, dem die Geschäftsleitung tatsächlich zuhört, weil er Sentiment in einen Business Case verwandelt.
3. Synthese. Ein Synthesis Analyst fügt die Ergebnisse der Spezialisten zu einer stimmigen Erzählung zusammen: Befunde, Belege, bezifferte Wirkung, empfohlene Massnahmen. Keine Wand aus Diagrammen, sondern eine Geschichte, die ein Verwaltungsratsmitglied in vier Minuten lesen kann.
4. Validierung, der Goal-Loop. Bevor etwas rausgeht, bewertet ein Quality Auditor das Ergebnis an ausdrücklichen Kriterien: Ist jede Aussage durch Daten gestützt, sind die Stichproben gross genug, passt die Risikoklassifikation zu den definierten Stufen, beantwortet die Erzählung die gestellte Frage? Fällt das Urteil negativ aus, geht die Arbeit mit einzeln aufgeführten Befunden zurück, und die Schleife läuft erneut. Entscheidend: Der Evaluator ist architektonisch von den ausführenden Agenten getrennt. Ein Agent korrigiert nie seine eigenen Hausaufgaben. Diese Trennung von Ausführung und Bewertung ist die eine Designentscheidung, die Produktivsysteme am stärksten von Demos unterscheidet.
5. Vorlagen als institutionelles Gedächtnis. Das System für eigene Vorlagen hält fest, wie eine bestimmte Organisation ihre Analysen aufbereitet haben will (ihre Kennzahlendefinitionen, ihre Reportstrukturen, ihre Eskalationsschwellen), damit Korrekturen und Präferenzen bestehen bleiben, statt zwischen den Sitzungen zu verdunsten.

Demoreif oder produktionsreif

Eine funktionierende Demo ist einfach. Ein produktiver Einsatz, dem ein Unternehmen Millionen Verbatims anvertraut, ist schwierig, und die Lücke dazwischen füllt unspektakuläre Technik: die Bewertungsschleife von oben, ausdrückliche Guardrails dafür, was der Agent folgern darf und was nicht, statistische Validierung, bevor irgendwo von einem «Trend» die Rede ist, ehrliche Fehlermodi («zu wenig Daten für dieses Segment» statt eines erfundenen Befunds) und bezifferte Konfidenz bei Risikoklassifikationen.

Das Erkennungszeichen, wenn du einen Anbieter in diesem Feld prüfst, ist dasselbe wie bei Analytics-Agenten allgemein. Frag nicht, welches Modell sie nutzen, alle haben dieselben Modelle. Frag: Wie bildet ihr unsere Journey- und Kennzahlendefinitionen ab, wie validiert ihr eine Erkenntnis, bevor wir sie sehen, und was passiert, wenn wir euch korrigieren? Wenn die Antwort auf die zweite Frage nicht ein separater Evaluator mit ausdrücklichen Kriterien für bestanden oder nicht bestanden ist, hast du eine Demo vor dir.

Wohin das führt: von der Erkenntnis zur Entscheidung

Dashboards sind nicht tot. Für die feste, erwartete Kennzahl bleiben sie das richtige Werkzeug. Was sich ändert, ist alles rundherum: die Frage ausserhalb des Drehbuchs, die Ursache, das «Na und?», das «Was kostet uns das?». Diese Arbeit übernehmen Customer Intelligence Agents.

Aber das Ziel ist nicht besseres Reporting. Sobald ein Agent verlässlich vom rohen Feedback zu validierten, bezifferten, unternehmensspezifischen Befunden kommt, ist der natürliche nächste Schritt, den Kreis zur Handlung zu schliessen: Systeme zur Kundenbindung speisen, Produkt-Backlogs priorisieren, Service Recovery auslösen. Wir nennen diese Schicht Decision Orchestration: der Agent als Harness zwischen dem, was Kunden sagen, und dem, was die Organisation daraus macht.

Das Modell war nie der Engpass. Kontext, Validierung und die Disziplin, einen unabhängigen Evaluator sagen zu lassen «nicht gut genug, noch einmal», waren es immer.

Zuerst auf LinkedIn veröffentlicht am 27. Juli 2026.