Ein Kunde reklamiert, der Service kümmert sich um den Fall. Wenige Stunden später landet ein Newsletter mit 15 Prozent Rabatt auf genau dieses Produkt in seinem Postfach. Marketing und Service haben korrekt gearbeitet, nur wusste keiner vom anderen.
Solche Pannen sind kein Technologie-, sondern ein Datenproblem. Automatisierte Workflows, wie viele KMU sie bereits nutzen, spielen falsche Informationen schnell und in grossem Stil aus. Ein KI-Agent, der selbst entscheidet, verstärkt das noch. Wer Kundenprozesse automatisieren will, braucht deshalb zuerst eine verlässliche Datenbasis. Wie KMU dabei pragmatisch vorgehen, zeigt dieser Beitrag.
Symbolbild topsoft
Erst verstehen, dann aufräumen
Das Problem lässt sich klar benennen: Kundendaten liegen verteilt in getrennten Systemen, sogenannten Datensilos. Marketing, Vertrieb und Service führen jeweils ihre eigene Sicht auf den Kunden und niemand sieht das ganze Bild. Die Folge sind widersprüchliche, doppelte oder veraltete Einträge und damit Fehler und falsche Entscheidungen, von der unpassenden Kampagne bis zum Agenten, der auf falschen Informationen handelt.
Wie verbreitet das ist, zeigt die Salesforce-Studie «State of Marketing» von 2026: 98 Prozent der Marketingverantwortlichen stossen bei der Personalisierung auf Datenhürden, vor allem durch Datensilos und schlechte Datenqualität.
Eine saubere Datenbasis heisst konkret: Ein Kunde ist im System einmal vorhanden, nicht fünfmal unter leicht unterschiedlichen Namen in fünf Tools. Adresse, Kontaktverlauf, Käufe und Serviceanfragen sind konsistent und aktuell. Im B2B gilt dasselbe für Ansprechpersonen und Unternehmen: Es muss klar sein, wer zu wem gehört und was ihm bereits kommuniziert wurde.
Dass KI-Projekte an den Daten scheitern und nicht an der Technologie, hat einen einfachen Grund: Die Modelle sind heute sehr leistungsfähig. Trifft ein Agent aber auf widersprüchliche Daten, entscheidet er falsch. Und dieses eine schlechte Erlebnis reicht, damit ein Unternehmen dem ganzen Ansatz misstraut.
Ob das eigene Unternehmen von einer suboptimalen Datenqualität betroffen ist, zeigt ein einfacher Test: Wie viele aktive Kunden haben wir? Liefern Marketing, Vertrieb und Service drei verschiedene Antworten, besteht Handlungsbedarf. Weitere Symptome sind Lead-Übergaben, bei denen Informationen verloren gehen, oder zwei Teams, die denselben Kunden am selben Tag mit unterschiedlichen Botschaften anschreiben.
Klein anfangen statt alles umpflügen
KMU müssen dafür nicht die gesamte IT-Landschaft umbauen. Man startet nicht bei den Daten, sondern bei einer Frage: Welche Kundeninteraktion wollen wir verbessern? Davon ausgehend bestimmt man die wenigen Datenfelder, die dafür wirklich nötig sind. So vermeidet man das endlose «Wir räumen erst mal alles auf»-Projekt.
Drei Grundlagen reichen für den Start: eine eindeutige Kunden-ID über alle Systeme, klare Verantwortlichkeiten für die Datenpflege und ein Minimalset an Pflichtfeldern. Als erster Schritt eignet sich ein einzelner Prozess, etwa die Übergabe eines Leads von Marketing an den Vertrieb. Dort macht man die Datenflüsse sichtbar und klärt gemeinsam mit den Teams, nicht nur mit der IT, welche Daten für welche Entscheidung gebraucht werden. Die Kunden-ID definiert man, bevor man über Tools spricht.
Verbinden statt ersetzen
Technisch gilt das Prinzip «verbinden statt ersetzen». In der Praxis kombiniert man meist beides: Eine zentrale Datenschicht, etwa eine Customer Data Platform, speist sich über Schnittstellen aus den bestehenden Fachsystemen, statt alles in ein einziges Monolith-System zu zwingen. Für die meisten KMU ist das realistischer, als sämtliche Tools zu ersetzen.
Damit die Zusammenführung gelingt, müssen Kunden systemübergreifend eindeutig erkannt werden. Das läuft über Identity Resolution: Man verknüpft Datensätze anhand mehrerer Merkmale (E-Mail, Telefonnummer, Kundennummer, Verhaltensmuster) mit Konfidenzregeln, statt sich auf ein einzelnes Feld zu verlassen, das leicht fehlerhaft erfasst wird.
Berechtigt ist die Sorge vor Abhängigkeit, wenn ein Anbieter alles abdeckt. Sie lässt sich über die Architektur steuern: Die Datenschicht sollte auf offenen Standards basieren, und die Daten müssen exportierbar bleiben. Dann bleibt die Abhängigkeit überschaubar, selbst bei einer integrierten Plattform. Das grössere Risiko sind meist proprietäre, nicht dokumentierte Dateninseln, die später niemand mehr sauber migrieren kann.
Personalisierung, die wirklich hilft
Gute Personalisierung heisst, dass die Botschaft zum Moment passt, nicht nur zur Person. Wer gerade eine Serviceanfrage abgeschlossen hat, braucht am nächsten Tag keine Werbung für dasselbe Produkt, sondern vielleicht die Nachfrage, ob alles gelöst wurde. Aufdringlich wird es, wenn Frequenz und Relevanz nicht mehr zusammenpassen: Viele Kontakte, wenig Mehrwert.
Dafür braucht es nicht sofort komplexe KI. Das zeigt das Prinzip der «Next Best Action»: Auf Basis dessen, was man über einen Kunden weiss, wird die sinnvollste nächste Handlung vorgeschlagen, etwa ein Anruf, eine bestimmte E-Mail, ein Angebot oder auch: aktuell gar nichts. Schon einfache Regeln sind eine Form davon: Bei Warenkorbabbruch folgt eine Erinnerung, bei offener Reklamation pausiert die Werbung.
Ohne gute Datenbasis passiert das Gegenteil. Kunden erhalten Angebote für Produkte, die sie schon gekauft haben, oder landen in einer generischen Kampagne, obwohl sie gerade ein Problem hatten. Die Folge ist nicht nur verschenktes Budget, sondern Vertrauensverlust. Für ein KMU, das von Stammkunden lebt, ist das teurer als jede verpasste Kampagne.
Ob Massnahmen wirken, zeigen wenige Kennzahlen, die man nicht isoliert betrachten sollte: Öffnungs- und Klickrate im Verhältnis zur Kontaktfrequenz, die Abmelderate als Frühwarnsignal, die Conversion pro Schritt der Customer Journey, die Bearbeitungszeit im Service und als übergeordnete Grösse die Wiederkaufrate bzw. der Customer Lifetime Value.
Die Kundenzufriedenheit misst man am besten direkt nach einer Interaktion mit einer Kurzumfrage: Mit dem CSAT (Customer Satisfaction), dem NPS (Net Promoter Score) oder dem CES (Customer Effort Score). Über die Kunden-ID lassen sich die Antworten dem richtigen Fall zuordnen.
Was KI-Agenten anders machen
Ein Chatbot folgt im Kern vordefinierten Dialogpfaden und beantwortet Fragen, ein klassischer Workflow arbeitet feste Regeln ab. Ein KI-Agent versteht dagegen eine Zielsetzung, plant mehrere Schritte selbstständig und führt sie aus. Bei einer Reklamation schlägt er den Fall im CRM nach, prüft den Bearbeitungsstand, löst eine Gutschrift aus und verschickt eine Bestätigung.
Technisch setzt das genau die beschriebene vernetzte Datenbasis voraus: Ein Agent ohne verlässlichen Datenzugriff kann nicht handeln, nur reden. Dazu braucht es klare Freigabe- und Eskalationsregeln. Was darf der Agent autonom tun, wo muss ein Mensch bestätigen? Für Aktionen wie eine Gutschrift braucht er definierte Berechtigungen, bei kritischen Entscheidungen gibt ein Mensch frei.
Der Mehrwert liegt vor allem bei wiederkehrenden, gut strukturierten Aufgaben: Terminanfragen, Statusabfragen, einfache Serviceanliegen oder die Vorqualifizierung von Leads ausserhalb der Bürozeiten. Das entlastet Mitarbeitende für die Fälle, die wirklich menschliches Urteilsvermögen brauchen. So können nicht nur personelle Ressourcen besser eingesetzt, sondern auch die Customer Journey erheblich verbessert werden.
Ein Beispiel aus der Praxis: Oviva
Wie das aussieht, zeigt Oviva. Der europäische Anbieter digitaler Betreuung bei gewichtsbezogenen Gesundheitsthemen erhielt über den In-App-Chat monatlich über 300'000 Nachrichten. Viele davon waren wiederkehrende Fragen, die sich schnell beantworten liessen, aber einzeln bearbeitet werden mussten.
Seit Juli 2025 setzt Oviva auf Salesforce Agentforce, integriert in die bestehende Salesforce-Infrastruktur samt Service Cloud. Die KI-Agenten beantworten häufige Fragen sofort. Laut Salesforce konnten damit etwa 50 Prozent der Kundenanfragen von der Künstlichen Intelligenz bearbeitet werden und kamen nicht zum Support, 40 Prozent der operativen Anliegen wie Passwort-Resets oder die Zuweisung von Ernährungsberatenden werden vollständig automatisiert gelöst.
Der Fall zeigt, worauf es ankommt: ein klar abgegrenzter Anwendungsbereich mit hohem Volumen und überschaubarem Risiko.
Lieber ein guter Pilot als ein Agent für alles
Das Risiko hängt stark vom Startpunkt ab. Wer mit einem unternehmensweiten «Agenten für alles» beginnt, riskiert hohe Kosten und einen unklaren Nutzen. Wer mit einem einzelnen, klar abgegrenzten Anwendungsfall startet, hält Investition und Risiko überschaubar und kann den Nutzen schon nach wenigen Wochen beziffern.
Ein guter Start ist hochfrequent, aber risikoarm, zum Beispiel Rückfragen zum Bestellstatus oder einfache Terminvereinbarungen. Nicht der komplexeste, sensibelste Prozess im Unternehmen. Ein sinnvoller Pilot dauert meist sechs bis zehn Wochen inklusive Auswertung.
Entschieden wird anhand von Kriterien, die vor dem Start feststehen: Zeitersparnis pro Fall, Kundenzufriedenheit im Vergleich zum bisherigen Prozess sowie Fehlerquote bzw. Eskalationsrate. Erst wenn diese Zahlen vorliegen, redet man über Ausbau, Anpassung oder Stopp.
Die Checkliste für KMU
- Einen konkreten, begrenzten Anwendungsfall wählen, nicht «alles auf einmal».
- Datenqualität prüfen und, wenn nötig, eine eindeutige Kunden-ID über die wichtigsten Systeme einführen.
- Verantwortung für Datenqualität, Einwilligungen, Datenschutz und Berechtigungen klar zuweisen.
- Erfolgskriterien und drei bis fünf Kennzahlen festlegen, bevor der Pilot startet.
- Pilot durchführen, auswerten und erst dann über den Ausbau entscheiden.
Der Weg zum KI-Agenten beginnt nicht mit möglichst viel Technologie, sondern mit einem klaren Problem und verlässlichen Informationen. Entscheidend ist nicht, wie viel ein Agent erledigen kann, sondern ob er es richtig tut.
Die Autorin
Pascale AI Anwar ist Area Vice President und Head of Cloud Sales bei Salesforce in Zürich. Sie verantwortet das Geschäft mit Cloud-Lösungen und kennt die Themen Marketing, KI und Kundendaten aus über acht Jahren in verschiedenen Rollen bei Salesforce.