KI im Kundenservice: Wie der Mittelständler Burnhard 30 Prozent seiner Anfragen automatisiert hat

Warum der Kundenservice ein idealer KI-Einstieg ist

Der Kundenservice hat drei Eigenschaften, die ihn zu einem guten KI-Einstiegspunkt machen: hohes Volumen, wiederkehrende Anliegen, klar messbarer ROI. Anders als bei strategischen KI-Projekten lässt sich hier in wenigen Wochen zeigen, ob die Technologie funktioniert.

Laut Bitkom-Studie 2026 ist künstliche Intelligenz im deutschen Mittelstand 2026 in 41 Prozent der Unternehmen produktiv im Einsatz – Verdopplung gegenüber dem Vorjahr. Der Salesforce-DMB-KI-Mittelstandsindex 2026 zeigt zusätzlich: Der Einsatz von KI Agenten hat sich binnen eines Jahres fast verdoppelt, 16,6 Prozent der Mittelständler:innen nutzen KI-Agenten bereits aktiv.

Im Kundenservice wirkt künstliche Intelligenz dabei besonders schnell. Die Bearbeitungszeit für Routinefragen sinkt, Mitarbeitende werden entlastet, Kund:innen bekommen schneller Antworten. Was in der Praxis funktioniert, sind klar abgegrenzte Use Cases. Was scheitert, sind unfokussierte KI-Initiativen, die "irgendwie alles automatisieren" wollen. Der Burnhard-Case ist ein gutes Beispiel für den ersten Weg.

‍

Vier konkrete Einsatzfelder im Kundenservice

1. KI-Chatbots für wiederkehrende Anfragen

Der Klassiker im Kundenservice. KI-Chatbots beantworten Anfragen zu Lieferstatus, Rechnungen, Öffnungszeiten und Produktverfügbarkeit – das sind 40 bis 60 Prozent aller Tickets in den meisten Mittelstands-Unternehmen. Moderne KI Chatbots beantworten diese Kundenanfragen nicht mehr aus starren FAQ-Bäumen, sondern in natürlicher Sprache und mit Zugriff auf Live-Daten aus ERP, Tracking und CRM.

KI Chatbots eignen sich besonders gut für Kund:innen, die schnelle Antworten suchen – außerhalb der Geschäftszeiten oder bei einfachen Standardfragen. Bei Burnhard waren genau das die ersten beiden Use Cases: Lieferstatus und Produktberatung. Zusammen machten sie fast die Hälfte aller Tickets aus.

2. Voice-Agents für telefonische Anfragen

KI-Voice-Agents führen vollständige Telefongespräche, identifizieren Anrufer:innen anhand der Kundennummer, beantworten Standardfragen und leiten komplexere Anliegen an Mitarbeitende weiter. KI Agenten dieser Art entwickeln sich 2026 schnell weiter. Anbieter wie Parloa (Berlin) oder octonomy zeigen, dass die Technologie für Mittelstand und Konzern produktiv einsetzbar ist – inklusive deutscher Datenhaltung.

Voice-Agents lohnen sich besonders dort, wo Anrufvolumen hoch und Anliegen wiederkehrend sind: Lieferstatus, Terminvereinbarung, Rechnungsfragen. Zusätzlicher Vorteil: Wartezeiten reduzieren sich drastisch, weil viele Anrufe sofort beantwortet werden. Bei komplexer Beratung stoßen Voice-Agenten allerdings noch an Grenzen – dann übernimmt ein Mensch.

3. KI-gestützte Antwortvorschläge für Service-Teams

Statt vollautomatisch zu antworten, schlägt die KI dem Support-Team einen Antwortentwurf vor, auf Basis vergangener Tickets und der aktuellen Kundenhistorie. Das Team prüft, passt an, sendet. Tools wie Zendesk AI oder Salesforce Einstein bieten diese Variante.

Vorteil: Die Service-Qualität bleibt hoch, das Team wird schneller und die Wartezeiten sinken. Mitarbeitende behalten die Kontrolle über die Kommunikation. Nachteil: Die Skalierung ist begrenzt. Jede Antwort braucht weiterhin einen Menschen.

4. Automatisches Ticket-Routing und Priorisierung

Eingehende E-Mails, Chats und Anrufe werden von der KI nach Thema, Dringlichkeit und Komplexität sortiert und an die richtige Person geroutet. Sentiment-Analyse erkennt frustrierte Kund:innen und priorisiert deren Anliegen. Das ist oft der unauffälligste, aber wirksamste KI-Einsatz im Kundenservice und reduziert Wartezeiten bei dringenden Fragen erheblich.

‍

Der Burnhard-Case: Wie ein BBQ-Mittelständler 30 Prozent Kosten gespart hat

Burnhard ist Deutschlands größte D2C-Marke für Gasgrills und Outdoor-Cooking, gegründet 2018 in Düsseldorf. Wer das Unternehmen kennt, weiß: Es gibt Kund:innen, die sich das Burnhard-Logo tätowieren lassen. Die Community auf Social Media ist groß und laut, der Word-of-Mouth-Anteil am Umsatz hoch. Das macht die Marke stark – aber auch besonders verletzlich, wenn der Kundenservice nicht liefert.

Dazu kommt das saisonale Geschäftsmodell. Ab März steigen die Verkäufe stark, im Sommer ist das Service-Team an der Belastungsgrenze. In der Vergangenheit hieß das: Überlastung, lange Wartezeiten, frustrierte Kund:innen. Burnhard brauchte eine Lösung, die skalierbar ist, aber die Qualität nicht opfert.

Auf der d:u26 erklärten Carolin Schubert und Lena Niedziella von Burnhard gemeinsam mit Ludger von octonomy, wie sie das Problem gelöst haben. Drei Punkte aus dem Vortrag sind für andere Mittelständler:innen übertragbar. Den kompletten Vortrag kannst du dir – gemeinsam mit allen anderen Sessions der d:u26 – on demand in der d:u Education-Mediathek ansehen.

Klarer Fokus auf wenige Use Cases

Burnhard hat sich nicht "den Kundenservice automatisieren" vorgenommen, sondern zwei klar abgegrenzte Use Cases: Lieferstatus-Anfragen und Produktberatung vor dem Kauf. Beide machten zusammen fast 50 Prozent aller Tickets aus – die ideale Ausgangsbasis.

Carolin Schubert: "Wir haben geguckt, welche Cases treten besonders häufig auf und welche sind relativ einfach zu lösen und bringen nicht unbedingt einen Mehrwert, wenn ein Mensch das löst." Das ist die richtige Frage zu Beginn jedes KI-Projekts im Kundenservice.

Daten aufbereiten, bevor die KI live geht

Burnhard hat viele Daten gehabt, aber nicht alle waren KI-fähig. Anleitungen, Produktbeschreibungen, FAQ-Texte mussten teilweise umgeschrieben werden, damit der KI-Agent sie an die Kund:innen korrekt ausspielen konnte. Diese Vorarbeit unterschätzen viele Unternehmen.

Technisch löst octonomy ein Problem, das klassische Chatbots nicht beherrschen: Die KI versteht nicht nur Text, sondern auch Zusammenhänge aus visueller Dokumentation. Bei einem Gasgrill mit hunderten Bauteilen und 56 Seiten Anleitung reicht es nicht, dass der Bot Stichworte erkennt. Er muss verstehen, welche Schrauben zu welchem Schritt gehören, welches Ersatzteil zu welchem Modell passt. octonomy nennt das Multi-Agent-Architektur: Spezialisierte Agenten für Produkte, Lieferzeiten, Reklamationen arbeiten zusammen, statt dass ein einzelner Bot alles lösen muss.

Anschließend wurden Systeme angebunden: ERP für Bestelldaten, Tracking-Tool für Lieferinfos, Freshdesk als Kundenservice-Software. Erst durch diese Integration konnte der Bot konkret antworten ("Deine Lieferung kommt am 24. Mai, hier ist die Sendungsnummer") statt nur generisch ("Lieferungen dauern 2-3 Tage").

Schrittweise Einführung statt vollständigem Rollout

Burnhard hat den Bot nicht von einem Tag auf den anderen flächendeckend ausgerollt. In der ersten Phase war er auf der Website optional verfügbar – Kund:innen konnten ihn nutzen oder direkt zu einem Menschen. Das hat zwei Dinge bewirkt: Erstens konnte Burnhard die Qualität in echtem Kundenkontakt testen, ohne ein Risiko einzugehen. Zweitens haben Kund:innen sich freiwillig an die neue Option gewöhnt.

Erst nachdem klar war, dass der Bot funktioniert, wurde er zur zentralen Anlaufstelle. Auch dann blieb die Eskalation zum Menschen immer offen. Wer mit dem Bot nicht weiterkam, konnte jederzeit ins Service-Team wechseln. Diese Reihenfolge ist wichtig: Vertrauen aufbauen, dann skalieren.

Mitarbeitende früh einbinden

"Wenn die Mitarbeiter das als Erleichterung sehen, funktioniert so ein Projekt gut. Sehen sie das als Konkurrenz, wird es schwierig." So bringt es Carolin Schubert auf den Punkt. Burnhard hat das Service-Team in das Testing eingebunden, bevor der Bot live ging. Das Ergebnis: Die Mitarbeitenden trugen das Projekt aktiv mit, statt skeptisch zu sein.

Wichtig dabei: KI Chatbots im Kundenservice sollen Mitarbeitende entlasten, nicht ersetzen. Wenn das Team versteht, dass künstliche Intelligenz repetitive Wiederholungsanfragen übernimmt und mehr Zeit für anspruchsvolle Kundenanliegen bleibt, verändert sich die Haltung gegenüber dem Tool spürbar.

Die Zahlen nach Implementierung

• 30 Prozent aller Service-Anliegen werden automatisiert beantwortet
  
  
• 30 Prozent weniger Personalaufbau in der Hochsaison
  
  
• 30 Prozent geringere Kosten im Kundenservice
  
  
• 82 Prozent positive Rückmeldung ("Daumen hoch") nach Bot-Kontakt
  
  
• 24/7-Verfügbarkeit, auch an Wochenenden und Feiertagen
  
  

Wichtig zur Einordnung: Das sind die Zahlen nach Automatisierung von zwei Use Cases. Burnhard plant weitere – das Potenzial ist also noch nicht ausgeschöpft. Lena Niedziella im Vortrag: "Das Team rund um den Kundenservice hat jetzt wieder Zeit für wertschöpfende Arbeiten. Die Kollegen beantworten nicht 20 Mal am Tag, wann eine Lieferung kommt. Das macht der Bot."

‍

Wie sich der ROI von KI im Kundenservice abschätzen lässt

Bevor Mittelständler:innen in KI-Tools investieren, wollen sie wissen, was der Einsatz konkret bringt. Eine grobe Faustformel hilft bei der ersten Abschätzung.

Die Eckdaten kommen aus dem eigenen Unternehmen: Wie viele Tickets oder Anrufe gehen pro Monat ein? Wie hoch ist der durchschnittliche Aufwand pro Anliegen in Minuten? Was kostet eine Stunde Service-Personal (Lohnkosten plus Overhead)? Wer 5.000 Tickets pro Monat mit je 8 Minuten Bearbeitungszeit hat, kommt auf 667 Stunden Aufwand. Bei 40 Euro Vollkosten pro Stunde sind das knapp 27.000 Euro monatliche Servicekosten.

Realistisch lassen sich davon im ersten Jahr 20 bis 40 Prozent automatisieren – abhängig von Datenqualität und Use-Case-Auswahl. Bei 30 Prozent Automatisierung (wie bei Burnhard) bedeutet das rund 8.000 Euro Einsparung pro Monat. Davon ziehen sich die Tool-Kosten ab: typisch 1.500 bis 5.000 Euro monatlich für eine mittelständische Lösung, dazu einmalige Implementierungskosten zwischen 10.000 und 50.000 Euro.

Die Rechnung zeigt: ROI-positiv wird ein KI-Projekt im Kundenservice meist nach 6 bis 12 Monaten. Was viele Unternehmen vergessen: Die harten Kosten sind nur ein Teil der Bilanz. Dazu kommen weiche Faktoren: höhere Kundenzufriedenheit durch schnellere Antworten, geringere Mitarbeiterfluktuation durch weniger Frustration, bessere Skalierbarkeit in Wachstumsphasen. Bei Burnhard kommt der saisonale Effekt dazu: keine Notwendigkeit mehr, im Sommer kurzfristig Personal aufzubauen.

Auswahlkriterien für unterschiedliche Unternehmensgrößen

Welcher KI-Anbieter im Kundenservice der richtige ist, hängt stark von der Unternehmensgröße und dem Anfragevolumen ab.

Für kleinere Mittelständler:innen bis ca. 50 Mitarbeitende sind oft einfachere SaaS-Lösungen wie Superchat, Tidio oder Intercom Fin sinnvoll. Niedrige Einstiegskosten, schnelle Einrichtung, keine eigene IT nötig. Die Tiefe der Integration ist begrenzt, aber für Basis-Use-Cases reicht es.

Für mittlere bis größere Mittelständler:innen sind spezialisierte Plattformen wie octonomy (Köln), Parloa (Berlin) oder Cognigy interessant. Sie bieten tiefere Systemintegration, Multi-Agent-Architekturen und sind DSGVO-konform mit deutscher Datenhaltung. Implementierungsdauer: zwei bis vier Monate für die ersten Use Cases.

Für Konzerne mit eigener IT lohnt sich oft eine Eigenentwicklung auf Basis von Foundation Models (Claude, GPT, Mistral) und einer Orchestrierungsschicht wie Langdock oder n8n. Höchste Flexibilität, aber auch höchster Aufwand.

In allen Fällen gilt: Achte auf nachweisbare Erfolge im eigenen Branchenkontext, klare Eskalationswege zum Menschen und transparente Preise. Mehr zur grundlegenden Auswahl in unserem Artikel zu KI-Chatbots im Mittelstand.

Die typischen Fallstricke

Drei Fehler tauchen in fast allen KI-Kundenservice-Projekten auf, die scheitern.

Zu viele Use Cases auf einmal. Wer von Tag eins versucht, das gesamte Service-Spektrum zu automatisieren, scheitert an Komplexität. Besser: ein bis zwei klar abgegrenzte Use Cases, dort Qualität sicherstellen, dann erweitern. Burnhard hat es genau so gemacht – mit Lieferstatus-Anfragen und Beratung vor dem Kauf.

Datenqualität unterschätzen. Eine KI ist nur so gut wie die Informationen, mit denen sie arbeitet. Wenn Produktbeschreibungen veraltet, Anleitungen widersprüchlich oder FAQ-Texte unstrukturiert sind, wird der Bot Kund:innen verwirren statt helfen. Datenaufbereitung ist kein Nebenprojekt, sondern oft 30 bis 40 Prozent des Gesamtaufwandes eines KI-Projekts. Mehr zur sauberen Grundlage findest du in unserem Artikel zur Datenarchitektur.

Keine klare Eskalation zum Menschen. Kund:innen tolerieren KI im Service, aber nur, wenn sie jederzeit zu einem Menschen wechseln können. Wer das blockiert oder erschwert, riskiert die Kundenbeziehung. Burnhard hat den Bot deshalb zunächst optional eingeführt und auch in der zweiten Phase die menschliche Eskalation immer offen gehalten.

Hinzu kommt der Datenschutz: KI-Tools im Support verarbeiten oft sensible Daten der Kund:innen. EU-Hosting, DSGVO-Konformität und EU-AI-Act-Compliance sind 2026 keine Nice-to-haves mehr, sondern Pflicht. Anbieter wie octonomy, Parloa und Langdock erfüllen diese Datenschutz-Standards von Grund auf.

‍

Was Mittelständler:innen jetzt tun sollten

Wer KI im Kundenservice einführen will, sollte mit einer ehrlichen Bestandsaufnahme starten. Welche Anliegen der Kund:innen kommen am häufigsten? Wo verbringt das Support-Team die meiste Zeit mit Routineaufgaben? Welche Daten liegen für diese Use Cases vor – und in welchem Zustand?

Im zweiten Schritt geht es um die Auswahl eines passenden Anbieters und einen klar abgegrenzten Pilotprojekt-Scope. Drei Monate, ein bis zwei Use Cases, klare Erfolgsmetriken (Automatisierungsquote, Kundenzufriedenheit, Bearbeitungszeit). Wer kleiner anfängt, lernt schneller. Wichtig dabei: Die Erfahrungen der Mitarbeitenden im täglichen Kontakt mit den Kund:innen sollten von Anfang an einfließen. Sie wissen am besten, welche Anfragen wirklich häufig sind und wo die KI ansetzen sollte.

Wie genau dieser Weg aussehen kann und welche Lessons Learned andere Mittelständler:innen teilen, ist eines der Praxis-Themen auf dem data:unplugged Festival 2027 vom 13. bis 14. April 2027 in Münster. Unternehmen aus dem deutschen Mittelstand zeigen dort unter anderem auf der Mittelstands Stage, wie sie KI im Kundenservice und in anderen Bereichen produktiv einsetzen.

‍

Fazit: Worauf es bei KI im Kundenservice 2026 ankommt

Der Burnhard-Case zeigt, dass KI im Kundenservice 2026 keine reine Zukunftsperspektive mehr ist, sondern für Mittelständler:innen mit klarem Fokus und sorgfältiger Datenarbeit messbare Ergebnisse liefert: 30 Prozent Kostensenkung, 82 Prozent zufriedene Kund:innen, ein entlastetes Team. Was Burnhard erfolgreich umgesetzt hat, lässt sich auf andere Mittelständler:innen übertragen: wenige Use Cases, saubere Datenbasis, frühe Einbindung des Teams, klare Eskalation zum Menschen.

Was nicht funktioniert, ist die Vorstellung, KI im Kundenservice ließe sich ohne Vorbereitung einführen. Die Technologie ist 2026 reif – aber sie braucht klare Anwendungsfälle und eine sorgfältige Vorbereitung der Datenbasis.

Wer mehr Praxiseinblicke und konkrete Erfahrungen aus dem deutschen Mittelstand sucht, ist auf dem data:unplugged Festival richtig. Auf der d:u27 vom 13. bis 14. April 2027 in Münster sprechen Praktiker:innen und KI-Expert:innen über genau diese Fragen – auf der Mittelstands-Stage und in den Masterclasses, praxisnah und mit konkreten Zahlen. Sichere dir jetzt dein Ticket für dich und dein Business Team und vernetzt euch  mit den Menschen, die KI im Kundenservice heute schon erfolgreich einsetzen.