KI-Agenten im CRM: Wann sich der Einsatz wirklich lohnt.
CRM-Systeme sollen Vertrieb, Kundengeschäft und Kampagnen an einem Ort bündeln. Im Alltag verteilt sich das trotzdem auf viele Einzelprozesse: Angebote, Rückfragen, Freigaben, Kundenanfragen. Genau hier sollen jetzt KI-Agenten
helfen und einfach “mitdenken”. So einfach ist es allerdings nicht.
Zwischen dem Versprechen und dem tatsächlichen Nutzen liegt einiges an
Klärungsarbeit, und genau die zahlt sich aus. In ihrem Vortrag “KI-Agenten im CRM” auf der CRM-Experience-Konferenz zeigte Liana Harutyunyan vom Medienkonzern Axel-Springer anhand von vier Erkenntnissen aus der Praxis, worauf es dabei ankommt.
Das Wichtigste in Kürze:
KI-Agenten im CRM sind aktuell eines der meistdiskutierten Themen der Branche, so auch auf unserer hauseigenen CRM-Konferenz
95 % aller Enterprise-KI-Projekte scheitern, bevor sie produktiv gehen. Der Grund ist meist der Prozess und nicht die Technik (MIT NANDA, State of AI in Business 2025).
Ein KI-Agent kann nur automatisieren, was ein Unternehmen selbst schon klar verstanden hat.
Nicht jeder KI-Anwendungsfall braucht einen Agenten, – oft reicht einfache Automatisierung völlig aus.
KI macht schlechte Daten nicht besser, sondern sichtbar. Zwischen Versprechen und Nutzen liegt Arbeit.
95 Prozent der KI-Projekte scheitern am Prozess.
Laut MIT NANDA scheitern 95 Prozent aller Enterprise-KI-Projekte, bevor sie überhaupt produktiv gehen. Das liegt selten an der KI selbst. Es liegt daran, dass niemand den Prozess dahinter wirklich verstanden hat, bevor die Technik ins Spiel kam. Das ist die wichtigste Lektion, bevor Sie über Agenten nachdenken sollten: Technologie löst kein Problem, das vorher nicht klar beschrieben wurde.
Ein Agent versteht nur, was Sie selbst verstanden haben.
Bevor ein Unternehmen einen Agenten baut, muss klar sein, worum es eigentlich geht. Ein einfaches Hilfsmittel dafür ist ein Use-Case-Canvas. Das ist im Grunde eine strukturierte Liste von Fragen, die vor der Technologie beantwortet werden:
- Was soll am Ende besser laufen?
- Wie sieht der Prozess heute konkret aus, Schritt für Schritt?
- Wo genau entsteht Aufwand oder Frust?
Erst danach kommt die eigentliche KI-Idee: Welcher Schritt lässt sich übernehmen, und mit welchen Daten muss die Lösung arbeiten? Diese Reihenfolge ist kein Zufall. Ein Agent, der auf einen unklaren Prozess trifft, macht die Unklarheit nicht besser, er automatisiert sie nur schneller.
Nicht jeder Use Case braucht einen Agenten.
Viele Unternehmen greifen reflexhaft zum Agenten, sobald KI im Spiel ist.
Salesforce hat dafür ein einfaches Prüfschema entwickelt, das sogenannte
Orchestration Density Framework. Es beantwortet mit drei Fragen, ob ein Agent überhaupt nötig ist:
Lässt sich der Weg zum Ziel vorher komplett festlegen? Wenn ja, reichen feste Regeln.
Braucht es menschliches Urteilsvermögen, oder genügt eine klare Regel? Urteilsvermögen spricht für einen Agenten.
Arbeitet der Prozess mit ordentlichen Tabellen und festen Feldern – oder mit Freitext und E-Mails? Unstrukturierte Inhalte sprechen für einen Agenten.
Je nach Antwort ergibt sich eine einfache Einordnung:
Niedrig heißt, klassische Automatisierung reicht. Mittel heißt, Agent und Automatisierung arbeiten zusammen. Hoch heißt, es braucht einen oder mehrere Agenten, die eigenständig Entscheidungen treffen.
Vom festen Ablauf zum eigenständigen Agenten.
Die Einordnung in Niedrig, Mittel und Hoch bleibt abstrakt, bis sie auf einen echten Fall trifft. Vier Beispiele aus dem CRM-Alltag zeigen, wie sich die drei Stufen in der Praxis unterscheiden.
- Kunden automatisch über einen Systemausfall zu informieren, ist ein fester Ablauf mit klaren Regeln. Kein Agent nötig.
- Antwortet der Kunde danach mit Rückfragen zu Auswirkungen und möglichen Gutschriften, sieht die Sache anders aus: Die Antwort lässt sich nicht vorher festlegen, es braucht Urteilsvermögen. Hier lohnt sich ein Agent.
- Eine reine Preisabschätzung nach festen Regeln braucht ebenfalls keinen Agenten. Müssen Sie dagegen erst die Anforderungen eines Kunden verstehen, um daraus ein passendes Angebot zu bauen, braucht es das Zusammenspiel von Agent und Automatisierung.
- Am oberen Ende der Skala steht die Lead-Qualifizierung: Einwände behandeln, Termine vereinbaren, mehrstufige E-Mail-Kommunikation eigenständig führen. Hier reicht keine feste Regel mehr aus. Das ist ein klarer Fall für einen Agenten.
KI macht schlechte Daten sichtbar, nicht besser.
Selbst der richtig eingeordnete Use Case scheitert, wenn die Datenbasis nicht stimmt. Ein Agent kann nur mit den Informationen arbeiten, die tatsächlich vorhanden, aktuell und verknüpft sind. Genau hier zeigt sich, ob der Agent überhaupt liefert: Ein Agent, der auf veralteten oder doppelten CRM-Einträgen aufsetzt, wird nicht besser, nur weil die Technik neu ist. Er zeigt nur schneller, wie groß das Datenproblem wirklich ist.
Eine kurze Entscheidungshilfe.
Bevor der nächste KI-Agent ins CRM eingebaut wird, lohnen sich drei Fragen:
Ist der Prozess wirklich verstanden und beschrieben?
Zeigt die Prüfung nach Salesforce-Modell tatsächlich eine hohe Orchestrierungsdichte?
Und stimmt die Datenbasis, auf der der Agent arbeiten soll?
Wer diese drei Fragen ehrlich beantwortet, landet nicht bei den 95 % gescheiterter Projekte, sondern setzt Agenten genau dort ein, wo sie wirklich etwas verändern.
Bei snapAddy haben wir hierfür eine Lösung entwickelt: DataAgents. Unsere Workflow-Automatisierungsplattform deckt zahlreiche Use Cases für Vertrieb und Marketing ab und kann individuell jeden Prozess darstellen. Mit Human-in-the-Loop wird Sicherheit gewährleistet.