Automatisiert gedacht, menschlich gewünscht: Die Wahrheit über KI im Kundendialog

Dr. Laura Dreessen ist promovierte Sprachwissenschaftlerin und arbeitet heute als Principal Conversational AI Consultant bei der Telekom MMS. Im Podcast erzählt sie, wie sie vor rund elf Jahren aus der Linguistik in die Welt der Spracherkennung eingestiegen ist. Von dort führte ihr Weg in die Automobilbranche, in der Sprachsteuerung schon früh eine große Rolle spielte. Dort hat sie daran gearbeitet, dass Fahrzeuge Anliegen verstehen – indem sie typische Formulierungen, Satzvarianten und Ausdrücke für frühe, noch regelbasierte Systeme definiert hat.

Diese Erfahrung bildet bis heute das Fundament ihrer Arbeit: Sie verbindet tiefes Sprachverständnis mit praktischem Know-how rund um moderne Conversational AI und LLM-basierter Erkennung und entwickelt KI-Dialoge, die sowohl für Kundinnen und Kunden gut funktionieren als auch die Serviceziele des Unternehmens unterstützen. Im Gespräch wird deutlich, dass sie ein feines Gespür dafür hat, wie gute Interaktionen zwischen Menschen und KI entstehen.

Conversational AI bezeichnet Software, die es ermöglicht, per natürlicher Sprache mit Maschinen zu interagieren – unabhängig davon, ob der Dialog als Chat oder über Voice stattfindet. Chatbots und Voicebots sind damit unterschiedliche Kanäle derselben Technologie, nicht getrennte Kategorien.

Die technologische Entwicklung lässt sich grob in drei Linien beschreiben:

• Regelbasiert: feste Konversationsbäume, manuell modellierte Intents (Anliegen), vorhersehbare Dialogpfade
• Hybrid: Kombination aus Regeln und KI-Modellen, die Intents besser erkennen und flexible Formulierungsvarianten zulassen
• Agentisch: LLM-gestützte Systeme, die über System Prompts gesteuert werden und situativ Tools oder Backend-Funktionen ansprechen können

Wichtig ist dabei nicht, ob ein System generativ antwortet oder vorformulierte Texte nutzt. Entscheidend ist, wie es geführt wird – durch klare Prompts, definierte Grenzen, transparente Rollen und gutes „Conversation Design“.

An konkreten Beispielen beschreibt Laura, wo KI-Dialogsysteme heute Kund*innen und Teams entlasten und warum gerade diese Bereiche so gut funktionieren. Im Kundenservice ist das vor allem dort der Fall, wo Aufgaben klar umrissen sind. Auf der Grundlage von klar definierten Service-Prozessen und Gesprächszielen, können intuitive Dialoge mit der KI entstehen. Somit setzt der Design-Prozess beim Verstehen des Gesprächskontexts und den Bedürfnissen der Kund*innen an.

Ein Beispiel ist der Outbound-Feedback Call: Der Bot kontaktiert Kund*innen nach einem Serviceprozess, holt Rückmeldungen ein und sorgt so für mehr Transparenz, ohne die Service-Mitarbeitenden zusätzlich zu belasten. Ein eng definierter Use Case, der ohne komplexe Backend-Logik auskommt und genau deshalb schnell und stabil läuft.

Im Automotive-Umfeld ist die Lage anders, aber nicht weniger spannend: Sprachsteuerung hat hier eine lange Tradition, weil sie Sicherheit und Komfort unterstützt. Fahrer*innen können Hände am Lenkrad und Blick auf der Straße lassen, während das System mit KI deutlich flexibler und natürlicher reagiert – ohne dass die besonderen Anforderungen des Fahrens aus dem Blick geraten.

Im HR-Bereich wiederum zeigt sich ein anderer Vorteil von Conversational AI: Sie schafft einen niedrigschwelligen Zugang zu Informationen – etwa bei Onboarding, Policies oder sensiblen Themen. Mitarbeitende müssen nicht in Portalen suchen oder Öffnungszeiten beachten, sondern können anonym und jederzeit Rückfragen stellen.

Um hier das Vertrauen von Nutzenden zu wahren, ist es konzeptionell natürlich wichtig KI-Modelle zu nutzen, die möglichst frei von Vorurteilen sind und Chancengleichheit per Design mitbringen. Studien und Projektbeispiele zeigen, wie sehr dieser einfache Zugang die Employee Experience verbessert.

Diese Beispiele spiegeln auch die Ergebnisse unserer aktuellen Studie "Vertrauen in KI-Agenten" wider: Sowohl Verbraucher*innen als auch IT-Entscheider*innen sehen gerade im Kundenservice und in der Alltagsorganisation das größte Potenzial für KI-gestützte Assistenten – im Unternehmen zusätzlich in HR, Backoffice und Vertrieb. Während 57 Prozent der IT-Entscheider*innen den Kundenservice als wichtiges Einsatzfeld nennen, betonen Nutzer*innen vor allem Zeitersparnis und weniger Stress bei Servicevorgängen.

Was alle diese Einsätze verbindet, formuliert Laura indirekt sehr deutlich: Gute Use Cases kennen ihre eigenen Grenzen. Nicht jeder Dialog muss über Sprache laufen – manchmal sind Buttons, kurze Listen oder getippte Eingaben einfach schneller und eindeutiger. KI zeigt ihre Stärke genau dort, wo Sprache Kund*innen und Mitarbeitende sinnvoll unterstützt – und nicht dort, wo sie aus Prinzip erzwungen wird.

Laura spricht erstaunlich offen darüber, wo Conversational‑AI‑Projekte in der Praxis scheitern – und woran man erfolgreiche erkennt. Für sie beginnt alles mit einer ehrlichen Bestandsaufnahme: Was kann die Organisation realistisch leisten?

Es sei wünschenwert, zunächst einmal den Gesprächskontext wie die Business-Ziele zu verstehen, Ziele des Gesprächs zu definieren und potenzielle Hürden auf Seiten der Nutzenden zu bedenken. „Viele wünschen sich ein System, das sofort alles kann, aber so funktioniert Sprache nicht“, sagt sie.

Erst wenn klar ist, welche Aufgaben für einen Bot sinnvoll sind, lässt sich eine Roadmap entwickeln, die nicht an der Realität vorbeiplant und die datengetrieben entsteht, also auf Basis dessen, was Nutzende an Anfragen an den Service mitbringen sowie auf Grundlage des größten Business Need.

Einen Punkt betont sie deutlich: Datenqualität ist kein technisches Detail, sondern die Grundlage jedes Dialogs. „Shit in, shit out“, sagt sie – und meint damit nicht nur Trainingsdaten, sondern auch Serviceprozesse, Journeys und definierte Übergaben. Ohne saubere Strukturen kann kein System – egal wie modern – zuverlässig arbeiten.

Strukturierte Zusammenarbeit ist es auch, die Conversational AI Projekte flexibel und erfolgreich macht. Die intersiziplinäre Zusammenarbeit unter Menschen liegt dabei allerdings nicht nur an ein paar Anweisungen, sondern an offenem Austausch auf Augenhöhe und an einem gemeinsamen Ziel.

Besonders spannend wird es, wenn Laura über Design spricht. Nicht als „schöne Oberfläche“, sondern als Kern des Systems: System Prompts, Persönlichkeit, Eskalationslogiken, Sicherheitsmechanismen. „Ein Bot verhält sich nie zufällig. Jedes Nachfragen, jedes Schweigen, jede Übergabe ist eine Entscheidung.“

Genau hier trennt sich für sie Handwerk von Hype. Im Falle von generativer KI gilt es sogar, einen gewissen Prozentsatz an Halluzination – also Zufall, wenn man so will – per Design und mit akribischem Qualitätsanspruch einzudämmen. Und schließlich geht es um Messbarkeit. Unternehmen müssen vorab definieren, was Erfolg bedeutet – weniger Wiederanrufe, höhere Zufriedenheit, spürbare Entlastung für Teams.

Diese KPIs strukturieren die Weiterentwicklung, denn ein Dialogsystem ist nie fertig: Es wird mit echten Interaktionen besser. Parallel wächst der Fachbereich in neue Aufgaben hinein – Analyse, Optimierung, inhaltliche Pflege. Für Laura ist das kein technischer Nebeneffekt, sondern ein zentraler Teil des Reskilling, das gute Conversational‑AI‑Projekte begleiten muss.

Laura macht an einer Stelle sehr konkret, worum es wirklich geht: „Nicht jeder schnelle Dialog ist ein guter Dialog.“ Viele Nutzer*innen wünschen sich weiterhin persönlichen Kontakt – und sie haben klare Kanalpräferenzen. Für Unternehmen heißt das: Entscheidungen darüber, wo automatisiert wird und wo Menschen übernehmen, sind keine Technik-, sondern Gestaltungsfragen.

Transparenz ist dabei nicht optional. Der EU AI Act verlangt, dass ein System als KI erkennbar ist – aus gutem Grund. „Sobald ein Bot handeln kann, zählt jedes Detail“, sagt Laura. Nachfragen, weiterleiten, schweigen, eskalieren – nichts davon passiert zufällig. Es sind Design- und Governance Entscheidungen, die Sicherheit und Vertrauen direkt beeinflussen.

Damit verknüpft sind Compliance, Datenschutz und Erwartungen der Nutzer*innen: Dürfen Gespräche aufgezeichnet werden? Wie werden Eingaben verarbeitet? Und lernt das System „einfach mit“? Laura stellt klar: Unternehmensbots lernen nicht automatisch aus Live-Interaktionen. Die zugrunde liegenden Modelle bleiben stabil; Anpassungen erfolgen bewusst durch Menschen – kuratiert, geprüft, verantwortet. „Es ist alles eine Designfrage.”

Wie wichtig diese gestalteten Grenzen sind, zeigen auch die Umfrageergebnisse zur unserer Studie: 45 Prozent der Befragten sehen Fehlentscheidungen und Missverständnisse als größte Sorge, 43 Prozent sorgen sich um die Weitergabe sensibler Daten. Gleichzeitig wünschen sich die meisten, jederzeit nachvollziehen zu können, was eine KI in ihrem Namen getan hat und die Möglichkeit zu behalten, Aufgaben selbst zu übernehmen oder abzubrechen.

Auf der anderen Seite sehen viele Menschen klare Vorteile: Zeitersparnis, Zuverlässigkeit und weniger Stress in Servicevorgängen gehören zu den meistgenannten Mehrwerten persönlicher KI-Agenten. Für Unternehmen heißt das: Transparenz, Kontrolle und ein spürbarer Nutzen im Alltag entscheiden darüber, ob KI-Dialoge akzeptiert werden.

Die Konsequenz: Automatisieren, wo es entlastet – bewusst begrenzen, wo Beziehung zählt. Gute Strategien benennen explizit die Grenzen von Automatisierung, definieren Eskalationspunkte und legen offen, welche Daten wofür genutzt werden. Wer das sauber aufsetzt, schafft Akzeptanz und Vertrauen – und behält die Menschlichkeit dort, wo sie den Unterschied macht.

Wer Conversational AI einführen möchte oder gerade erste Schritte geht, findet in dieser Podcastfolge einen ehrlichen Blick hinter die Kulissen: Was KI-Dialogsysteme heute wirklich leisten, wo typische Fallstricke liegen und wie Beratung, UX-Design, saubere Prozesse und klare Governance für Stabilität sorgen. Eine fundierte Orientierung für Service, CX und HR-Verantwortliche, die Dialog-KI verantwortungsvoll in ihren Alltag integrieren wollen.

Moderiert wird diese Folge von Steffen Wenzel, Mitgründer und Geschäftsführer von politik-digital und Stefanie Liße, Senior Sales Managerin bei Telekom MMS.