Agentic AI im Customer Success: Chancen und Grenzen

Agentic AI im Customer Success verspricht mehr als schnellere Texte oder einen weiteren Chatbot. KI-Agenten können Kundensignale erfassen, Maßnahmen planen, Werkzeuge nutzen und innerhalb definierter Grenzen selbst handeln. Ihr Nutzen entsteht jedoch nicht durch möglichst viel Autonomie. Entscheidend ist, ob sie die Wertrealisierung des Kunden unterstützen, verlässlich kontrolliert werden und menschliche Urteilskraft an den richtigen Stellen einbinden.

Kurz gesagt: Agentic AI kann proaktive Kundenarbeit skalieren. Sie ersetzt weder eine tragfähige Customer Success Strategie noch die Beziehungskompetenz einer Customer Success Managerin oder eines Customer Success Managers. Wissenschaftlich belastbar sind heute vor allem die technischen Funktionsprinzipien, die Logik der Aufgabendelegation und die Anforderungen an Governance. Dagegen fehlen noch robuste Langzeitstudien, die für Customer Success direkte Wirkungen auf Retention oder Expansion kausal nachweisen.

Was ist Agentic AI – und was nicht?

Kumar, Wei und Zhang (2026) beschreiben Agentic AI als autonome Systeme, die planen, schlussfolgern und mit geringer menschlicher Aufsicht handeln können. Wang et al. (2024) ordnen als zentrale Bausteine unter anderem Wahrnehmung, Planung, Gedächtnis und Werkzeugnutzung ein. Ein Agent reagiert damit nicht nur auf einen Prompt. Er verarbeitet Kontext, zerlegt ein vorgegebenes Ziel in Teilaufgaben, wählt Handlungen aus und prüft deren Ergebnis.

Die verbreitete Aussage, Agenten setzten sich ihre Geschäftsziele selbst, führt jedoch in die falsche Richtung. Unternehmen geben Ziel, Regeln und Handlungsspielraum vor. Innerhalb dieses Rahmens kann ein Agent Teilziele bilden oder einen Plan anpassen. Strategische Verantwortung darf nicht unbemerkt an ein System wandern.

Technologie	Typische Fähigkeit	Beispiel im Customer Success
Regelbasierte Automatisierung	Führt einen fest definierten Ablauf aus	Erstellt 90 Tage vor Vertragsende eine Aufgabe
Prädiktive KI	Schätzt eine Wahrscheinlichkeit	Berechnet ein Churn-Risiko
Generative KI	Erzeugt Inhalte auf Anforderung	Entwirft eine Zusammenfassung für ein Business Review
Agentic AI	Verknüpft Wahrnehmung, Planung und Handlung	Prüft Risikosignale, ermittelt Ursachen, schlägt Maßnahmen vor, legt Aufgaben an und kontrolliert die Wirkung

Ein Customer Health Score ist deshalb noch kein Agent. Auch ein automatisch versendeter Nutzungshinweis bleibt klassische Automation, wenn ein festes Ereignis immer dieselbe Aktion auslöst. Agentisch wird das System erst, wenn es situationsabhängig abwägt, Werkzeuge nutzt und innerhalb übertragener Rechte handelt.

Warum Agentic AI im Customer Success besonders relevant ist

Customer Success Management soll Kunden proaktiv dabei unterstützen, den angestrebten Nutzen eines Angebots tatsächlich zu realisieren. Prohl-Schwenke und Kleinaltenkamp (2021) zeigen aus Kundensicht, dass Anbieter die Wahrnehmung des Value in Use durch geeignete Customer Success Aktivitäten aktiv beeinflussen können. Hochstein et al. (2021) ordnen Customer Success als proaktive Wert-Ko-Kreation und als funktionsübergreifende Orchestrierungsaufgabe ein.

Genau hier liegt der strukturelle Fit für Agentic AI im Customer Success. Relevante Informationen verteilen sich meist über Customer Relationship Management (CRM), Produkttelemetrie, Supportsystem, Vertragsdaten, Befragungen und den Success Plan. Menschen können diese Quellen nur mit erheblichem Aufwand kontinuierlich zusammenführen. Ein Agent kann Signale verbinden, Abweichungen vom Kundenziel erkennen und den nächsten sinnvollen Schritt vorbereiten.

Der Business Case besteht daher nicht einfach darin, Kontakte zu automatisieren. Agentic AI soll Reaktionszeiten verkürzen, Routinen konsistenter ausführen und Customer Success Managern mehr Zeit für Beratung, Beziehungsarbeit und schwierige Entscheidungen geben. Ob daraus bessere Retention entsteht, muss jedes Unternehmen empirisch prüfen. Die bisherige Forschung rechtfertigt diese Wirkung als Hypothese, noch nicht als allgemeingültiges Versprechen.

Fünf sinnvolle Einsatzfelder entlang des Customer Lifecycle

Agentic AI im Customer Success entfaltet ihren größten Wert, wenn ein Anwendungsfall mehrere Schritte umfasst und dennoch klare Grenzen besitzt. Die folgenden Szenarien verbinden wissenschaftlich beschriebene Agentenfähigkeiten mit etablierten Aufgaben im Customer Success. Sie sind plausible Gestaltungsmodelle, keine bereits universell bestätigten Wirkungsnachweise.

1. Onboarding und Adoption steuern

Im Customer Onboarding kann ein Agent Ziele, Rollen, Meilensteine und Nutzungsdaten zusammenführen. Er erkennt offene Voraussetzungen, schlägt passende Lerninhalte vor und erinnert an vereinbarte Aufgaben. Bei risikoarmen Standardschritten darf er selbst handeln. Verzögerungen, Zielkonflikte oder Widerstände eskaliert er an den zuständigen Menschen.

Für die Product Adoption genügt kein pauschales Feature-Nudging. Der Agent sollte eine Funktion nur empfehlen, wenn sie zum dokumentierten Kundenziel und zum aktuellen Reifegrad passt. Damit verschiebt sich die Logik von „mehr Nutzung“ zu „zielgerichteter Nutzung“.

2. Risiken erklären und Retention vorbereiten

Ein Customer Health Score verdichtet Signale. Ein Agent kann darüber hinaus Ursachen untersuchen: Welche Nutzergruppe ist inaktiv? Welche Supportprobleme bleiben offen? Welcher Meilenstein aus dem Success Plan wurde verfehlt? Anschließend formuliert er Handlungsoptionen, legt interne Aufgaben an oder bereitet eine Ansprache vor.

Hochstein et al. (2023) verbinden Customer Success Management, Customer Health und Retention wissenschaftlich. Daraus folgt jedoch nicht, dass ein KI-Agent Kündigungen automatisch verhindert. Er kann die Entscheidungsgrundlage und das Timing verbessern. Die eigentliche Intervention erfordert bei strategischen oder konfliktbehafteten Kunden weiterhin menschliches Urteil.

3. Wertbeiträge für Business Reviews sichtbar machen

Agenten können vereinbarte Outcomes, Nutzungsfortschritte, Serviceereignisse und offene Maßnahmen fortlaufend zusammenführen. Dadurch entsteht ein belastbarer Entwurf für ein Business Review. Der Customer Success Manager prüft Kausalität, ergänzt Kontext und führt das Gespräch.

Dieser Anwendungsfall ist besonders geeignet, weil er hohen administrativen Aufwand reduziert, ohne die Beziehung an die KI zu delegieren. Zudem lässt sich die Qualität gut messen: Vollständigkeit, Quellenbezug, Korrekturbedarf und eingesparte Vorbereitungszeit liefern bessere Pilotkennzahlen als ein vorschneller Blick auf die Renewal Rate.

4. Advocacy im richtigen Moment anbahnen

Ein Agent kann erfolgreiche Meilensteine, positives Feedback und belastbare Nutzungsergebnisse erkennen. Daraus leitet er ab, ob eine Bewertung, ein Testimonial, eine Referenz oder eine Case Study grundsätzlich passen könnte. Er bereitet die Anfrage vor und erinnert den Verantwortlichen.

Die persönliche Bitte sollte bei wichtigen Kunden dennoch von einem Menschen kommen. Advocacy beruht auf Vertrauen und Freiwilligkeit. Ein System darf einen positiven Net Promoter Score (NPS) nicht mit uneingeschränkter Bereitschaft zur öffentlichen Fürsprache gleichsetzen.

5. Expansion als Customer Success Qualified Lead vorbereiten

Agentic AI kann eine Bedarfslücke mit Kundenzielen, Nutzungsmustern und verfügbaren Lösungen abgleichen. Daraus entsteht kein automatischer Verkaufsabschluss, sondern ein begründeter Customer Success Qualified Lead. Der Agent dokumentiert Anlass, Nutzenhypothese, betroffene Stakeholder und Evidenz. Account Management oder Vertrieb übernehmen die kommerzielle Bearbeitung.

Diese Grenze schützt die Beratungsrolle des Customer Success Managers. Sie folgt der von Hochstein et al. (2021) beschriebenen strukturellen Ambidextrie: Customer Success sichert Wertrealisierung und Retention, während vertriebliche Rollen kommerzielle Chancen abschließen.

Wie viel Autonomie ist sinnvoll?

Die entscheidende Managementfrage lautet nicht: „Kann der Agent das?“ Sie lautet: „Welche Entscheidung dürfen wir unter welchen Bedingungen delegieren?“ Baird und Maruping (2021) fassen agentische Informationssysteme deshalb über Delegation: Menschen übertragen Aufgaben und Entscheidungsrechte, müssen deren Verteilung und Koordination aber gestalten.

Für Agentic AI im Customer Success bietet sich ein praxisorientiertes Stufenmodell an:

Stufe	Rolle des Agenten	Beispiel	Kontrolle
1: Beobachten	Sammelt und strukturiert Informationen	Erstellt Account-Briefing	Quellenprüfung
2: Empfehlen	Leitet Handlungsoptionen ab	Schlägt nächste Maßnahme vor	Mensch entscheidet
3: Vorbereiten	Erstellt eine ausführbare Aktion	Formuliert Nachricht und CRM-Aufgabe	Freigabe vor Ausführung
4: Begrenzt handeln	Führt risikoarme, reversible Schritte aus	Sendet vereinbarte Erinnerung	Rechte, Protokollierung, Eskalation

Eine fünfte Stufe mit weitgehend freier Kundenkommunikation, Preisentscheidungen oder Vertragsmaßnahmen ist im B2B Customer Success selten sinnvoll. Je höher finanzielles, rechtliches oder reputatives Risiko ausfällt, desto enger muss die menschliche Freigabegrenze sein.

Governance: Autonomie braucht Leitplanken

Kumar, Wei und Zhang betrachten Agentic AI als sozio-technisches System. Effizienz steht dabei unter anderem in Spannung zu Erklärbarkeit, Skalierbarkeit und Kontextsensitivität. Der NIST AI Risk Management Framework strukturiert den Umgang mit solchen Risiken über die Funktionen Govern, Map, Measure und Manage. Im europäischen Kontext müssen Unternehmen zusätzlich Datenschutz und die jeweils geltende Fassung des EU AI Acts prüfen.

Vor einem produktiven Einsatz sollten sechs Fragen beantwortet sein:

1. Kundenziel: Welches dokumentierte Outcome unterstützt die Handlung?
2. Datengrundlage: Welche Quellen darf der Agent nutzen und wie aktuell sind sie?
3. Handlungsrecht: Darf der Agent lesen, schreiben, kommunizieren oder Transaktionen auslösen?
4. Freigabegrenze: Welche Fälle erfordern zwingend menschliche Entscheidung?
5. Nachvollziehbarkeit: Werden Quellen, Entscheidungen, Aktionen und Fehler vollständig protokolliert?
6. Wirksamkeit: Woran erkennen Anbieter und Kunde, dass die Intervention geholfen hat?

Besonders wichtig ist die Zielausrichtung. Optimiert ein Agent nur Renewal, Net Revenue Retention (NRR) oder Kontaktfrequenz, kann er den Kunden mit unpassenden Maßnahmen bedrängen. Gute Governance verbindet Anbieterkennzahlen mit Kundenzielen, Time to Value und tatsächlich erreichten Outcomes.

Agentic AI im Customer Success kontrolliert einführen

Ein geeigneter Pilot beginnt nicht mit dem spektakulärsten, sondern mit einem begrenzten und reversiblen Prozess. Die Vorbereitung eines Business Reviews, die interne Analyse eines Risikos oder die Nachverfolgung vereinbarter Onboarding-Aufgaben eignen sich meist besser als autonome Renewal- oder Expansion-Kommunikation.

1. Einen konkreten Engpass und das gewünschte Kunden-Outcome definieren.
2. Prozess, Datenquellen und bestehende Verantwortlichkeiten aufnehmen.
3. Autonomiestufe, Rechte, Verbote und Eskalationsregeln festlegen.
4. Den Agenten zunächst mit historischen Fällen und in einer Testumgebung prüfen.
5. Technische Qualität, Fehlalarme und notwendige menschliche Korrekturen messen.
6. Einen begrenzten Pilot mit Vergleichsgruppe oder Vorher-Nachher-Messung durchführen.
7. Erst nach stabilen Ergebnissen weitere Konten, Aktionen oder Systeme freigeben.

Die Messung sollte vier Ebenen unterscheiden: technische Zuverlässigkeit, Prozesswirkung, Kundenwirkung und Geschäftsergebnis. Zeitersparnis oder schnellere Bearbeitung belegen noch keinen Kundenerfolg. Umgekehrt lässt sich eine veränderte Gross Revenue Retention (GRR) in einem kurzen Pilot selten eindeutig dem Agenten zurechnen. Belastbare Evaluation braucht deshalb mehrere Kennzahlen und einen nachvollziehbaren Vergleich.

Der Mensch bleibt für Beziehung und Verantwortung zentral

Agentic AI im Customer Success verändert Aufgaben, beseitigt aber nicht die Notwendigkeit menschlicher Customer Success Kompetenz. Ein Agent kann Muster schneller erkennen und Informationen konsequenter zusammenführen. Er versteht jedoch Machtverhältnisse im Buying Center, unausgesprochene Erwartungen oder kulturelle Nuancen nur begrenzt. Ebenso wenig sollte er Verantwortung für sensible Eskalationen, Verhandlungen oder eine grundlegende Neuausrichtung des Kundenziels tragen.

Der sinnvolle Zielzustand lautet daher nicht „autonomer Customer Success“. Besser ist ein hybrides Betriebsmodell: Die KI übernimmt Beobachtung, Vorbereitung und klar begrenzte Routinen. Menschen gestalten Beziehung, Beratung, Priorisierung und verantwortliche Entscheidungen. High Touch verschwindet dadurch nicht. Er wird gezielter dort eingesetzt, wo menschliche Präsenz den größten Wert stiftet.

Fazit: Agentic AI skaliert Proaktivität – nicht Vertrauen

Agentic AI ist kein automatischer Retention-Hebel und kein Ersatz für eine klare Customer Success Strategie. Richtig eingesetzt schließt sie jedoch den Kreis zwischen Kundensignal, Interpretation, Maßnahme und Wirkungskontrolle. Darin liegt ihr Unterschied zu Dashboards, prädiktiven Scores und generativer Textunterstützung.

Unternehmen sollten mit kleinen, reversiblen Anwendungsfällen beginnen, Autonomie bewusst delegieren und Kundenziele als Leitplanke verwenden. Dann kann Agentic AI operative Last reduzieren und proaktive Arbeit skalieren, ohne Vertrauen und Verantwortung zu automatisieren.

Wer einen geeigneten Anwendungsfall sucht, sollte zuerst drei Fragen beantworten: Wo verliert das Team heute Zeit? Welche Verzögerung gefährdet die Wertrealisierung? Und welche Handlung kann eine KI sicher vorbereiten oder ausführen? Aus diesen Antworten entsteht ein belastbarer Pilot – nicht aus dem Wunsch, möglichst schnell einen Agenten einzuführen.

Quellen

• Baird, A.; Maruping, L. M. (2021): The Next Generation of Research on IS Use: A Theoretical Framework of Delegation to and from Agentic IS Artifacts. MIS Quarterly, 45(1), 315–341.
• Hochstein, B. et al. (2021): Proactive Value Co-Creation via Structural Ambidexterity: Customer Success Management and the Modularization of Frontline Roles. Journal of Service Research, 24(4), 601–621.
• Hochstein, B. et al. (2023): Customer Success Management, Customer Health, and Retention in B2B Industries. International Journal of Research in Marketing, 40(4), 912–932.
• Kumar, N.; Wei, X.; Zhang, H. (2026): Agentic Artificial Intelligence as a New Frontier in Information Systems: Promise, Peril, and Research Opportunities. Information & Management, 63, 104317.
• National Institute of Standards and Technology (2024): Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile. NIST AI 600-1.
• Prohl-Schwenke, K.; Kleinaltenkamp, M. (2021): How Business Customers Judge Customer Success Management. Industrial Marketing Management, 96, 197–212.
• Wang, L. et al. (2024): A Survey on Large Language Model Based Autonomous Agents. Frontiers of Computer Science, 18, 186345.
• Europäische Union (2024, konsolidierte Fassung): Verordnung (EU) 2024/1689 über künstliche Intelligenz.

Aktualisierungshinweis: Ursprünglich veröffentlicht am 30. Juni 2025. Grundlegend überarbeitet und wissenschaftlich aktualisiert am 24. August 2026.