Supportkosten sind berechenbar. Ein Ticket kommt herein, jemand liest es, schlägt etwas nach, schreibt eine Antwort und schliesst es. Mehrere Hundert Mal täglich. Die entscheidende Frage ist, ob diese Person bei jedem einzelnen Ticket ein Mensch sein muss — und wie sich die Zahlen verändern, wenn das nicht der Fall ist.
Das ist der Rahmen dieses Artikels: nicht „KI verändert den Support”, sondern ein konkreter Kostenvergleich. Wenn Sie einen KI-Agenten im Kundensupport gegenüber einer weiteren Einstellung oder dem Upgrade Ihrer Helpdesk-Plattform abwägen, sind die folgenden Zahlen die, die Sie durchrechnen müssen.
Was ein deflektiertes Ticket tatsächlich wert ist
Deflection bedeutet: Ein Kunde erhält eine vollständige, korrekte Antwort, ohne dass ein menschlicher Agent das Ticket anfasst. Der Agent übernimmt den gesamten Ablauf — er liest die Anfrage, ruft relevante Informationen ab (aus Ihrer Knowledge Base, dem Bestellsystem oder dem CRM), generiert eine Antwort und führt bei Bedarf eine Aktion aus — etwa das Auslösen einer Erstattung oder das Aktualisieren eines Kontofelds.
Die Kosten pro Ticket im menschlichen Support variieren je nach Markt und Seniorität erheblich, doch für Planungszwecke gilt ein gängiger Benchmark von €8–€18 pro Ticket, wenn man Gehalt, Sozialleistungen, Management-Overhead, Tooling-Lizenzen und Qualitätssicherung einrechnet (Gartner beziffert den globalen Median für assistierte Kanäle auf rund $13,50; Tier-1-IT-Service-Desk-Durchschnitte liegen laut MetricNet eher bei $22). In hochpreisigen Märkten wie der Schweiz ist die obere Grenze dieses Bereichs — oder darüber — realistisch.
Die Grenzkosten pro Ticket eines KI-Agenten werden nach der Inbetriebnahme durch Compute bestimmt (LLM-API-Aufrufe, Infrastruktur). Für einen klar abgegrenzten Support-Anwendungsfall — keine weitläufige Multi-System-Orchestrierung — landet man typischerweise bei €0,01–€0,30 pro Interaktion, abhängig von der Anfragekomplexität, der Anzahl der API-Aufrufe und der verwendeten Modellstufe (einfache Single-Turn-Anfragen auf einem Lightweight-Modell können unter €0,01 kosten; agentische Multi-Step-Workflows mit Tool-Calls auf einem Mid-Tier-Modell kosten €0,05–€0,30). Die Fixkosten (Entwicklung, Integration, laufende Wartung) amortisieren sich über das Volumen.
Die Spanne zwischen diesen beiden Zahlen ist das wirtschaftliche Argument. Alles andere dreht sich darum, wie zuverlässig Sie sie erschliessen können.
Die Szenarien im Vergleich: drei Support-Profile
Anstatt Branchendurchschnitte zu zitieren, die Ihre Situation möglicherweise nicht widerspiegeln, ist es nützlicher, einige typische Profile zu modellieren.
Szenario A: E-Commerce-Marke, 400 Tickets/Woche
Etwa 60 % der Tickets betreffen Bestellstatus, Rücksendeanfragen oder Standard-Fragen zur Richtlinie. Der Rest erfordert menschliches Urteilsvermögen — Eskalationen, Beschwerden, ungewöhnliche Grenzfälle.
- Deflektierbare Tickets pro Woche: ~240
- Menschliche Kosten pro Ticket: €12 (mittlere Schätzung)
- Wöchentliche Personalkosten für diese Tickets: ~€2.880
- Wöchentliche KI-Agenten-Kosten bei €0,20/Ticket: ~€48
- Wöchentliche Einsparung: ~€2.832, ohne schnellere Bearbeitung und 24/7-Verfügbarkeit
Bei diesem Volumen rechnet sich eine massgeschneiderte KI-Agenten-Integration typischerweise innerhalb weniger Monate. Die 40 % der Tickets, die beim Menschen verbleiben, werden sogar besser betreut — weil die Agenten nicht mehr in repetitiven Anfragen versinken.
Szenario B: SaaS-Unternehmen, 150 Tickets/Woche
Etwas komplexerer Ticket-Mix — Onboarding-Fragen, Abrechnungsprobleme, Funktionsunklarheiten. Die Deflection-Rate ist niedriger: vielleicht 45 %.
- Deflektierbare Tickets: ~68/Woche
- Personalkosten: €15/Ticket
- Wöchentliche Einsparung: rund €900–€1.000 nach KI-Kosten
Bei diesem Volumen funktioniert die Wirtschaftlichkeit, ist aber enger. Der Entwicklungsumfang spielt eine grössere Rolle. Ein KI-Agent, der auch proaktive Onboarding-Hinweise übernimmt — indem er Nutzer erkennt, die das Setup nicht abgeschlossen haben, und eine hilfreiche Nachricht auslöst — beginnt, den Mehrwert über die reine Deflection hinaus in Richtung Churn-Reduktion auszuweiten.
Szenario C: Interner IT-Helpdesk, 80 Tickets/Woche
Tier-1-Probleme: Passwort-Resets, Zugriffsanfragen, VPN-Troubleshooting, Standard-Software-Installationen. Diese sind per Definition repetitiv. Deflection-Raten für gut dokumentierte Umgebungen liegen konstant über 50 %. Weiterführend: KI-Agenten im IT-Helpdesk: Tier-1 lösen, bevor die Warteschlange wächst.
Die Wirtschaftlichkeit dreht sich hier oft um die Zeit des IT-Personals — was einem Opportunitätskostenpotenzial entspricht, nicht direkten Einsparungen. Wenn Ihr IT-Support drei Stunden weniger täglich mit Tier-1-Tickets verbringen würde, was liesse sich stattdessen erreichen?
Woher Deflection-Raten tatsächlich kommen
Was die Vendor-Präsentationen nicht klar sagen: Die Deflection-Rate hängt von Ihren Daten ab, nicht von den Fähigkeiten des KI-Modells.
Ein Support-KI-Agent ist nur so gut wie das Wissen, auf das er zugreifen kann. Wenn Ihr Help Center lückenhaft ist, Ihre Produktdokumentation verstreut vorliegt und Ihr Bestellsystem keine API exponiert, wird der Agent halluzinieren oder ständig eskalieren — unabhängig davon, wie ausgereift das zugrunde liegende Modell ist.
Vor jedem Entwicklungsprojekt sind dies die Fragen, die realistische Deflection-Erwartungen bestimmen:
- Abdeckung: Welcher Prozentsatz Ihrer Tickets entspricht beantwortbaren Anfragen, die Sie irgendwo dokumentiert haben?
- Zugänglichkeit: Kann ein Agent Ihr CRM, Ihr Bestellmanagementsystem oder Ihre Ticketing-Plattform per API lesen und schreiben?
- Eskalations-Design: Gibt es einen klaren Übergabepfad an einen Menschen für Anfragen ausserhalb des Scope, und kennt der Agent seine eigenen Grenzen?
Eine gut vorbereitete Knowledge Base mit sauberen API-Integrationen ist die Decke. Die KI-Schicht ist der Mechanismus.
Der Vergleich mit dem Zendesk-KI-Add-on
Viele Support-Teams nutzen bereits Zendesk, Freshdesk oder eine ähnliche Plattform und prüfen die nativen KI-Add-ons dieser Anbieter. Es lohnt sich, direkt zu sagen, was diese bieten — und wo sie aufhören.
Plattform-native KI-Add-ons funktionieren typischerweise gut für:
- Ticket-Klassifizierung und -Routing
- Antwortvorschläge (der Mensch klickt noch auf „Senden”)
- Zusammenfassung langer Threads
- Einfache FAQ-Deflection innerhalb der Plattform-eigenen Knowledge Base
Wo sie tendenziell schwächer sind:
- Tiefe Integration mit Systemen ausserhalb der Plattform (Ihr Custom-CRM, ERP, interne APIs)
- Komplexe mehrstufige Aktionen (Bestellung nachschlagen → Lager prüfen → Teilerstattung auslösen → Datensatz aktualisieren)
- Anpassung von Ton, Eskalationslogik oder domänenspezifischem Reasoning
- Workflows, die Kanäle überbrücken (E-Mail + WhatsApp + Web-Chat in einem einzigen Agenten-Thread)
Das SaaS-Add-on-Modell bedeutet auch, dass Sie Seat-Gebühren plus Kosten pro Lösung zahlen (KI-automatisierte Lösungen werden zusätzlich zu den Basis-Agenten-Seats separat abgerechnet), was sich im grossen Massstab summiert. Bei hohem Ticket-Volumen oder komplexen Backend-Integrationen erreicht ein massgeschneiderter KI-Agent für den Kundensupport oft innerhalb von 12–18 Monaten niedrigere Total Cost of Ownership — wobei dies stark von der konkreten Plattformpreisgestaltung und dem Volumen abhängt und als Richtwert zu verstehen ist. Weiterführend: Die echten Kosten von KI-Agenten: Custom vs. Platform TCO.
Das ist kein Argument gegen SaaS-Tooling in jedem Fall. Für ein 10-köpfiges Team mit einfachen, niedrigvolumigen Anfragen kann das Add-on die richtige Wahl sein. Aber für Operations-Verantwortliche mit nennenswerten Ticket-Volumen und Backend-Komplexität verdient der Vergleich ein echtes Modell — keinen ROI-Rechner des Vendors.
Wie ein realistisches Deployment aussieht
Die ehrliche Abfolge, ohne Hype:
Wochen 1–3: Scoping und Daten-Audit. Ticket-Kategorien nach Volumen und Komplexität erfassen. Vollständigkeit der Knowledge Base bewerten. Identifizieren, welche Backend-Systeme angebunden werden müssen und wie deren Integrationsoberfläche aussieht.
Wochen 4–8: Build und Integration. Der Agent wird gegen einen definierten Scope entwickelt — typischerweise beginnend mit den volumenstärksten und formulaischsten Ticket-Kategorien. API-Integrationen zu CRM und Bestellsystemen werden gebaut und getestet. Eskalationspfade werden eingerichtet.
Wochen 8–12: Kontrollierter Rollout. Zunächst mit einem Teil des eingehenden Volumens starten. Deflection-Rate, Eskalationsrate und Kundenzufriedenheitssignale tracken. Knowledge Base und Agenten-Verhalten auf Basis der Beobachtungen anpassen.
Laufend: Scope-Erweiterung. Sobald der erste Scope stabil ist, kommen neue Ticket-Kategorien, zusätzliche Kanäle oder komplexere Aktionen hinzu. Hier multipliziert sich die Wirtschaftlichkeit — die Grenzkosten für eine neue Fähigkeit sind weit geringer als beim initialen Build.
Die Build-Zeit beträgt weder drei Tage noch sechs Monate. Ein operations-fokussierter Scope mit sauberen Daten und gut dokumentiertem Produkt landet typischerweise in 6–12 Wochen für ein produktionsreifes Deployment.
Für Teams, die prüfen, wo sie anfangen sollen, bieten KI-Agenten für Unternehmen: Wo der ROI wirklich liegt und Den ROI von KI-Agenten messen: ein Framework für KMU einen breiteren Rahmen über den Support-Anwendungsfall hinaus.
Für wen das sinnvoll ist — und für wen nicht
Gut geeignet:
- Support-Operationen mit 50+ Tickets pro Woche und hoher Wiederholungsrate
- Unternehmen, bei denen Support-Anfragen das Nachschlagen von Daten in einem System erfordern (Bestellstatus, Kontodetails, Buchungsdaten)
- Teams, in denen das Support-Personal in Spitzenzeiträumen deutlich überlastet ist
- Unternehmen, die 24/7-Abdeckung ohne 24/7-Headcount wollen
Schwierigere Fälle:
- Unternehmen, bei denen die meisten Anfragen differenziertes menschliches Urteilsvermögen oder emotionale Kompetenz erfordern (komplexe Beschwerden, sensible Situationen)
- Teams mit schlechter Dokumentation ohne Bereitschaft, diese vor dem Deployment zu verbessern
- Betriebe, bei denen das Ticket-Volumen niedrig genug ist, dass eine zusätzliche Einstellung einfacher wäre
E-Commerce mit hohem Volumen gehört zu den klarsten Anwendungsfällen — weiterführend: KI-Agenten im E-Commerce: Umsatz zurückgewinnen, Tickets reduzieren.
Die Entscheidung, die Sie tatsächlich treffen
Die Deflection-Kalkulation ist nützlich, aber die eigentliche Entscheidung ist einfacher: Lösen Sie das Support-Kostenproblem durch zusätzliches Personal, ein SaaS-Add-on oder einen massgeschneiderten KI-Agenten, der tief in Ihre Systeme integriert ist?
Jeder Weg hat andere Wirtschaftlichkeit, andere Obergrenzen und andere Risiken. Die richtige Antwort hängt von Ihrem Ticket-Volumen, Ihrer Datenqualität, Ihrem bestehenden Tooling und davon ab, wie viel operative Hebelwirkung Sie aus der Investition ziehen möchten.
Unser KI-Agenten-Entwicklungsservice ist genau auf diese Art von fokussiertem, ergebnisorientiertem Deployment ausgerichtet — kein generischer Chatbot auf Ihrer Website, sondern ein Agent, der Ihr Produkt kennt, sich mit Ihren Systemen verbindet und die Anfragen bearbeitet, die Ihre Kunden wirklich stellen.
Wenn Sie die Deflection-Kalkulation auf Ihre eigenen Zahlen anwenden möchten — Ticket-Volumen, aktueller Kostenpreis pro Ticket, Backend-Integrationen — reichen 30 Minuten für eine realistische Einschätzung. Kein Pitch-Deck, nur das Modell. Jetzt einen Termin mit dem Orange ITS Team buchen.