Wie Thunai den Kundensupport mit KI-Agenten automatisiert (und was das für Ihre B2B-SaaS bedeutet)

Kundensupport-Teams stehen unter enormem Druck. Das Ticketaufkommen steigt jährlich um 20 %, während die Personalzahl konstant bleibt. Kunden erwarten rund um die Uhr sofortige, personalisierte Antworten. Für B2B-SaaS-Unternehmen nagt jede verzögerte Antwort an der Kundenbindung und dem Expansion-Umsatz. Thunai, ein schnell wachsendes Technologieunternehmen, stand genau vor dieser Herausforderung – bis sie den Support rund um KI-Agenten und ereignisgesteuertes Daten-Streaming mit IBM Confluent neu aufbauten.

Das Ergebnis? Eine Support-Funktion, die ohne zusätzliches Personal um das Dreifache skaliert wurde, ein drastischer Rückgang der Lösungszeiten und ein CSAT-Score, der auf über 94 % kletterte. Aber die eigentliche Geschichte dreht sich nicht nur um Technologie – es geht darum, wie die Verbindung von Echtzeit-Datenströmen mit KI-Entscheidungsfindung den Kundenservice von einem Kostenfaktor in eine Wachstumsmaschine verwandelt. Dieser Artikel beleuchtet Thunais Ansatz und gibt B2B-Support-Leitern ein konkretes Playbook an die Hand, um die Ergebnisse zu replizieren.

Warum traditionelle Support-Stacks bei Skalierung scheitern

Die meisten SaaS-Support-Teams starten mit einem Helpdesk, einer Wissensdatenbank und ein paar Makros. Das funktioniert, wenn man 200 Tickets im Monat hat. Bei 2.000 zeigen sich erste Risse. Bei 20.000 bricht das System zusammen. Support-Leiter stehen vor drei miteinander verbundenen Problemen:

• Datensilos: Der Kundenkontext lebt im CRM, Produktnutzungsdaten im Analysetool, vergangene Gespräche in einem separaten Ticketsystem. Agenten wechseln zwischen fünf Tabs, nur um ein Problem zu verstehen.
• Reaktive Workflows: Teams warten darauf, dass Kunden Probleme melden. Bis ein Agent eingreift, hat sich bereits Frustration aufgebaut.
• Wissensengpässe: Die schärfsten 20 % der Agenten beantworten 80 % der kniffligen Fragen. Wenn sie nicht verfügbar sind, explodieren die Lösungszeiten und die Konsistenz leidet.

Thunai erkannte, dass die Behebung von Support-Problemen in großem Maßstab ein Überdenken der Datenschicht erforderte – nicht nur der Ticket-Oberfläche. Sie wandten sich an IBM Confluent, um Echtzeit-Ereignisse zu vereinheitlichen, und bauten darauf KI-Agenten auf, die diese Daten sofort interpretieren und darauf reagieren konnten.

Das Daten-Backbone: Warum Echtzeit-Streaming alles verändert

IBM Confluent bietet eine Echtzeit-Event-Streaming-Plattform auf Basis von Apache Kafka. Statt Datenbanken nächtlich abzufragen, fließt jede Kundenaktion, Kontosänderung, Produktfunktionsnutzung, Abrechnungsupdate und Fehlerprotokoll in Millisekunden als Ereignis. Für den Support bedeutet das: Ein KI-Agent kann wissen, dass ein Kunde gerade eine Zahlungsablehnung oder eine defekte Integration erlebt hat, bevor der Kunde auch nur ein Wort tippt.

Thunai implementierte die folgende ereignisgesteuerte Architektur:

1. Ereignisproduzenten: Jeder Microservice in ihrem SaaS-Produkt und den operativen Systemen (CRM, Abrechnung, Monitoring) veröffentlicht Ereignisse in Confluent-Topics.
2. Stream-Verarbeitung: ksqlDB und benutzerdefinierte Stream-Prozessoren reichern Ereignisse an, gleichen einen Produktfehler mit dem Plan des Kunden, dem Vertragsstatus und der jüngsten Support-Historie ab und geben einen strukturierten „Kundensituations“-Datensatz aus.
3. KI-Agenten-Auslöser: Wenn eine Situation vordefinierte Kriterien erfüllt (z. B. „Enterprise-Kunde mit Pro-Plan erlebt einen Anstieg von API-Fehlern“), wird der KI-Agent automatisch aufgerufen.

Diese Architektur dreht das Support-Modell von reaktiv zu proaktiv um. Statt auf ein Ticket zu warten, erkennt das System ein Problem und leitet eine Lösungssequenz ein.

KI-Agenten in Aktion: Der Thunai-Workflow

Mit einem umfassenden Echtzeitbild des Kunden arbeiten Thunais KI-Agenten auf drei Ebenen:

Ebene 1: Automatisierte Erkennung und ausgehende Ansprache

Wenn die Zahlung eines Kunden fehlschlägt, löst der KI-Agent eine In-App-Nachricht oder E-Mail mit einem sicheren Link zur Aktualisierung der Daten aus – bevor das Abonnement gesperrt wird. Bei bekannten technischen Störungen sendet er eine personalisierte Nachricht: „Wir haben in der letzten Stunde drei Timeout-Fehler von Ihrem Konto festgestellt. Unser Engineering-Team ist informiert; hier ist eine Problemumgehung, die Sie jetzt anwenden können.“

„Wir sind vom Löschen von Bränden zum Verhindern von Bränden übergegangen. KI-Agenten fangen jetzt 43 % der Probleme ab, die zu Support-Tickets geworden wären.“ – Thunais Leiter der Kundenbetriebsabteilung

Ebene 2: Konversationslösung mit LLM-basierter Argumentation

Wenn ein Kunde sich doch meldet, ist der KI-Agent bereits kontextbewusst. Er hat Zugriff auf die jüngsten Ereignisse des Kunden, den vollständigen Gesprächsverlauf, die Produktdokumentation und frühere Lösungen, die bei ähnlichen Profilen funktioniert haben. Mithilfe eines Retrieval-Augmented-Generation-Musters (RAG) liefert der Agent eine präzise Antwort oder führt eine Sequenz von API-Aktionen aus – er sendet einen Lizenzschlüssel erneut, aktualisiert eine Konfigurationseinstellung oder gewährt temporären Zugriff – und hält den Kunden dabei in natürlicher Sprache auf dem Laufenden.

Ebene 3: Intelligente Eskalation mit vollständiger Kontextübergabe

Wenn der KI-Agent feststellt, dass ein Problem menschliches Urteilsvermögen erfordert (z. B. komplexe rechtliche Compliance-Fragen oder nuancierte Fehlerbehebung), übergibt er an einen Spezialisten. Aber die Übergabe ist ein Game-Changer: Der menschliche Agent erhält eine vollständige Einweisung – Zusammenfassung der Situation, Schritte, die die KI bereits unternommen hat, relevante Kontodetails und einen vorgeschlagenen nächsten Schritt – alles in einem kompakten Panel destilliert. Die durchschnittliche Orientierungszeit sinkt von 8 Minuten auf unter 30 Sekunden.

Messbare Geschäftsauswirkungen: Die Zahlen, die zählen

Der Beweis liegt in den Kennzahlen. Innerhalb von sechs Monaten nach der Einführung von KI-Agenten, die von Echtzeit-Ereignisströmen unterstützt werden, dokumentierte Thunai:

• 61 % Ticket-Abweisung: Die Mehrheit der Anfragen wurde durch automatisierte ausgehende Aktionen oder Self-Service gelöst, der durch KI-ausgelöste proaktive Anleitungen unterstützt wurde.
• Die durchschnittliche erste Antwortzeit sank von 8,2 Stunden auf 2,1 Minuten. Dies umfasst auch Tickets, die letztendlich menschliche Hilfe benötigten, da KI-Agenten eine sofortige Bestätigung und oft eine teilweise Lösung lieferten.
• Der CSAT stieg von 78 % auf 94 %. Kunden nannten den „vorausschauenden Service“ durchweg als Grund für verbesserte Zufriedenheitswerte.
• Die Kosten pro Ticket fielen um 64 %. Durch die Verlagerung von Tier-1- und dem Großteil der Tier-2-Arbeit auf KI konzentrierten sich menschliche Spezialisten auf hochwertige Interaktionen, was Effizienz und Arbeitszufriedenheit steigerte.

Der Abwärtstrend beim Ticketvolumen zeigt den kumulativen Effekt: Je genauer die KI-Agenten wurden und je reifer die Ereignisverarbeitungsschicht, desto weniger Probleme erreichten die Support-Warteschlange – und die, die es taten, waren einfacher zu lösen.

Bemerkenswerterweise war die CSAT-Verbesserung kein einmaliger Sprung. Sie stieg kontinuierlich, während das System aus jeder Interaktion lernte und so den positiven Kreislauf weiter befeuerte. Und wenn man diesen Gewinn auf das Expansion Revenue überträgt – B2B-Unternehmen mit einem CSAT über 90 % verzeichnen eine Verbesserung der Net Revenue Retention um 10–15 Prozentpunkte –, wird der ROI deutlich.

Das Playbook: Wie Support-Leiter dieses Modell übernehmen können

Thunais Erfolg war kein „Big Bang“-Projekt. Sie folgten einem schrittweisen, messbaren Ansatz, den jeder Support-Leiter nachahmen kann. Hier ist ein praktischer Rahmen:

Phase 1: Kartieren Sie Ihre Ereignis-Trinität (Wochen 1–2)

Identifizieren Sie die drei Kategorien von Ereignissen, die das Kundenerlebnis am stärksten beeinflussen:

• Produktereignisse: Fehlercodes, Feature-Nutzung, Ausfallzeiten-Anomalien.
• Kontoreignisse: Tarifänderungen, Abrechnungsfehler, Onboarding neuer Benutzer.
• Interaktionsereignisse: aktuelle Support-Tickets, NPS-Scores, Community-Beiträge.

Beginnen Sie mit nur fünf wirkungsstarken Ereignissen, wie Zahlungsausfall, kritischer Fehler in einem kostenpflichtigen Tarif oder Kunden-Downgrade. Verbinden Sie diese mit einer leichtgewichtigen Streaming-Schicht (Kafka, Confluent oder sogar einem Webhook-basierten Bus).

Phase 2: Definieren Sie Aktionsauslöser und Agentenreaktionen (Wochen 3–4)

Entwerfen Sie für jedes Ereignis ein „Wenn dies, dann das“-Playbook:

• Welche Bedingung löst einen KI-Agenten aus? (z. B. „Fehlerrate > Schwellenwert bei Enterprise-Konto“)
• Was ist der beste Lösungsweg? (Wissensartikel senden, Dienst neu starten, Termin mit CSM vereinbaren)
• Welcher Fallback stellt sicher, dass kein Kunden hängen bleibt? (Eskalation mit vollständigem Kontext nach zwei fehlgeschlagenen KI-Versuchen)

Nutzen Sie Low-Code-KI-Plattformen, um diese Agenten zu erstellen, ohne Backend-Code schreiben zu müssen. Moderne Tools ermöglichen es Ihnen, Datenverbindungen per Drag-and-Drop zu erstellen, Gesprächsabläufe zu definieren und direkt in Helpdesks wie Zendesk oder Intercom zu integrieren.

Phase 3: Messen, Lernen und Erweitern (fortlaufend)

Verfolgen Sie dieselben Metriken, die Thunai verwendet hat – Ticket-Abweisungsrate, Erstantwortzeit, CSAT, Kosten pro Ticket – in einem einheitlichen Dashboard. Überprüfen Sie wöchentlich die Top-20-KI-geführten Gespräche, um Lücken zu identifizieren. Erweitern Sie die Ereignisabdeckung und die Agentenkompetenz in zweiwöchigen Sprints.

„Der größte Fehler ist, alles auf einmal automatisieren zu wollen. Beginnen Sie mit den 20 % der Probleme, die 80 % des Volumens ausmachen, machen Sie das perfekt, und wachsen Sie dann.“, Support Ops Advisor

Wo Successly ins Spiel kommt: Beschleunigung Ihrer KI-Agenten-Reise

Thunais Architektur erforderte tiefgehende Kafka-Expertise und monatelange kundenspezifische Entwicklung. Aber die Prinzipien erfordern nicht dieses Maß an Engineering-Investition. Successly bietet eine speziell entwickelte KI-Support-Automatisierungsplattform, die bereits mit Ihrer Produktanalyse, CRM, Abrechnung und Helpdesk verbunden ist und dieselben Echtzeit-Ereignisse aufnimmt, auf die Thunai angewiesen war – ohne dass Sie eine Streaming-Infrastruktur selbst verwalten müssen.

Die KI-Agenten von Successly sind auf B2B-Support-Muster vortrainiert, sodass Sie sofortige Erkennung von fehlgeschlagenen Zahlungen, Onboarding-Abbrüchen und häufigen Produktfehlern erhalten. Und da es sich in die von Ihnen bereits genutzten Tools integriert, können Sie in Wochen, nicht in Quartalen, vom Pilotprojekt zur vollen Produktion übergehen. Teams, die Successly übernehmen, sehen typischerweise:

• 50–65 % Ticket-Abweisung innerhalb der ersten 90 Tage
• Erstantwortzeiten unter einer Minute für KI-verwaltete Interaktionen
• Über 90 % CSAT bei automatisierten Gesprächen

Fazit: Machen Sie Support zu einem strategischen Burggraben

Thunais Geschichte mit IBM Confluent und KI-Agenten ist ein Blaupause dafür, was moderner Support erreichen kann. Indem sie jedes Kundensignal als Gelegenheit zum Dienen betrachteten, verwandelten sie ein reaktives Kostencenter in einen Motor für Loyalität und Wachstum. Für B2B-SaaS-Führungskräfte ist die Lektion klar: Die Grundlage großartigen KI-Supports ist nicht ein intelligenterer Chatbot, sondern eine intelligentere Datenpipeline. Mit Plattformen wie Successly können Sie diese Pipeline und die darauf aufbauenden intelligenten Agenten einsetzen – ohne den schweren Engineering-Aufwand.

Ihre Kunden senden bereits die Signale, die über ihren Erfolg und ihre Abwanderung entscheiden. Hören Sie zu?