Warum KI-Agenten Ihre Kunden in einem oder zwei Austauschen nicht verstehen (und wie Sie das beheben)
Im Einzelhandel hat ein Käufer eine oder zwei Nachrichten. Die meisten KI-Agenten müssen die Absicht daraus erraten, und sie verpassen den Verkauf.

Antoine HeftlerMitgründer

Im Einzelhandel zählt jede Sekunde. Ein Kunde, der online vor einem Produkt zögert, Preise vergleicht oder in einem Chat Frustration äußert, hat oft nur wenige Austausche, um überzeugt zu werden. Die meisten KI-Agenten, die heute im Einsatz sind, müssen Absicht und Kontext jedoch aus einer oder zwei Nachrichten erraten — eine nahezu unmögliche Aufgabe mit ihren heutigen Architekturen. Der Datensatz ist zu eng, um schwache Signale zu fassen (einen zweifelnden Ton, einen Browserverlauf, eine implizite Präferenz), und ihre Spezialisierung macht sie blind für alles, was außerhalb ihres vortrainierten Skripts liegt.
Das Ergebnis: 73 % der Online-Käufer erwarten eine kontextuelle Personalisierung, aber nur 14 % der Kundenprobleme werden im Self-Service ohne menschlichen Eingriff gelöst, laut Gartner (die Links zu den Quellen stehen am Ende des Artikels).
Die Antwort besteht nicht darin, diese Agenten zu ersetzen, sondern sie zu erweitern, damit sie Absichten und Personas vorab kartieren — und so aus einem einfachen Gespräch eine wirklich nützliche Interaktion machen.
Genau davon handelt dieser Artikel.
Die Herausforderung: die Absicht in einer oder zwei Nachrichten verstehen KI-Agenten (und insbesondere jene im Einzelhandel) sind heute für präzise Aufgaben gebaut: eine FAQ zu beantworten, ein Paket zu verfolgen oder ein Produkt anhand von Schlüsselwörtern zu empfehlen. Ihre zentrale Herausforderung ist es, eine Absicht und einen Kontext zu verstehen, die oft implizit sind.
Zum Beispiel schreibt ein Kunde: „Dieser Pullover ist schön, aber ich bin mir nicht sicher …“ → Ein klassischer Agent antwortet mit der Verfügbarkeit der Größen, ohne zu erkennen, dass es sich um ein Kaufzögern handeln kann, das nach einem Styling-Video oder einer ähnlichen Kundenbewertung verlangt.
ChatGPT oder Le Chat von Mistral stützen sich dagegen auf einen breiteren Datensatz der Geschichte des Nutzers, einschließlich anderer Gespräche zu anderen Themen — grundlegend, wenn es darum geht, das Profil der Person zu schärfen, die den Prompt formuliert: risikofreudig oder auf Sicherheit bedacht, modeaffin oder spezialisiert auf die ökologische Wende.
Warum ist das für KI-Agenten so schwer? Ein begrenzter Datensatz: Die Agenten stützen sich auf vordefinierte Szenarien (zum Beispiel „Produktrückgabe“), während große Modelle Milliarden von Interaktionen analysieren, um Verhaltensmuster zu extrahieren. Fehlende kontextuelle Erinnerung: Sie erinnern sich nicht an die früheren Präferenzen des Kunden, anders als Plattformen wie Zalando oder Nike, die den Agenten mit dem Nutzerkonto verknüpfen. Zeitdruck: Im Einzelhandel muss eine Antwort schnell und relevant sein. Und 61 % der Kunden ziehen eine sofortige KI-Antwort dem Warten auf einen Menschen vor — sofern sie passt.
Folge: Laut Gartner nutzen nur 25 % der Kunden einen Chatbot nach einer ersten Interaktion erneut, weil sie ein mangelndes Verständnis spüren.
Welches sind die Schlüssel, um über Schlüsselwörter hinauszukommen?
Damit ein Agent nützlich wird, muss er zwei Dimensionen aufnehmen, die oft ignoriert werden:
Verborgene Absichten. Hinter einer einfachen Frage liegen komplexe Bedürfnisse. Zum Beispiel: Der Kontext der Personas. Ein Kunde ist kein anonymer Nutzer, sondern eine Persona mit einer Geschichte, Präferenzen und Erwartungen.
Drei Schritte zu Agenten, die „bereit für Kontext und Absicht“ sind: wie Sie von der Theorie zur Praxis kommen
Schritt 1: Absichten mit GPT (oder einem LLM, einem großen Sprachmodell) kartieren Ziel ist es, die verborgenen Absichten hinter Kundenfragen zu erkennen, jenseits der offensichtlichen Schlüsselwörter.
Gesprächsprotokolle analysieren: Nutzen Sie GPT, um Chatverläufe, E-Mails und Kundenbewertungen zu sichten. Ziel ist es, wiederkehrende Muster der Absicht zu extrahieren. Zum Beispiel: Eine Taxonomie der Absichten aufbauen: Ordnen Sie Absichten in handlungsleitende Kategorien. Sephora unterscheidet zum Beispiel: Mit Nutzertests validieren: Legen Sie die erkannten Absichten einem Kundenpanel vor, um zu prüfen, ob sie tragen. Sephora hat die falsch positiven Ergebnisse um 30 % gesenkt, indem die Analyse durch GPT mit menschlichem Feedback gekreuzt wurde.
Und natürlich (siehe unsere anderen Veröffentlichungen zu diesem Thema) dürfen Sie Absicht nicht mit einem Schlüsselwort verwechseln. Zum Beispiel kann „Lieferung“ eine Dringlichkeit verbergen („Ich brauche es bis morgen“) oder bloße Neugier („Wie lang sind die Lieferzeiten?“). GPT kann diese Unterscheidung treffen, indem es den Kontext des Satzes analysiert.
Schritt 2: Personas mit kontextuellen Daten anreichern Ziel ist es, aus einem anonymen Kunden eine dynamische Persona zu machen, mit Präferenzen, einer Geschichte und einem Kaufkontext.
CRM- und Verhaltensdaten kreuzen: Speisen Sie den KI-Agenten mit Informationen wie: Bilden Sie „Mikro-Personas“: Statt breiter Segmente („Frauen von 25 bis 34“) schärfen Sie Personas mit dynamischen Attributen: Nutzen Sie den Echtzeitkontext: Reichern Sie jede Interaktion mit Echtzeitdaten an:
Schritt 3: Kontext in das Gespräch einspeisen (ohne das Erlebnis zu belasten) Ziel ist es, höchstens 1 oder 2 Fragen zu stellen, um das Verständnis zu schärfen, und dann eine hochgradig personalisierte Antwort zu liefern.
Stellen Sie „intelligente“ Fragen: Die Fragen müssen sein: Passen Sie Ton und Format der Antwort an: Eskalieren Sie an einen Menschen, wenn es nötig ist. Laut Gartner würden 64 % der Kunden KI im Kundenservice lieber vermeiden, aber nur dann, wenn sie ihr Problem nicht schnell löst.
Eine Synthese der bewährten Praxis Schritt 1: Nutzen Sie GPT, um die Protokolle zu analysieren und eine Taxonomie der Absichten aufzubauen. Vermeiden Sie es, Absicht mit einem Schlüsselwort zu verwechseln. Schritt 2: Kreuzen Sie CRM- und Verhaltensdaten, um dynamische Mikro-Personas zu bilden. Prüfen Sie regelmäßig, um Verzerrungen zu vermeiden. Schritt 3: Begrenzen Sie die Fragen auf 1 oder 2, passen Sie den Ton an und eskalieren Sie bei Bedarf an einen Menschen. Belasten Sie das Erlebnis nicht.
Im Einzelhandel wie in einem großen Teil der Kundenbeziehungen entscheidet oft ein falsch gelesenes schwaches Signal über einen verlorenen Verkauf oder einen treuen Kunden. KI-Agenten haben eine Schlüsselrolle — sofern sie aufhören, sich auf Schlüsselwörter zu beschränken, und stattdessen Absicht und Kontext aufnehmen.
Die Frage ist nicht mehr, ob Ihre Agenten Ihre Kunden verstehen sollen, sondern wie Sie ihnen dabei helfen, ohne das Erlebnis zu belasten. Und Sie: Welche schwachen Signale lassen Ihre aktuellen Werkzeuge durchgehen?
Quellen:
- McKinsey, „LLM to ROI: How to scale gen AI in retail“, 2024: Studie lesen: - Gartner, „Only 8% of customers used a chatbot during their last service interaction“, 2023: Studie lesen - Gartner, „Only 14% of customer service issues are fully resolved in self-service“, 2024: Meldung lesen - Gartner, „64% of customers would prefer that companies didn't use AI for customer service“, 2024: Studie lesen - DigitalDefynd, „Sephora AI chatbot case study“, 2025: Analyse lesen - Yellow.ai, „Sephora chatbot case study“: Fallstudie lesen - DigitalDefynd, „Nike AI use cases“, 2025: Artikel lesen: https://digitaldefynd.com/IQ/ways-nike-use-ai/ - AI Expert Network, „Zalando AI case study“, 2023: Fallstudie lesen - Zalando Corporate, „Zalando Assistant update“, 2025: Meldung lesen : - VUX World, „Decathlon AI chatbot interview“, 2022: Interview lesen : - Cleverence, „Nordstrom AI customer service“, 2025: Analyse lesen :
Dieser Artikel gehört zu Agentic Commerce 2026: was Sie in ChatGPT, Google, Perplexity und Grok kaufen können
Produktseiten für KI-Kaufagenten vorbereiten
KI-Assistenten stützen sich auf Ihre Produktseiten, wenn sie einen Kauf empfehlen. Das APO-Modul von ResonanceMetrics prüft jede Seite und ordnet die Korrekturen nach Priorität.