speaker-0: Was wird uns 2026 im CX-Management bringen? Forester hat es untersucht und ich diskutiere in dieser Folge wieder gemeinsam mit Maxi Schmidt die aktuellen Forester Predictions.

speaker-0: Herzlich willkommen bei CX Talks. Mein Name ist Peter Pürner und ich freue mich sehr, dass du auch im siebten Jahr von CX Talks wieder mit dabei bist. Ja, du hast richtig gehört. Wir gehen 2026 bereits in die siebte Season von CX Talks. Bereits seit sechs Jahren beschäftige ich mich in diesem Podcast mit wichtigen Entwicklungen für CX Professionals rund Technologie, Methoden, Insights und vor allem Praxislösungen im Customer Experience Management und all seinen angrenzenden Disziplinen. Dahinter steckt meine große Leidenschaft fürs Thema. aber auch meine große Leidenschaft für interessante, kluge, schlagfertige und unterhaltsame Gäste. Zu vielen von Ihnen habe ich im Laufe der Zeit auch ein persönliches, freundschaftliches Verhältnis aufgebaut. Sie lassen mich auch außerhalb des Podcasts teilhaben an ihren Gedanken, Entwicklungen, die sie beobachten oder neuen Erkenntnissen, die sie gewonnen haben. Maxi Schmidt von Forrester ist eine dieser ganz besonderen Gäste. Ich genieße es mit ihr zu diskutieren und seit vielen Jahren sind die Forrester Predictions der unverzichtbare Jahresauftakt für CX Talks. Maxi Schmick wirkt als Vice President und Principal Analyst bei Forrester jedes Jahr an der Erstellung dieser Predictions mit. Einige hatte ich mit ihr auch im Vorfeld bereits andiskutiert. Herausgekommen sind nun fünf Predictions für das Jahr 2026, die nicht zuletzt die Transformation der Customer Experiences selbst, aber eben auch das Customer Experience Management abbilden. Viel Spaß dabei und viel Inspiration für eure Aufgaben in diesem Jahr.

speaker-0: Hallo Maxi, herzlich willkommen bei CX Talks. Dankeschön, super, dass ich dabei sein darf. Sehr gerne. Liebe Maxi, wir machen bereits zum sechsten Mal, ist dir das eigentlich bewusst gewesen? Wir machen zum sechsten Mal den Jahresauftakt bei CX Talks mit den Forester Predictions. Diese Tradition muss uns wirklich auch erstmal einer nachmachen. Und ich weiß, dass du über die Jahre auch eine regelrechte Predictions-Fanbase aufgebaut hast. Trotzdem vielleicht noch mal ganz kurz zur Erleuchtung. Was sind die Forester Predictions und wie werden sie erstellt? Forza Predictions sind ein bisschen was Spezielles. Es geht nicht die großen Trends für die nächsten 3, 4, 5 Jahre, sondern es geht darum, was wir denken, wird CX Teams im nächsten Jahr konkret beschäftigen. Die sind recht praktisch orientiert, diese Predictions, und es geht wirklich darum, womit muss man sich auseinandersetzen. Wir füttern die mit eigentlich verschiedenen Inputs. Der eine Input ist, was wir wissen, was sich verändern natürlich technologisch oder im Kundenverhalten oder auch im organisatorischen Umfeld. Und das andere ist auch dieses Verständnis, wie CX-Teams arbeiten und was wir hören von unseren Kunden und von den CX-Leuten, die wir interviewen für unsere Forschung.

speaker-0: Welche Experten zieht ihr denn noch zu Rate? Ihr fragt auch mal mal Externe, wen fragt ihr da? Das Lustige, die wirklichen externen Experten sind eigentlich die CX-Leute, mit denen wir sprechen, weil wir ja die Prediction sind eigentlich darin basiert, dass wir mit sehr, sehr gutem Verständnis dieser CX-Teams, quasi diese Headwinds und Tailwinds, die man so gerne erwähnt, also das ist quasi den Gegenwind und den Rückenwind, dass wir da versuchen zu sagen, okay, wir verstehen euren Gegenwind, wir verstehen euren Rückenwind und hier sind fünf Dinge, ihr im nächsten Jahr machen müsst. Also das sind eigentlich unsere externen Experten. Intern sind wir ja selber ein Haufen von Experten zwischen Technologie, Segmentierung. Es gibt ja wirklich zu jedem Thema irgendwie einen Forester, Analysten, sich damit tief beschäftigt. Das heißt extern die Kunden oder die CX Teams und sonst unsere internen Experten. 2026 nicht nur gute Nachrichten für diese Teams und ihr fangt auch die Predictions so an wie ich in meinem eigenen Beitrag Ende des Jahres 2025 aufgehört habe. Der X verliert ein bisschen ein Glanz und für viele Teams ist 2026 aus eurer Sicht so direkt ein Wendepunkt. Einige CX Teams modernisieren ganz radikal, andere bleiben auf ihre Scores fixiert. und verlieren aber unternehmensintern dadurch auch bisschen an Relevanz. Lass uns doch mal ganz konkret an den fünf Predictions diese Entwicklung konkret festmachen. In der ersten Prediction sagt ihr, dass durch Budgetdruck 15 % der Teams in 2026 in eine Todesspirale der Score Obsession, also einer Metrikbesessenheit gedrängt werden. Wie erkennst du den Score Obsession?

speaker-0: bei deinen Kunden ganz konkret im Alltag. Das erhört sich in verschiedenen Symptomen. Natürlich fängt es an damit, dass Mitarbeiter des Unternehmens im Kundenkontakt bessere Bewertungen bitten. Das sagt immer sofort aus, warum eigentlich gemessen wird. Das wird gemessen, irgendeinen Dashboard zu füllen. Und wir haben uns ja auch mal nachgefragt, zumindest in England und Amerika sind das zwischen 55 und 68 Prozent der Kunden, die das schon mal erlebt haben. In Deutschland schätzt sich mal ein kleines bisschen weniger, aber trotzdem noch ein großer Anteil. Und das ist so dieses große Symptom, das man auch sehr, leicht sieht. Aber ist auch, wenn wir mit Leuten reden und die sagen, ja, unsere Führungskräfte möchten gerne, dass wir jetzt mal CX messen, sie brauchen NPS, sie müssen das benchmarken und die wollen zahlen, zahlen, zahlen, dann weiß ich schon, das klingt zu gut, zahlenbasierte Entscheidungen treffen, aber meistens geht es darum nicht zahlenbasierte Entscheidungen, sondern mehr Zahlen, weil das irgendwie auch sich so gut anfühlt. Aber dann, wenn die Performance runtergeht, man nicht genau warum, aber es wird eine Eskalations-E-Mail geschickt, auch so ein Blame-Game gespielt. Aber wir sind jetzt schon wieder schuld, dass der NPS um einen Punkt runter ist. Obwohl es vielleicht nichts ausmacht und es eigentlich vielleicht kein Signal ist. Und auch, dass das CX-Team, also hatten ja so Mitarbeiter im Kundenkontakt, Führungskräfte, aber auch eben das CX-Team, dass die viel Zeit damit verbringen, Reports zu erstellen, dass die Reports so aussehen wie 15 Spalten, 16 Zeilen, 10 Spalten, alles voller Zahlen, aber eben dann auch irgendwie... nicht so viel Kontext und die auch Zeit damit verbringen, diese Exception Requests. kannst du also von den Kunden, Mitarbeitern, kannst du bitte diese Survey nicht einbeziehen in meinen persönlichen Score. All das sind eigentlich so Symptome.

speaker-0: Aber warum hängt das mit Budgetdruck zusammen? Also dass man sich jetzt dann noch mehr auf seine Zahlen konzentriert. Warum? Ihr habt das ja direkt in Verbindung gebracht mit dem Budgetdruck. Das ist deswegen, weil die Unternehmen, mehr so Druck kommt und das Kostendruck, desto mehr wird sich zurückgezogen auf diese Kennzahlen, damit man mit Kennzahlen steuern kann. Denn Kennzahlen sind ja einfach. Wenn ich jetzt sage, du hast aber nur eine 4,2 und ich habe eine 4,5, dann darf ich zuerst meinen Urlaubsantrag einreichen. Ist viel einfacher, als das irgendwie dezidiert anzugucken und nuanciert. Das heißt, Kennzahlen werden wichtiger. Und wenn ein Unternehmen so sehr stark auf Kennzahlen abzahlt und auch das CX-Team sehr danach gefragt wird, ist natürlich der schnellste Schritt seinen eigenen Wert zu beweisen, zu sagen, die wollen Kennzahlen, dann liefere ich ganz viele Kennzahlen, weil das ist ja was sie wollen. Was aber, wenn ich ganz kurz das hinzufügen darf, ich füge es einmal in meinen Zunahmen, was aus dieser systemtheoretischen Beratung ganz interessant ist, ich mit einem gesprochen, der meinte, das Wichtigste an dieser Beratung ist, das Problem des Kunden nie, das Problem des Klienten, nie als dein Problem anzunehmen. Das heißt, wenn es ein CX-Team von den Führungskräften hört, wir brauchen mehr Zahlen, Daten, Fakten, Wenn Sie das einfach so annehmen, ohne zu wissen, was eigentlich dahinter steht und dann Zahlen, Daten, Fakten produzieren, dann kommt es meistens nicht zu einer guten Situation, weil die Zahlen, Daten, Fakten, die das CXT produziert, dann einfach auch nicht zur Entschädigungsunterstützung beitragen. Wohl unterscheiden sich dann diese klassischen Reporting-Teams von denen die bei der Entscheidungsunterstützung wirklich helfen.

speaker-1: Es gibt ja ganz verschiedene CX Teams. Das hätte ich vorhin erwähnen sollen, wenn wir über CX Teams reden, ist das die ganze Bandbreite von Teams, die sehr mit dem Thema Voice of Customer und Metrics beschäftigt sind. Teams, die mehr in dem UX-Bereich unterwegs sind. Teams, auch mehr im Designbereich unterwegs sind. Aber wir sehen definitiv einen größeren Anteil von Teams, die teilweise auch intern durch ihre Führungskräfte in so eine Messecke gedrängt werden. Das sind dann halt die NPS Teams zum Beispiel. Und die produzieren Zahlen. Und das habe ich ja vorhin schon mal dargestellt, wie das denn aussieht mit den Spalten und den Zeilen. Da ist aber wenig Kontext drin, wenig Klarheit, wie diese Zahlen eigentlich das Geschäftsergebnis beeinflussen, also warum sie wichtig sind und auch wenig Klarheit, wie man die verbessern kann. Das heißt, man hat dann sehr viele Zahlen, aber auch wenig, wenig Erkenntnis aus diesen Zahlen. Und was dann auch dazu kommt, ist, dass, wenn diese Reporting kommt, dass dann die quasi so eine Trendlinie, ich eine Trendlinie vor, die geht hoch und runter und hoch und runter, aber keiner weiß wirklich, macht das jetzt was? Ist das ein Signal oder ist das ganz normales Bewegen dieser Trendlinie? Ich möchte jetzt auch nicht, dass alle Teams so sind, aber es ist halt so bis zu das Problem, wenn man sich sehr in die Reporting-Ecke drängen lässt, dass dann sehr schnell irgendwann jemand sagt, aber Maxi, das kann doch jetzt KI, kann doch jetzt das alles zusammenfügen und Dashboards kann das doch jetzt auch schon erstellen, brauche ich dich ja eigentlich noch. Und das ist so dieser Teufelskreislauf, von dem wir in dieser ersten Prediction sprechen. Ihr empfehlt ja zur Lösung auch, dass man Advanced CX Analytics Capabilities aufbaut. Was meint ihr damit? Methoden, Daten, Simulationsmodelle? ist das? Da geht es darum, also es fängt ganz einfach an, dass man zum Beispiel mal sagen kann, was ist denn eigentlich der Grund dafür, dass sich Metriken bewegen und was ist der Effekt? Ich hatte vorhin gesagt, der Effekt aufs Geschäftsergebnis und das ist eigentlich noch recht normale Analyse, die aber auch gemacht wird. Aber was es eben auch ist, ist so predictive analytics. Es hat was mit Segmentierung zu tun, Probability, Propensity Modeling, Entschuldigung, solche Dinge, die dabei helfen.

speaker-0: Modeling heißt Dass man versucht zu verstehen, welche Wahrscheinlichkeit es hat, dass ein Kunde irgendwas macht, irgendwelche Verhaltensweisen zeigt, die natürlich dann wieder super interessant sind, den Kunden mit irgendeiner, irgendeiner neuen Interaktion zu... Verwendest du NextPath? Genau. Also geht eigentlich darum, diese ganzen statistischen Techniken, die wir eigentlich schon kennen, die uns dabei helfen, die Gründe für Veränderungen im Kundenverhalten oder auch Veränderungen von den Bewertungen, wir von Kunden bekommen, und den Effekt auf das Finanzergebnis besser erklären zu können. Jetzt hast du dich auf Sachen bezogen, die sehr statistisch wieder sind, die man möglicherweise nicht von vornherein, wenn man so ein Programm launcht, anwendet. Ihr sagt aber auch, eine Grundvoraussetzung für alle modernen CX Teams ist die AI Fluency, also die Sprachbeherrschung der künstlichen Intelligenzsprache, des Promptings. Was muss man denn da können?

speaker-1: AI-Fluency, da wird viel sich herum geworfen. Ich finde, das ist ein wichtiger Begriff und das fängt eigentlich mit was ganz anderem an als Prompt. Das fängt damit an, dass man sich mit den Grundbegriffen auseinandersetzt, dass man das sauber trennen kann. Dass man zum Beispiel, wie jetzt alle schon wissen, AI nicht nur mit Gen-AI gleich setzt. Dass man weiß, was Agentic-AI ist und was es nicht ist. man, ein Vendor irgendwas schreibt, Ja, mei, das klingt schon gut, aber das ist eigentlich jetzt hier was, mit alten Techniken gemacht wird. Klingt jetzt toll, aber ist eigentlich ein Machine Learning Ansatz oder hier ist wirklich Agentic AI drin. Es geht damit weiter, dass man sich damit beschäftigt, wie man AI Outputs interpretieren kann, weil das ja doch so aus einer Blackbox kommt. bisschen, dass man versteht, AI oder KI, Entschuldigung, bitte, arbeitet, welche Daten das braucht. Aber und hier ist was, ich noch noch wichtiger finde, dass man auch weiß, wer im Unternehmen eigentlich diese KI-Stalegie 3. und mit diesen Leuten Kontakt aufnehmen kann. da ist ja, Großunternehmen haben ja da auch Leute, die dafür verantwortlich sind, von der UBS, den Head AI Strategist sprechen sehen. Und der ist ganz, ganz klar daran interessiert, die Strategie in eine Richtung zu treiben, die dem Unternehmen hilft. Das heißt, das ist natürlich als CX-Team ein toller Partner auch. wir verstehen, welche Use-Cases es gibt, aber auch mal reinzugeben, was denn Kunden wollen, Kunden nicht wollen. Influency scheint ja auch deshalb so wichtig zu sein, da ihr in der zweiten Prediction sagt, dass es mindestens zwei große Skandale durch KI-basierte Kundenforschung gibt. Das setzt ja voraus, dass man KI in der Kundenforschung überhaupt schon massiv einsetzt. Wie stark nutzen denn heute die CX Teams, mit denen du zu tun hast, künstliche Intelligenz in ihrer analytischen Arbeit? Lustig, dass du das sagst mit dem Massiv-Einsetzen. Ich glaube, die Skandale kommen gerade daher, dass es noch sehr experimentell eingesetzt wird. Denn wenn man es irgendwann massiv einsetzt, kann man noch besser einschätzen, was es kann, was es nicht kann. Im Moment wird daran gearbeitet. Speziell zu dem, was du gerade gefragt hast, wir sehen den Haupt-Buse-Case in unseren Daten. Wenn wir CX-Teams fragen, wenn wir Design-Teams fragen, ist so Pattern Analysis, also Guss-Analyse im Feedback oder Feedback zusammenfassen in dem CX-Bereich.

speaker-1: Und so in dem Research- und Insights-Bereich hat es sehr viel damit zu tun, können wir die Accessibility-Probleme finden in unseren Websites oder in unseren Apps, die repetitiven Aufgaben, die man oft hat in so Design-Team. Aber dann so ein Drittel der Kunden oder nicht Kunden, Entschuldigung, der Drittel der Design und Research, die wir gefragt haben, auch einen Nutzen KI zum Bauen von digitalen Prototypen und benutzen eben auch diese synthetische Daten oder Forschung. Wo prägt aus deiner Sicht der Einsatz von KI im Research? Heute stand heute für die meisten Teams am meisten. Also es ist schon wirklich, dass wir sehen, die Teams schneller größere Datenmengen zusammenbringen können und sehen können, was da an Mustern drin ist. Das ist wirklich sehr, interessant. Das ist ein Zeitgewinn für die Teams, aber es ist natürlich auch so, dass es da Risiken gibt. Und was sind so diese typischen Risiken, da auftreten können? Die gleichen wie wenn man bei Checibetti eine Frage stellt und die Antwort nicht versteht und nicht bewerten kann. So bisschen dieser fehlende Unternehmenskontext. Selbst wenn man mit KI sehr viele verschiedene Daten zusammenfügen kann, braucht es den Kontext und die richtigen Fragen, diese Daten zu interpretieren. Man muss sich zum Beispiel entscheiden, ob man gerne nur auf neuen Daten die Entscheidung basieren lassen möchte oder auch auf alten. Man muss wissen, welche Kunden diesen Daten nicht

speaker-1: mit drin repräsentiert sind. Und da habe ich ja auch schon neulich mal auf LinkedIn so bisschen cheeky gesagt, man braucht eigentlich immer noch Survey-Designers. die gute Survey-Designers können nämlich die richtigen Fragen stellen. Die machen jetzt keine Umfragen, aber die können die richtigen Fragen stellen und genau das braucht man auch. das sind auch was gute, gute Forscher noch können. Die können die richtigen Fragen stellen. Und das sind eben dann die Risiken, wenn man das nicht macht, was ja auch mit der Demokratisierung von Forschung zu tun hat, die ja mein ganz großes Hype-Wort war vor zwei, drei Jahren. Ist natürlich jetzt viel einfacher noch. und aber auch noch gefährlicher, dass dann alles Mögliche rauskommt, nur nicht das, was eigentlich die Kunden wollen. Ja, es kann dir ja auch passieren, wenn du das praktisch über so einen Chat dich dem Problem löst, dass sich Chat-GPT und Konsorten da ja gerne mal links und rechts vorbeiducken und sagen, ja, also sorry, da habe ich mich jetzt getäuscht. Wenn du sagst, das kann so nicht sein, da habe ich mich getäuscht, dann ist es halt anders. Was jetzt eigentlich dich auffordern sollte, sehr kritisch auch mit den Analysen bei diesen Modellen umzugehen. Schwieriger wird es ja, wenn du in diesem qualitativen Bereich bist, da kannst du es ja gar nicht mal objektiv so leicht nachvollziehen, wenn du sagst, was würde ich jetzt einem Befragter diesen Typen antworten, wenn ich ihm folgendes Produkt anbieten würde, was ja auch viele machen, dass man praktisch Prototypen erstmal testet an solchen Personen. Und dann finde ich es schon sehr schwer überhaupt zu erkennen, ob das in den Kontext passt oder nicht, weil so ein LMM erklärt dir alles ringsrum so, dass es unterm Strich für dich angenehm bleibt. selbst wenn es komplett daneben liegt.

speaker-1: Da ist dann auch meine Kollegin Martha Bennett, schärft uns das auch immer ein. Ich meine, bin ja auch selbst nicht die Spezialistin dafür. Die schärft uns immer ein. Denkt bitte dran, ein LLM ist einfach ein statistisches Modell. Das kann nichts verstehen, es ist nur statistisch. Und es ist wirklich wichtig, das immer wieder in den Kopf zu rufen und wieder ins Bewusstsein zu bringen. Und dann auch immer, wenn irgendwas von so einem Modell zurückkommt, das zu hinterfragen. Klingt blöd, aber Wenn es aus der KI kommt, dann muss man es nochmal hinterfragen. Weil wir beide haben viele viele Jahre ja große Mengen an statistischen Daten analysiert und man hat dann ein gutes Gefühl dafür, das schaut jetzt zu gut aus, wahr zu sein. Was sind denn die Red Flags, die man bei KI erkennen könnte? Oder wann würdest du sagen, ich schau jetzt mal auf so einen Dashboard oder auf so einen Chart und denk mir, na, das sollte man lieber nochmal anschauen. Was ist so dein Gute Frage, ich bin mir nicht sicher. Ich würde eigentlich sogar sagen, immer, man muss es immer nochmal anschauen, solange wir alle unsere Kernthemen in irgendeinem Co-Pilot, Chatchi BD anfragen und immer wieder falsche Sachen zurückgespielt bekommen, wissen wir eigentlich, dass man alles, was da rauskommt, nochmal prüfen muss. Das ist natürlich auch eine große Herausforderung, da die Ressourcen zuzuteilen. Und wenn dann jetzt Research Teams oder Forschungsteams zum Beispiel gesagt bekommen, ihr braucht ja jetzt weniger Leute, weil ihr jetzt alles mit KI machen könnt. Dann ist genau dann der Grund zu sagen, naja, probier doch mal selber, was bei der KI rauskommt und wir müssen einfach das überprüfen. Also das ist leider nicht so einfach mit diesen Wet Flags. Deswegen ist eigentlich, wovon wir immer sprechen, dass die Forscher, die im Unternehmen arbeiten, sind ja eigentlich schon über die Jahre hinweg auch so wie du, was du von uns gerade erzählt hast, trainiert so bisschen zu sehen, klingt das richtig. Und deswegen braucht man auch diese Forscher, die sich mit den Daten auskennen, die schon lange

speaker-1: Kunden befragt haben, die haben dann schon eher das Gefühl dafür ist das richtig, wenn man das jetzt aber alles demokratisiert in alle. Da ist eben das Gefühl, klingt das jetzt richtig, noch nicht so ausgeprägt bei allen Leuten im Unternehmen. Und deswegen nochmal der der Aufruf, nicht zu sagen, wir können jetzt alles demokratisieren und brauchen die Forscher nicht mehr, sondern genau die braucht man eigentlich als der human in the loop quasi. Du brauchst eigentlich die erfahrenen Forscher. Weil jemand, erst anfängt, der kann dieses Gefühl ja gar nicht haben, das muss er ja erst aufbauen. Man hat aber in der Vergangenheit natürlich die Möglichkeit gehabt, die Daten zu gucken. Jetzt kann man ja nur sagen, wie bist du da drauf gekommen? An das LM. Also, so richtig, kommst du da ja an die Grenzen, wo du dann auch gar nicht mehr überprüfen kannst, sondern einfach nur sagt, glaub ich nicht. Genau, oder wurde auch, das ist ja manchmal auch so, wenn man von was Angeboten bekommt, von der KI, man bekommt vielleicht fünf alternativen Angeboten, aber weiß, dass Alternative 32 Quatsch, aber das trotzdem eine Lösung, muss aus, was Neues zum Denken, aber man nimmt natürlich nicht, was man angeboten bekommt als bare Münze, sondern das ist einfach, man interagiert mit dem und dadurch bewegt sich wieder was im eigenen Kopf, finde ich aber auch. Also nicht einfach den Output kann man nicht einfach benutzen. Wie könnte man denn solche Risiken systematisch als Team oder in einer Organisation in den Griff kriegen, dass solche falschen Schlüsse auf Basis einer falschen Analyse zu komplett falschen Entscheidungen führen? ist ja bisschen komplizierter, weil oft merkt man gar nicht, dass die Schlüsse falsch sind und man merkt es auch oft nicht, wenn es umgesetzt wird. Weil ja im kurzen Frist zum Beispiel könnte ja das ganz toll aussehen, wenn man jetzt dem Kunden irgendwas Neues anbietet, neue Interaktion, neuen Chatbot oder so, das sieht erstmal toll aus, aber im Endeffekt kommt es blöd. ist ja nicht immer gleich so wie bei Sonos, dass alle sofort sagen, was ist denn das für ein richtiger Riesenmiss, den ihr dann mit der App gemacht habt. Deswegen ist es eigentlich wichtig, dass wir

speaker-1: während der Entwicklung dieser Produkte oder dieser neuen Dienstleistungen und Services, die ja jetzt sehr schnell gehen kann, immer wieder verschiedene Punkte haben, wo nochmal ein Mensch drauf guckt. Aber auch wenn sie dann live gegangen ist an die Kunden, nicht nur mit Feedback arbeiten, sondern eben auch da nochmal drauf gehen, dass wir zum Beispiel können wir da auch Nutzer-Tests machen. Also alle diese Tools, die wir eigentlich schon kennen, anwenden in der Entwicklung und danach. Das führt uns wunderbar auch schon zum dritten Prediction. Fast alle Unternehmen sind ja im Moment sehr aktiv, vor allem im Bereich Customer Service, um da Lösungen, die von den Anbietern bereitgestellt werden, um die Arbeit von Agenten oder überhaupt die Arbeit der Agenten zu verbessern. Ihr sagt, drei von zehn Firmen werden 2026 Kunden mit KI Self-Services frustrieren. Warum tun die das? Sind die Verantwortlichen naiv? würde jetzt nie jemanden in einem Podcast naiv nennen, das wäre sehr unhöflich. Ich glaube, die Verantwortlichen haben da zwei Sachen zusammen. Das eine ist dieser, der Kostendruck, unter dem alle Unternehmen sind. Und das zweite ist dieser, diese, oder drei Sachen, Kostendruck. Das zweite ist der KI-Hype. Man muss unbedingt probieren, mach doch mal was mit der KI. Warum machen wir denn noch nichts mit der KI? Und das dritte ist so bisschen dieses ... wesentliche Missverständnis, was denn solche Tools können. Also wir haben zum Beispiel mal gefragt, KI Entscheidung, Entscheidungsträger, wie sehr seid ihr euch sicher, dass die Outputs von so KI-generierten oder so GEN.AI, dass die gut sind? 80 Prozent haben gesagt, ja, dem vertrauen wir. Dann haben wir uns aber auch gefragt, ist denn GEN.AI gut für komplexe mathematische Modelle? Ist es nicht? Und haben eben auch 80 Prozent gesagt, ja, das ist gut.

speaker-1: Also wir haben da so bisschen so Problem, dass es da quasi ein zu starkes Vertrauen gibt in das, was KI kann. Zugleich eben der Kostendruck und der Druck auch zu sagen, mach doch mal was mit KI. Und dann ist es recht schnell, dass das was eingesetzt wird an Stellen, es keinen Mehrwert leistet für Kunden, sondern das Gegenteil. Ich habe jetzt viele Anwendungsfälle gesehen im Customer Service von KI und da finde ich gibt es einige, die wirklich richtig Sinn machen. Was sind denn aus deiner Sicht diejenigen, wo man sagt, in die Richtung solltet ihr wirklich arbeiten und das dann auch ausrollen, weil da könnt ihr echten Kunden Nutzen schaffen? gibt wirklich, wirklich tolle Beispiele. haben ja in unseren Reports zwei Beispiele, die ich sehr interessant fand. Und dann kann ich vielleicht noch eins Persönliches erzählen. Das interessante Beispiel war BBVA. Die haben eine ganz, ganz tolle App, mit der man Text oder mit Schreiben oder mit Stimme schon ganz viele Dinge machen kann mit seinem Konto. Und das erweitert sich auch jeden Tag. Man kann schon Rat bekommen. Was mache ich mit meiner Hypothek? Und auch einfache Fragen, die da beantwortet werden. Also super gemacht. Wir haben auch Vodafone zum Beispiel, da ganz weit vorn, finde ich auch ein sehr interessantes Beispiel. Aber vielleicht komme ich doch mal zu dem, manchmal sind es auch kleine Dinge, wie zum Beispiel wenn ich in einem Restaurant reserviere und dann da anrufe, weil wir zu spät sind und dann ist dann Chatbot, bzw. ein Voicebot in dem Fall und sagt, warum rufen Sie denn an? Ja, weil ich reserviert habe. Sind Sie denn die Maxi Schmidt mit der Reservierung 18.30 heute? Ja. Was ist denn das Problem? Ja, ich komme zu spät. Wie spät kommen Sie denn? Ja, 15 Minuten später. Okay, wir geben das weiter. Können bitte aufhängen. Und dann komme ich im Restaurant an und dann weiß der am Empfangstest schon, dass ich 15 Minuten später da bin. Das ja super. Also sind teilweise diese Dinge, die Kunden auch mega begeistern können, die vielen Leuten ich schon davon erzählt habe. Das war übrigens die Schuhe in London. Die Schuhe in London, Bündnisnicht. Super, tolle, tolle Cases.

speaker-0: auf die dunkle Seite schauen, sind die größten Probleme, Kunden in der Regel bei so KI-Implementierungen dann letztendlich eben doch haben. Was wir als Problem sehen, ist, dass man als Kunde, wenn man diesen KI-Sitz das Anliegen nicht lösen kann, eben dass dieser KI-Selbsthilfeschleife schlecht rauskommt. Das ist eines der größten Probleme. das wird ja auch, also quasi dadurch, dass da dieser Kostendruck ist, ist es für manche Kunden sehr, schwer, zu einer Person durchzukommen. Es ist eigentlich quasi das gleiche Spiel wie bei der Call-Deflection nach Digital. wo man dann in einem Bot sitz und nicht wieder rauskommt, aber eigentlich ein Problem hat, was den auch nicht lösen kann. gibt es ja auch nicht mal direkt eine Kundenschnittstelle. Also mir ist das aufgefallen und das ist eigentlich ein positives Beispiel. Die Dunkelverarbeitung von Schadensfällen in Versicherungen wird in den meisten Fällen mittlerweile jetzt KI-gestützt durchgeführt und das führt erstmal dazu, dass alles sehr viel schneller geht. Aber ihr seht sogar in solchen Fällen gewisse Risiken für die Kundenbeziehungen. Wieso ist das so risikobehaftet oder was seht ihr da? Das ist ganz interessant. haben ja jetzt gesehen, in vielen Unternehmen wird angefangen mit so multi-agentic networks zu arbeiten. dann eben viele Agenten zusammenarbeiten und irgendwas machen. Und das Problem daran ist, dass man Fehler nicht mehr findet. Das heißt, es kann sein, dass zum Beispiel ich versuche einen Kredit zu bekommen, aber den bekomme ich nicht. Und man kann nicht genau rausfinden, warum. Ist es vielleicht ein Fehler, weil ich eigentlich solvent bin, aber ich bekomme trotzdem keinen Kredit, weil da irgendwas anderes passiert ist.

speaker-1: Und wie die zusammenarbeiten und wie auch die Grenzen gesetzt werden, was jeder Agent jetzt da machen kann. Und dann kommst du zu diesen Fehlern, die nicht leicht herauszufinden sind. Und wenn man dann als Kunde mit so Fehler konfrontiert ist und dann versucht nochmal anzurufen und kommt wieder nur an so einem KI-Bot dran und kein Mensch. Dann ist man eben in diesem Doom Loop von KI. Das ist eben diese Verbindung aus diesen Multi-Agenten, die auch im Hintergrund arbeiten und deren Fehler man nicht mehr leicht sehen kann. Zusammen mit Call-Deflection. auf KI-gestützte Scoring-Modelle zurückgreifen und kein Mensch weiß mehr wie der Score eigentlich zustande gekommen ist und leider kann man jetzt auch nichts mehr tun. Genau, und dann hat man halt auf Facebook drei, vier Mal auf die falsche Werbung geklickt und da ist irgendwo ein Häkchen gesetzt worden bei einem falschen Datenpunkt. Ich würde gerne zur vierten Prediction kommen. Das finde ich ganz interessant, weil ihr sagt, zwei Drittel der CX Teams geben das goldene Kalb des Customer Experience Management, nämlich das Journey Mapping auf, wegen selbstverschuldeter Stigmatisierung. Welches Stigma haben sich dann die CX Teams mit ihren Maps erarbeitet? Ich möchte es nicht über einen Kamm scheren, aber wenn ich aus den letzten fünf, sechs Jahren mal überlege, wie oft mir die CX Teams gesagt haben, sie kriegen Augenrollen, wenn sie von Journeymapping sprechen, dann ist da wirklich was schief. Und das Stigma mit der Journeymaps ist, dass viele Teams so angefangen haben zu sagen, man müsse doch erstmal alle Journeys mappen. Das ist das Erste.

speaker-1: Das ist natürlich nicht richtig, weil alle Journeys zu mappen ist keine gute Verwendung von Zeit. Und wenn es dann gemacht wird, gibt es so einen ganz interessanten, bei uns gibt es so quasi dreistufigen Prozess Journeymapping. Und da ist die erste Stufe, das so aufzusetzen, dass man ein klares Ziel hat und dass man die Stakeholder involviert hat. Der zweite Schritt ist eigentlich Mapping. Und der dritte Schritt ist dann, die Handlungen davon abzuleiten und Dinge zu implementieren. Und oft werden Schritt eins und drei nicht gemacht, sondern man bleibt nur im Mapping drin. Das finde ich äußert sich auch so, dass Leute immer noch, also jetzt viel weniger, aber immer noch von einem Jahr kamen Leute zu uns und sagten, wie sieht denn eine gute Journeymap aus? Und dann ist natürlich der erste Frage, was ist denn überhaupt, was möchtest du denn machen? Möchtest du damit gerne Paintpoints finden? Möchtest du damit gerne neue Metriken definieren? Geht es darum, irgendwie so ein Interest-Date zu designen? Und das sind ja alles andere Maps. Das heißt immer dieses, mit so einem Plakat, das Journeymapping muss man jetzt gleich mal machen als erstes. Dann gibt es ein großes Workshop, alle kommen zum Journey Mapping, dann passiert nichts und dann ist da schon mal ganz, ganz, ganz viel Vertrauen intern aufgebraucht, verbrannt. Was ich schwierig finde, weil an sich finde ich Journey Mapping schon ein wichtiges Instrument für Customer Experience Manager, sogar in diesen Workshops, weil man vielleicht ein gemeinsames Verständnis entwickelt. Wenn man es so verbrennt im Unternehmen, also ich habe das auch schon erlebt bei einem Kunden, dass sie gesagt haben, wir dürfen das auf gar keinen Fall Journey Mapping nennen, weil das ist bei uns verbrannt. Aber ohne geht es halt auch nicht. Wie könnte man denn Voraussetzungen schaffen, dass eine Journeymap wieder an Attraktivität gewinnt, dass man die Unternehmens internen Stakeholder da besser mitnimmt und wann hilft es eigentlich nur, indem man dem Ding einen anderen Namen gibt.

speaker-1: Wenn man mit dem Thema Journey Mapping als erstes voranschreitet, hat man ja schon mal einen Fehler gemacht. Stell dir mal vor, du gehst zu deinem Zahnarzt. Du wartest ja auch nicht, dass du dich hinsetzt und dann fängt er erst mal an, dir alle seine Instrumente zu erzählen. sagt er, das ist der Spiegel, dem gucke ich, ob du noch Plak dran hast. Und das ist der Bohrer, damit mache ich das. Das ist der Herr Wurst. Du gehst dahin, der sagt, ach, kümmere ich mich drum. Und das ist genau das Gleiche eigentlich mit dem Thema Customer Journey Mapping, dass man sagt, welche Prämie gibt es denn eigentlich im ... Unternehmen, wo eine Kundenperspektive wichtig ist. Und zum Beispiel möchten gerne Leute, habe ich gerade gesagt, neue Metriken definieren für neue Interaktionen, die man anbietet. Oder es möchte ein Team gerne verstehen, warum läuft das denn nicht, warum gibt es denn da keine Conversion am Ende, warum kauft dann keiner unser Zeug. Und dann kann man sagen, hm, habe ich eine Idee, müssen wir mal gucken, was die Kundenperspektive ist, habe ich ein Tool, ist es nicht so wichtig, mache ich. Und dann erarbeiten wir das und versuchen herauszufinden, wie ich aus diesem Tool die Kundenperspektive verstehen kann und dann die Kundenperspektive einbringen kann. Also quasi was ist deine Lücke im Zahn oder welche Probleme in den Zähnen hast du und nicht hier ist der Spiegel und hier ist der Bohrer. super in Ordnung. Woran erkennst du denn, wenn du mit Kunden von euch sprichst, dass die in der Lage waren, die Customer Journey Maps so zu verwenden, dass in dem Unternehmen damit gearbeitet wird? Arbeitet die dann selber damit oder übergeben die das zu einem frühen Zeitpunkt an andere, die dann damit eigentlich wirklich arbeiten oder haben die auch die Möglichkeit, selber Entscheidungen zu treffen und die Journey zu verändern? Das ist super wichtige Frage. haben da einige Unternehmen im Blick, die das toll machen. da ist eigentlich bei diesen ganzen Unternehmen das Thema, dass die Journey Map oder das Journey Mapping oder bzw. lasst mich das mal anders ausdrücken, das Journey Verständnis. Map ist ja auch wieder nur ein Artifakt. Aber das Journey Verständnis ist eben nicht im Silo. Traditionell war es so, das CX Team kommt, macht ein bisschen Journey Mapping, dann haben die so eine große Dings an der Wache.

speaker-1: Aber irgendwie das Journey Verständnis ist trotzdem noch in dem Silo. Und dann gehen sie zu Leuten und sagen, könnte mal, also wir haben da was entdeckt, können wir das in einem Pinpoint und so. Und die Leute, da im Unternehmen sind, die Produktentwickler oder die im Marketing, die gucken auf ihre Uhr und sagen, du meine, okay, ass, ich kann jetzt noch mal. Also das ist jetzt zu viel. Und ein Beispiel, was ich im Kopf habe, ist NetBank. Die hatten auch CX Summit von Forrester vor zwei Jahren einen Award gewonnen, weil die das Journey Verständnis in einem Tool haben. Und das wird aber auch direkt integriert in die Tools, die die Produktentwickler benutzen. und so ein agiles Zusammenspiel dieser Tools. Das heißt, dass dieses Journey-Verständnis nie irgendwo im Silo liegt. Wo sollte dann die Ownership für Eternal League... Im Business, Also... Ja, aber wissen Sie, ist dann eben auch nicht so einfach, weil meistens liegt es halt doch gerne in einem Silo. Das muss dann gar nicht das CX-Team sein. Es kann auch ein anderes Silo sein, das eigentlich in der Zusammenarbeit mit anderen Abteilungen erst so richtig die Journey gut managen könnte.

speaker-1: Schafft man das? Ja, das gibt's. Wir hatten zum Beispiel verschiedene Case Studies geschrieben, die Aeon ist eins von denen, die auf der globalen Ebene Journey-Owner haben, die dann auch verantwortlich sind. Nissan ist so ein Beispiel, wo es diese Journey-CEOs gibt, die eben dafür verantwortlich sind, dass man mit denen, die Leute, die an der Journey beteiligt sind, zusammenarbeiten. Müssen wir auch klar mal sagen, man muss da aufpassen, dass das Journey-Team nicht das neue Ziel wird. Aber es gibt wie gesagt schon ein paar Unternehmen, die das Ganze in der Stadt angehen. Jetzt wir zur letzten Prediction und eure fünfte Prediction musste ich tatsächlich zweimal lesen um sie überhaupt zu verstehen. Dann fand ich sie aber tatsächlich richtig und nachvollziehbar. Ihr sagt nämlich 8 von 10 Unternehmen, also 80 % investieren 2026 in Designsysteme um Risiken in Prozess, Touchpoint oder Produktdesign vorzubeugen. Welchen Risiken will man davor beugen? Das geht da vor allen Dingen Risiken, die kommen im Thema Accessibility und Risiken... Zugänglichkeit. Zugänglichkeit, danke schön, danke schön. Also EU Accessibility Act zum Beispiel ist ja was, was alle machen müssen, dass eben deine digitalen Kanäle und wie du schreibst, was du machst, dass es zugänglich sein muss für Leute und für Kunden und nicht Kunden. Und auch das andere Thema ist das Thema KI, weil er jetzt auch... in Unternehmen sehr viel experimentiert wird, mit neuen KI-basierten Chatbots zum Beispiel oder irgendwelche Voicebots. Um die gleich richtig zu machen, braucht es ein Designsystem. Vielleicht müssen wir noch ganz kurz sagen, was ein Designsystem überhaupt ist. Ein Designsystem ist nämlich auch was, wo ich vorhin so meinte, wir haben ja ganz verschiedene Arten von CX-Teams. Einige, die hier zuhören, könnten uns besser erklären, wie das Designsystem funktioniert. Weil die das wissen, aber andere haben damit weniger Berührungspunkte.

speaker-1: Designsysteme sind eigentlich ganz interessantes Konzept. Da geht es darum zu sagen, sind eigentlich diese vier Sachen, was sind so diese Designprinzipien, was ist ein gutes Design für unsere Organisation als Grundlagen. Das ist auf der Markenvision basiert, CX-Vision, best practices. Das zweite ist, wie müssen Inhalte geschrieben werden? Wie können wir hochwertig, konsistent schreiben, sodass es klar relevant, inklusiv ist, aber auch markenkonform. Also das ist nicht nur ein Thema von Inklusivität, das ist auch ein Thema von Marke. Das dritte ist, Was sind die wiederverwendbaren Bausteine für Benutzeroberfläche? Ob das jetzt Radio-Buttons sind oder irgendwelche Tabellen sind, wie sieht denn das aus? Sodass man dann quasi in so einem Legosystem das benutzen kann. Und dann gibt es aber auch schon Muster. Das sind dann diese wiederverwendbaren Kombinationen von bestimmten Komponenten, die häufig zusammen vorkommen, Nutzerziele zu adressieren. Also häufige Flos, wie die abgebildet werden. Das ist, was ein Designsystem ist. Die besten Designsysteme sind natürlich maschinenlesbar. Das heißt, wenn man dann irgendeinem KI-Agenten sagt, generiere mal da irgendwie ein neues UI für mich, der kann dann auf das Designsystem zurückgreifen und das ist dann alles schon vorgeschrieben. Das ist ja Figma auch ein großer Anbieter, Adobe auch ein großer Anbieter, der das macht. Welche Rolle spielen da CX Teams dabei? Wichtig, die CX Teams sind ja nicht immer diejenigen, die im Design arbeiten. Das heißt, entweder es gibt CX Teams, die schon im Design arbeiten, dann müssen die das machen, die müssen ohne haben für Designsystemen und so weiter. Aber wenn es CX Teams sind, die nicht im Thema Design arbeiten, dann haben die auch eine wichtige Rolle zu spielen, Grundlagen verstehen und sich überhaupt dafür einsetzen, dass es das gibt und verstehen erstmal, dass ein Designsystem ganz, ganz viele Customer-Spins-Probleme schon verhindern kann. Das ist quasi die Quality Assurance bei der Produktion der Interaktion oder der digitalen Produkte und so. Wissen?

speaker-1: wie gut ist unser Designsystem heute, auch ein bisschen nach außen gucken und dann auch mit Verantwortlichen zusammenarbeiten, die eben im Designsystem arbeiten und schauen, hat das eine Wirkung, bringt das was? diese Stories zu sagen, ja das Designsystem hat es zum Beispiel verhindert, dass wir irgendein Chatbot rausgebracht haben, der gar nicht gut funktioniert. Und wenn jemand interessiert ist, Intuit ist ein super Beispiel für das Designsystem, da kann man sich das auch mal angucken, das könnt ihr googeln und speziell den Inhaltsteil super interessant. Guckt doch mal auf contentdesign.intuit.com. Intuit ist eine Steuersoftware aus Amerika und die sind super geil. Da kann man wirklich ganz dezidiert lernen und sehen, wie die sagen, wie Inhalte aussehen müssen. Also wann darf man zum Beispiel Windestrichen benutzen bei Worten? Welche Sprache muss so ein Chatbot haben? Super interessant. Guckt mal rein. Also contentdesign.intuit.com. fast durch und ich fand dieses Jahr die Predictions so spannend, weil ich eigentlich fast alle mitgegangen bin. Wie gesagt bei Designsystemen muss ich eine Runde überlegen was ihr damit meint, aber ich finde das jetzt auch logisch und sehr nachvollziehbar. Ich war ja nicht in jedem Jahr bei allen Predictions komplett auf deiner Seite. Jetzt führt das aber auch zu einer ganz zentralen Frage. Was macht denn in Zukunft ein erfolgreiches CX-Team aus? Kenzeichnet die? Wie müssen die sich aufstellen, damit sie auch in Zukunft relevant und nachgefragt sind? Das ist genau die richtige Art, zu fragen. gibt eigentlich zwei Dinge da. Das erste ist, was ist denn die Mission des CX-Teams? Und wenn ich manchmal sehe, wie CX-Teams das beschreiben, ist es so, ja, wir machen da collecten Feedback, machen das und das. das ist irgendwie, Also was ist denn dieser, der eine Satz, der die Rolle des CX-Teams beschreibt?

speaker-1: wie das im Unternehmen Beitrag leistet. Zum Beispiel, wir machen eure Entscheidungen besser und schneller, indem wir die Kundenperspektive einbeziehen. Zum Beispiel. Das also überhaupt erst mal diese Joe's Richtung zu haben und das zweite dann zu sehen, in was für einem Unternehmen sind wir denn eigentlich? Denn ich hatte das ja vorhin schon mal angesprochen, es gibt ja tausend verschiedene Arten von CX Teams und auch ganz viele verschiedene Arten von Unternehmen. Und wenn man dann zum Beispiel in einem Unternehmen ist, das hat jetzt wieder der Der Sam Stern von LinkedIn, ehemaliger Kollege, wieder mal gepostet. Die sind vom Customer Service ins Produktdesign gewechselt. Da muss man sich ganz anders aufstellen, wenn man diesen Schritt macht. Also, welche Kompetenzen haben wir im Team? Welche Kompetenzen gibt es sonst noch im Unternehmen? Was müssen wir aufbauen, mit denen zusammenzuarbeiten? Also, wie passen wir da eigentlich rein ins Unternehmen? Das ist das, wie sich ein Team überlegen muss, wie sie sich aufstellt. Also, es gibt keine Antwort. Genau so muss ein Team aussehen, das wäre ja auch total verrückt. Aber meine Empfehlung ist, sich das Umfeld anzuschauen und die eigenen Kompetenzen und dann so ein Matching zu machen. Was kann man ausbauen? Was muss man mit anderen zusammenarbeiten? Muss man vielleicht auch gar nicht aktiv werden? Weil es da schon ein Team gibt, das sich eben drum kümmert. Und ganz zum Schluss noch eine Frage, was sollte ein CX-Lieder, nachdem er diese Episode gehört hat, morgen früh als erstes tun, damit er für 20, 6 und vielleicht erstmal durchatmen, durchatmen, zuerst durchatmen und dann, ich würde sagen, viel lernen und ausprobieren. Das ist ja immer so, wenn es so einen Hype gibt, sind immer die Leute am meisten gefragt, die sagen können, ja ja, habe ich auch gehört, aber ich habe das schon mal ausprobiert und das funktioniert irgendwie so oder so. Und dieses Lernen und Ausprobieren auch für sich selber ist ja total wichtig und nicht nur für den eigenen Job oder für den Erfolg im Job, sondern auch für den Erfolg insgesamt in der Karriere. Und dazu gibt es auch ein paar Leute, denen man folgen kann. Ich hatte schon den Sam Stern vorhin erwähnt, meinen ehemaligen Kollegen mit seinem CX.

speaker-1: Der hat zum Beispiel das Vibe Coding ausprobiert und darüber mal geschrieben, wie das funktioniert hat. Also gibt es ganz toll, Forrester natürlich auch. haben viele super Analysten auf dem Thema, die immer wieder bloggen und auf LinkedIn sind und auch auf unserem eigenen Podcast, dem CXCast auf Englisch. Und das ist eigentlich wirklich, ich glaube, ausprobieren und lernen ist das Hauptwort in so einer Zeit. Herzlichen Dank, war mir wieder sehr viel Spaß gemacht. Vielen Dank Maxi für deine Zeit. Vielen Dank dir und vielen Dank allen Zuhörern.

speaker-0: Das war Maxi Schmidt, Vice President und Principal Analyst bei Forester mit den Forester Predictions für 2026. Wenn ihr mit Maxi Schmidt in Kontakt treten wollt, könnt ihr das über die Website von Forester oder über LinkedIn tun. Die Links findet ihr in den Show Notes. Und damit sind wir am Ende der heutigen ersten Folge des Jahres 2026 angekommen. Wenn euch die Folge gefallen hat, Hinterlasst mir doch bitte wieder eine positive Bewertung auf Spotify, Apple Podcasts oder YouTube. Wenn ihr Fragen oder Vorschläge für neue Themen in diesem Jahr habt, schickt mir einfach eine E-Mail an pirna.cx-talks.com. Wir hören uns in 14 Tagen wieder. Bis dahin bleibt gesund, optimistisch und immer mit dem Kunden im Herzen.

speaker-0: Das war CX Talks, der erfolgreichste deutschsprachige Podcast für Customer Experience Management. Mehr Informationen zu CX Talks findest du im Newsletter des E-Zam auf LinkedIn und unter www.cx-talks.com