Dies ist Teil 2 unserer Serie „Build vs. Buy“. Im ersten Teil ging es um die grundsätzlichen Überlegungen, warum firmeneigene Lösungen im Kundenservice und Vertrieb häufig hinter spezialisierten Kauf-Lösungen zurückbleiben. Nun tauchen wir tiefer: Am Beispiel von Voice AI Agents im Kundenservice analysieren wir die verborgene Komplexität interner KI-Eigenentwicklungen. Die zentrale Erkenntnis vorweg: Ein scheinbar simpler Voicebot ist wie ein Eisberg: die größten Treiber für Komplexität bleiben unter der Oberfläche verborgen. Studien zeigen, dass rund 80 % aller KI-Projekte ihre Ziele verfehlen. Warum? Weil Unternehmen oft die technischen Hürden, den Ressourcenaufwand, den Talentmangel, die Betriebs- und Wartungslast und den Zeitfaktor unterschätzen.

Der Agenten-Eisberg: Verborgene technische Komplexität

„The Agent Iceberg“ – die Spitze (oben) steht für den sichtbaren Teil von AI Lösungen, während unter Wasser zahlreiche verborgene Hürden liegen, die viele Unternehmen unterschätzen! Heute beleuchten wir das anhand des Beispiels: AI Voice Agents.

Ein Voice AI Agent mag nach außen simpel wirken: ein Kunde stellt eine Frage, die KI antwortet. Doch wie ein Eisberg ragt die eigentliche Komplexität unter der Wasseroberfläche. Nur ein Bruchteil der Arbeit steckt in der Nutzung des eigentlichen KI-Modells, das die Antworten generiert. Der Großteil entfällt auf unsichtbare Elemente: Datenintegration, Infrastruktur, Sicherheit, Prozesse. Eine aktuelle BCG-Analyse verdeutlicht, dass nur ~10 % der KI-Aufgaben im Algorithmus selbst liegen, während 20 % auf Technologie-Stack und 70 % auf Menschen und Prozesse entfallen (1). Mit anderen Worten: Die Schwierigkeit liegt weniger darin, einen KI-Algorithmus zu entwickeln, als vielmehr darin, ihn in die bestehende Unternehmenslandschaft sinnvoll einzubetten und dauerhaft zu betreiben.

Was verbirgt sich alles unter der Oberfläche eines Voicebots? Zum Beispiel:

• Integrationen & Workflows: Anbindung an Telefonie, CRM und Ticketsysteme, weiterleitende Systeme (etwa intelligente Weitergabe an menschliche Agenten bei komplizierten Fällen) und flüssige Einbettung in bestehende Support-Workflows.

• Regulatorik & Sicherheit: Datenschutz– und Compliance-Prüfungen, Schutz vor Prompt-Injection und Missbrauch, Implementierung von Richtlinien (z.B. DSGVO), plus Rollen- und Zugriffsrechte für die Steuerung des Systems.

• Qualitätssicherung & KI-Training: Ständige Überwachung der Gespräche, Auswertung von Fehlerfällen, regelmäßige Nachtrainings/Fine-Tuning des Sprachmodells, Regressionstests und Simulationen, um die Qualität zu halten oder zu verbessern.

• Betrieb & Performance: Skalierbare Infrastruktur für Spracherkennung und KI-Services, Latenz-Optimierung (Parallelisierung von Prozessen, damit Gespräche natürlich wirken und Lastspitzen abgedeckt werden können), Ausfallsicherheit und Notfallpläne, Protokollierung und Audits für jeden Kundenkontakt.

All diese Punkte müssen bei einer Eigenentwicklung mitgedacht und umgesetzt werden. Unternehmen unterschätzen diese technische Tiefe oft gravierend. BCG hat herausgefunden, dass über 70 % der Probleme bei KI-Projekten auf solche versteckten Faktoren, etwa Datenqualität, Prozesse und Change-Management, zurückzuführen sind, nicht auf die KI-Technik selbst (2). Anders ausgedrückt: Häufig scheitern KI-Eigenentwicklungen nicht an der Idee an sich, sondern an den „Umfeld-Aufgaben“, genau den Teilen, die wie beim Eisberg unter der Oberfläche liegen. Wer intern baut, muss diese gesamte Last schultern können.