Ein Insight-Artikel basierend auf einem Vortrag von Dr. Klaus Harisch, Co-CEO und Mitgründer, yoummday 

Warum das für den Kundenservice heute relevant ist 

Jede Woche verkündet eine neue Schlagzeile, dass KI den Kundenservice transformieren wird. Kaum jemand hält inne und fragt: Wo schafft KI im CX den größten Wert? 

Bei yoummday sind wir der Überzeugung, dass das die richtige Ausgangsfrage ist. Nicht ob KI gut oder schlecht ist, sondern wo sie echten Wert schafft – für Kunden und für das Unternehmen – und wo ein Mensch es noch immer besser macht. Diese Unterscheidung richtig zu treffen, ist eine der folgenreichsten Entscheidungen, die ein CX-Entscheider heute treffen kann. 

Das war der Ausgangspunkt für Dr. Klaus Harisch, Co-CEO und Mitgründer von yoummday, der das CX Event younite 2026 nicht mit einem Urteil über KI eröffnete, sondern mit Orientierung. Sein Argument war einfach. Bevor Sie entscheiden, wo KI in Ihren Kundenservice gehört, müssen Sie klar haben, was KI tatsächlich ist – und was sie nicht ist. Und dafür müssen Sie zu den zwei Wissenschaftlern zurückgehen, die das KI-Gespräch geprägt haben. 

Das Problem mit den Worten, die wir verwenden 

Wenn Menschen heute über KI sprechen, tauchen zwei Wörter häufiger auf als alle anderen: „Information” und „Intelligenz”. KI verarbeitet Informationen. KI wird intelligenter. Diese Behauptungen werden ständig aufgestellt – in Vorstandssitzungen, in Strategiedokumenten, in Schlagzeilen. 

Aber beide Wörter tragen sehr präzise, sehr spezifische Definitionen – Definitionen, die vor Jahrzehnten von Wissenschaftlern etabliert wurden, die viel engere Probleme lösten, als wir ihre Wörter heute zu beschreiben verwenden. Und die Lücke zwischen dem, was diese Definitionen ursprünglich bedeuteten, und der Art, wie wir sie heute verwenden, ist, so Klaus, eine der Hauptquellen der Verwirrung darüber, was KI kann und was nicht.

Claude Shannon: Was „Information” wirklich bedeutet 

Der erste Wissenschaftler, auf den Klaus hinwies, ist Claude Shannon – der Mathematiker, der, wie allgemein angenommen wird, dem KI-Modell von Anthropic, Claude, seinen Namen gab. 

1948 veröffentlichte Shannon ein Papier, das das Feld der Informationstheorie begründete. Sein Ziel war ein Ingenieursproblem: Wie überträgt man Signale zuverlässig über einen verrauschten Kanal? Man denke an eine Telefonleitung mit Störungen oder ein Radiosignal mit Rauschen. Shannon wollte wissen, wie viel Information genau und wie übertragen werden kann. Um dieses Problem zu lösen, brauchte er eine präzise, mathematische Definition von „Information”. Und im allerersten Absatz seines Papiers traf er eine bewusste und explizite Entscheidung: Er schloss Bedeutung aus. 

Shannons Definition von Information handelt vom Signal – der Menge an Daten, die von einem Ort zum anderen übertragen werden kann. Es hat nichts damit zu tun, was dieses Signal für den Empfänger bedeutet. Shannon versuchte nicht, Bedeutung zu erfassen. Er versuchte, Übertragung zu messen. Bedeutung, so sagte er, war für sein Problem irrelevant. 

Das war eine brillante und präzise Ingenieursentscheidung. Aber in den folgenden Jahrzehnten wurde seine Definition von „Information” weit über das Problem hinaus geliehen und gedehnt, für das sie entwickelt worden war. Wenn wir heute sagen „KI verarbeitet Informationen”, hören die meisten Menschen etwas viel Reichhaltigeres, als Shannon meinte. Sie hören Verstehen. Begreifen. Sinngebung. 

Das ist nicht Shannons Information. Es ist ein Signal. Es schließt per Definition keine Bedeutung ein.

Alan Turing: Was „Intelligenz” wirklich bedeutet 

Der zweite Wissenschaftler ist Alan Turing – weithin als der Großvater der künstlichen Intelligenz angesehen und die Person, deren Name mit dem berühmtesten Test des Feldes verbunden ist. 

Turings ursprüngliche Frage lautete: Können Maschinen denken? Das ist eine tiefgründige Frage – und, wie Turing selbst erkannte, eine unbeantwortbare. In seinem Papier von 1950 war er explizit darüber. Er konnte die Frage, ob Maschinen denken können, nicht beantworten. Also tat er etwas mathematisch Elegantes: Er ersetzte sie durch eine Frage, die er beantworten konnte. 

Die Frage, durch die er sie ersetzte, lautete: Kann eine Maschine einen Menschen so überzeugend imitieren, dass ein Richter den Unterschied nicht erkennen kann? Das ist der Turing-Test. Kein Test dafür, ob Maschinen denken. Ein Test dafür, ob Maschinen imitieren können. 

Turing selbst verwendete das Wort „Imitation”. Er nannte es das Imitationsspiel. Sein Test wurde nie entwickelt, um maschinelle Intelligenz zu beweisen – er wurde entwickelt, um einer Frage auszuweichen, die philosophisch nicht beantwortet werden konnte, und sie durch eine zu ersetzen, die empirisch getestet werden konnte. 

Aber im Laufe der Zeit wurde das Bestehen des Turing-Tests zum Synonym für maschinelle Intelligenz. Die sorgfältige, bewusste Unterscheidung, die Turing zwischen Imitation und Denken traf, ging verloren. Und wenn KI-Systeme heute als intelligent beschrieben werden, übernehmen die meisten Menschen eine viel größere Behauptung, als Turing je beabsichtigte. 

Klaus formulierte es klar: Wenn wir Turings ursprüngliche Rahmung ernst nehmen, sollten wir wohl eher von künstlicher Imitation sprechen als von künstlicher Intelligenz. 

Das Muster hinter beiden Definitionen 

Das Muster, das Klaus in beiden Fällen identifizierte, ist dasselbe. 

Ein Wissenschaftler schafft eine sorgfältige, enge, präzise Definition – für einen bestimmten ingenieurtechnischen oder mathematischen Zweck. Diese Definition erweist sich als nützlich und wird aufgegriffen. Im Laufe von Jahren und Jahrzehnten wird sie geliehen, gedehnt und auf Fragen angewendet, die weit über die hinausgehen, für die sie entwickelt wurde. Die ursprünglichen Grenzen werden vergessen. Und die Wörter leisten am Ende Arbeit, für die sie nie gedacht waren. 

Das ist kein Problem mit Shannon oder Turing. Es ist ein Problem damit, wie wir ihre Ideen verwendet haben. 

Und es ist für CX-Entscheider besonders relevant, weil die Entscheidungen über den KI-Einsatz – welche Aufgaben automatisiert werden sollen, welche beim Menschen bleiben sollen, was Kunden versprochen werden kann – oft auf Behauptungen über KI aufgebaut werden, die auf diesen gedehnten Definitionen beruhen. Wenn das Fundament ungenau ist, werden es auch die darauf aufgebauten Entscheidungen sein.

Eine praktische Frage, die man stellen sollte 

Klaus’ Empfehlung war einfach. Wann immer Sie einer Behauptung darüber begegnen, was KI tun kann – in einem Anbieter-Pitch, einem Strategiedokument, einem Nachrichtenartikel –, stellen Sie eine Frage: Welche Definition von „Information” oder „Intelligenz” leistet hier die Arbeit? 

Basiert die Behauptung auf Shannons Definition – KI verarbeitet Signale in großem Maßstab, schnell und günstig –, dann ist sie wahrscheinlich zutreffend. Oder basiert sie auf einer geliehenen, aufgeblähten Version dieser Wörter – KI versteht Kunden, KI denkt –, dann verdient sie Skepsis? 

Diese Frage erfordert keinen technischen Hintergrund. Sie erfordert nur die Gewohnheit, zu prüfen, was Wörter tatsächlich bedeuten, bevor man akzeptiert, wofür sie verwendet werden.

Drei wichtige Erkenntnisse für CX-Entscheider 

“Maschinen verarbeiten Informationen. Menschen verarbeiten Bedeutung.
KI kümmert sich um die Mechanik. Der Mensch kümmert sich um den Menschen.”

Dr. Klaus Harisch, Co-CEO, yoummday

1. Prüfen Sie die Definitionen, bevor Sie Behauptungen akzeptieren. 

Die wichtigste Frage, die Sie bei jeder KI-Behauptung im Kundenservice stellen sollten, lautet: Was bedeuten die Wörter hier wirklich? „Information” und „Intelligenz” tragen präzise wissenschaftliche Definitionen, die viel enger sind als ihre alltägliche Verwendung. Ein System, das Informationen in großem Maßstab verarbeitet, ist echten Wert. Ein System, das im menschlichen Sinne „versteht” oder „denkt”, ist eine viel größere Behauptung – und eine, die es wert ist, sorgfältig geprüft zu werden, bevor man eine Strategie darauf aufbaut. 

2. Imitation und Intelligenz sind nicht dasselbe. 

Ein System, das einen Turing-Test bestehen kann – das einen Menschen in einem engen Bereich überzeugend genug imitieren kann –, ist genuinen Nutzen. Aber Imitation ist nicht dasselbe wie Verstehen. Ihr CX-Modell rund um das zu gestalten, was KI gut imitieren kann und was nicht, ist zuverlässiger, als es rund um Behauptungen darüber zu gestalten, was KI intelligent genug ist zu tun. 

3. Setzen Sie jedes dort ein, wo es den größten Wert schafft. 

Maschinen verarbeiten Signale, Muster und Daten – in großem Maßstab, schnell, zuverlässig und günstig. Es gibt eine Menge Kundenservice-Arbeit, die dieser Beschreibung entspricht: Routing, Dokumentation, Mustererkennung, Zusammenfassung, Nachbearbeitung von Gesprächen. Menschen verarbeiten Bedeutung – das Verstehen dessen, was ein frustrierter Kunde wirklich braucht, das Urteilsvermögen, das nicht ins Muster passt, die Empathie, die eine schwierige Interaktion gelöst statt nur abgeschlossen wirken lässt. Das Ziel ist nicht, zwischen beiden zu wählen. Es ist, jedes dort einzusetzen, wo es den größten Wert schafft – für den Kunden und für das Unternehmen. 

Über den Referenten 

Dr. Klaus Harisch ist Co-CEO und Mitgründer von yoummday. Er gründete das Unternehmen mit der Überzeugung, dass Kundeninteraktionen – gut gehandhabt, durch die richtige Kombination aus menschlichem Talent und Technologie – eine der am stärksten ungenutzten Quellen des Geschäftswerts auf dem Markt sind. Unter seiner Führung hat yoummday eine Plattform aufgebaut, die mehr als 27.000 freiberufliche Kundenservice-Talente mit KI- und Automatisierungstools zusammenbringt, die darauf ausgelegt sind, menschliche Leistung zu ergänzen – nicht zu ersetzen. 

Dieser Artikel basiert auf einem Vortrag von Dr. Klaus Harisch auf der younite 2026, dem CX-Event von yoummday, das unter dem Motto „ThisGen CX: From Cost to Value” stattfand.