Agentic Customer-Service-Resolution: CRM, ERP und Telephony

Pexon Consulting | 10 Min. Lesezeit | 13.06.2026

TL;DR

Agentic Customer Service ist 2026 die nächste Stufe nach klassischen Chatbots: Statt nur FAQ-Antworten zu liefern, löst der Agent komplette Vorgänge — er ruft das CRM für Kundenhistorie ab, holt aus dem ERP den Bestellstatus, prüft im Telephony-System die letzten Anrufe, und führt schreibende Aktionen aus (Reklamation eröffnen, Retour anmelden, Service-Termin buchen). Pexon Consulting baut diese Agentic-RAG-plus-Tool-Use-Setups mit klarem Memory-Pattern für Multi-Turn-Conversations.

Warum Multi-System-Integration den Unterschied macht

Wir hören das in fast jedem CX-Erstgespräch: Das Customer-Service-Team ist überlastet, der bestehende Chatbot beantwortet zwar Standard-Fragen, aber sobald es um Konkretes geht („wo ist meine Bestellung 4711“) muss der Kunde trotzdem mit einem Menschen sprechen. Die First-Call-Resolution-Rate liegt bei 25-45%, der Rest endet in der Warteschlange.

Das Problem ist nicht das LLM. Das Problem ist die System-Integration. Ein wirklich nützlicher Customer-Service-Agent braucht Live-Zugriff auf das CRM (Kundenhistorie, frühere Anliegen), das ERP (Bestellstatus, Lieferdaten, Lagerverfügbarkeit), das Telephony-System (letzte Anrufe, Hold-Zeiten, Anrufgrund), das Ticket-System (offene Reklamationen, Service-Cases). Plus Schreib-Zugriff für die häufigsten Aktionen.

Bei einem Pilotkunden im B2C-Bereich haben wir gemessen: 72% der Kundenanfragen brauchen Daten aus mindestens zwei Systemen. 38% brauchen Daten aus drei oder mehr. Klassische Single-Source-Chatbots können das strukturell nicht. Agentic-Setups mit Multi-Tool-Use können es.

Architektur: Agentic-RAG plus Tool-Use plus Memory

Komponente 1: Agentic-RAG-Engine. LangGraph als Orchestrator, Claude Sonnet 4.6 oder GPT-4o als Brain. Der Agent entscheidet, welche Tools er aufruft, in welcher Reihenfolge. Wissens-Lookup für FAQ-typische Fragen läuft über klassisches RAG, das in den Tool-Pool integriert ist.

Komponente 2: Tool-Pool für Multi-System. MCP-Server-basierte Tool-Anbindung an CRM (Salesforce, HubSpot, MS Dynamics), ERP (SAP, Microsoft Dynamics, proAlpha), Telephony (Genesys, NICE, AVAYA), Ticket-System (ServiceNow, Zendesk, Jira). Plus Schreib-Tools für die häufigsten Aktionen — Reklamation eröffnen, Retour-Label generieren, Service-Termin buchen. Mehr im Universal-MCP-Client-Blog.

Komponente 3: Memory über Sessions. Klassische Chatbots vergessen alles, sobald die Session endet. Wir bauen persistente Memory pro Kunde — der Agent weiß bei der nächsten Anfrage, was vor zwei Wochen gesprochen wurde. Memory wird mit DSGVO-konformen Retention-Regeln gepflegt.

Komponente 4: Eskalations-Schwellen. Klar definierte Bedingungen, wann der Agent an einen menschlichen Mitarbeiter eskaliert. Typisch: Konfidenz-Schwelle unterschritten, Sentiment-Analyse zeigt hohe Frustration, drei Erfolglose Lösungs-Versuche, sicherheits-relevante Themen.

Was der Agent konkret kann

Vier produktive Use-Case-Cluster aus unseren Projekten.

Cluster 1: Order-Status und Lieferung. „Wo ist meine Bestellung 4711.“ Agent ruft CRM für Kunden-Validierung, ERP für Order-Status, Carrier-API für Tracking. Antwort: „Deine Bestellung wurde gestern 18:43 verschickt, Tracking-Nummer X, voraussichtliche Lieferung Donnerstag.“ Wenn Verzögerung erkannt: proaktiv eine Reklamations-Option anbieten.

Cluster 2: Retour und Reklamation. „Ich möchte Bestellung 4711 zurückgeben.“ Agent prüft Rückgabe-Berechtigung im ERP (innerhalb der Frist?), generiert Retour-Label automatisch, schreibt Antwort-Mail mit Anleitung. Vollständige Resolution ohne menschlichen Touch.

Cluster 3: Tarif- oder Vertragsfragen. „Wie viel verbrauche ich aktuell von meinem Datenvolumen?“ Agent ruft Abrechnungs-System, vergleicht mit Tarif, liefert Antwort plus Optionen für Tarif-Wechsel falls relevant.

Cluster 4: Service-Buchung. „Ich brauche einen Service-Techniker für Maschine X.“ Agent ruft Maschinen-Stamm im CRM, prüft Verfügbarkeit im Service-Kalender, schlägt drei Termine vor, bucht den gewählten Termin. Bestätigung per E-Mail automatisch.

Pilot-Ergebnisse aus einem B2C-Anbieter

Konkrete Hausnummern aus einem Pilotprojekt 2025/2026. B2C-Anbieter mit 280.000 Kunden, 45 Customer-Service-Mitarbeitern, durchschnittlich 12.000 Anfragen pro Woche (Chat plus Telefon plus E-Mail).

Der NPS-Sprung ist die interessanteste Zahl. Kunden bekommen schneller Antworten, weniger Wartezeit, vollständigere Resolution. Auch wenn 24% der Anfragen weiterhin an Menschen gehen, sind diese Anfragen die wirklich komplexen — Mitarbeiter haben Zeit, sie ordentlich zu lösen.

Pexon-Sprint für Agentic Customer Service

Wir liefern das als 12-16-Wochen-Sprint mit festem Preis. Lieferumfang: CRM/ERP/Telephony/Ticket-System-Anbindungen, LangGraph-Orchestrierung mit Agentic-RAG, persistentes Memory in Postgres, Eskalations-Logik mit konfigurierbaren Schwellen, Customer-Service-Dashboard für Live-Monitoring der Agent-Sessions, Schulung der Customer-Service-Leitung für laufenden Betrieb.

Investment 240-360k EUR je nach System-Anzahl und Tool-Komplexität.

Häufig gestellte Fragen

Was, wenn der Agent eine schreibende Aktion falsch ausführt?

Drei Schutz-Mechanismen. Erstens: Permission-Modell pro Tool — Schreib-Aktionen brauchen explizite User-Bestätigung im Chat. Zweitens: Cost-Caps und Rate-Limits pro Aktion-Typ. Drittens: Audit-Trail jeder schreibenden Aktion mit User-Identität. Bei einem Vorfall ist Rollback in Sekunden möglich.

Wie integriert sich das mit unserem Genesys-Contact-Center?

Über die Standard-APIs von Genesys (REST, WebSocket für Live-Updates). Der Agent läuft als zusätzlicher Bot-Channel parallel zu menschlichen Agenten, mit klarer Eskalations-Logik. Bei Genesys Cloud nativ unterstützt, bei Genesys Engage über Custom-Connector.

Wie verhält sich das mit DSGVO?

Personenbezogene Daten werden in der Conversation verarbeitet. Wir nutzen Bedrock mit EU-Profil oder Azure OpenAI Sweden für die LLM-Komponente, EU-Region für alle Speicher. DSGVO-Folgenabschätzung ist Standard-Bestandteil des Sprints. Bei sensitiven Branchen on-prem-LLM. Mehr im Self-Hosted-Stack-Blog.

Können wir das mit Voice-Kanälen kombinieren?

Ja, mit Speech-to-Text plus Text-to-Speech als zusätzliche Komponenten. Latenz-Anforderung ist höher (unter 2 Sekunden für natürliche Konversation), was zusätzliches Engineering bedeutet. Wir bauen Voice-Varianten je nach Bedarf.

Wie messen wir den Erfolg?

Standard-Metriken: First-Call-Resolution-Rate, Auto-Resolution-Anteil, durchschnittliche Bearbeitungs-Zeit, Kunden-Zufriedenheit (NPS oder CSAT), Cost pro Resolution. Dashboard ist Standard-Bestandteil.

Nächster Schritt

Wenn dein Customer-Service-Team unter Volumen-Druck steht und ein Chatbot Stand der Technik geworden ist: Wir machen einen 60-Minuten-Call mit dir und idealerweise dem Customer-Service-Leiter. Du beschreibst die System-Landschaft und Anfrage-Profile, wir skizzieren das Setup mit Festpreis.

Verwandte Themen