Die Branche redet über KI. Die Kunden gehen leise.

Warum KI-gestützte Kundenbindung bei Energieversorgern an Prozessen und Zuständigkeiten hängt, nicht an der Technik

Viele Versorger verlieren Bestandskunden und merken es erst, wenn die Kündigung im System ist. KI kann genau an dieser Stelle wirken. Ob sie es tut, hängt weniger vom Modell ab als davon, ob Prozesse, Daten und Zuständigkeiten zwischen Vertrieb, Service und IT so geordnet sind, dass aus einer Vorhersage auch eine Handlung wird.

Kundenbindung war lange eine Nebensache

Für Energieversorger war das Halten von Kunden über Jahrzehnte kaum eine Aufgabe. Wer einmal Strom oder Gas bezog, blieb in der Regel. Dieser Zustand ist vorbei. Der Anbieterwechsel innerhalb von 24 Stunden, auslaufende Wechselboni, digital aufgestellte Wettbewerber und Vergleichsportale, die jede Preisanpassung sofort sichtbar machen, haben die Wechselhürde auf nahezu null gesenkt.

Damit hat sich das Gewicht der Kundenbindung verschoben. Jeder verlorene Bestandskunde nimmt seinen Deckungsbeitrag mit und muss über teure Neukundengewinnung ersetzt werden. Die Rückgewinnung kostet nach gängigen Schätzungen ein Vielfaches dessen, was die Bindung gekostet hätte. Besonders schmerzhaft ist das bei Kunden, die über Boni gewonnen wurden. Läuft der Bonus aus, wird der Preisabstand sichtbar, die Akquisitionskosten sind verloren und der Ersatz kostet erneut.

Das eigentliche Problem ist die Unsichtbarkeit

Abwanderung ist für Versorger kein neues Phänomen. 2024 wechselten rund 7,1 Millionen Stromkunden und 2,3 Millionen Gaskunden ihren Anbieter, so viele wie nie seit Beginn der Erhebung, und 2025 lag die Zahl nur knapp darunter.¹ Neu ist die Geschwindigkeit. Bei den meisten Versorgern fällt ein Kunde erst auf, wenn die Kündigung eingeht, und beim 24-Stunden-Wechsel bleibt dann kein Spielraum mehr für eine Reaktion.

Hinzu kommt, dass der Kundenstamm ungleich verteilt ist. Ein Teil wechselt preisgetrieben und regelmäßig, ein anderer Teil bleibt aus Gewohnheit, Nähe oder Bequemlichkeit, häufig in der Grundversorgung. Wer beide Gruppen mit denselben Kampagnen bearbeitet, gibt Bindungsbudget für Kunden aus, die ohnehin geblieben wären, und erreicht die wechselbereiten trotzdem zu spät.

Der Preis ist der häufigste Wechselgrund, aber ein schwacher Hebel für Bindung. Wer nur wegen des Preises bleibt, geht beim nächsten günstigeren Angebot. Einen Preiskampf gegen digitale Anbieter gewinnt ein regionaler Versorger selten. Was ihn unterscheidet, ist die Erfahrung, die Kunden mit ihm machen: wie schnell eine Anfrage beantwortet wird, wie verständlich die Abrechnung ist, wie einfach sich eine Wallbox anmelden oder ein Tarif wechseln lässt, ob ein Angebot im richtigen Moment kommt. Diese Erfahrung lässt sich von außen schwer kopieren. Sie wird bislang aber auch kaum systematisch gesteuert, weil die meisten Versorger nur eingeschränkt wissen, welcher Kunde gerade welche Erfahrung macht und wann er zu gehen droht.

Vier Stellen, an denen KI ansetzt

Entlang der Kundenbeziehung gibt es vier Phasen, in denen KI die Bindung messbar beeinflusst. Sie unterscheiden sich deutlich darin, was sie voraussetzen.

Onboarding. Anmeldung, Datenübernahme und die erste Kommunikation entscheiden, ob Vertrauen entsteht. Automatisierte Prüfung und Verarbeitung der Eingangsdaten reduziert Rückfragen und Fehler in einer Phase, in der der Kunde besonders aufmerksam ist. Voraussetzung ist ein sauber definierter Prozess, den die KI ausführen kann.

Laufender Betrieb. Hier finden die meisten Kontakte statt. KI in Mail, Voice und Chat verkürzt Antwortzeiten und löst wiederkehrende Anliegen, Abrechnung und Verbrauch werden nachvollziehbar. Der Nutzen tritt schnell ein und lässt sich gut messen. Er ist zugleich die Grundlage für die beiden folgenden Phasen, weil hier die Daten über den Kunden entstehen.

Kritische Momente. Preisanpassung, Bonusablauf, Vertragsende und Umzug sind die Zeitpunkte, an denen Kündigungen entstehen. Ein Modell, das das Abwanderungsrisiko einzelner Kunden vor diesen Momenten erkennt, verschafft den Vorlauf, den der 24-Stunden-Wechsel sonst nimmt. Das setzt Datenhistorie, Segmentierung und vor allem eine festgelegte Reaktion voraus.

Ansprache und Angebot. Aus Verbrauch, Vertragslage und Lebenssituation lässt sich ableiten, welches Angebot zu welchem Kunden und zu welchem Zeitpunkt passt, vom Tarifwechsel bis zur Wärmepumpe oder Wallbox. Das verbreitert die Kundenbeziehung und erhöht die Wechselkosten auf Kundenseite. Auch hier gilt, dass die Qualität der Empfehlung an der Qualität der Stammdaten hängt.

Die ersten beiden Punkte sind mit überschaubarem Aufwand erreichbar. Die beiden letzten brauchen ein Fundament, das in vielen Häusern noch fehlt.

Warum viele KI-Vorhaben ihre Wirkung nicht entfalten

Alle vier Anwendungen teilen dieselbe Voraussetzung, und sie wird am häufigsten übersehen. Ohne stehende Prozesse, verlässliche Daten und klare Zuständigkeiten skaliert KI die Probleme, die schon vorher da waren. Ein Churn-Score bleibt eine Zahl, solange niemand festgelegt hat, wer bei welchem Schwellenwert anruft, welches Angebot der Vertrieb machen darf und wer den Erfolg der Maßnahme misst. Ein KI-gestützter Service auf unsauberen Stammdaten automatisiert vor allem Fehler.

Aus unseren Projekten schätzen wir, dass rund 70 Prozent der Reibungsverluste bei Menschen und Prozessen entstehen, etwa 20 Prozent in Technik und Infrastruktur und rund 10 Prozent in den Modellen selbst. Der Hebel liegt damit in der Organisation des Einsatzes.

Das betrifft vor allem das Zusammenspiel von Fachbereich und IT. Bei vielen Versorgern ist bis heute unklar, wem ein Churn-Modell eigentlich gehört. Die IT betreibt es, der Vertrieb soll danach handeln, der Service sieht die Kunden, und die Datenqualität liegt bei allen und niemandem. KI verschiebt diese Rollen. Der Fachbereich übernimmt die inhaltliche Verantwortung dafür, was das Modell tun soll, welche Reaktion folgt und ob sie gewirkt hat. Die IT stellt die Plattform, sorgt für Datenqualität und Nachvollziehbarkeit und prüft, ob ein Anwendungsfall die Anforderungen an Transparenz und menschliche Kontrolle erfüllt, die der EU AI Act ohnehin verlangt. Wo diese Aufteilung fehlt, bleibt KI ein Werkzeug der IT, das im Vertrieb und Kundenservice niemand benutzt.

Was ein Beispiel aus der Praxis zeigt

Ein regionaler Energieversorger mit rund 200.000 Kunden bearbeitete jährlich etwa 82.000 E-Mails und 200.000 Anrufe weitgehend manuell. Die Neuordnung der Serviceprozesse, gezielter KI-Einsatz in Mail, Voice und Chat und ein bereinigtes Datenmanagement senkten den E-Mail-Rückstau von über 4.000 auf rund 400 Vorgänge. Die Antwortzeit ging von bis zu vier Wochen auf zwei bis drei Tage zurück, die telefonische Erreichbarkeit stieg von 55 auf über 80 Prozent.

Das sind Servicekennzahlen. Für die Bindung sagen sie zunächst wenig. Der Zusammenhang ist trotzdem direkt. Erst mit einem Service, der Anliegen löst, entsteht die Kundenerfahrung, die im Preisvergleich ein Gegengewicht bildet. Und erst mit den Daten, die dabei sauber anfallen, lassen sich Abwanderungsrisiken überhaupt erkennen. Die Reihenfolge ergibt sich daraus. Zuerst der laufende Betrieb, dann die kritischen Momente.

Was Versorger daraus mitnehmen können

Kundenbindung ist für Versorger vom Verwaltungsvorgang zum Ertragshebel geworden, und KI ist das erste Werkzeug, das Abwanderung sichtbar macht, bevor sie eintritt. Wer die Voraussetzungen schafft, gewinnt an vier Stellen.

Handlungsfähigkeit vor der Kündigung. Aus einer rückblickenden Kündigungsstatistik wird ein Frühwarnsystem. Abwanderungsrisiko wird an den kritischen Momenten sichtbar, solange Vertrieb und Service noch reagieren können.

Weniger Streuverlust in Bindung und Rückgewinnung. Bindungsbudget fließt zu den Kunden, die tatsächlich gefährdet sind, und nicht an loyale Kunden, die ohnehin bleiben. Jede so gehaltene Kundenbeziehung spart die um ein Vielfaches teurere Neugewinnung.

Ein Service, der Kunden hält. Kürzere Antwortzeiten, gelöste Anliegen und eine nachvollziehbare Abrechnung wirken an genau den Kontaktpunkten, die im Preisvergleich das Gegengewicht bilden. Zugleich entstehen dort die Daten, auf denen Abwanderungserkennung und passgenaue Angebote aufbauen.

Geschützter Deckungsbeitrag. Gehaltene Bestandskunden sichern die Marge, die im Preiskampf oder durch teuren Ersatz verloren ginge. Passende Zusatzprodukte verbreitern die Beziehung und erhöhen die Wechselkosten auf Kundenseite.

Aus unserer Projekterfahrung ergeben sich fünf Schritte, die in dieser Reihenfolge aufeinander aufbauen:

1. Die Verluststellen benennen.
   Wo in Vertrieb und Service gehen Kunden tatsächlich verloren, an welchen Auslösern und in welchen Segmenten? Das lässt sich aus vorhandenen Kündigungs- und Kontaktdaten in wenigen Wochen ermitteln und zeigt, wo Service und Churn-Erkennung zuerst ansetzen sollten.
2. Den Service stabilisieren.
   Wiederkehrende Anliegen in Mail, Voice und Chat automatisieren und Stammdaten bereinigen. Der Nutzen ist schnell messbar, und die Datenbasis für die Abwanderungserkennung entsteht als Nebeneffekt.
3. Die Reaktion vor dem Modell festlegen.
   Gemeinsam mit Vertrieb, Service und IT definieren, wer bei welchem Risikowert mit welcher Maßnahme reagiert, welche Angebote zulässig sind und wie der Erfolg gemessen wird. Erst danach lohnt sich der Aufbau des Churn-Modells.
4. Zuständigkeiten klären.
   Ein fachlicher Owner für den Anwendungsfall, ein technischer Owner für Plattform, Datenqualität und die Prüfung gegen die Anforderungen des AI Act. Dieses Tandem entscheidet, ob KI im Vertrieb genutzt wird oder ein IT-Projekt bleibt.
5. Klein starten, gezielt ausbauen.
   Ein Segment, ein Auslöser, ein Regelkreis aus Vorhersage, Maßnahme und Messung. Was dort funktioniert, lässt sich auf weitere Momente in der Customer Journey übertragen.

Wer diese Schritte geht, stellt meist fest, dass das Modell der kleinste Teil der Aufgabe ist. Die Frage, die am Anfang steht, lautet deshalb: Wenn morgen ein Modell 500 Kunden mit hohem Kündigungsrisiko meldet, wer ruft an, mit welchem Angebot, und woher wissen Sie in drei Monaten, ob es gewirkt hat?

¹ Bundesnetzagentur und Bundeskartellamt, Monitoringbericht 2025 (https://www.bundesnetzagentur.de/1081882); Bundesnetzagentur, Pressemitteilung zu den Lieferantenwechseln 2025, März 2026 (https://bundesnetzagentur.de/1097294).