AI für die Bearbeitung von Reklamationen und Rückgaben: schneller, aber rechtssicher

Ein Elektronikshop bearbeitet monatlich 1.200 Reklamationen. Die Hälfte geht an Wochenenden und abends ein, wenn das Team unvollständig ist. Eine Analyse von sechs Monaten Historie zeigt, dass die durchschnittliche Zeit für die erste Antwort 38 Stunden beträgt und 18 % der Fälle aufgrund unpräziser Klassifizierung eskalieren. Die Implementierung eines Agenten für die Klassifizierung und Vorab-Bearbeitung kann die Zeit für die erste Antwort auf 2–4 Stunden verkürzen und Eskalationen um 40–60 % reduzieren, sofern die Grenzen der Automatisierung korrekt gestaltet sind.

Jede Reklamations- oder Rückgabemeldung hat mehrere Dimensionen, die der Klassifikator gleichzeitig bestimmt.

Falltyp ist die erste Dimension. Das Modell unterscheidet Reklamationen aufgrund von Gewährleistung (physischer Mangel, Abweichung von der Beschreibung), Herstellergarantie, Rückgabe innerhalb der gesetzlichen 14-Tage-Frist bei Online-Käufen sowie Rückgaben nach Fristablauf oder außerhalb des gesetzlichen Rahmens. Diese Kategorien haben unterschiedliche Bearbeitungswege und unterschiedliche Verbraucheransprüche, sodass eine falsche Klassifizierung zu einem falschen Lösungsvorschlag führt.

Frist und Anspruch sind aus rechtlicher Perspektive die schwierigste Dimension. Die AI prüft das Kaufdatum aus der Bestelldatenbank, das Meldedatum und die daraus resultierende Frist. Die Gewährleistung für Verbrauchsgüter in Polen beträgt zwei Jahre ab Übergabe, mit einer Vermutung für Mängel in den ersten 12 Monaten. Die gesetzliche Rückgabe ohne Angabe von Gründen beträgt 14 Tage ab Erhalt bei Fernabsatz. Das Modell interpretiert das Recht nicht eigenständig; es prüft Fakten (Daten, Produktzustand, Vertriebskanal) anhand kodifizierter Regeln, die von einem Juristen erstellt wurden.

Forderung des Verbrauchers ist eine weitere Dimension. Der Verbraucher kann Reparatur, Austausch, Preisminderung oder Rücktritt vom Vertrag verlangen und hat unter bestimmten gesetzlichen Bedingungen das Recht, seine Forderung zu ändern. Der Klassifikator liest die Forderung aus dem Meldungstext und markiert Unstimmigkeiten zwischen Forderung und Anspruch (z. B. Forderung nach Rückerstattung für ein Produkt mit Herstellergarantie, das nicht die Bedingungen der Gewährleistung erfüllt).

Beweise und Lücken. Der Agent prüft, ob die Meldung erforderliche Elemente enthält: Beschreibung des Mangels, Datum der Feststellung, Forderung. Fehlen wichtige Informationen, sendet er eine personalisierte Aufforderung zur Ergänzung, lehnt den Fall aber nicht ab. Dies ist aus RODO- und rechtlicher Perspektive wichtig: Eine Ablehnung wegen Unvollständigkeit muss durch eine Aufforderung zur Ergänzung vorausgegangen sein.

Das Muster für E-Commerce mit 500–2.000 Reklamationen pro Monat ist eine Pipeline für strukturierte Ausgabe mit einer rechtlichen Regelungsebene.

Schritt 1: Lesen und Normalisieren. Meldungen aus jedem Kanal (Formular, E-Mail, Chat) werden in eine gemeinsame Struktur überführt: Meldungstext, Kanal-Metadaten, Bestell-ID, falls angegeben. OCR verarbeitet Fotos von Mängeln und PDF-Dokumente (Rechnungen, Bestätigungen).

Schritt 2: Anreicherung mit Daten. Der Agent ruft aus der Bestelldatenbank ab: Kaufdatum, Erhaltungsdatum, Bestellwert, Historie vorheriger Reklamationen des Kunden, Vertriebskanal (online oder stationär, da dies die Ansprüche ändert). Ohne diese Daten ist eine Klassifizierung der Ansprüche unmöglich.

Schritt 3: Klassifizierung mit Validierung. Das Modell gibt ein JSON zurück: { "claim_type": "gewährleistung|garantie|rückgabe_gesetzlich|außerhalb_anspruch", "days_since_purchase": ..., "within_legal_deadline": true|false, "customer_request": "reparatur|austausch|preisminderung|rückerstattung", "missing_info": [...], "confidence": 0.0-1.0 }. Das Schema wird validiert; niedriges Confidence (unter 0,70) oder fehlendes Feld claim_type leiten den Fall automatisch in die manuelle Warteschlange.

Schritt 4: Lösungsvorschlag. Basierend auf dem Klassifizierungsergebnis generiert das System einen Vorschlag gemäß dem von einem Juristen erstellten Entscheidungsbaum. Gewährleistung innerhalb der Frist mit beschriebenem Mangel erhält einen Vorschlag für Reparatur oder Austausch mit Zeitplan. Rückgabe innerhalb der 14-Tage-Frist erhält eine Rückgabeanleitung mit Bestätigung des Anspruchs. Fälle außerhalb des Anspruchs werden an einen Menschen weitergeleitet – mit Kontext, ohne automatische Ablehnung.

Schritt 5: Human-Handoff. Der Berater sieht einen Briefing: Klassifizierung, Begründung, AI-Vorschlag, Kundenhistorie, rechtliche Hinweise. Er genehmigt, modifiziert oder lehnt den Vorschlag ab. Eine ablehnende Entscheidung stammt immer vom Menschen.

Das größte rechtliche Risiko bei der Automatisierung von Reklamationen ist eine ablehnende Entscheidung ohne menschliche Kontrolle. Das Verbraucherrecht und das Zivilgesetzbuch gewähren dem Verbraucher konkrete Ansprüche, deren Verletzung durch ein automatisiertes System zu Beschwerden bei der UOKiK, Gerichtsverfahren und Reputationsschäden führen kann.

AI sollte nicht eigenständig:

• Reklamationen mit Verweis auf fehlende Ansprüche ablehnen,
• entscheiden, dass ein Mangel auf Verschulden des Nutzers beruht (dies erfordert eine Expertise),
• für den Verbraucher nachteilige Vermutungen ohne menschliche Überprüfung anwenden,
• Antworten in strittigen Fällen oder wenn der Kunde eine Eskalation zu UOKiK, Ombudsmann oder Gericht ankündigt, versenden.

Das richtige Muster lautet: Die AI bereitet einen Vorschlag mit Begründung vor, der Mensch genehmigt die Entscheidung. Die Reaktionszeit verkürzt sich dennoch von 38 Stunden auf 4–8 Stunden, da der Berater ein fertiges Briefing erhält, statt einer rohen Meldung.

Human-Oversight ist hier nicht nur eine ethische, sondern eine rechtliche Anforderung. Das polnische Verbraucherschutzgesetz, die EU-Richtlinie 2019/771 und die Leitlinien des AI Act besagen, dass automatisierte Entscheidungen in Verbraucherangelegenheiten einer menschlichen Überprüfungsmöglichkeit unterliegen müssen.

Eine Reklamation enthält personenbezogene Daten: Name, Adresse, Bestellnummer, Problembeschreibung, manchmal Fotos des Produkts mit Daten im Hintergrund. Einige RODO-Anforderungen sind hier besonders relevant.

Rechtliche Grundlage für die Verarbeitung ist die Vertragserfüllung (Art. 6 Abs. 1 lit. b RODO) für Daten, die zur Bearbeitung der Reklamation erforderlich sind. Überflüssige Daten (z. B. lange Beschreibungen persönlicher Umstände) sollten vor der Speicherung im System gelöscht oder anonymisiert werden.

Aufbewahrungsfrist. Reklamationsdokumentation wird aus Beweisgründen 3–5 Jahre aufbewahrt (Verjährung von Ansprüchen). Daten außerhalb dieses Rahmens müssen gelöscht werden. Wenn Reklamationen als Trainingsdaten für ein AI-Modell verwendet werden, sind eine DPIA und Anonymisierung erforderlich.

PII-Maskierung. Wenn du für die Klassifizierung ein externes API (Cloud-LLM) verwendest, sollten die Meldungsdaten vor dem Senden an das Modell durch PII-Maskierung gehen. Bestellnummer, E-Mail, Name können vor dem API-Aufruf mit Tokens maskiert und anschließend in der Anwendung wiederhergestellt werden.

Eine Alternative ist das Self-Hosting des Klassifizierungsmodells, was das Problem des Datentransfers an externe Anbieter eliminiert. Ab einem Volumen von über 2.000 Reklamationen pro Monat sind die Kosten für Self-Hosting gerechtfertigt.

Die Implementierung eines Reklamationsklassifikators im Shadow-Mode eliminiert das Risiko fehlerhafter Entscheidungen zu Beginn. In den ersten 4–8 Wochen klassifiziert das System und schlägt Lösungen vor, aber der Berater trifft jede Entscheidung weiterhin eigenständig. Der Vergleich der AI-Entscheidungen mit denen der Berater liefert Daten zur Kalibrierung des Modells und deckt Kategorien auf, in denen die AI systematisch Fehler macht oder regelwidrige Lösungen vorschlägt.

Ein guter Pilot beginnt mit drei Schritten:

1. Sammle 300–500 historische Reklamationen mit Labels (Typ, Entscheidung, Begründung). Das sind Trainingsdaten und Referenzpunkte für die Modellbewertung.
2. Definiere mit einem Juristen einen Entscheidungsbaum für jeden Falltyp. Das Modell ist nur so gut wie die Regeln, die es umsetzt.
3. Starte den Shadow-Mode mit einem Dashboard, das AI-Vorschläge mit Beraterentscheidungen vergleicht. Akzeptanzschwelle vor dem Übergang zur Auto-Assistenz: über 85 % Übereinstimmung für einen bestimmten Falltyp.

Mehr zum Design von Agenten für mehrstufige Prozesse: Mehrstufige AI-Agenten-Planung und Automatisierung des Kundenservice mit AI.

Nein. Eine ablehnende Entscheidung muss immer von einem Menschen genehmigt werden. Die AI bereitet einen Vorschlag mit Begründung vor, aber der Berater trifft die endgültige Entscheidung. Eine automatische Ablehnung ohne menschliche Kontrolle kann gesetzliche Verbraucherrechte verletzen und rechtliche Haftung des Verkäufers gegenüber UOKiK und Gericht begründen.

Ein Shadow-Mode-Pilot mit einem Few-Shot-Klassifikator kann in 3–6 Wochen gestartet werden, wenn historische Daten mit Labels und ein mit einem Juristen abgestimmter Entscheidungsbaum vorliegen. Die vollständige Implementierung mit CRM-Integration, Metriken und Eskalationsverfahren dauert 8–14 Wochen. Der Großteil der Zeit entfällt auf die Datenaufbereitung und Regeldefinition, nicht auf die Modellprogrammierung.

Mindestens 200–500 historische Reklamationen pro Falltyp mit Labels (Kategorie, Entscheidung, Begründung). Vor der Nutzung der Daten für Training oder Fine-Tuning ist eine Anonymisierung personenbezogener Daten (Name, Adresse, Bestellnummer) oder eine DPIA erforderlich. Wenn du ein externes API für die Klassifizierung verwendest, wende PII-Maskierung vor dem Datenversand an.

Der Agent sendet eine personalisierte Aufforderung zur Angabe der Bestellnummer oder von Daten, die die Identifizierung der Transaktion ermöglichen. Er lehnt den Fall nicht wegen fehlender Daten ab, sondern setzt die Klassifizierung bis zur Ergänzung aus. Wenn der Kunde nach zwei Kontaktversuchen nicht ergänzt, wird der Fall mit Kommunikationshistorie in die manuelle Warteschlange verschoben.

Systeme zur Unterstützung der Bearbeitung von Verbraucherreklamationen sollten im Hinblick auf die Risikoklassifizierung nach AI Act analysiert werden. Wenn das System Entscheidungen über Verbraucherrechte (Ablehnung, Gewährung von Leistungen) beeinflusst, kann Transparenz und die Möglichkeit zur Anfechtung der Entscheidung erforderlich sein. Das Human-in-the-Loop-Prinzip bei ablehnenden Entscheidungen erfüllt diese Anforderungen praktisch, unabhängig von der endgültigen Risikoklassifizierung. Konsultiere vor der Implementierung einen Juristen.

Verwandte Artikel: Klassifizierung und Routing von Meldungen mit AI, Automatisierung des Kundenservice mit AI, AI-Agent für Terminvereinbarungen, AI im E-Commerce. Entwirf die Architektur deines Reklamationsagenten mit dem Tool Agenten-Blueprint.