Nutzt Ihr Anbieter Ihre Daten? Die neue Frage in der Beschaffung

Jede Ausschreibung für Kundenfeedback- oder CX-Tools stellte früher eine Variante derselben Frage: “Sind unsere Daten sicher?” Anbieter antworteten mit SOC-2-Zertifikaten, Verschlüsselung-im-Ruhezustand-Häkchen und einer DSGVO-Klausel, versteckt in einem Anhang. Diese Frage reicht heute nicht mehr aus, und wenn Ihre Beschaffungs-Checkliste dort noch stehen bleibt, übersehen Sie das, worauf es 2025 wirklich ankommt: nicht ob Ihre Daten geschützt sind, sondern ob sie genutzt werden — vom Anbieter, für Zwecke, die nichts mit Ihrem Geschäft zu tun haben.

Jede CX- und Support-Plattform bietet heute “KI-gestützte” Insights, automatisch generierte Zusammenfassungen, Vorhersage-Scores oder Branchen-Benchmarks. Irgendwo erledigt ein Modell diese Arbeit. Die Beschaffungsfrage des KI-Zeitalters ist einfach zu stellen, aber überraschend schwer, eine klare Antwort darauf zu bekommen: Womit wird dieses Modell trainiert, und wer profitiert vom Training?

Warum diese Frage vor fünf Jahren noch nicht existierte

Bevor generative KI und groß angelegtes Behavioral Scoring zum Standard wurden, waren die meisten Feedback- und Umfrage-Anbieter im Grunde Datenlager mit einer netten Benutzeroberfläche. Ihre Antworten lagen in deren Datenbank, Sie erstellten Berichte, Sie exportierten CSVs. Die geschäftliche Beziehung war klar: Sie bezahlten für Speicherplatz und Tools, nicht für Intelligenz.

KI hat die Wirtschaftlichkeit verändert. Das Training eines brauchbaren Sentiment-Modells, eines Churn-Predictors oder eines Branchen-Benchmarks erfordert Daten — und zwar viele, idealerweise gebündelt über viele Kunden hinweg. Anbieter, die “KI-gestützte NPS-Benchmarks” oder “intelligentes Lead-Scoring sofort einsatzbereit” anbieten, haben diese Fähigkeit irgendwoher — und in den meisten Fällen stammt sie aus einer Zusammenfassung der Daten aller Kunden, die durch ihre Plattform fließen, einschließlich Ihrer.

Das ist nicht grundsätzlich unlauter. Gebündelte, anonymisierte Daten können tatsächlich nützliche Benchmarks liefern. Aber es ist eine geschäftliche Entscheidung, die Ihre Organisation bewusst treffen sollte — und nicht erst achtzehn Monate nach Vertragsabschluss entdecken sollte, wenn die Rechtsabteilung eine Unterauftragsverarbeiter-Liste prüft.

Drei Arten, wie Anbieter Ihre Daten tatsächlich nutzen

Wenn ein Anbieter sagt “wir nutzen KI, um Ihr Erlebnis zu verbessern”, kann dieser Satz drei sehr unterschiedliche Dinge bedeuten, jede mit anderen Konsequenzen für Ihr geistiges Eigentum, Ihre Wettbewerbsposition und Ihre Compliance.

1. Training gemeinsamer Modelle mit Ihren Eingabedaten

Ihre Support-Transkripte, Umfrage-Freitexte oder Chat-Protokolle fließen in ein Modell ein, das auch anderen Kunden dient — manchmal Ihren direkten Wettbewerbern. Die Rechtfertigung des Anbieters lautet meist “das macht die KI für alle intelligenter.” Die Frage, die Sie beantwortet haben müssen: Können Sie sich abmelden, und verschlechtert das Abmelden das Produkt, für das Sie bezahlen?

2. Aufbau eines kundenübergreifenden Benchmarks oder Identity Graphs

Manche Plattformen reichern Ihre Kundendatensätze mit Signalen an, die über den gesamten Kundenstamm hinweg beobachtet wurden — eine Praxis, die bei CDPs und Benchmarking-Anbietern verbreitet ist. Das klingt wertvoll (“sehen Sie, wie Sie im Vergleich zu Branchenkollegen abschneiden”), bedeutet aber, dass der Anbieter ein Datenasset aufbaut, das Ihren Vertrag überdauert und das Ihnen nicht gehört — unter Verwendung von Datensätzen, die ursprünglich personenbezogene Daten Ihrer Kunden waren.

3. Aufbewahrung von Rohdaten über den angegebenen Zweck hinaus

Auch ohne Modelltraining behalten viele Plattformen Rohtranskripte und Antworten unbegrenzt für “Produktverbesserungs”-Zwecke, die nie klar umrissen sind. Dabei geht es weniger um böse Absicht als um Standardeinstellungen, die niemand überprüft hat — aber es bedeutet trotzdem, dass die Antwort Ihres Kunden auf eine CSAT-Umfrage jahrelang in einem Data Lake des Anbieters liegen könnte, über die Aufbewahrungsfrist hinaus, die Ihre eigene Datenschutzerklärung verspricht.

Die Beschaffungsfragen, die tatsächlich funktionieren

Generische Sicherheitsfragebögen erhalten generische Antworten. Diese Fragen sind spezifisch genug, dass ein Anbieter nicht mit einem Compliance-PDF ausweichen kann:

• “Trainieren Sie irgendein Modell — Sentiment, Klassifizierung, Scoring oder generativ — mit Daten mehrerer Kunden, einschließlich unserer?” Verlangen Sie ein Ja/Nein, keine Beschreibung Ihrer “Datenverarbeitungsvereinbarung.”
• “Wenn wir gehen, was passiert mit abgeleiteten Daten — Scores, Embeddings, Profilen —, die aus unseren Rohantworten erstellt wurden?” Die Löschung von Rohdaten bei Vertragsende ist Standard. Die Löschung abgeleiteter Daten ist es nicht, und die meisten Anbieter erwähnen das nicht, sofern nicht direkt danach gefragt wird.
• “Können wir die genauen Felder einsehen und exportieren, die Sie zur Berechnung von [Funktion X] verwenden?” Wenn der Anbieter Ihnen die Eingabedaten für seinen Churn-Score oder Lead-Score nicht zeigen kann, können Sie ihn nicht prüfen, infrage stellen oder anderswo reproduzieren.
• “Wird Ihr Benchmark aus Daten berechnet, die Sie über alle Kunden hinweg aggregieren, oder können wir ihn auf unsere eigene historische Baseline beschränken?” Ein Anbieter, dessen gesamtes Benchmarking-Produkt von der Bündelung von Kundendaten abhängt, hat einen strukturellen Anreiz, diese Bündelung intransparent zu halten — er kann Ihnen nicht empfehlen, Ihre eigene Baseline mitzubringen, weil das sein Produkt untergräbt.
• “Bauen Sie einen mandantenübergreifenden Identity Graph auf, oder läuft jeder Join über eine ID, die wir kontrollieren?” Diese eine Frage offenbart mehr über die Architektur eines Anbieters als eine Stunde Verkaufsdemo.

Ein durchgearbeitetes Beispiel: Einen Anbieter testen, bevor Sie unterschreiben

Angenommen, Sie sind als E-Commerce-Betriebsleiter damit beschäftigt, zwei Plattformen für einen kombinierten RMA-Aufnahme- und Post-Resolution-CSAT-Flow zu bewerten. Beide demonstrieren gut. Beide behaupten “KI-gestützte Sentiment-Analyse” für Retourenkommentare. Hier ist ein konkreter Pilottest, der echte Antworten von Marketingtexten trennt:

1. Richten Sie ein Test-RMA-Formular mit einem wiederholbaren Abschnitt ein — mehrere Artikel pro Retoure, jeder mit einer Freitext-Fehlerbeschreibung. Dies ist ein realistisches Mehrartikel-Retouren-Szenario, kein Spielzeugbeispiel.
2. Reichen Sie zehn Testantworten mit unterschiedlicher, identifizierbarer Sprache in den Textfeldern ein (Formulierungen, nach denen Sie später suchen können).
3. Fragen Sie den Anbieter schriftlich: “Zeigen Sie mir, wo dieser Text gespeichert wird, welche Aufbewahrungsfrist gilt, und bestätigen Sie, ob ein damit trainiertes Modell mit anderen Mandanten geteilt wird.”
4. Fordern Sie einen Datenexport an, der Sentiment und Entitätsextraktion pro Instanz zeigt, zurückverknüpft mit jedem einzelnen Artikel der Retoure — nicht einen einzigen zusammengeführten Blob für die gesamte Einreichung.
5. Beenden Sie den Testlauf und fordern Sie eine Bestätigung der Löschung an, einschließlich aller abgeleiteten Scores oder Embeddings — nicht nur der Rohdaten der Einreichung.

Anbieter, die diesen Test bestehen, können Ihnen konkret zeigen, dass die Fehlerbeschreibung jedes Artikels unabhängig analysiert wurde (nützlich, um tatsächlich produktbezogene Ersatzentscheidungen zu treffen, nicht nur ein vages “diese Retoure war negativ”-Flag), dass die Daten in Ihrem Mandanten lagen und dass die Löschung real und vollständig war — nicht “anonymisiert und aufbewahrt.” Anbieter, die das nicht schnell nachweisen können oder mit “unser DPA deckt das ab” antworten, sagen Ihnen damit, dass die ehrliche Antwort kompliziert ist.

Den Vertrag lesen, nicht nur die Demo

Verkaufsdemos zeigen Fähigkeiten. Verträge zeigen Absichten. Lassen Sie die Rechtsabteilung vor der Unterzeichnung gezielt prüfen:

• Unterauftragsverarbeiter-Listen, die jeden Dritten benennen, der Ihre Daten berührt, einschließlich aller KI-Modellanbieter.
• Opt-out-Formulierungen für das Training, die explizit sind, nicht nur implizit durch eine allgemeine “Produktverbesserungs”-Klausel.
• Datenportabilitätsklauseln, die nicht nur Rohexporte abdecken, sondern auch abgeleitete Scores, Tags und Klassifizierungen, auf die Ihr Team operativ angewiesen sein könnte.
• Aufbewahrungsfristen sowohl für Roh- als auch für abgeleitete Daten, mit Löschfristen bei Vertragsbeendigung.
• Offenlegung der Benchmark-Methodik — wenn der Anbieter Ihnen einen Branchenvergleich verkauft, fragen Sie, wie die Vergleichsgruppe zusammengesetzt ist und ob Ihre Daten auch in der Vergleichsgruppe eines anderen Kunden landen.

Wie SurveyAnalytica hilft

SurveyAnalytica ist um eine spezifische Antwort auf diese Frage herum aufgebaut: kein Identity Graph, kein mandantenübergreifendes Profil-Asset. Joins über Verhalten, Transaktionen, Sprache und soziale Signale hinweg laufen deterministisch auf der Kunden-ID, die Ihre Organisation bereits kontrolliert — nicht auf einem probabilistischen Abgleich, der aus gebündelten Daten über nicht verwandte Kunden hinweg aufgebaut wurde. Wo probabilistische Verknüpfung angeboten wird, ist sie eine ausdrückliche Kundenentscheidung, keine Standardeinstellung.

Dieselbe Philosophie zieht sich durch die Analytik. Textanalyse — Sentiment, Entitätsextraktion, Klassifizierung — läuft unabhängig für jedes Freitextstück, einschließlich jeder Instanz innerhalb eines wiederholbaren Abschnitts wie eines Mehrartikel-RMA-Formulars, sodass eine Retoure mit drei separaten Produktproblemen drei eigenständige, prüfbare Scores erzeugt, anstatt eines undurchsichtigen Aggregats, das Sie nicht auf eine Quelle zurückführen können. Sie sehen genau, was in jeden abgeleiteten Score eingeflossen ist, weil die Ein- und Ausgaben in Ihrem eigenen Mandanten liegen.

Dasselbe Prinzip gilt auch für die Automatisierung: Workflows, die durch Umfrage-, Ticket- oder Clickstream-Ereignisse ausgelöst werden, laufen auf Daten, die Ihrer Organisation gehören und die Sie nach Ihren eigenen Bedingungen exportieren oder löschen können, ohne dass ein Model-Sharing-Nebeneffekt fest in der Workflow-Engine verankert ist. Wenn Sie gerade Plattformen genau nach diesem Kriterium bewerten, führt Sie unser direkter Vergleich durch, wie sich architektonische Entscheidungen zum Thema Dateneigentum in der Praxis unterscheiden — nicht nur auf dem Papier.

Das Fazit

“Nutzt Ihr Anbieter Ihre Daten” klingt wie eine paranoide Frage, bis man erkennt, wie viel vom aktuellen CX- und Support-Software-Markt still und leise genau durch diese Praxis finanziert wird — gebündelte Trainingsdaten, gemeinsame Benchmarks, Identity Graphs, die Ihren Vertrag überdauern. Nichts davon erfordert eine Verschwörung; es ist schlicht die Standardarchitektur für viele als KI gekennzeichnete Tools, und Standardeinstellungen werden selten offengelegt, es sei denn, ein Käufer besteht darauf.

Die Lösung besteht nicht darin, KI-Funktionen zu meiden. Sie besteht darin, die oben genannten spezifischen, beantwortbaren Fragen zu stellen, bevor Sie unterschreiben, die Antworten in einem echten Pilotprojekt mit echten Daten zu testen und den Vertrag daraufhin zu lesen, was mit abgeleiteten Daten beim Austritt passiert — nicht nur mit Rohdaten. Anbieter, die nichts zu verbergen haben, beantworten das in einer einzigen E-Mail. Diejenigen, die das nicht können, sagen Ihnen damit etwas Wichtiges darüber, wohin Ihre Kundendaten wirklich fließen.