28. März 2026
JTBD Framework: Warum KI-Agenten ohne Kundenverständnis scheitern
Gartner sagt: 40% aller Unternehmensanwendungen werden bis Ende 2026 mit KI-Agenten arbeiten. Gartner sagt auch: 40% der Agentic-AI-Projekte werden bis Ende 2027 wieder eingestellt.
Falls du gerade überlegst, ob sich diese beiden Zahlen gegenseitig aufheben – nein, tun sie nicht. Sie beschreiben zwei verschiedene Gruppen. Die einen investieren und es wirkt. Die anderen investieren und räumen ein Jahr später still und leise wieder auf.
Die spannende Frage ist nicht, ob du KI einsetzen solltest. Die Frage ist, ob du weißt, wofür.
Was ein JTBD Framework ist – und was es mit KI zu tun hat
Ein JTBD Framework (Jobs-to-be-Done Framework) ist ein System, das eine trügerisch einfache Frage beantwortet: Welchen Fortschritt will dein Kunde in seiner konkreten Situation erzielen?
Nicht: Was hat er angekreuzt in der letzten Umfrage. Nicht: Was fordert der lauteste Stakeholder. Sondern: Was zeigt sein tatsächliches Verhalten darüber, warum er kauft, wechselt oder bleibt?
Das JTBD Innovation Framework besteht aus vier Rahmenwerken, die ineinandergreifen:
Strategierahmen
Wo fließen Kundenerkenntnisse in Portfolioentscheidungen ein?
Projektrahmen
Wie wird ein JTBD-Projekt aufgesetzt und gemessen?
Research-Rahmen
Wie führst du Interviews, die echte Muster liefern statt Meinungen?
Designrahmen
Wie werden Erkenntnisse in testbare Hypothesen übersetzt?
Klingt nach Aufwand? Ist es auch. Aber deutlich weniger Aufwand als ein KI-Projekt, das sechs Monate läuft und dann in der 40%-Statistik landet.
Das eigentliche Problem: Du automatisierst die falschen Dinge
„Even great companies can veer off course in nailing the job for their customers and focus on nailing a job for themselves.“
Clayton M. Christensen – Competing Against Luck
Genau das passiert gerade im großen Stil. Wenn Unternehmen entscheiden, wo sie KI einsetzen, passiert fast immer dasselbe: Jemand schaut auf die internen Prozesse und fragt „Was kostet uns am meisten Zeit?“
Support? Automatisieren. Datenauswertung? Automatisieren. Content-Produktion? Automatisieren.
Das ist Supply-Side Thinking – du optimierst deine eigene Maschinerie. Das Problem dabei: Deine Kunden haben dich nicht wegen deiner internen Maschinerie gewählt. Die ist ihnen herzlich egal.
„Demand-side selling is understanding what progress people want to make and what they are willing to pay to make that progress. Our product or services are merely a part of their solution.“
Bob Moesta – Demand-Side Sales 101
Dein KI-Agent – egal wie ausgereift – ist lediglich ein Teil der Lösung deines Kunden. Nicht die Lösung selbst. Wer das verwechselt, baut beeindruckende Technologie, die niemanden weiterbringt.
Supply-Side vs. Demand-Side – am Beispiel
Supply-Side
Der Versicherer automatisiert die interne Schadensbearbeitung. Schnellere Prozesse, weniger Kosten.
Demand-Side
Der Versicherer automatisiert die Antwortzeit für den Kunden, der nach einem Wasserschaden wissen will, ob seine Küche nächste Woche wieder nutzbar ist.
Gleiche Technologie. Völlig anderer Hebel.
Drei Muster, die ich in gescheiterten KI-Projekten immer wieder sehe
Ich begleite seit über 20 Jahren Innovationsprojekte. Seit etwa zwei Jahren sind gefühlt 80% davon KI-Projekte. Und die Muster des Scheiterns sind erschreckend gleichförmig:
1. Kein Kundenjob – nur ein internes Problem
„Unser Support ist überlastet“ ist kein Kundenjob. Es ist dein Problem. Das ist ein wichtiger Unterschied, denn die Lösung für dein Problem (weniger Supportkosten) kann eine völlig andere sein als die Lösung für das Problem deines Kunden (endlich eine Antwort, ohne drei Mal anrufen zu müssen).
Ein JTBD Framework zwingt dich, vor jeder Investition den Kundenjob in einem Satz zu benennen. Wenn das nicht geht, fehlt Klarheit. Und ohne Klarheit baust du das Falsche – nur eben schneller.
„Bad strategy fails to recognize or define the challenge. When you cannot define the challenge, you cannot evaluate a strategy or improve it.“
Richard Rumelt – Good Strategy/Bad Strategy
Eine KI-Strategie ohne definierten Kundenjob ist – im besten Fall – eine schlechte Strategie.
2. 47 Features, null Evidenz
Letzte Woche im Sparring mit einem Product Owner: „Wir haben 47 Features auf der Roadmap. Das Board will KI-Features priorisieren.“
Meine Frage: „Für welche drei davon habt ihr Evidenz, dass Kunden sie brauchen?“
Stille.
Das ist kein Einzelfall. Das ist der Normalzustand. Nicht weil die Teams schlecht sind – sondern weil ihnen ein System fehlt, das Kundenevidenz von Stakeholder-Meinungen trennt.
„Die Menge und Qualität der Daten, auf denen die Geschichte beruht, ist weitgehend belanglos.“
Daniel Kahneman – Schnelles Denken, langsames Denken
Heißt: Dein Team glaubt, die Kunden zu kennen. Es hat eine stimmige Story im Kopf. Aber diese Story basiert nicht auf Evidenz, sondern auf dem, was gerade verfügbar war.
Ohne JTBD-Interviews, die echte Kaufmuster offenlegen, ist jede Roadmap ein Ratespiel. Mit KI-Budget dahinter wird es ein teures Ratespiel. Das ändert aber nichts daran, dass es ein Ratespiel bleibt.
3. Kein Korrektursystem
Die gefährlichste Phase eines KI-Projekts ist nicht der Start. Es ist der dritte Monat – wenn die ersten Ergebnisse da sind, alle irgendwie zufrieden nicken, aber niemand sagen kann, ob beim Kunden irgendetwas angekommen ist.
Ohne ein System, das Kundenwirkung misst (nicht nur Effizienz), laufen KI-Projekte einfach weiter. Das Evidence-to-Impact Programm existiert genau für diesen Moment: Es etabliert einen Rhythmus aus Evidenz, Entscheidung, Umsetzung und Messung. Klingt unsexy. Verhindert aber, dass du zwölf Monate später feststellst, dass du ein sehr effizientes System gebaut hast, das niemanden interessiert.
Die Durchschnittsfalle: Warum „für alle“ für niemanden funktioniert
Es gibt noch ein subtileres Problem, das bei KI-Projekten fast nie diskutiert wird: die Annahme, es gäbe so etwas wie einen „typischen Kunden“.
„If you’ve designed a cockpit to fit the average pilot, you’ve actually designed it to fit no one.“
Todd Rose – The End of Average
Dasselbe gilt für KI-Agenten. Ein Chatbot, der für den „durchschnittlichen Kunden“ trainiert wird, bedient keinen realen Menschen gut – weil dieser Durchschnittskunde nicht existiert. Was existiert, sind spezifische Situationen, in denen spezifische Menschen einen spezifischen Fortschritt erzielen wollen.
Ein JTBD Framework deckt genau diese Situationen auf. Es ersetzt die Fiktion des Durchschnittskunden durch echte Muster: Welche Ereignisse lösen den Handlungsdruck aus? Welche Alternativen zieht der Kunde in Betracht? Was hält ihn zurück?
Wer diese Muster kennt, baut KI, die in der realen Welt funktioniert. Wer für den Durchschnitt baut, baut – wie Rose es ausdrückt – ein System, das zum Scheitern verurteilt ist.
Wie ein JTBD Framework deine KI-Investition absichert
Kundenjobs identifizieren
Das Wheel of Progress Canvas macht die Kräfte hinter Kundenentscheidungen sichtbar: Was drückt weg? Was zieht an? Was hält zurück? Und welche Gewohnheiten müsstest du brechen?
Hebel priorisieren
Finde die Jobs, bei denen zusammenkommt: hohe Unzufriedenheit, nachweisbare Zahlungsbereitschaft und Differenzierungspotenzial. Erst danach zeigt sich, wo KI den größten Unterschied macht.
Hypothesen testen
Statt 6-Monats-Projekt: eine testbare Hypothese. „Antwortzeit auf unter 4 Stunden → Verlängerungsrate +15%.“ Testbar in Wochen, nicht Quartalen.
Das Innovator’s Paradox: Warum sich „richtig“ falsch anfühlen kann
„Dass führende Unternehmen scheitern, weil sie im Grunde alles richtig machen, klingt paradox.“
Clayton Christensen – The Innovator’s Dilemma
KI-Investitionen fühlen sich richtig an. Datengetrieben, innovativ, zukunftsorientiert. Das Board nickt, die Branchenpresse lobt, der Wettbewerb macht es auch.
Aber „alle machen es“ ist kein Kundenjob. Und „fühlt sich richtig an“ ist keine Evidenz.
Ein JTBD Framework ist das Korrektiv: Es fragt nicht „Was fühlt sich fortschrittlich an?“, sondern „Wofür würden Kunden bezahlen?“. Das ist eine unbequemere Frage. Aber eine, die vor teuren Irrtümern schützt.
„Wir haben keine Zeit für Kundenforschung“
Diesen Satz höre ich regelmäßig. Und ich verstehe den Druck – der Wettbewerb automatisiert, das Board will Ergebnisse, die Budgets sind freigegeben.
Trotzdem: Die Erfahrung aus über 700 Projekten zeigt mir immer wieder dasselbe. Teams, die vier Wochen in einen Customer Insights Sprint investieren, bevor sie KI ausrollen, sind am Ende schneller. Sie bauen nicht die dritte Version, weil die ersten zwei am Bedarf vorbei gingen. Sie führen keine Diskussionen über Priorisierung, weil die Evidenz die Diskussion ersetzt.
Praxisbeispiel: Mantrafant
Mantrafant, ein Hersteller von Yogamatten, hat durch JTBD-Interviews in zwei Tagen mehr über seine Kunden gelernt als in drei Jahren Marktbeobachtung davor. Das Ergebnis: fünffacher Umsatz bei gesunkenen Werbekosten. Nicht durch mehr Technologie. Durch besseres Verständnis dafür, was Kunden tatsächlich zum Kauf bewegt.
Vier Wochen Kundenforschung sind die billigste Versicherung gegen eine KI-Fehlinvestition.
KI und JTBD: Das eine macht das andere besser
Falls der Eindruck entstanden ist, dass ich gegen KI argumentiere: das Gegenteil ist der Fall. KI ist eine außergewöhnlich mächtige Technologie. Und ein JTBD Framework macht sie erst richtig wirksam, weil es die Frage beantwortet, die keine KI beantworten kann: Was wollen deine Kunden wirklich?
Wer beides verbindet – Kundenverständnis als Richtungsgeber und KI als Verstärker –, wird die nächsten Jahre prägen.
Wer nur eines davon hat, wird entweder langsam oder schnell irrelevant. Such dir aus, was schlimmer ist.
Drei Fragen für dein nächstes Meeting
Bevor du das nächste KI-Projekt freigibst, stell deinem Team diese drei Fragen:
1. Welchen Kundenjob adressiert dieses Projekt?
In einem Satz. Wenn das nicht geht, ist der Job nicht klar genug.
2. Welche Evidenz haben wir dafür?
Stakeholder-Meinungen sind keine Evidenz. Kaufverhalten ist Evidenz.
3. Wie messen wir Kundenwirkung?
Wenn der einzige KPI „eingesparte Stunden“ ist, misst du nur die Hälfte.
Drei klare Antworten? Dann automatisier, was das Zeug hält.
Keine klaren Antworten? Dann weißt du, was der erste Schritt ist – und es ist nicht „mehr Budget für KI“.
Versteht ihr eure Kunden wirklich – oder nur ihre Antworten?
Der Kundenverständnis-Reality-Check zeigt dir in wenigen Minuten, wie gut dein Team die echten Kaufmotive eurer Kunden kennt – und wo die größten blinden Flecken liegen.
Häufig gestellte Fragen
Was ist ein JTBD Framework?
Ein JTBD Framework (Jobs-to-be-Done Framework) ist ein systematischer Ansatz, um Geschäftsentscheidungen an den tatsächlichen Bedürfnissen von Kunden auszurichten. Es untersucht, welchen Fortschritt Kunden in konkreten Lebenssituationen erzielen wollen – nicht was sie in Umfragen ankreuzen, sondern was ihr Verhalten über ihre echten Entscheidungsgründe zeigt.
Warum scheitern KI-Projekte ohne Kundenverständnis?
Gartner prognostiziert, dass 40% der Agentic-AI-Projekte bis Ende 2027 eingestellt werden. Der häufigste Grund: Unternehmen automatisieren interne Prozesse statt echter Kundenprobleme. Ohne Kundenevidenz fehlt die Grundlage für Priorisierung – und KI-Investitionen erzeugen Effizienz, aber kein Wachstum.
Wie hängen JTBD und KI-Strategie zusammen?
Ein JTBD Framework identifiziert, welche Kundenprobleme den größten Hebel für Differenzierung haben. KI wird dann gezielt dort eingesetzt, wo sie messbare Kundenwirkung erzeugt – statt pauschal Prozesse zu beschleunigen, die aus Kundensicht irrelevant sind.
Was kostet die Einführung eines JTBD Frameworks?
Der schnellste Einstieg ist ein Customer Insights Sprint (4 Wochen, ab 15.000 EUR), der die wichtigsten Kundenjobs und Hebel identifiziert. Für Teams, die JTBD eigenständig anwenden wollen, gibt es den Mastering JTBD Workshop (ab 2.100 EUR pro Person).
Wie schnell zeigt ein JTBD Framework Ergebnisse?
Ein Customer Insights Sprint liefert innerhalb von vier Wochen ein Decision Pack mit priorisierten Kundenjobs und konkreten Handlungsempfehlungen. Kein monatelanges Forschungsprojekt – fokussierte Analyse für sofortige Entscheidungsfähigkeit.