Fallback Rate
Fallback Rate: Definition, Berechnung und Benchmarks
Definition:
Die Fallback Rate ist die Kennzahl, die angibt, wie oft ein Chatbot oder AI Agent eine Anfrage nicht selbstständig lösen oder verstehen kann und die Konversation deshalb abbricht, an einen Menschen übergibt oder eine Standardantwort wie „Das habe ich leider nicht verstanden" ausgibt. Sie wird als Prozentsatz aller Konversationen angegeben und gilt als zentraler Indikator für die Qualität eines Systems.
Ein Wert unter 15 Prozent gilt im DACH-Kundenservice als solide, unter 10 Prozent als sehr gut. Wie sich die Kennzahl berechnet, wodurch sie entsteht und wie man sie senkt, zeigt der folgende Abschnitt.
Wie wird die Fallback Rate berechnet?
Die Formel lautet: Anzahl der Fallback-Fälle geteilt durch Anzahl aller Konversationen, multipliziert mit 100. Bei 1.000 Konversationen im Monat und 80 Fallback-Fällen ergibt sich eine Fallback Rate von 8 Prozent. Je niedriger der Wert, desto zuverlässiger arbeitet das System in der Praxis.
Wichtig ist die Abgrenzung zur Automatisierungsquote: Die Automatisierungsquote misst, wie viele Anfragen erfolgreich gelöst wurden. Die Fallback Rate misst das Gegenteil, nämlich das Scheitern. Beide Werte ergänzen sich, sind aber nicht einfach Kehrwerte voneinander, da ein Teil der Konversationen bewusst an Agent Assist oder menschliche Mitarbeiter weitergeleitet wird, ohne dass ein technisches Verständnisproblem vorliegt. Wie sich ein hoher Automatisierungsgrad in der Praxis erreichen lässt, zeigt der Artikel effiziente Kundenservice-Automatisierung mit KI.
Eng verwandt, aber nicht identisch, ist die Containment Rate: der Anteil der Konversationen, die der Bot ohne menschliche Eskalation abschließt. Hier zeigt sich ein wichtiger Unterschied in der Praxis: Eine hohe Containment Rate bedeutet nicht automatisch eine niedrige Fallback Rate. Laut Zendesks 2026-CX-Trends-Studie sank die Kundenzufriedenheit mit KI-gestütztem Support zwischen 2024 und 2026 um 6 Punkte, während die Lösungsquote im gleichen Zeitraum um 18 Punkte stieg. Eine steigende Lösungsquote bei gleichzeitig sinkender Zufriedenheit deutet darauf hin, dass Konversationen als „gelöst" gezählt werden, ohne dass das Anliegen tatsächlich geklärt wurde.
Wodurch entstehen Fallbacks?
Typische Ursachen für einen Fallback sind unklar formulierte Nutzeranfragen, fehlende Daten in der Wissensbasis, Themen außerhalb des trainierten Anwendungsbereichs sowie technische Fehler bei der Anbindung an Backend-Systeme wie Shopware oder Zendesk. Auch Dialekt, Umgangssprache oder mehrdeutige Formulierungen erhöhen die Fallback Rate, besonders bei Systemen mit schwacher NLP-Basis, der Verarbeitung natürlicher Sprache. Ein AI Agent unterscheidet sich hier von klassischen, regelbasierten Chatbots: Er kann Kontext über mehrere Nachrichten hinweg verstehen und dadurch Fallbacks reduzieren, die allein durch starre Entscheidungsbäume entstehen. Mehr zur Abgrenzung liefert der Artikel AI Agents vs. Chatbots.
Welche Fallback Rate gilt als gut?
Im DACH-Kundenservice gelten Werte unter 15 Prozent als solide, unter 10 Prozent als sehr gut. Werte über 25 Prozent deuten meist auf eine unvollständige Wissensbasis oder eine zu enge Themenabdeckung hin. Diese Größenordnung deckt sich mit internationalen Benchmarks: Laut einer Übersicht zu Chatbot-Fallback-Werten liegen klassische, regelbasierte Chatbots häufig bei 30 bis 50 Prozent Fallback Rate, während moderne KI-Systeme auf Basis von Large Language Models diesen Wert typischerweise auf 5 bis 15 Prozent senken, weil sie Kontext verstehen und mit Umformulierungen umgehen können. Anbieter wie melibo setzen bei hohen Fallback-Werten auf Retrieval-Augmented Generation, also den Zugriff auf eigene, aktuelle Wissensdaten statt reinem Modellwissen, um die Rate zu senken.
Wie senkt man die Fallback Rate?
Eine sinkende Fallback Rate erreicht man durch regelmäßige Auswertung der gescheiterten Konversationen, durch Erweiterung der Wissensbasis um tatsächlich gestellte Fragen und durch klar definierte Eskalationspfade zu menschlichen Mitarbeitern. Ein guter AI Agent nutzt Fallbacks außerdem als Lernsignal: Jede gescheiterte Anfrage zeigt eine Lücke in der Wissensbasis auf, die sich gezielt schließen lässt. Einen Einstieg in die grundsätzliche Funktionsweise solcher Systeme bietet der Artikel AI Agents im Service: Wie sie Prozesse verändern.
Fazit
Die Fallback Rate zeigt, wie robust ein Chatbot oder AI Agent im echten Betrieb ist, nicht im Testlauf mit ausgewählten Beispielfragen. Ein Wert unter 10 Prozent gilt im DACH-Kundenservice als sehr gut, entscheidend ist aber weniger der einzelne Prozentwert als der Trend über Zeit. Eine hohe Fallback Rate ist dabei kein reines Warnsignal, sondern auch ein Hinweis darauf, wo die Wissensbasis noch Lücken hat. Unternehmen sollten die Kennzahl deshalb nicht isoliert betrachten, sondern zusammen mit der Automatisierungsquote und der Containment Rate auswerten, um ein vollständiges Bild der Systemqualität zu erhalten.
