Ihr Save Flow erzeugt still und leise Abwanderung — die Zahl, die es bewies

Das erste Mal, dass ich mich über ein Retention-Dashboard wirklich gut fühlte, blickte ich auf eine Save Rate von 30 %. Dreißig Prozent der Menschen, die auf "Kündigen" geklickt hatten, zogen es nicht durch. Auf dem Papier hatte sich dieser Flow zehnfach amortisiert. Ich erinnere mich, dass ich dachte, der schwierige Teil sei vorbei.

Dann zog ich die Kohorte hinter der Zahl hervor, und es ging nicht mehr auf.

Einige dieser "geretteten" Nutzer hatten versehentlich auf Kündigen geklickt, sich das Angebot angesehen und waren geblieben — sie wollten nie gehen. Einige hatten den Rabatt mitgenommen und wanderten im Folgemonat trotzdem ab. Und eine leisere Gruppe beunruhigte mich mehr: Menschen, denen wir während ihres Kündigungsfensters eine E-Mail geschickt hatten und die, soweit ich es beurteilen konnte, überhaupt nicht versucht hatten zu kündigen. Wir hatten in den Posteingang eines sich verlängernden Kunden gegriffen, um zu sagen "Wir würden Sie ungern gehen sehen", und sie daran erinnert, dass sie 49 $ im Monat für etwas zahlten, das sie seit dem Winter nicht mehr geöffnet hatten. Das ist die ganze Geschichte, warum ich heute ethische KI für die Abo-Retention so baue, wie ich es tue, und warum das System, das wir schließlich bei Veriprajna eingeführt haben, damit beginnt, sich zu weigern, alle Kündigenden gleich zu behandeln.

Die Save Rate ist eine Vanity-Metrik, die vier völlig verschiedene Menschen zu einer selbstbeglückwünschenden Zahl verschmilzt.

Die 30 %, die nicht das sind, was Sie denken

Verbringen Sie etwas Zeit in einem Kündigungs-Funnel, und Sie lernen, dass "Menschen, die auf Kündigen klicken" keine einheitliche Gruppe sind. Es sind vier, und sie wollen gegensätzliche Dinge von Ihnen.

Es gibt Überzeugbare — sie gehen, sofern sie nicht den richtigen Anstoß bekommen, eine Funktion, von deren Existenz sie nichts wussten, einen Tarif, der dazu passt, wie sie das Produkt tatsächlich nutzen. Das sind die einzigen Nutzer, bei denen ein Save Flow echten Mehrwert schafft. Es gibt Sichere Fälle, die auf jeden Fall bleiben; ihnen 20 % Rabatt zu geben, verbrennt nur Marge auf Umsatz, den Sie ohnehin schon hatten. Es gibt Verlorene Fälle, die sich entschieden haben und nicht zurückkommen; ein vierseitiges Verhör macht sie nur wütend und wird zum Support-Ticket — und zu jener Art "labyrinthischen" Erlebnisses, nach dem, wie ich noch ausführen werde, die Aufsichtsbehörden heute gezielt suchen.

Und dann gibt es Schlafende Hunde: Kunden, die still und leise verlängern und weiter verlängert hätten — genau bis Ihre Retention-Kampagne sie aufweckte. Berühren Sie sie, und Sie erzeugen Abwanderung, die es sonst nicht gegeben hätte.

Die Falle ist strukturell. Ein pauschaler Save Flow — die Art, die jedes Standardtool per Voreinstellung mitliefert — behandelt alle vier als denselben Kündigenden und spielt ihnen allen dasselbe Angebot aus. Ihre Save Rate zählt die Sicheren Fälle als Erfolge. Sie sagt nichts über die Schlafenden Hunde aus, die Sie gerade verloren haben, denn diese Verluste tauchen im Kündigungs-Funnel nie auf. Sie zeigen sich als eine Verlängerung, die stillschweigend ausblieb.

Der Holdout-Test, den ich nicht durchführen wollte

Ich würde Ihnen gerne erzählen, dass wir das von Anfang an mitbedacht haben. Haben wir nicht. Das erste Retention-Modell, das ich unterstützte, optimierte die Save Rate, weil die Save Rate die Zahl war, der jeder im Raum vertraute, und sie stieg, und wir brachten es raus.

Was meine Meinung änderte, war ein Holdout-Test, den ich mir fast gespart hätte. Das Argument dagegen ist immer dasselbe: Warum einer Kontrollgruppe den Save Flow bewusst vorenthalten und die Saves "verlieren", die man hätte erzielen können? Ich führte ihn trotzdem durch, vor allem, um eine saubere Ausgangsbasis zu haben. Als die Ergebnisse zurückkamen, war die Behandlungsgruppe — die Nutzer, denen wir "geholfen" hatten — mit einer höheren Rate abgewandert als die Kontrollgruppe, die wir in Ruhe gelassen hatten.

Ich saß lange über dieser Tabelle. Wir reduzierten die Abwanderung nicht. In einem Ausschnitt der Zielgruppe erzeugten wir sie.

Es stellte sich heraus, dass wir einen Fehler mit Aktenlage neu erfunden hatten. Telenor, der norwegische Telekommunikationskonzern, führte Retention-Kampagnen durch, die in der behandelten Gruppe rund 2 % höhere Abwanderung verursachten als in der Kontrollgruppe — sie entdeckten es nur, weil sie einen ordentlichen Holdout durchführten. Die meisten Abo-Unternehmen tun das nie. Sie testen per A/B, welches Angebot am besten konvertiert, und stellen sich nie die vorgelagerte Frage, ob ein Eingreifen überhaupt hilft. Die unbequeme Rechnung: Ein Unternehmen mit 200.000 Abonnenten und 3 % monatlicher freiwilliger Abwanderung verzeichnet etwa 6.000 kündigungswillige Nutzer pro Monat, und Branchenforschung verortet 10–20 % davon bei den Schlafenden Hunden. Kontaktieren Sie alle 6.000 — genau das tun die Standardtools —, und Sie stoßen 600 bis 1.200 Menschen pro Monat in Richtung einer Kündigung, die sie gar nicht vorhatten. Bei durchschnittlich 50 $ Umsatz pro Nutzer sind das 360.000 bis 720.000 $ pro Jahr an Umsatz, den Ihr eigenes Retention-System vernichtet hat.

Wir hatten kein Abwanderungsproblem. Wir hatten ein Retention-System, das Abwanderung erzeugte und sie in einer Kennzahl versteckte, die nur Erfolge zählt.

Warum konnte ein schlaueres Abwanderungsmodell das nicht einfach beheben?

Mein erster Instinkt war, schlauer in Sachen Vorhersage zu werden. Wenn das Problem darin bestand, die falschen Leute zu kontaktieren, würde es doch sicher ein besseres Abwanderungsmodell beheben — eines, das bewertete, wer am wahrscheinlichsten gehen würde.

Würde es nicht, und der Grund ist der Kern der ganzen Sache. Die Standard-Abwanderungsvorhersage beantwortet "Wer geht wahrscheinlich?" Aber ein Schlafender Hund und ein Überzeugbarer können in einem Modell für die Abwanderungswahrscheinlichkeit identisch abschneiden und brauchen gegensätzliche Behandlung. Die Frage, die wirklich zählt, ist nicht, wer gehen wird. Es ist, wer geht wegen Ihres Eingreifens oder bleibt wegen ihm — und ein prädiktives Modell kann das strukturell nicht beantworten, weil es das Kontrafaktische nie sieht.

Diese kontrafaktische Frage hat einen Namen: Uplift-Modellierung, oder das Schätzen des Conditional Average Treatment Effect — die Veränderung im Verhalten eines bestimmten Nutzers, verursacht durch das Eingreifen, nicht bloß korreliert mit seinem Profil. Die Welt der Finanzdienstleistungen hat das früher erkannt als SaaS; Uplift-Modelle übertrafen dort durchweg prädiktive Modelle und machten die Retention-Ausgaben tatsächlich profitabel, weil sie aufhörten, sie für Menschen auszugeben, deren Meinung in die eine oder andere Richtung bereits feststand.

Der Haken — und das ist der Teil, den niemand erwähnt, der Ihnen eine "Retention-Plattform" verkauft — ist, dass Uplift-Modellierung experimentelle Daten braucht. Randomisierte Holdouts oder starke Instrumente. Sie können sie nicht nachträglich auf einen Flow aufsetzen, der allen immer nur denselben Bildschirm gezeigt hat, denn Sie haben keine Aufzeichnung darüber, was passiert, wenn Sie nicht eingreifen. Die meisten Abo-Unternehmen haben diese Daten nie erhoben. Es ist derselbe blinde Fleck, der 82 % der SaaS-Unternehmen Aktionspreise anbieten lässt, während nur 36 % messen können, ob das überhaupt etwas einbringt. Sie können einen Behandlungseffekt nicht steuern, den Sie nie gemessen haben.

Der 2,5-Milliarden-Dollar-Grund, warum das nicht länger nur ein Margenproblem war

Eine Zeit lang betrachtete ich all das als eine Optimierungsgeschichte — Geld liegen lassen oder nicht. Dann veränderten sich die Kosten eines Fehlers um drei Größenordnungen.

Im September 2025 einigte sich die FTC mit Amazon wegen Prime auf 2,5 Milliarden $ — eine Strafe von 1 Milliarde $ plus 1,5 Milliarden $ an Rückerstattungen, die höchste Strafe für einen Regelverstoß in der Geschichte der Behörde. Der Kern war das Kündigungserlebnis: der sogenannte "Iliad Flow", ein Spießrutenlauf über vier Seiten, sechs Klicks und fünfzehn Optionen, der laut Beschwerde 35 Millionen Menschen ohne klare Einwilligung angemeldet hatte. Im selben Jahr zahlte Vonage 100 Millionen $ für einen versteckten Kündigungsmechanismus und Abbuchungen, die weitergingen, nachdem Kunden um Beendigung gebeten hatten; Epic Games einigte sich auf 245 Millionen $. Chegg und HelloFresh zahlten jeweils 7,5 Millionen $. Uber ist jetzt auch dabei — die Beschwerde der FTC beschreibt, dass die Kündigung von Uber One bis zu 23 Bildschirme und 32 Aktionen erfordert, und bis Dezember 2025 hatten sich 21 Bundesstaaten plus DC angeschlossen.

Man nimmt an, dass die Aufhebung der "Click-to-Cancel"-Regel der FTC durch den Eighth Circuit im Juli 2025 den Druck genommen habe. Sie bewirkte das Gegenteil. Die Regel fiel wegen einer verfahrensrechtlichen Formalität — die Behörde hatte eine vorgeschriebene regulatorische Analyse übersprungen — und nicht wegen einer Feststellung, dass Dark Patterns in Ordnung seien. Die Durchsetzung wich einfach darauf aus, zurück zu ROSCA und Section 5 des FTC Act, die diese Arbeit schon leisteten, bevor die Regel existierte. Die FTC nahm die Regelsetzung zu Negativoptionen im Januar 2026 mit einer neuen Bekanntmachung wieder auf.

Und hier ist die operative Tatsache, die sich mehr Produktteams zu eigen machen sollten: ROSCA verlangt von den Aufsichtsbehörden nicht, ein bestimmtes benanntes Dark Pattern nachzuweisen. Es verlangt von ihnen nur zu zeigen, dass die Kündigung nicht "einfach" war. Das ist eine weit niedrigere Hürde, als die meisten Unternehmen ansetzen. Der grobe Test, den ich Teams mitgebe, ist in seiner Einfachheit brutal — wenn Ihr Kündigungs-Flow mehr Schritte hat als Ihr Anmelde-Flow, haben Sie bereits ein Risiko.

Der rechtliche Test ist fast schon beleidigend einfach: Wenn das Gehen mehr Schritte erfordert als das Beitreten, hat eine Aufsichtsbehörde bereits den Großteil ihrer Argumentation beisammen.

Gegen das Gesetz welches Bundesstaates bauen Sie eigentlich?

Das Andere, was das wirklich schwer macht — schwerer, als es eine einzige Regel wäre —, ist, dass es keine einzige Regel gibt. Die bundesrechtliche Untergrenze verschob sich, aber die Bundesstaaten warteten nicht.

Kaliforniens Gesetz zur automatischen Verlängerung, geändert mit Wirkung zum Juli 2025, verlangt, dass die Kündigung online "unmittelbar zugänglich" ist, und fügt eine "One Save"-Regel hinzu, die Sie auf ein einziges Retention-Angebot pro Kündigung beschränkt — was den Spießrutenlauf aus mehreren Angebotsbildschirmen, auf den die meisten Flows setzen, stillschweigend verbietet. New York verlangt eine reine Online-Kündigung für alles, was online abgeschlossen wurde. Maryland hat sein eigenes Timing für Offenlegungen; Connecticut will Hinweise vor der Verlängerung. Wenn Sie Kunden über mehrere Bundesstaaten hinweg bedienen, ist Ihre Compliance-Untergrenze nicht der Durchschnitt — es ist das strengste Gesetz, dem irgendjemand in Ihrer Abonnentenbasis unterliegt.

Ich habe auf der anderen Seite dieser Untergrenze gesessen, in den ROSCA-Prüfungen, in denen die externe Rechtsberatung endlich einen Flow zu sehen bekommt, den das Growth-Team Monate zuvor ausgeliefert hat, um die Save Rate zu steigern — und den sie nun im Nachhinein verteidigen muss. Ein Marketingteam testet am Dienstag per A/B den Kündigungstext; die Rechtsabteilung prüft die Flows vierteljährlich, wenn überhaupt. Alles, was in das Fenster zwischen diesen beiden Uhren ausgeliefert wird, ist ein Risiko, dem niemand tatsächlich zugestimmt hat. Dieses Fenster ist das mit Abstand Teuerste im gesamten Bild, und es existiert, weil die Menschen, die den Funnel optimieren, und die Menschen, die dafür geradestehen müssen, auf unterschiedliche Bildschirme nach unterschiedlichen Zeitplänen schauen.

Es gibt auch eine neuere Front, und es ist die, die ich am genauesten beobachte. Im Januar 2026 ging die FTC gegen JustAnswer wegen eines KI-Chatbots namens "Pearl" vor, der Verbraucher angeblich in wiederkehrende Abbuchungen lenkte — eine der ersten Durchsetzungsmaßnahmen, die auf einen KI-Agenten in einem Abo-Flow abzielte. Die Lehre trifft jeden hart, der ein großes Sprachmodell an seinen Save Flow schraubt: Eine KI, die Gesprächsreibung hinzufügt oder auf Confirm-Shaming setzt, um jemandem das Gehen auszureden, wird am selben Maßstab gemessen wie ein manuelles Dark Pattern. Möglicherweise an einem härteren, weil sie die Manipulation skaliert und jedes Wort protokolliert, das sie dafür verwendet hat.

Was wir tatsächlich gebaut haben

Das System, das wir am Ende gebaut haben, ist also nicht ein Modell. Es sind drei Fähigkeiten, die der Markt, seltsamerweise, nur einzeln verkauft.

Die erste ist die kausale Segmentierung — Uplift-Modelle, die sich an Ihren Abrechnungs-Ereignisstrom anbinden, den Live-Feed aus Kündigungsabsicht-Zeitstempeln und Tarifwechseln, der aus Stripe, Chargebee oder Recurly kommt, und die jeden kündigenden Nutzer in Überzeugbarer, Sicherer Fall, Verlorener Fall oder Schlafender Hund nach seinem estimated treatment effect, nicht nach seiner Abwanderungswahrscheinlichkeit, einteilen. Die Schlafenden Hunde erhalten die wertvollste Intervention von allen: Schweigen. Die zweite ist ein Kündigungs-Flow, der um diese Segmente herum gestaltet ist und innerhalb der rechtlichen Untergrenze bleibt — Einzelangebot, wo "One Save" gilt, Online-Kündigung, wo New York es verlangt, nicht mehr Reibung beim Gehen als beim Beitreten. Die dritte ist der Teil, den ich noch nie jemand anderen habe ausliefern sehen: automatisiertes Auditing, das einen Flow liest — einschließlich der tatsächlichen Transkripte eines KI-Agenten — und Dark-Pattern-Verhalten kennzeichnet, bevor es live geht, statt nachdem ein Generalstaatsanwalt eines Bundesstaates die Kennzeichnung für Sie vornimmt.

Ich habe nach einem fertigen Tool gesucht, das alle drei leistet, und es gibt keines. Chargebee Retention und ProsperStack bauen wirklich gute Kündigungserlebnisse und optimieren Angebote, aber sie behandeln jeden Kündigenden gleich und können einen Überzeugbaren nicht von einem Schlafenden Hund unterscheiden. Pega kann Next-Best-Action-Entscheidungen im Unternehmensmaßstab treffen, aber es ist eine Legacy-Plattform mit Implementierungen, die bei rund einer halben Million Dollar beginnen, und prüft nichts auf Compliance. Die Customer-Success-Plattformen bewerten das Abwanderungsrisiko, rühren aber den Kündigungsmoment nicht an. Niemand auditiert die KI-Save-Agenten überhaupt. Das verbindende Gewebe — kausale Modelle plus konforme Flow-Gestaltung plus Dark-Pattern-Auditing, eingebunden in die Abrechnung, die Sie bereits haben — ist die Lücke, und dort sind wir zu Hause.

Die Einwände, die ich jedes Mal höre

Der erste lautet immer: Wird ein "freundlicherer", reibungsärmerer Kündigungs-Flow nicht einfach meine Retention ruinieren? In der Praxis das Gegenteil, denn die Reibung hat nie die Überzeugbaren gehalten — ein relevantes Angebot hielt sie, und Reibung erzürnte vor allem die Verlorenen Fälle und weckte die Schlafenden Hunde. Nehmen Sie die Reibung weg und richten Sie das Angebot aus, und Sie hören auf, für Abwanderung zu bezahlen, die Sie selbst erzeugt haben.

Der zweite: Wir geben bereits aggressiv Rabatte, ist das nicht Retention? Es ist teure Retention mit einem Nachlauf. Der mittlere Retention-Rabatt liegt bei etwa 16,7 % — grob zwei Gratismonate — und stark rabattierte Kunden binden sich danach 15–20 % schlechter. Sie retten sie nicht; Sie mieten sie mit Verlust und stellen die Uhr zurück.

Der dritte, der ehrliche: Wir haben noch nie einen Holdout durchgeführt, also haben wir keine Ahnung, welche Gruppe welche ist. Das ist kein Ausschlusskriterium — es ist die Startlinie. Dort haben auch wir angefangen, mit einem Dashboard, auf das ich stolz war, und einem Test, den ich fast übersprungen hätte. Wie wir an den Aufbau herangehen, können Sie auf der Veriprajna-Lösungsseite nachlesen, aber der erste Schritt ist immer derselbe: messen, was passiert, wenn Sie nichts tun.

Eine Save Rate von 30 % sagte mir, dass ich gewinne. Ein Holdout-Test sagte mir, dass bei einem Ausschnitt meiner eigenen Kunden die Saves, die ich fleißig zählte, durch Verlängerungen aufgehoben wurden, die ich stillschweigend verhindert hatte. Die Zahl, die in der Retention zählt, war nie, wie viele Kündigungen Sie gestoppt haben. Es ist, ob die Person geblieben wäre, wenn Sie sie einfach in Ruhe gelassen hätten — und bis Sie das für jeden Nutzer beantworten können, halten Sie keine Kunden. Sie geben Marge aus, um herauszufinden, welche Sie gerade verlieren werden.