Automatische Lead-Qualifizierung

Das echte Ausmaß des Problems

Frag einen Vertriebsmitarbeitenden, wie viel seiner Arbeitszeit er mit Leads verbringt, die am Ende nie kaufen — die Antwort liegt in den meisten mittelständischen Unternehmen bei 40 bis 60 Prozent. Die Gartner-Studie „Future of Sales” (2022) beziffert, dass B2B-Vertriebsteams im Schnitt nur 34 Prozent ihrer Arbeitszeit tatsächlich mit Verkaufen verbringen — der Rest geht für Administration, Recherche und das Abarbeiten von Leads drauf, die nicht kaufbereit sind.

In einem Team mit fünf Vertrieblern à 60.000 Euro Jahresgehalt entsprechen 40 Prozent verlorene Zeit rund 120.000 Euro jährlich — für Aktivität, die keinen Umsatz erzeugt.

Das Problem ist strukturell: Eingehende Leads werden nach Reihenfolge oder Bauchgefühl priorisiert. Wer zuerst anruft, was am lautesten klingt, wer zuletzt etwas angefragt hat. Dabei liegen die eigentlich kaufbereiten Interessenten oft mittendrin — erkennbar an Verhaltenssignalen, die kein Mensch systematisch auswertet: Welche Seiten wurden besucht? Wie oft? Welche Dokumente geöffnet? Welche Preisseite? Passen Firmengröße und Branche zum Idealkunden?

Konkrete Symptome in der Praxis:

• Vertrieb arbeitet Interessenten der Reihe nach ab — kaufbereite Leads warten, weil unqualifizierte vorher dran sind
• Kein systematischer Unterschied zwischen einem Lead, der drei Seiten angeschaut hat, und einem, der das Pricing-PDF dreimal geöffnet hat
• Pipeline-Prognosen sind unrealistisch — weil niemand weiß, welche Deals wirklich Chancen haben
• Follow-up-Zeitpunkte werden verpasst — weil kein System erinnert, wenn ein Lead gerade aktiv ist
• Engagement wird mit Kaufbereitschaft verwechselt — wer ein Whitepaper herunterlädt, ist nicht automatisch kaufbereit; das Muster aus kombinierten Signalen zählt

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Eigene Erfahrungswerte und Anbieterangaben — stark abhängig von Datenbasis, CRM-Qualität und wie konsequent das Scoring genutzt wird. Keine repräsentative Studie, aber konsistente Richtung.

Der entscheidende Effekt ist nicht die Conversion-Rate allein — sondern dass der Vertrieb seine Zeit auf die Leads konzentriert, bei denen Einsatz sinnvoll ist.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Lead-Scoring befreit den Vertrieb davon, schlechten Leads hinterherzulaufen — ein echter Gewinn, aber kein täglicher Stundensparer. Im Vergleich zu Use Cases wie Kundenkorrespondenz (35–50 Prozent der Arbeitszeit) oder Berichterstellung (3–5 Stunden pro Woche) ist die Zeitwirkung indirekter: Sie verteilt sich über das Team und zeigt sich vor allem in der Qualität der Gespräche, nicht im Stundenprotokoll.

Kosteneinsparung — hoch (4/5)
Gleicher Headcount, mehr abgeschlossene Deals. Die Rechnung ist überzeugend: Wenn die Conversion-Rate von 15 auf 20 Prozent steigt, ist der Umsatzeffekt direkt und zurechenbar. Nicht ganz maximal, weil Implementierungskosten erheblich sind und das Modell Zeit braucht, bis es auf euren Kundenstamm kalibriert ist.

Schnelle Umsetzung — niedrig (2/5)
CRM-Integration, historische Datenbereinigung, Modelltraining, Parallelbetrieb — das sind 6–10 Wochen Mindestaufwand. Unter den Use Cases dieser Kategorie gehört Lead-Qualifizierung zu den aufwendigeren Implementierungen: anspruchsvoller als Quick-Win-Tools, aber nicht so komplex wie Predictive Analytics.

ROI-Sicherheit — mittel (3/5)
Die Conversion-Rate ist vor und nach der Einführung messbar — das ist ein Vorteil. Aber viele Faktoren außerhalb des Tools beeinflussen das Ergebnis: Marktlage, Vertriebsskill, Product-Market-Fit. Weniger verlässlich als Use Cases wie Rechnungsverarbeitung oder Qualitätssicherung, wo der Nutzen direkt auf Prozessebene zählt.

Skalierbarkeit — sehr hoch (5/5)
Je mehr Deals im CRM landen, desto besser wird das Scoring-Modell. Mehr Leads bedeuten bessere Vorhersagen — ohne proportional mehr Personalaufwand. Das macht diesen Use Case besonders attraktiv für wachsende Vertriebsteams.

Richtwerte — stark abhängig von CRM-Datenqualität, Vertriebsteamgröße und ob das Scoring konsequent in den Vertriebsprozess integriert wird.

Was das System konkret macht

KI-gestützte Lead-Qualifizierung läuft in drei Ebenen ab:

Ebene 1 — Demographisches Scoring
Das System bewertet eingehende Leads anhand von Firmendaten: Branche, Unternehmensgröße, Standort, Umsatz (sofern verfügbar). Diese Daten kommen aus dem CRM, aus dem Formular oder werden durch Datenanreicherungsdienste ergänzt. Ergebnis: Ein Wert auf einer Skala, der sagt, wie gut der Lead zum idealen Kundenprofil passt (Ideal Customer Profile, ICP).

Ebene 2 — Verhaltensbasiertes Scoring
Hier liegt der eigentliche Mehrwert. Das System trackt, was ein Lead auf eurer Website oder in euren E-Mails macht: Besuche auf Produktseiten, geöffnete Angebotsdokumente, Klicks auf Pricing-Links, Teilnahme an Webinaren, Interaktion mit E-Mail-Sequenzen. Je mehr kaufsignalreiche Handlungen, desto höher der Score. Ein Lead, der dreimal die Pricing-Seite besucht und zwei Case Studies öffnet, bekommt automatisch höhere Priorität als einer, der nur das Whitepaper heruntergeladen hat.

Wichtige Einschränkung: Engagement ist nicht gleich Kaufbereitschaft. Ein einzelnes Signal — ein PDF-Download, eine E-Mail-Öffnung — reicht nicht. Das Modell muss mehrere Signale kombinieren, um verlässliche Muster zu erkennen.

Ebene 3 — Predictive Scoring
Auf Basis historischer CRM-Daten — welche Leads haben in der Vergangenheit tatsächlich gekauft, welche nicht? — trainiert das System ein Modell, das neue Leads mit abgeschlossenen Deals vergleicht. Es erkennt Muster, die Menschen nicht systematisch sehen: „Leads aus Fertigungsunternehmen mit 20–100 Mitarbeitenden, die innerhalb von 48 Stunden nach Erstanfrage die Case Study geöffnet haben, konvertieren mit 38 Prozent — alle anderen mit 9 Prozent.”

Das Ergebnis: Jeden Morgen hat der Vertrieb eine sortierte Liste — priorisiert nach Abschlusswahrscheinlichkeit, mit Begründung und empfohlenem nächstem Schritt.

Ein Hinweis zur Modellpflege: Predictive-Scoring-Modelle veralten — ein Effekt, den Fachleute Modelldrift nennen. Wenn sich euer ICP oder eure Zielbranche ändert, bildet das Modell noch die alte Realität ab. Quartalsweise sollte die Score-Verteilung mit den tatsächlichen Abschlüssen verglichen werden.

Konkrete Werkzeuge — was wann passt

HubSpot — Die naheliegendste Lösung für die meisten KMU: HubSpot bringt Lead-Scoring, Verhaltens-Tracking und CRM in einem System. Regelbasiertes Scoring ist ab dem Starter-Plan verfügbar; KI-gestütztes Predictive Scoring ist Enterprise-Funktion (nicht Professional — ein häufiges Missverständnis). Wichtig: Predictive Scoring benötigt mindestens 1.000 Kontakte und 500 abgeschlossene Deals im System, sonst startet das Modell nicht. Besonders stark: Das Scoring ist direkt im CRM sichtbar, keine separate Plattform. Datenhaltung auf US-Servern (EU-Region als Option). Kosten: Starter ab ca. 15 Euro/Monat, Professional ab ca. 800 Euro/Monat, Enterprise auf Anfrage.

Salesforce mit Einstein Lead Scoring — Salesforce ist marktführend für komplexere B2B-Vertriebsstrukturen. Einstein Lead Scoring analysiert historische CRM-Daten automatisch und berechnet individuelle Score-Modelle ohne manuell definierte Regeln. Voraussetzung: saubere Datenbasis im CRM. Einschränkung: ein einzelnes Modell deckt selten alle Kundensegmente ab — Enterprise- und KMU-Leads brauchen unterschiedliche Kalibrierungen. Kosten: Sales Cloud ab ca. 25 Euro/Nutzer/Monat, Einstein AI-Funktionen ab Enterprise-Plan.

Pipedrive — Für KMU, die ein schlankes, vertriebsfokussiertes CRM mit schnellem Einstieg suchen. KI-gestütztes Lead-Scoring ist ab dem Professional-Plan (ca. 49 Euro/Nutzer/Monat) verfügbar. Starke Punkte: intuitive Pipeline-Ansicht, EU-Datenhaltung in Frankfurt, geringer Schulungsaufwand. Schwächer als HubSpot bei Marketing-Automatisierung. Geeignet für Teams bis ca. 50 Vertriebler.

Apollo.io — Wenn ihr neben Scoring auch Outbound-Prospecting automatisieren wollt: Apollo kombiniert eine B2B-Kontaktdatenbank mit KI-Lead-Scoring und E-Mail-Sequenzen. Sinnvoll für Teams, die nicht nur bestehende Leads qualifizieren, sondern auch neue Leads identifizieren wollen. DSGVO bei Kontaktdaten prüfen — Apollo arbeitet mit einer globalen Datenbank, deren EU-Konformität je nach Nutzungsart unterschiedlich bewertet wird.

Make.com — Um Scoring-Ergebnisse aus verschiedenen Systemen zu kombinieren und Automatisierungen auszulösen: Wenn ein Lead einen bestimmten Score erreicht, sendet Make.com automatisch eine Benachrichtigung im Slack-Kanal des zuständigen Vertrieblers. Günstig und flexibel als Bindeglied zwischen Systemen.

Zusammenfassung: Wann welcher Ansatz

• Kein CRM oder Neueinstieg → HubSpot (alles in einem, gute deutsche Sprachunterstützung)
• Schlankes CRM mit EU-Hosting → Pipedrive (schneller Start, klares Pricing)
• Bestehendes Salesforce → Einstein Lead Scoring
• Outbound-Prospecting + Scoring kombiniert → Apollo.io
• Bestehende Systeme vernetzen → Make.com als Automatisierungsschicht
• Budget unter 100 Euro/Monat → regelbasiertes Scoring in HubSpot Starter oder Pipedrive Essential (kein KI-Modell, aber besser als kein Scoring)

Datenschutz und Datenhaltung

Lead-Daten sind personenbezogene Daten — Namen, E-Mail-Adressen, Firmen, Verhaltens-Tracking. Das Scoring-System verarbeitet alle davon. Drei Punkte sind besonders relevant:

Art. 22 DSGVO — automatisierte Einzelentscheidungen
Wenn das Scoring-System vollautomatisch entscheidet, ob ein Lead kontaktiert wird oder nicht, greift Art. 22 DSGVO. Die Anforderung: Es muss eine Person die finale Entscheidung treffen — der Score ist ein Hilfsmittel, keine Entscheidung. In der Praxis ist das bei gut implementierten Systemen ohnehin der Fall (der Score priorisiert, der Vertriebler entscheidet), aber es ist wichtig, das explizit so zu dokumentieren. Wenn ihr das Scoring auf einen vollautomatischen Outreach-Trigger legt — d.h. ein bestimmter Score löst automatisch E-Mails aus ohne menschliche Prüfung — braucht ihr eine Rechtsgrundlage (berechtigtes Interesse oder Einwilligung) und ggf. eine Datenschutz-Folgenabschätzung nach Art. 35 DSGVO.

Verhaltens-Tracking auf eurer Website
Wenn ihr trackt, welche Seiten ein bestimmter Lead besucht, braucht ihr eine entsprechende Einwilligung im Datenschutzhinweis und korrekte Cookie-Einwilligung nach TTDSG. Das gilt unabhängig davon, welches CRM-System ihr nutzt. Ein häufig übersehener Schritt.

AVV mit dem CRM-Anbieter
Sowohl HubSpot als auch Salesforce und Pipedrive bieten Auftragsverarbeitungsverträge (AVV) nach Art. 28 DSGVO an — ihr müsst sie aktiv anfordern und unterzeichnen, sie sind nicht automatisch aktiv. HubSpot und Salesforce bieten EU-Serverregionen an, Pipedrive hostet standardmäßig in Frankfurt.

Für sensible B2B-Daten (z.B. aus dem Gesundheits- oder Finanzbereich) solltet ihr die Datenschutzstrategie vor der Implementierung mit eurem Datenschutzbeauftragten abstimmen. Das Scoring-System selbst ist technisch unproblematisch — die Herausforderung liegt im Tracking-Setup davor und in der sauberen Dokumentation, dass der Mensch die finale Entscheidung trifft.

Was es kostet — realistisch gerechnet

Einstieg (regelbasiertes Scoring, kein KI-Modell)

• HubSpot Starter + Marketing: ca. 50–100 Euro/Monat
• Oder Pipedrive Essential: ca. 14 Euro/Nutzer/Monat
• Manuell definierte Scoring-Regeln: 2–3 Tage Aufwand intern
• Kein Predictive Scoring, aber bereits deutlich besser als kein Scoring
• Geeignet für Teams bis 3 Vertriebler mit klarem Idealkunden-Profil

Skaliert (KI-Scoring, historische Datenbasis)

• HubSpot Enterprise (Predictive Scoring): Preise auf Anfrage, typisch ab 3.000+ Euro/Monat für das Bundle
• Salesforce Enterprise: ab ca. 150 Euro/Nutzer/Monat (Einstein AI inklusive)
• Pipedrive Professional: ca. 49 Euro/Nutzer/Monat (KI-Scoring ab diesem Plan)
• Einrichtung + CRM-Datenpflege: 5–15 Tage Aufwand, ggf. externe Unterstützung (2.000–5.000 Euro)
• Voraussetzung für HubSpot Predictive: mindestens 1.000 Kontakte und 500 abgeschlossene Deals

ROI-Beispiel:
5 Vertriebler, je 60.000 Euro Jahresgehalt. Aktuelle Conversion-Rate Leads zu Kunden: 12 Prozent. Durch KI-Scoring verbessert sich die Qualität der bearbeiteten Leads so, dass die Conversion auf 17 Prozent steigt — ohne mehr Leads zu generieren. Das entspricht rund 42 Prozent mehr Abschlüssen bei gleichem Teameinsatz (von 12 auf 17 Prozent = 41,7 Prozent relative Steigerung). Bei einem durchschnittlichen Deal-Wert von 8.000 Euro und 80 Abschlüssen pro Jahr: 80 × (0,17 − 0,12) = 4 zusätzliche Abschlüsse × 8.000 Euro = rund 32.000 Euro Mehrumsatz — ohne ein einziges neues Teammitglied. Bei Tool-Kosten von ca. 15.000 Euro/Jahr ergibt sich ein ROI von etwa 2x. Diese Rechnung setzt voraus, dass das Modell gut kalibriert ist und der Vertrieb die Priorisierung konsequent nutzt. In der Praxis liegt der Effekt in den ersten 6 Monaten oft bei 50–70 Prozent davon.

Drei typische Einstiegsfehler

1. Das CRM nicht aufräumen, bevor das Scoring eingerichtet wird.
Garbage in, garbage out. Wenn das CRM Leads ohne klares Outcome enthält — halb abgeschlossene Deals, doppelte Einträge, Leads ohne Branche oder Firmengröße — trainiert das Predictive-Modell auf dieser Unordnung. Das Ergebnis: ein Scoring, das Muster aus dem Chaos lernt. Rund 76 Prozent der KMU kämpfen laut einer aktuellen KI-Studie mit unzureichender Datenqualität und Datensilos. Lösung: erst 2–3 Wochen Datenpflege, dann Setup. Klingt langweilig, ist der entscheidendste Schritt.

2. Mit zu vielen Scoring-Kriterien starten.
Der Reflex ist, alles zu berücksichtigen: Branche, Größe, Website-Verhalten, E-Mail-Öffnungen, LinkedIn-Aktivität, letzte Aktivität, ICP-Score. Das Ergebnis: ein Modell, das niemand mehr versteht, dem der Vertrieb nicht vertraut — und das in der Praxis ignoriert wird. Lösung: Mit 5–8 klaren Kriterien starten, die der Vertrieb selbst als sinnvoll bestätigt. Komplexität später hinzufügen, wenn die Grundlage funktioniert. Ein nützlicher Zwischenschritt: Fit und Intent als zwei getrennte Dimensionen scoren — wie gut passt der Lead zum ICP, und wie aktiv zeigt er Kaufbereitschaft?

3. Das Scoring als „Set and forget” behandeln.
Ein Lead-Scoring-Modell ist keine fertige Software — es ist ein Modell, das mit euren Verkaufsdaten wächst und auch veraltet. Wenn sich euer ICP ändert, eure Preisstruktur, eure Zielbranche — muss das Scoring angepasst werden. Dieser Effekt heißt Modelldrift: Die Vorhersagequalität nimmt schleichend ab, weil das Modell noch die Vergangenheit abbildet, nicht die Gegenwart. Teams, die das Modell einmal einrichten und nie wieder anfassen, stellen nach einem Jahr fest, dass es ihre besten Leads schlecht bewertet. Lösung: quartalsweise Review, bei dem Vertrieb und Marketing die Score-Verteilung mit den tatsächlichen Abschlüssen vergleichen. Wer das konsequent macht, hat nach zwei Jahren ein Modell, das deutlich besser ist als am Starttag.

Was mit der Einführung wirklich passiert — und was nicht

Die Technologie ist das Einfachste. Die menschliche Seite ist schwieriger.

Erfahrungsgemäß gibt es drei Widerstands-Muster in fast jeder Implementierung:

Der erfahrene Vertriebler, der dem Score nicht traut. „Ich kenne meine Kunden besser als jede Software.” Das stimmt oft — für die Kunden, die bereits bekannt sind. Das Problem ist, dass erfahrene Vertriebler ihre impliziten Heuristiken meist unbewusst anwenden und diese nicht immer auf neue Markt- oder Kundensegmente übertragbar sind. Was hilft: Score und Vertriebseinschätzung 90 Tage parallel führen, dann gemeinsam auswerten, welcher besser vorhergesagt hat. Nicht als Wettbewerb, sondern als gemeinsame Lernkurve. Der Score wird meist nicht besser sein als ein erfahrener Vertriebler bei bekannten Mustern — aber er sieht andere Signale, die Menschen systematisch übersehen.

Die Pipeline-Illusion. Wenn das Scoring-System anfängt zu arbeiten, werden viele Leads aus der Pipeline entfernt oder auf niedrige Priorität gesetzt. Das fühlt sich kurzfristig schlecht an — die Pipeline sieht kleiner aus. Führungskräfte, die Pipelines nach Größe beurteilen, reagieren hier falsch. Was hilft: Frühzeitig kommunizieren, dass eine kleinere, aber realistischere Pipeline ein Erfolg ist — nicht ein Problem. KPIs entsprechend anpassen: nicht Anzahl der Leads in der Pipeline, sondern Conversion-Rate und Prognosegenauigkeit.

Der Datenschutz-Einwand als Verzögerungstaktik. Datenschutz ist beim Verhaltens-Tracking ein echtes Thema — aber er wird manchmal als Grund angeführt, um eine unangenehme Veränderung zu verzögern. Der Unterschied: Berechtigte Datenschutzfragen haben konkrete Antworten (AVV, Einwilligungskonzept, EU-Hosting, Art.-22-Prüfung). Einwände, die nach jeder Antwort neue Fragen produzieren, sind oft eine andere Botschaft. Was hilft: Die Datenschutzfragen ernst nehmen und sauber lösen — und separate Gespräche über die eigentliche Veränderungsresistenz führen.

Was konkret hilft:

• ICP-Workshop vor dem Tool-Setup: Was macht einen guten Kunden aus? In diesem Gespräch wird der Vertrieb zum Mitgestalter des Scoring-Modells — nicht zum Betroffenen einer neuen Software
• Ersten 90-Tage-Parallelbetrieb nicht als Test, sondern als Lernphase kommunizieren — keine Urteile, nur Beobachtungen
• Einen Vertriebler als Scoring-Champion benennen, der Feedback sammelt und das Modell in der Feinabstimmung begleitet
• Deal-Reviews gemeinsam mit Score-Verlauf durchführen: Was hat der Score vorhergesagt? Was ist eingetreten?

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Plane zwischen Woche 4 und 8 mindestens zwei Feedbackrunden mit dem Vertrieb ein — nicht um das System zu rechtfertigen, sondern um zu lernen, welche Score-Kriterien in eurer Realität sinnvoll sind und welche nicht. Dieses Feedback verbessert das Modell schneller als jede automatische Kalibrierung.

Häufige Einwände — und was dahintersteckt

„Unser Vertrieb weiß selbst, welche Leads gut sind.”
Das stimmt — für Leads, die bereits oft gesehen wurden. Aber Menschen bewerten Leads nach Bauchgefühl und Erfahrung, nicht nach systematischer Auswertung aller verfügbaren Signale. KI-Scoring macht implizite Muster explizit und ergänzt die Erfahrung des Vertriebs — es ersetzt sie nicht. Der sinnvolle Ansatz: Score und Vertriebseinschätzung nebeneinander führen, nach sechs Monaten auswerten, welcher besser war.

„Wir haben nicht genug historische CRM-Daten für ein KI-Modell.”
Für HubSpots Predictive Scoring braucht ihr mindestens 1.000 Kontakte und 500 abgeschlossene Deals. Darunter — oder wenn die Datenbasis unvollständig ist — lohnt sich regelbasiertes Scoring: einfachere Kriterien wie Firmengröße, Branche und Verhaltenssignale. Das ist immer noch deutlich effektiver als kein Scoring. Das KI-Modell kann später dazukommen, wenn die Datenbasis gewachsen ist.

„Was ist, wenn der Score einen guten Lead als schlecht einstuft?”
Das wird passieren — kein Scoring-Modell ist perfekt. Deshalb ist der Score eine Ergänzung, kein Ersatz. Leads mit niedrigem Score sollten nicht ignoriert, sondern mit weniger Aufwand bearbeitet werden — zum Beispiel durch automatisierte E-Mail-Sequenzen statt persönliche Anrufe. Wenn der Vertrieb einen niedrig bewerteten Lead als vielversprechend einschätzt, kann die Priorisierung manuell übersteuert werden. Mit der Zeit lernt das System aus diesen Korrekturen.

„Das kostet zu viel.”
Die Gegenfrage: Wie viel kostet ein Monat Vertriebszeit für Leads, die nie kaufen? Bei fünf Vertrieblern mit 60.000 Euro Jahresgehalt und 40 Prozent verlorener Zeit sind das grob 10.000 Euro monatlich — für Aktivität ohne Ergebnis. Regelbasiertes Scoring in Pipedrive Professional kostet ab ca. 49 Euro/Nutzer/Monat. Die eigentliche Frage ist: Vertraut ihr den Daten genug, um euer Verhalten danach auszurichten? Das ist eine Kulturfrage, keine Budgetfrage.

Woran du merkst, dass das zu dir passt

• Dein Vertrieb hat mehr Leads als er sinnvoll bearbeiten kann — und priorisiert nach Reihenfolge oder Gefühl statt nach Kaufwahrscheinlichkeit
• Eure Conversion-Rate von Lead zu Kunde liegt unter 20 Prozent — ein Zeichen, dass ein erheblicher Anteil der bearbeiteten Leads nie kaufbereit war
• Ihr habt ein CRM mit historischen Abschlussdaten aus mindestens 12–18 Monaten — und die Datenqualität ist ausreichend für ein erstes Modell
• Dein Vertrieb verbringt mehr Zeit mit Administration und Nachfass als mit Gesprächen
• Follow-up-Zeitpunkte werden regelmäßig verpasst — weil niemand sieht, wenn ein Lead gerade aktiv auf eurer Website ist
• Ihr wachst — und wollt vermeiden, dass die Sales-Effizienz mit dem Team-Wachstum sinkt

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

• Weniger als 3 Vertriebler oder unter 50 Leads pro Monat: Der Setup-Aufwand für ein Scoring-System ist bei diesem Volumen selten gerechtfertigt. Ein einfaches, manuell gepflegtes CRM mit klaren ICP-Kriterien ist der bessere erste Schritt.
• CRM-Daten sind unvollständig oder inkonsistent: Wenn mehr als 30 Prozent eurer abgeschlossenen Deals kein sauberes Outcome (gewonnen/verloren) haben oder Grundfelder wie Branche und Firmengröße fehlen, trainiert ein KI-Modell auf Rauschen. Erst bereinigen, dann Scoring einrichten.
• Das Vertriebsteam ist nicht bereit, Score-Empfehlungen auch zu folgen: Ein Scoring-System, das der Vertrieb systematisch ignoriert oder übersteuert, bringt keinen Effekt. Wenn die Kultur „ich kenne meine Kunden selbst” so dominant ist, dass datenbasierte Priorisierung grundsätzlich abgelehnt wird, ist das eine Voraussetzung für Misserfolg — unabhängig vom Tool.

Das kannst du heute noch tun

Öffne euer CRM und zieh einen Export der letzten 50 abgeschlossenen Deals — gewonnene und verlorene. Schau dir die Muster an: Welche Firmengrößen, Branchen und Erstanfragequellen tauchen bei den gewonnenen Deals überproportional auf? Das ist die manuelle Version eures ICP.

Das dauert 2–3 Stunden und kostet nichts. Was du danach weißt: Ob ihr genug Muster habt für ein erstes Scoring-Modell — und ob eure CRM-Daten sauber genug sind, um damit zu arbeiten.

Hier ist ein Prompt, mit dem du diesen Datensatz direkt in ChatGPT oder Claude analysieren kannst:

Quellen & Methodik

• Gartner „Future of Sales” (2022): Studie zu Zeitverteilung in B2B-Vertriebsteams — 34 % Verkaufszeit, Rest Administration und unqualifizierte Leads.
• Conversion-Rate-Effekte: Eigene Erfahrungswerte und Anbieterangaben (HubSpot, Salesforce, Pipedrive) — keine repräsentative Studie; stark abhängig von Datenbasis und Umsetzungsqualität.
• Gehaltsgrundlage: Destatis-Verdienstdaten 2024, Orientierungswert für Vertrieb in deutschen KMU; Brutto, stark branchenabhängig.
• Preisangaben HubSpot, Salesforce, Pipedrive: Veröffentlichte Tarife der jeweiligen Anbieter (Stand April 2026). HubSpot Predictive Lead Scoring ist Enterprise-Funktion; erfordert mindestens 1.000 Kontakte und 500 Conversion Events laut HubSpot-Dokumentation.
• Art. 22 DSGVO (automatisierte Einzelentscheidungen): Datenschutz-Grundverordnung in der aktuell gültigen Fassung; TTDSG für Tracking-Einwilligung auf deutschen Websites. Einschätzung zur Art.-22-Relevanz: solange ein Mensch die finale Kontaktentscheidung trifft, greift Art. 22 in der Regel nicht — Dokumentation dieser Kontrolle empfohlen.
• Modelldrift und Retraining: Fachliteratur zu ML-Modellwartung (SmartDev, 2025); Empfehlung Quartalsrhythmus für Lead-Scoring-Überprüfung aus Praxiserfahrungen und Apollo-Governance-Dokumentation.
• KMU-Datenqualitätsstudie: Maximal Digital KI-Studie 2025 — 76 % der KMU kämpfen mit unzureichender Datenqualität; Richtwert, nicht repräsentative Totalerhebung.