KI im Vertrieb: Warum Teams feststecken

Fast alle nutzen KI. Die wenigsten verdienen daran.

Ob ein Vertriebsteam KI einsetzt, ist längst entschieden. Offen ist, ob es sich rechnet. Fast jede Vertriebsorganisation arbeitet heute mit KI, aber nur eine Minderheit kann eine finanzielle Wirkung zeigen. Und ausgerechnet die Tools, die ganze Vertriebsstellen ersetzen sollten, werden am schnellsten wieder gekündigt.

Am Zugang zu KI fehlt es nirgends, es fehlt ein Revenue-System, in dem KI tatsächlich arbeitet.

Warum KI im Vertrieb so schwer einzuführen ist: 7 Stolpersteine

Weil die meisten Einführungen am falschen Ende anfangen. Das Team wählt ein Tool, bevor es das Problem benannt hat, lässt es auf Daten laufen, denen niemand traut, und bewertet es an der Aktivität statt an der Pipeline. Jeder der sieben Punkte unten ist für sich alltäglich. Zusammen erklären sie, warum so viele KI-Projekte nach dem Pilot stehen bleiben.

1. Alles heißt „KI“. Clay, Claude, Codex und KI-SDRs erledigen verschiedene Jobs. Verkauft und verglichen werden sie trotzdem, als könnte eines das andere ersetzen.
2. Erst das Tool, dann das Problem. Das Team startet mit „wir sollten Clay nutzen“ statt mit „unsere Reps verlieren vor jedem Anruf zu viel Zeit mit Recherche“.
3. Kaputte Daten. Laut unserem B2B Go-To-Market Efficiency Guide 2026 sind in SalesPlaybook-Kundenprojekten häufig 40–60 % der CRM-Datensätze unvollständig oder veraltet. KI verarbeitet schlechte Daten nur schneller.
4. Tool-Wildwuchs. Jedes neue Tool bringt einen weiteren Login, eine weitere Kopie der Daten und eine weitere Synchronisation, die irgendwann bricht.
5. Niemand ist für das System zuständig. Der GTM Engineer, der Daten, Tools und Workflows technisch verbindet, ist eine neue Rolle, die die meisten Mittelstandsteams noch nicht haben. Ein Claude-Code-Skript auf einem einzigen Laptop ist noch kein System.
6. Eine schwache Ansprache automatisieren. Eine Nachricht, die schon von Hand nicht funktioniert, scheitert im großen Stil nur schneller und ruiniert unterwegs deine Versanddomains.
7. Aktivität messen. Verschickte Mails und angereicherte Zeilen sehen im Dashboard gut aus und sagen nichts über die Pipeline.

Das Framework: welches KI-Tool welchen Job macht

Gegen das Tool-Durcheinander hilft eine einfache Ordnung: Du sortierst jedes Tool nach dem Job, den es im Revenue-System erledigt, und baust dann in der richtigen Reihenfolge. Wir nennen das den Revenue AI Stack: vier Schichten, daneben eine Werkbank und darüber der Mensch. Hat jedes Tool genau einen Job, lautet die Frage „Welche Schicht fehlt uns?“ statt „Clay oder Claude?“.

1 · Speichern (Store): HubSpot als einzige Datenbasis. Eine Plattform für Marketing, Sales und Customer Success, damit jeder Kontakt, jeder Deal, jedes Signal und jedes Gespräch in einem Datensatz liegt. Jede andere Schicht dockt hier an: Clay reichert direkt in HubSpot an, Claude und Jev lesen daraus, Sequenzen und Workflows laufen darauf. Sind 40–60 % dieser Datensätze unvollständig, kannst du keiner Schicht darüber trauen. Das ist das Fundament, und genau hier scheitern die meisten KI-Projekte, ohne dass es jemand merkt.

2 · Finden (Find). Clay und sein Recherche-Agent Claygent holen Firmendaten, eingesetzte Technologien, Kontakte und Signale aus vielen Quellen. Heraus kommt ein Anlass, keine Liste: Ein Champion hat den Job gewechselt, ein Zielaccount stellt ein, ein Interessent migriert auf S/4HANA.

3 · Denken (Think). Claude macht aus Rohdaten ein Urteil und die passende Sprache, zum Beispiel ein kurzes Account-Briefing, eine Lead-Einstufung oder eine erste Zeile, die sich auf das tatsächliche Signal bezieht. Der Aufbau einer Nachricht ist eine Vorlage. Relevant wird sie durch die Variablen, und genau die kann ein Sprachmodell gut füllen.

4 · Handeln (Act). Sequenz-Tools, HubSpot-Workflows und Agenten führen aus: Sie weisen den Lead in Minuten zu, fahren die mehrstufige Sequenz, stoppen bei einer Antwort und übergeben mit dem Briefing im Anhang an einen Rep.

Die Werkbank (Build Rail). Claude Code und Codex sind keine Vertriebstools. Mit ihnen baut und pflegt ein GTM Engineer oder eine technische RevOps-Person die Verbindungen zwischen den Schichten. Nutz sie, um schnell einen Prototyp zu bauen, und zieh alles, worauf sich das Team täglich verlässt, danach auf eine Plattform um.

Der Mensch. Deals im Mittelstand und im Enterprise-Segment schließen Menschen ab, keine Automatisierung. Das System sammelt, bewertet und priorisiert. Die Menschen führen das Gespräch, bauen Vertrauen auf und steuern das System.

Unsere These: Wir bauen den Stack in dieser Reihenfolge, weil jede Schicht die Qualität der Schicht darunter erbt. Ein sauberer Datensatz ist billiger als jeder Agent, den du auf einen kaputten setzen könntest.

Drei Regeln, damit der Stack funktioniert

• Bau von unten nach oben. Kauf keinen Agenten (Handeln), bevor HubSpot (Speichern) sauber ist. Jede Schicht erbt die Qualität der Schicht darunter.
• Alles schreibt zurück in HubSpot. Recherche, Signale, Entscheidungen und Antworten landen im HubSpot-Datensatz und nicht in einer Clay-Tabelle, einer Excel-Liste oder im Postfach einer einzelnen Person.
• Automatisier im Verhältnis zur Deal-Größe. Unter 10k € ACV (durchschnittlicher Vertragswert) automatisierst du weitgehend. Zwischen 25k und 250k € ACV fährst du ein hybrides Modell: KI übernimmt Recherche und Follow-up, Menschen führen Demos, Abschluss und schwierige Einwände. Ab 250k € ACV erledigt KI Admin und Recherche, die Beziehungen bleiben vollständig menschlich. Die Einordnung stammt aus dem Go-To-Market Efficiency Guide von SalesPlaybook.

Drei Kundenbeispiele: wie KI im Vertrieb tatsächlich eingesetzt wurde

Keine Piloten, keine Folien zur „KI-Strategie“. Jedes der drei Teams hat genau den einen Engpass gelöst, der seine Pipeline gebremst hat. Die KI übernahm die Recherche oder den ersten Kontakt, das Gespräch blieb bei den Menschen. Jedes Ergebnis kam in weniger als sechs Monaten.

node.energy: von 5–6 auf 30–35 Demos im Monat, in weniger als 3 Monaten

Vorher. Die SaaS-Plattform für die Energiewirtschaft aus Frankfurt am Main machte Outbound über die klassischen Kanäle und bekam kaum Resonanz. Die SDRs riefen die falschen Ansprechpartner an, hatten keine Telefonnummern und recherchierten zu jedem Account stundenlang.

So wurde KI eingesetzt. Der Outbound wurde mit Clay und HubSpot neu auf Signale aufgebaut. Die automatische Anreicherung findet heute den qualifizierten Account, den Anlass, jetzt anzurufen, und den direkten Entscheider samt Telefonnummer. Die SDRs bekommen hunderte qualifizierte Leads, die sie direkt anrufen können, statt sie selbst zu recherchieren.

Ergebnis. 5–6x mehr Demos in weniger als 3 Monaten, und Outbound-Demos schließen heute mit einer höheren Abschlussquote ab als Inbound-Demos.

Die Lehre: Die KI hat die Recherche übernommen, das Gespräch blieb beim SDR, und die SDRs haben ihre Zeit fürs Telefonieren zurückbekommen.

Zur Case Study von node.energy →

knk Software: eine stehende Outbound-Pipeline in weniger als 6 Monaten

Vorher. knk, ein Softwareanbieter für Verlage, wollte weg von aufwendigen Enterprise-Deals und hin zu einem skalierbaren Modell für kleinere Verlage. Einen Outbound-Prozess gab es nicht: Neugeschäft lief über bestehende E-Mail-Verteiler, und die Abläufe waren manuell.

So wurde KI eingesetzt. Signalbasierter Outbound mit einem KI-gestützten Erstkontakt, der rund um die Uhr läuft. Das System erledigt die Recherche und die erste Nachricht. Die Reps steigen ein, sobald ein Interessent reagiert.

Ergebnis. Eine funktionierende Outbound-Pipeline in weniger als 6 Monaten, ohne dass Reps den Erstkontakt von Hand machen.

Die Lehre: Kleinere Deals brauchen niedrigere Kosten pro Kontakt. Erst der automatisierte Erstkontakt hat das neue Segment profitabel gemacht, und die Gespräche führen weiter Menschen.

Zur Case Study von knk →

Workist: rund 200’000 Euro Ersparnis pro Jahr und ein Fundament, auf dem KI arbeiten kann

Vorher. Das KI-SaaS-Unternehmen aus Berlin (rund 50 Mitarbeitende, über 150 zahlende Kunden) war seinem Salesforce-zentrierten Stack entwachsen. Es zahlte über 100’000 € im Jahr für Lizenzen, brauchte eine Vollzeit-RevOps-Rolle nur für die Pflege und hatte keinen durchgängigen Blick auf die Customer Journey.

So wurde KI eingesetzt. HubSpot wurde in weniger als 3 Monaten zur einzigen Plattform für Marketing, Sales und Customer Success und ersetzte Salesforce, Zendesk und weitere Tools. Clay lässt sich einfach einbinden, Backend-Systeme hängen per Webhook daran. So schreiben Anreicherung und KI-Recherche direkt in ein sauberes System.

Ergebnis. Rund 200’000 Euro Ersparnis pro Jahr, die Vollzeitstelle für die Pflege ist weggefallen, und Fragen zur Pipeline sind in Minuten statt in Wochen beantwortet.

„Zudem sehen wir nun in Echtzeit, ob der Kurs stimmt.“ – Markus Bimüller, Workist

Die Lehre: Jeder KI-Workflow ist nur so gut wie das System, aus dem er liest. Weil Workist zuerst konsolidiert hat, wurde alles danach billiger und schneller.

Zur Case Study von Workist →

Neu in der Denken-Schicht: Jev, wenn KI nicht schreiben muss

Die meisten KI-Schritte im Go-to-Market sind schnelle Einschätzungen: Passt der Account zu unserem Idealkundenprofil, in welches Segment gehört der Lead, ist die Antwort interessiert oder nicht? Für jede dieser Fragen ein Sprachmodell laufen zu lassen, ist, als würdest du einen Barkeeper an die Tür stellen, um Ausweise zu kontrollieren. Es funktioniert, ist für eine Ja-Nein-Aufgabe aber langsam und teuer.

Genau für diesen Job ist Jev von TypeSafe AI gebaut, seit September 2026 verfügbar, zunächst im Early Access. Jev schreibt keinen Text: Du schickst eine Eingabe und die Fragen, die du vorher festlegst, und bekommst eine typisierte Antwort zurück: eine Auswahl, einen Score oder ein Ja/Nein, jeweils mit einem Konfidenzwert. Alle Fragen werden parallel in einem einzigen Aufruf beantwortet.

Wo Jev im Go-to-Market passt. Jeder Schritt mit festen Antwortmöglichkeiten kommt in Frage:

• Passt der Account zum Idealkundenprofil, ja oder nein, und zwar bevor du Credits für die Anreicherung ausgibst
• Inbound-Leads nach Segment, Kaufabsicht und Deal-Größe zuweisen
• Antworten sortieren: interessiert, gerade nicht, falsche Person, Abmeldung
• Signale filtern: Ist diese Nachricht für das, was wir verkaufen, überhaupt relevant?
• Jobtitel den passenden Personas zuordnen

Ein Beispiel aus Clay: ein Use-Case-Generator. Ein Build, der gerade in Clay entsteht, funktioniert so:

1. Den Website-Text eines Unternehmens einlesen.
2. Jev stuft ein, welche Go-to-Market-Motions das Unternehmen fährt, mit einer Wahrscheinlichkeit für jede.
3. Ein Sprachmodell ordnet diese Motions einer Bibliothek von Use Cases zu.
4. Die passenden Use Cases erscheinen innerhalb von Sekunden.

Liefe die ganze Kette über einen Agenten, wäre sie langsamer und teurer. Jev trifft die Entscheidung, und das Sprachmodell übernimmt nur den Teil, der Sprache braucht. Jedes Marketing-Team kann das für das eigene Produkt nachbauen und Interessenten damit zeigen, wie sie es einsetzen.

Eine Einschränkung. Geschwindigkeit und Preise sind Angaben von TypeSafe zum Start. „Kann nicht halluzinieren“ heißt, dass Jev nicht außerhalb deines Schemas antworten kann. Falsch liegen kann es trotzdem, darauf weist auch MarkTechPost hin. Nutz deshalb den Konfidenzwert: Ist er hoch, handelt das System automatisch, ist er niedrig, geht der Fall an ein Sprachmodell oder an einen Menschen.

Die Faustregel: Jev zum Filtern und Zuweisen in großer Menge, ein Sprachmodell für alles, was Nachdenken und Schreiben braucht.

An welchen Fehlern scheitern die meisten KI-Einführungen?

Selten am Tool. Die meisten gescheiterten Einführungen automatisieren eine Nachricht, die nie funktioniert hat, bauen auf Daten, die niemand bereinigt hat, machen es kompliziert, bevor irgendetwas bewiesen ist, oder feiern Aktivität, aus der nie ein Termin wird. Jeden der vier Fehler unten kannst du erkennen, bevor die erste Sequenz live geht.

• Eine schwache Nachricht automatisieren. Was von Hand verschickt nicht ankommt, kommt auch im großen Stil nicht an. Bring zuerst die Positionierung in Ordnung.
• Auf schlechten Daten bauen. Ein signalbasiertes System ist nur so gut wie das CRM, aus dem es liest.
• Überbauen, bevor etwas bewiesen ist. Zeig erst, dass die einfache Version echte Verkaufschancen findet, und bau danach aus.
• Das Falsche messen. Aktivitätskennzahlen verdecken, dass etwas nicht funktioniert. Zähl die Termine, die der Workflow erzeugt.

Wie wir das für die Neukundengewinnung aufbauen, zeigen die Seiten zu AI Outbound und Pipeline Generation.

Der GTM Efficiency Guide: das Playbook hinter diesem Artikel

Der Revenue AI Stack zeigt, welches Tool welchen Job macht. Wie du ihn in deinem eigenen Go-to-Market Schritt für Schritt aufbaust, steht im Guide, auf dem dieser Artikel beruht.

Kostenloser Guide · PDF

B2B Go-To-Market Efficiency Guide 2026

Mehr qualifizierte Pipeline, ohne zusätzliche Stellen.

• Sechs Use Cases, von der CRM-Konsolidierung bis zum automatisierten Outreach
• Lösungsdesigns Schritt für Schritt und der Tech-Stack, mit dem wir arbeiten
• Readiness-Check mit Scorecard: In unter 10 Minuten siehst du, wo dein größter Hebel liegt

Guide kostenlos herunterladen

Für B2B-Tech-Unternehmen in DACH mit 25–500 Mitarbeitenden.