Künstliche Intelligenz in Sales und Marketing

Live-Webinar am Donnerstag, 5. November 2026, 12:30–13:15 Uhr, auf Deutsch. Jetzt anmelden

Das Problem: viele Experimente, kein Umsatz

Ein Claude-Chat im Browser, eine Clay-Tabelle im Marketing, ein Agenten-Pilot im Sales: Fast jedes B2B-Team arbeitet heute mit künstlicher Intelligenz. Offen ist, ob es sich rechnet. Skaliert hat KI kaum jemand, und ausgerechnet die Tools, die ganze Vertriebsstellen ersetzen sollten, werden am schnellsten wieder gekündigt.

In Sales und Marketing zeigt sich das immer an denselben Stellen.

Die Ursache: Experimente skalieren nicht, Systeme schon

Jedes Experiment löst ein Teilproblem für eine Person. Clay, Claude, Lemlist und eine Excel-Liste laufen nebeneinander, jedes Tool mit seiner eigenen Kopie der Kundendaten. In SalesPlaybook-Kundenprojekten sind häufig 40–60 % der CRM-Datensätze unvollständig oder veraltet (B2B Go-To-Market Efficiency Guide 2026). KI macht daraus keine besseren Entscheidungen, nur schnellere schlechte.

Am Zugang zu KI fehlt es nirgends. Es fehlt die Ordnung, die festlegt, welches Tool welchen Job macht und in welcher Reihenfolge gebaut wird. Genau diese Ordnung trennt Teams, die experimentieren, von Teams, die mit KI Umsatz machen.

Vom Experiment zum System: der Revenue AI Stack

Der Revenue AI Stack sortiert jedes Tool nach dem Job, den es im Revenue-System erledigt. Jede Schicht beantwortet genau eine Frage. Damit lautet die Frage im Führungsteam nicht mehr „Clay oder Claude?“, sondern „Welche Schicht fehlt uns?“.

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.

Das 3-Tier-Modell: wer wie viel Aufmerksamkeit bekommt

Nicht jeder Account verdient denselben Aufwand. Wir teilen den Zielmarkt deshalb in drei Tiers. Welcher Account wo landet, entscheiden zwei Dinge: wie gut er zum Idealkundenprofil passt und wie stark sein aktuelles Kaufsignal ist.

• Tier 1: manuell, aber voll vorbereitet. Für wenige Top-Accounts schreibt und telefoniert der Rep selbst. Das System liefert ihm Recherche, Signale und ein fertiges Briefing.
• Tier 2: automatisiert über mehrere Kanäle. Accounts mit guter Passung und aktivem Signal bekommen eine Sequenz in Lemlist über E-Mail, LinkedIn und Telefon. Antwortet jemand, übernimmt der Rep.
• Tier 3: E-Mail und Nurture. Der restliche Zielmarkt bekommt E-Mail-Sequenzen über Instantly und Inhalte. So bleibt der ganze Markt abgedeckt, ohne Rep-Zeit zu binden.

Accounts sind dabei nicht fest einsortiert: Sobald ein starkes Kaufsignal auftaucht, wandert ein Tier-3-Account nach oben. Genau das passiert in Use Case 2.

Sechs KI-Use-Cases von Anfang bis Ende

So arbeitet der Stack in der Praxis. Alle sechs Grafiken lesen sich gleich: Die fünf Spalten sind die Schichten des Stacks, die Linie zeigt, welche Schicht bei welchem Schritt arbeitet und wo der Mensch übernimmt.

Use Case 1: CRM-Daten aktuell halten

Jeder andere Use Case liest aus diesem Datensatz. Deshalb läuft die Datenpflege nicht als einmaliges Projekt, sondern dauerhaft im Hintergrund.

Beleg aus der Praxis: Workist hat zuerst konsolidiert: HubSpot wurde in weniger als 3 Monaten zur einzigen Plattform für Marketing, Sales und Customer Success. Ergebnis: rund 200’000 Euro Ersparnis pro Jahr und ein Fundament, in das Anreicherung und KI-Recherche direkt schreiben (Case Study Workist). Die ausführliche Fassung steht weiter unten.

Use Case 2: Ein starkes Signal wird zum Termin

Ein früherer Champion wechselt zu einer neuen Firma. Er kennt dein Produkt und hat es schon einmal intern durchgesetzt. Die meisten Teams erfahren davon zufällig oder gar nicht.

Beleg aus der Praxis: node.energy hat Outbound mit Clay und HubSpot auf Kaufsignale umgebaut. Die SDRs bekommen qualifizierte Accounts mit Anlass und Direktkontakt, statt selbst zu recherchieren. Ergebnis: von 5–6 auf 30–35 Demos im Monat, in weniger als 3 Monaten (Case Study node.energy). Die ausführliche Fassung steht weiter unten.

Use Case 3: Erstkontakt automatisieren, Gespräch behalten

Für Tier 2 und Tier 3 übernimmt das System Recherche und ersten Kontakt. Die Struktur jeder Nachricht ist eine Vorlage, relevant wird sie durch Variablen aus echtem Kontext. Bevor etwas rausgeht, gibt ein Mensch frei.

Beleg aus der Praxis: knk wollte kleinere Verlage als neues Segment erschließen, hatte aber keinen Outbound-Prozess. Mit signalbasiertem Outbound und KI-gestütztem Erstkontakt stand in weniger als 6 Monaten eine Outbound-Pipeline, ohne dass Reps den Erstkontakt von Hand machen (Case Study knk). Die ausführliche Fassung steht weiter unten.

Use Case 4: Inbound-Lead in unter 60 Sekunden beim Rep

Ein Formular kommt oft nur mit Name und E-Mail-Adresse an. In SalesPlaybook-Kundenprojekten werden häufig nur 10–15 % der MQLs zu SQLs, meist weil Daten fehlen und niemand schnell reagiert (B2B Go-To-Market Efficiency Guide 2026).

Beleg aus der Praxis: 100 MQLs bei 13 % Conversion ergeben 13 SQLs. Schafft das System 25–40 %, sind es 25 bis 40 SQLs: zwei- bis dreimal mehr Pipeline ohne einen zusätzlichen MQL. Rechnung und Conversion-Werte stammen aus dem B2B Go-To-Market Efficiency Guide 2026.

Use Case 5: Briefing vor jedem Call

In SalesPlaybook-Kundenprojekten sehen wir vor Gesprächen regelmäßig 30 Minuten oder mehr Recherche pro Account (B2B Go-To-Market Efficiency Guide 2026). Das System erledigt sie im Hintergrund und liefert ein Briefing mit vier Antworten: Unternehmen, Kontakt, Signal, Einstieg.

Beleg aus der Praxis: Die Faustregel: Versteht ein Rep nicht in zehn Sekunden, warum er jemanden kontaktiert, funktioniert das Briefing nicht.

Use Case 6: Champion verlässt einen Kunden

Die stärksten Signale für Kündigungsrisiko liegen außerhalb des CRM: Der Champion geht zwei Monate vor der Verlängerung, und niemand merkt es. Das System beobachtet die Kundenbasis und meldet das Risiko, solange noch Zeit ist.

Beleg aus der Praxis: Der doppelte Effekt: Der Account wird gesichert, und der Ex-Champion selbst wird bei seiner neuen Firma zum Signal für Use Case 2.

Die drei Kundenbeispiele im Detail

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 →

Wie viel KI? Das entscheidet deine Deal-Größe

Dieselbe Automatisierung, die bei kleinen Deals Pflicht ist, kann im Enterprise-Geschäft schaden. Die Faustregel: Je größer und komplexer der Deal, desto mehr Arbeit bleibt beim Menschen.

Für die meisten B2B-Softwareanbieter in DACH mit 25k–250k € durchschnittlichem Vertragswert ist das hybride Modell richtig: KI übernimmt Recherche, Anreicherung und Follow-up, Menschen führen Demo, Abschluss und schwierige Einwände. Weniger Menschen in der Fleißarbeit, nicht keine Menschen. Die Einordnung stammt aus dem B2B Go-To-Market Efficiency Guide 2026.

Nicht jede KI-Aufgabe braucht ein Sprachmodell

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.

Vier Fehler, die du vor dem Go-live erkennst

Gescheiterte KI-Einführungen scheitern selten am Tool. Die meisten 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 kannst du erkennen, bevor die erste Sequenz live geht.

• Eine schwache Nachricht automatisieren. Was von Hand nicht ankommt, kommt auch im großen Stil nicht an. Bring zuerst die Positionierung in Ordnung.
• Auf schlechten Daten bauen. Jede Schicht ist nur so gut wie der Datensatz in HubSpot, aus dem sie liest.
• Überbauen, bevor etwas bewiesen ist. Bring erst die einfache Version zum Laufen, dann bau aus.
• Das Falsche messen. Zähl Termine und Pipeline, nicht verschickte Mails.

Alles auf einer Seite: der Spickzettel

Stack, Tiers, Automatisierungsgrad und die sechs Use Cases auf einer Seite, für das nächste Führungsmeeting.

So kommst du vom Experiment zum Umsatz

• Prüf das Fundament. Wie vollständig sind deine Datensätze in HubSpot, und wo liegen Kundendaten außerhalb?
• Wähl einen Use Case. Einen der sechs, nicht alle auf einmal. Steht das Fundament noch nicht, ist es Use Case 1.
• Beweis ihn manuell, dann automatisiere. Lass den Ablauf ein paar Wochen mit menschlicher Prüfung laufen und miss ihn an Terminen. Erst wenn er funktioniert, übernimmt das System.

Wie wir das aufbauen, zeigen die Seiten zu AI Outbound, Neukundengewinnung und LinkedIn GTM.

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.