KI im Vertrieb scheitert selten an der Technologie. Sie scheitert an Daten, die niemand geordnet hat, und an Organisationen, die der Maschine am Ende doch nicht trauen. Alfred Rossi, Managing Director der ProSeller AG, begleitet seit 40 Jahren Vertriebsprojekte – und hat einen dieser Fehler selbst mit rund einer halben Million Franken bezahlt. Im Interview erklärt er, woran er ein Datenproblem sofort erkennt und welchen Schritt Unternehmen vor jeder KI-Investition gehen sollten.
Woran erkennst du, ob „Denkfaulheit“ im Umgang mit Daten das eigentliche Problem ist?
Ich erkenne das meistens sehr schnell an einer einfachen Frage: Woher kommen morgen eure nächsten Kunden?
Viele Unternehmen haben keine echte Sales-Pipeline. Sie haben ein CRM, Adressen, bestehende Kunden und vielleicht ein paar Leads. Aber sie haben keinen natürlichen und gleichzeitig gesteuerten Zufluss an neuen Daten, Signalen und potenziellen Kunden. Und genau das nenne ich Denkfaulheit.
Man geht davon aus, dass morgen wieder Anfragen kommen, weil gestern auch welche gekommen sind. Dass der Verkäufer schon jemanden kennt. Dass Marketing Leads bringt. Dass der Markt irgendwie weiterläuft.
Eine Pipeline ist für mich aber kein Excel mit Opportunities. Sie beginnt viel früher und muss permanent neue Bewegungen im Markt erkennen: Wer wächst? Wer verändert sich? Wer sucht? Wer investiert? Bei wem verändert sich etwas, das für meinen Vertrieb relevant ist?
Wenn ein Unternehmen diesen Zufluss nicht systematisch erzeugt, beobachtet und steuert, hat es zunächst kein KI-Problem. Es hat ein Denkproblem im Vertrieb.
Was unterscheidet Bewegungs- und Entscheidungsdaten von dem, was CRM-Systeme liefern?
Ein klassisches CRM ist im Grunde statisch. Es hat Kontakte, Kunden, Opportunities, einen Funnel und einen definierten Ablauf. Ein Lead wird angelegt, qualifiziert, verschoben und irgendwann gewonnen oder verloren. Das ist sauber strukturiert – aber die Realität draussen bewegt sich nicht entlang dieser Struktur.
Bewegungsdaten haben in diesem Modell kaum einen natürlichen Platz. Intents und Buying Signals entstehen permanent und überall. Ein Unternehmen besucht plötzlich bestimmte Seiten oder recherchiert ein Thema: Das ist Intent. Es stellt neue Mitarbeiter ein, eröffnet einen Standort, wechselt Verantwortliche, erweitert sein Sortiment, verliert einen Lieferanten oder kauft plötzlich weniger: Das sind Buying Signals.
Diese Signale passen nicht sauber in die nächste Stufe eines Funnels. Sie entstehen unabhängig davon, ob ich das Unternehmen bereits als Opportunity definiert habe – und sie verändern sich permanent. Deshalb reicht es nicht, Daten nur zu speichern. Ich muss Bewegungen beobachten, unterschiedliche Signale miteinander verbinden und daraus laufend neu bewerten, wie relevant ein Unternehmen für mich gerade ist.
Erst daraus entstehen Entscheidungsdaten. Dann sagt mir das System nicht mehr nur: Das ist Kunde X mit 80.000 Franken Umsatz. Es sagt mir: Bei Kunde X verändert sich gerade etwas, drei relevante Signale sind gleichzeitig aufgetreten, seine Kaufwahrscheinlichkeit steigt. Deshalb ist er heute wichtiger als 5.000 andere Adressen.
Das CRM ist das Gedächtnis. Aber für modernen Vertrieb brauche ich zusätzlich Augen, Ohren und ein Nervensystem.
Wie bremsen Unternehmen KI im Vertrieb durch Freigabeschleifen wieder aus?
Ich sehe dabei zwei Ebenen. Die erste beginnt schon bei den Daten. Ich kann einem Unternehmen zeigen: Ihr habt 1.000 mögliche Kunden. Aufgrund von Bewegungsdaten, Intents und Buying Signals können wir diese 1.000 so bewerten, dass eure Verkäufer nicht mehr alle bearbeiten müssen, sondern vielleicht nur noch die 100 relevantesten.
Rational verstehen das alle. Und dann beginnt der Widerstand: „Aber kann die KI das wirklich beurteilen?“ – „Was, wenn sie einen guten Kunden aussortiert?“ – „Müsste das nicht trotzdem noch jemand überprüfen?“ – „Vielleicht sollten wir sicherheitshalber doch alle anschauen.“ Und schon sind wir wieder bei 1.000. Dann habe ich zwar KI eingesetzt, aber den alten Prozess nicht verändert. Ich habe die KI einfach zusätzlich davorgestellt.
Die zweite Ebene sehe ich bei Chatbots und Agenten noch extremer. Ein Unternehmen installiert einen sehr guten Chatbot, der bereits hervorragend funktioniert. Und dann beginnen plötzlich unglaublich viele Menschen, daran herumzuoptimieren. Marketing möchte etwas ändern. Sales möchte etwas ändern. Legal möchte etwas freigeben. Die Geschäftsleitung hat noch eine Idee. Jemand findet eine Formulierung nicht perfekt. Also entstehen Regeln, Ausnahmen und Freigabeschleifen.
Am Ende haben bildlich gesprochen 700 Menschen versucht, die KI besser zu machen – und dabei gar nicht bemerkt, dass sie längst gut genug war. Nicht die KI macht den Prozess schlechter. Die Menschen machen die KI durch ihre Kontrollprozesse schlechter.
Unternehmen wollen die Produktivität einer Maschine, aber gleichzeitig die Kontrolle ihrer alten Organisation behalten. Beides zusammen funktioniert nur begrenzt.
Wenn ich KI einsetze, muss ich irgendwann bereit sein, ihr innerhalb klar definierter Grenzen auch Verantwortung zu übergeben. Sonst automatisiere ich nicht, sondern baue nur eine zusätzliche Schicht in meinen bestehenden Prozess.
Wo ziehst du die Grenze zwischen Aufgaben für einen Agenten und Aufgaben für einen Menschen?
Meine Grenze ist heute ziemlich klar. Alles, was stupide, repetitiv und eindeutig ist, gebe ich so schnell wie möglich an einen Agenten. Recherche ist dafür ein hervorragendes Beispiel: Ein Agent kann Tausende Unternehmen durchsuchen, Informationen zusammentragen, Veränderungen feststellen, Daten ergänzen, vergleichen und strukturieren. Dinge, für die Menschen Tage oder Wochen brauchen würden.
Aber nur unter einer wichtigen Voraussetzung: Die Aufgabe muss so definiert sein, dass möglichst wenig Interpretationsspielraum besteht. Sobald ein Agent anfangen muss, Dinge auszuschmücken, Lücken selbst zu füllen oder aus unsicheren Informationen vermeintliche Fakten zu machen, werde ich vorsichtig. Dann entstehen Halluzinationen und damit Fehler, die man unter Umständen erst sehr spät bemerkt.
Bei echten Entscheidungsprozessen ziehe ich deshalb heute noch eine klare Grenze. Ich lasse KI Informationen sammeln, sortieren, Muster erkennen und Entscheidungsgrundlagen vorbereiten. Aber wenn daraus eine relevante geschäftliche Entscheidung entsteht, möchte ich einen Menschen dazwischen haben. Nicht, weil ich glaube, dass das für immer so bleibt. Sondern weil die heutige Technologie bei klar definierten Aufgaben bereits unglaublich stark ist, bei Interpretation und eigenständigen Entscheidungen aber sehr schnell mühsam und auch gefährlich werden kann.
Je klarer, repetitiver und überprüfbarer eine Aufgabe ist, desto eher gehört sie zur KI. Je mehr Interpretation, Verantwortung und Konsequenz eine Entscheidung beinhaltet, desto stärker gehört der Mensch hinein.
Was hast du aus teuren Fehlentscheidungen gelernt?
Die Lehre ist nicht „Technologie funktioniert nicht“. Die Lehre ist: Eine richtige Vision mit einer falschen Architektur kann extrem teuer werden.
1992 wollte ich eigentlich schon das bauen, worüber wir heute wieder sprechen: die ultimative Kundendatenbank. Kundenbeziehungen, Gespräche, Protokolle, Intents, Abrechnungen und möglichst alle verfügbaren Informationen über einen Kunden an einem Ort. Im Grunde sollte daraus etwas entstehen, das wir heute wahrscheinlich als intelligentes CRM oder als Datenbasis für einen KI-gestützten Vertrieb bezeichnen würden.
Das Projekt ging vollends in die Hosen. Nicht weil die Grundidee falsch war, sondern weil der Projektleiter die Idee und vor allem die notwendige Struktur dahinter nicht verstanden hatte. Die Architektur wurde derartig falsch aufgebaut, dass wir das Ergebnis am Schluss praktisch versenken konnten. Schaden: rund eine halbe Million Franken. 1992 war das richtig viel Geld.
Meine wichtigste Lehre daraus gilt heute bei KI mehr denn je: Eine gute Idee und gute Technologie reichen nicht. Die Menschen, die ein solches System konzipieren, müssen das Problem, den Wertstrom und die Datenstruktur wirklich verstanden haben. Deshalb würde ich heute keinem mittelständischen Geschäftsführer empfehlen, zuerst eine grosse KI-Lösung zu kaufen. Erst verstehen, was man erreichen will. Dann die Architektur und den Datenstrom sauber aufbauen. Klein testen. Beweisen, dass es funktioniert. Und erst danach skalieren.
Eine halbe Million Franken Lehrgeld hat mir dafür gereicht.
Dass es dabei tatsächlich an den Daten hängt und nicht an der Technologie, zeigt auch der Marketing Tech Monitor 2026: Nur sechs Prozent der befragten Marketingverantwortlichen bewerten ihre eigenen Kundendaten als qualitativ hochwertig.
Welchen ersten Schritt sollte ein Unternehmen machen, bevor es über KI nachdenkt?
Ich würde als Erstes eine Wertstromanalyse machen. Bevor ich überhaupt über KI spreche, möchte ich verstehen, wie im Vertrieb tatsächlich Wert entsteht. Wo beginnt der Prozess? Wie kommen potenzielle Kunden hinein? Welche Informationen entstehen? Wo werden Entscheidungen getroffen? Wo geht Zeit verloren? Wo gehen Kunden verloren? Und vor allem: Wo geht Wert verloren?
Danach kommt für mich die entscheidende Frage: Kann ich diesen Wertstrom überhaupt beeinflussen? Wenn ich eine Stelle finde, an der viel Wert verloren geht und die ich mit Daten, Automatisierung oder KI beeinflussen kann, dann habe ich einen Ansatzpunkt. Erst jetzt würde ich über die Technologie nachdenken.
Viele Unternehmen machen es genau umgekehrt. Sie kaufen eine KI-Lösung und suchen danach einen Prozess, in den sie diese irgendwie hineinbauen können. Das ist für mich der falsche Weg. Nicht fragen: Wo können wir KI einsetzen? Sondern: Wo verlieren wir Wert – und kann KI diesen Wertverlust reduzieren?
Wertstrom verstehen. Wertverlust erkennen. Erst dann KI einsetzen.
Wer diesen Weg geht, landet übrigens schnell bei denselben Grundfragen wie bei der Vertriebsgebietsplanung im Mittelstand: Erst die Systematik, dann das Werkzeug.
FAQ zu KI im Vertrieb
Woran scheitern KI-Projekte im Vertrieb am häufigsten?
Nach Alfred Rossis Erfahrung nicht an der Technologie, sondern an fehlender Datenstruktur und an Kontrollprozessen. Wer keinen gesteuerten Zufluss an neuen Daten und Signalen hat, hat zunächst kein KI-Problem, sondern ein Denkproblem im Vertrieb.
Was sind Bewegungsdaten und Buying Signals?
Bewegungsdaten sind Veränderungen im Markt: Ein Unternehmen stellt ein, eröffnet einen Standort, wechselt Verantwortliche, erweitert sein Sortiment oder kauft weniger ein. Zusammen mit Intents – etwa Recherchen zu einem Thema – ergeben sie Buying Signals, aus denen sich ableiten lässt, wie relevant ein Kunde gerade ist.
Welche Aufgaben sollte man einem KI-Agenten übergeben?
Alles, was repetitiv, eindeutig und überprüfbar ist – etwa Recherche, Datenanreicherung und Strukturierung. Sobald ein Agent Lücken selbst füllen und interpretieren muss, steigt das Risiko von Halluzinationen. Geschäftlich relevante Entscheidungen bleiben deshalb beim Menschen.
Womit beginnt man KI im Vertrieb sinnvollerweise?
Mit einer Wertstromanalyse statt mit dem Softwarekauf. Erst wenn klar ist, wo im Vertriebsprozess Wert verloren geht und ob sich diese Stelle mit Daten oder Automatisierung beeinflussen lässt, lohnt sich die Entscheidung für eine konkrete Lösung. Danach gilt: klein testen, Wirkung beweisen, dann skalieren.
