KI im Vertrieb — wo sie Pipeline produziert und wo sie nur Reputation verbrennt.

2025 war das Jahr, in dem KI im Vertrieb erwachsen wurde — und gleichzeitig das Jahr, in dem die ersten Mittelständler ihre LinkedIn- und Mail-Reputation an AI-Massen­outreach verbrannt haben. Beides ist passiert. Beides war vermeidbar.

In den letzten zwölf Monaten habe ich in V1-Mandaten und im Portfolio gesehen, wie KI im Vertrieb echten Hebel produziert — 30 bis 50 % Zeitersparnis im Follow-up, signifikant höhere Reply-Rates bei sauber personalisierten Cold-Mails, klare Pipeline-Effekte. Und ich habe Mandanten gesehen, die innerhalb von drei Monaten ihre Domain-Reputation zerstört haben, weil sie geglaubt haben, ein Tool kann die Vertriebs­arbeit ersetzen.

Was folgt, ist die Trennung zwischen den beiden. Vier Use-Cases, die in unseren Mandaten messbar Pipeline produzieren. Drei, von denen wir aktiv abraten. Und ein paar Zahlen, die helfen, das Tool-Budget realistisch zu kalibrieren.

Was im B2B-Vertrieb mit KI funktioniert

Lead-Scoring auf Basis von Firmographie und Webseite-Signalen

Der größte Hebel im Mittelstands-Vertrieb ist nicht „mehr Leads", sondern „weniger schlechte Leads". Wer 200 Anfragen pro Monat hat und 30 davon ernsthaft bearbeitet, hat in den restlichen 170 die Pipeline eines kompletten Vertrieblers liegen gelassen — wenn diese 170 nie sauber qualifiziert wurden.

KI-Lead-Scoring auf LLM-Basis macht hier den Unterschied. Statt starrer Regeln (Branche X plus Größe Y plus Region Z) kann ein Sprach­modell die Webseite des Leads lesen, das LinkedIn-Profil des Ansprech­partners auswerten und das Ergebnis gegen das ideale Kunden­profil bewerten. Output: ein Score zwischen 0 und 100 plus eine kurze Begründung, warum.

Aufwand: zwei bis vier Wochen für eine saubere Implementierung über Make.com oder n8n mit OpenAI/Anthropic-API. Laufende Kosten: 50–200 €/Monat für API-Calls bei 500–2.000 Leads. Effekt in unseren Mandaten: Vertriebler arbeiten die Top-30 % der Leads zuerst und gewinnen 60–70 % der relevanten Deals dort. Die unteren 30 % bekommen automatisierte Nurture-Sequenzen statt persönliche Anrufe.

Personalisiertes Cold-Outreach — mit klaren Grenzen

Hier wird es heikel. Personalisiertes Outreach mit KI funktioniert — aber nur wenn die Personalisierung echt ist. Die typische Vorgehensweise: ein Template-Gerüst, KI ergänzt eine relevante Bezugnahme zum Empfänger (aktuelle LinkedIn-Aktivität, Webseiten-Inhalt, Pressemitteilung), Vertrieb übernimmt die Final-Kontrolle.

Zahlen aus unseren Mandaten: 5–15 % bessere Reply-Rate gegenüber reinen Templates, wenn die KI-Personalisierung sauber ist. Aber: 40 % Drop in der Reply-Rate, sobald die KI-Personalisierung generisch klingt — Floskeln wie „Ich habe gesehen, dass Ihr Unternehmen wächst" oder „Spannende Entwicklungen in Ihrer Branche" werden inzwischen sofort als AI-generiert erkannt und führen zu Hard-Bounces, Spam-Markierungen, im schlimmsten Fall LinkedIn-Sperren.

Die richtige Frage ist nicht „wie schnell kann KI 1.000 Mails pro Tag schreiben". Die richtige Frage ist „wie produzieren wir 50 Mails pro Tag, die so klingen, als hätte sie ein nachdenklicher Mensch geschrieben". Das ist die Aufgabe, und KI kann sie unterstützen — aber nicht übernehmen.

Massen-AI-Outreach ist 2025 detektierbar. Wer auf Volumen setzt, kauft sich kurzfristig Reichweite und langfristig eine Domain auf der Sperrliste.

Follow-up-Automation mit kontextueller Anpassung

Der Use-Case mit dem klarsten ROI im Mittelstand. 30 bis 50 % Zeitersparnis sind realistisch, gemessen an den Stunden, die Vertriebler heute mit „Ich melde mich nach drei Tagen nochmal"-Sequenzen verbringen.

Was funktioniert: KI-gestützte Sequenzen, die nicht nur Templates abfeuern, sondern auf den Verlauf der Kommunikation reagieren. Hat der Lead beim ersten Kontakt eine bestimmte Frage gestellt? Die Folge-Mail bezieht sich darauf. Hat er sich auf einen Use-Case festgelegt? Die nächste Mail liefert ein passendes Case-Beispiel. Hat er lange nicht geantwortet? Die Erinnerung wird kürzer und konkreter, nicht länger und allgemeiner.

Tools, die das gut können: HubSpot mit AI-Assistenten, Lemlist, Instantly, Apollo. Oder, mit mehr Aufwand und mehr Kontrolle, eigene Make- oder n8n-Workflows mit OpenAI/Anthropic im Hintergrund. Kosten je nach Setup: 200–800 €/Monat im Standard-Tool-Bereich, 1.500–4.000 € einmalige Setup-Kosten für eine eigene Workflow-Lösung plus laufende API-Kosten.

CRM-Datenpflege — der unterschätzte Hebel

Jeder Vertriebsleiter klagt über schlechte CRM-Daten. Doppelte Records, veraltete Telefonnummern, falsche Ansprechpartner, fehlende Firmographie-Felder. Die manuelle Pflege kostet pro Vertriebler im Schnitt drei bis fünf Stunden pro Woche — und sie wird trotzdem schlecht gemacht.

KI-gestützte CRM-Anreicherung läuft im Hintergrund: Neuer Lead kommt rein, KI ergänzt Branche, Mitarbeiter­zahl, Umsatz, LinkedIn-Profil des Ansprech­partners, prüft auf Duplikate, schlägt Merges vor. Tools wie Apollo oder Clay übernehmen das mit fertigen Anbindungen, eigene Workflows in Make/n8n mit OpenAI plus Datenbanken wie Crunchbase oder Companies House sind möglich.

Effekt in unseren Mandaten: drei bis fünf Stunden pro Woche pro Vertriebler frei für tatsächliche Vertriebs­arbeit. Bei einem Team von fünf Vertrieblern entspricht das einem halben FTE — bei einem typischen Vertriebler-Vollkosten­satz von 80.000–120.000 €/Jahr ist das ein realer Hebel.

Was im B2B-Vertrieb mit KI nicht funktioniert

Vollautomatisches Closing

Die Verlockung ist groß: Wenn KI Mails personalisieren kann, warum nicht auch Verhandlungen führen, Angebote anpassen, Verträge abschließen? Die Antwort ist einfach: Weil B2B-Closing fast nie eine Frage von Information ist, sondern von Vertrauen, Timing und Verhandlungs­position. Drei Dinge, die KI heute nicht abbilden kann.

Wir haben in zwei V1-Beratungs­kunden gesehen, was passiert, wenn KI in der Closing-Phase verantwortlich gemacht wird: Deals fallen auseinander, weil die KI auf eine Einwand-Mail eine technisch korrekte, menschlich aber unglückliche Antwort gibt. Der Lead schreibt nicht zurück, der Vertriebler merkt erst nach zehn Tagen, dass die Pipeline weg ist. Vermeidbar — wenn die Aufgaben­teilung sauber ist.

AI-only Discovery Calls

Es gibt Tools, die versprechen, Discovery-Gespräche durch eine Voice-AI führen zu lassen. Bei Hey Listen — unserem Telefon-KI-Portfolio — sehen wir täglich, was geht und was nicht. Was geht: erste Qualifizierung, Standard-Fragen, Termin­vereinbarung. Was nicht geht: ein echtes Discovery-Gespräch, in dem es darum geht, die Pain-Points hinter den genannten Pain-Points zu verstehen. Das ist Vertriebs­handwerk, und es bleibt menschlich.

Generischer Massen­versand mit AI-Fassade

Der häufigste und teuerste Fehler 2025: Mittelständler kaufen ein Tool, das verspricht, „10.000 personalisierte LinkedIn-Nachrichten pro Monat" zu versenden, glauben an die Personalisierung und sehen nach drei Monaten ihre Domain-Reputation, ihre LinkedIn-Reichweite und manchmal ihren ICP zerstört. Die Mails kommen nicht mehr durch, die Inbox ist verbrannt, und Reklamationen kosten Monate, manchmal über ein Jahr Wiederaufbau.

Den Unsinn machen heute noch viele. Wir raten in jedem KI-Mandat aktiv davon ab.

Tools im Markt — eine Operator-Einordnung

Apollo

Großer Datensatz von B2B-Kontakten, KI-gestützte Sequenzen, Lead-Scoring. Stärken: Skalierung, große Bibliothek. Schwächen: bei Standard-Setup wirken die KI-Personalisierungen schnell formelhaft. Mit guter Konfiguration brauchbar, mit schlechter ein Reputations-Killer. Preis: 70–150 €/User/Monat je nach Plan.

HubSpot AI

Solide für Bestands­kunden, die HubSpot ohnehin nutzen. AI-Funktionen sind in den höheren Tiers enthalten. Stärken: Integration in vorhandenen CRM-Workflow, ordentliche Email-Generierung. Schwächen: nicht kosten­effizient, wenn man HubSpot nur für die KI-Funktionen einführt.

Lemlist und Instantly

Spezialisiert auf Cold-Email-Outreach mit KI-Personalisierung. Beide haben gute Deliver­ability-Funktionen (Email-Warmup, Domain-Rotation). Preis: 50–200 €/Monat je nach Volumen. Sinnvoll für Outbound-Teams, problematisch wenn ohne Vertriebs­handwerk eingesetzt.

Eigene Workflows in Make/n8n

Maximale Kontrolle, langfristig günstigste Variante, aber höchster Initial-Aufwand. Sinnvoll ab ca. 50–100 Leads pro Tag oder bei besonderen Anforderungen, die Standard-Tools nicht abdecken. Vergleich der Plattformen siehe Make.com vs n8n vs Zapier.

Wann KI im Vertrieb nicht der richtige nächste Schritt ist

Drei Situationen, in denen wir bei V1 von KI im Vertrieb abraten — auch wenn der Hype-Druck hoch ist.

Erstens: wenn der Vertriebs­prozess noch nicht definiert ist. Wer keine klaren Phasen, keine messbaren Conversion-Rates und keine sauberen CRM-Daten hat, automatisiert nur das eigene Chaos schneller. KI verstärkt vorhandene Strukturen — Stärken wie Schwächen.

Zweitens: wenn das Lead-Volumen zu klein ist. Wer 20 Leads pro Monat bekommt und davon 15 ernsthaft bearbeitet, hat kein Volumen-Problem, sondern ein Quellen-Problem. Da hilft Marketing, nicht KI.

Drittens: in beratungs­intensiven, hochkomplexen B2B-Verkäufen mit langen Verkaufs­zyklen und vielen Stakeholdern. Da ist die Vertriebs­arbeit handwerkliche Beziehungs­arbeit, und KI ist Beiwerk im CRM, nicht Pipeline-Treiber. Mehr dazu in unserem Grundlagen-Artikel KI in der Praxis.

KI im Vertrieb ist ein Verstärker, kein Ersatz. Wer einen funktionierenden Vertriebsprozess hat, beschleunigt ihn. Wer keinen hat, beschleunigt sein Scheitern.