deine-aiDas Wichtigste in 30 Sekunden
- Klassische Punkte-Scores messen Aktivität, nicht Kaufbereitschaft.
- KI lernt aus echten Abschlüssen und gibt eine Wahrscheinlichkeit aus — inklusive negativer Signale.
- Der größte Hebel sind saubere Daten, nicht mehr Daten.
- Lohnt sich ab ~500 qualified Leads pro Quartal und Sales Cycles ab vier Wochen.
Warum klassisches Lead-Scoring an seine Grenzen kommt
Klassisches Scoring funktioniert nach einem einfachen Prinzip: Man sammelt explizite Eigenschaften (Branche, Größe, Position) und implizite Signale (E-Mail geöffnet, Whitepaper heruntergeladen, Demo-Anfrage), gewichtet sie mit Punkten und summiert. Ab Schwellenwert X gilt der Lead als „qualified".
Das Problem? Diese Modelle altern schlecht. Eine E-Mail-Öffnung war 2010 ein starkes Signal — heute, in einer Welt aus Mail-Clients mit Image-Pre-Loading und Datenschutz-Warnungen, ist der Wert weitgehend künstlich aufgeblasen. Die meisten Sales-Teams wissen das. Trotzdem läuft das Scoring weiter, weil niemand Zeit hat, die Punktevergabe systematisch zu überprüfen.
Hinzu kommt: Die Punktevergabe ist meist eine Mischung aus Bauchgefühl des Marketings und alten Excel-Tabellen. Niemand validiert sie mit echten Abschlusswahrscheinlichkeiten.
Das Resultat: Ein Score, der Aktivität misst, nicht Kaufbereitschaft.
Was KI-basiertes Lead-Scoring anders macht
Ein KI-Modell für Lead-Scoring lernt aus historischen Daten: Welche Leads haben in der Vergangenheit gekauft, welche nicht, welche Eigenschaften und Verhaltensweisen waren bei den Käufern überrepräsentiert? Statt fester Punkte gibt das Modell eine Wahrscheinlichkeit aus — z.B. 73% Abschlusswahrscheinlichkeit innerhalb der nächsten 90 Tage.
Der Unterschied ist nicht akademisch. Drei konkrete Effekte:
- Kontextsensitivität: Eine Demo-Anfrage von einem 20-Mitarbeiter-Startup ist statistisch ein anderes Signal als die gleiche Anfrage von einem 5000-Mitarbeiter-Konzern. KI berücksichtigt diese Wechselwirkungen automatisch.
- Drift-Erkennung: Wenn ein Signal seine Aussagekraft verliert (Newsletter-Click), erkennt ein gut betriebenes Modell das und gewichtet es selbst neu. Voraussetzung: Es gibt regelmäßige Retrainings und ein Monitoring der Modellgüte.
- Negative Signale werden erkennbar: Manche Aktivitäten sind statistisch sogar negativ korreliert mit Abschlüssen (z.B. nur die Karriere-Seite besucht). Klassische Modelle ignorieren das. KI-Modelle nicht.
Welche Daten ein KI Berater wirklich nutzt
Die ehrliche Antwort: Was vorhanden, sauber und legal nutzbar ist. In der Praxis sind das meistens:
- Firmographics: Branche, Größe, Region, Tech-Stack (z.B. via BuiltWith oder Clearbit)
- CRM-Verlauf: Kontakthistorie, frühere Deals (auch verlorene), Vertragslaufzeiten
- Engagement-Daten: Mail-Verhalten, Webseitenbesuche, Webinar-Teilnahmen
- Saisonale Faktoren: Quartal, Budget-Zyklen, Branchenkonjunktur
Praxis-Tipp: Der größte Hebel liegt selten in mehr Daten, sondern in saubereren Daten. Ein Modell auf 70% verlässlichen CRM-Einträgen ist wertlos. Datenhygiene ist die unsexy, aber notwendige Voraussetzung.
Implementierung in vier Schritten
Wenn ich als KI Berater einen Lead-Scoring-Build begleite, folgt das Vorgehen meistens einem Muster:
-
Datenaudit1–2 Wochen
Was haben wir, in welcher Qualität, mit welcher Kontinuität? Ein Score-Modell auf wenig Daten überfittet. Wenn die letzten 200 Closed-Won-Deals nicht sauber dokumentiert sind, fehlt die Trainingsbasis.
-
Baseline-Modell2–3 Wochen
Erst ein einfaches Modell — Logistic Regression oder Gradient Boosting — auf den vorhandenen Daten. Ziel ist nicht der beste Score, sondern eine Benchmark gegen das Bauchgefühl. Schlägt das Modell die manuelle Einschätzung nicht, ist die Datenbasis noch nicht reif.
-
Operationalisierung3–4 Wochen
Das Modell muss ins CRM. Konkret heißt das: API-Anbindung, Score-Update-Frequenz, UI-Integration für den Vertrieb. Ein Score, den niemand sieht, ändert keine Routine.
-
Closed Loopnach 3 Monaten
Erster Vergleich Modell-Score vs. tatsächliche Abschlüsse. Welche Buckets performen, welche nicht? Erst dann wird das Modell verfeinert oder neu trainiert.
Die häufigsten Fehler — und wie man sie vermeidet
In sieben Jahren KI-Beratung haben sich vier Klassiker herauskristallisiert:
Zu früh optimiert
Teams investieren Wochen in Feature-Engineering, bevor klar ist, ob die Daten überhaupt eine sinnvolle Prognose erlauben.
✅ Die ersten zwei Wochen gehören dem Datenaudit, nicht dem Modell.
Score ohne Aktion
Der schönste Score nützt nichts, wenn das Sales-Team ihn ignoriert. Ohne Verkettung mit einer Routine bleibt das Scoring ein Spielzeug.
✅ Hoher Score triggert eine Routine: priorisiertes Follow-up, Anruf statt E-Mail, Senior-Account-Manager statt SDR.
Black Box ohne Erklärung
Wenn das Modell „73% Abschlusswahrscheinlichkeit" sagt, muss der Sales Manager verstehen, warum. Sonst entsteht Misstrauen — und Misstrauen führt zu Ignorieren.
✅ SHAP-Values oder einfachere lokale Erklärungen sind operativ notwendig.
Vergessenes Retraining
Der Markt verändert sich. Ein Modell, das vor zwei Jahren trainiert wurde, ist heute schlechter als ein simples Bauchgefühl.
✅ Mindestens quartalsweises Retraining gehört zur Mindesthygiene.
ROI: Wann lohnt sich KI-Lead-Scoring?
Darunter?
Lieber das CRM aufräumen und manuelle Routinen schärfen. KI ist hier eine Lösung, die ein Problem sucht.
Darüber?
Der Hebel kommt aus Priorisierung: Der Vertrieb konzentriert 20% der Zeit auf 80% der wertschöpfenden Leads statt umgekehrt.
Was ein guter KI Berater hier tut: den Hebel ehrlich kalibrieren, bevor das Projekt startet. Nicht jeder Use Case ist KI-würdig. Manche Probleme löst eine bessere Pipeline-Ansicht im CRM für 0 EUR Lizenzgebühr.
