KI im Vertrieb: Lead-Scoring und automatisches Nachfassen

Das eigentliche Problem ist nicht zu wenig Leads

Viele Vertriebsteams im Mittelstand glauben, sie hätten ein Lead-Problem. In Wahrheit haben sie meist ein Folge-Problem: Anfragen kommen rein, aber das Nachfassen passiert unregelmäßig, zu spät oder gar nicht. Studienlage und Praxis sind sich einig, dass die Reaktionsgeschwindigkeit nach einer Anfrage stark über die Abschlusswahrscheinlichkeit entscheidet — und dass die meisten Verkäufe erst nach mehreren Kontaktversuchen zustande kommen. Genau diese mehreren Versuche bleiben im Alltag liegen.

KI im Vertrieb setzt an zwei Hebeln an: Lead-Scoring (welcher Kontakt verdient meine Zeit zuerst?) und automatisches Nachfassen (kein Lead fällt durchs Raster). Beides zusammen sorgt dafür, dass begrenzte Vertriebszeit auf die richtigen Kontakte fließt.

Lead-Scoring: Welcher Lead lohnt sich?

Lead-Scoring bedeutet, jeden Kontakt mit einer Punktzahl zu versehen, die seine Abschlusswahrscheinlichkeit abbildet. Klassisches Scoring arbeitet mit starren Regeln ("Geschäftsführer = +10 Punkte"). KI-gestütztes Scoring lernt aus deinen tatsächlichen Abschlüssen, welche Merkmale wirklich korrelieren.

Welche Signale in das Scoring einfließen

• Firmografische Daten: Branche, Unternehmensgröße, Region — passt der Lead zum Zielkundenprofil?
• Verhalten: Welche Seiten wurden besucht, wurde ein Angebot geöffnet, wie schnell kam eine Antwort?
• Inhalt der Anfrage: Hier ist KI stark. Ein Sprachmodell erkennt im Freitext, ob jemand konkret kaufen will ("brauchen das bis Quartalsende") oder nur recherchiert ("interessehalber").
• Quelle: Empfehlung schlägt Kaltkontakt, das lässt sich gewichten.

Ein Praxisbeispiel

Bei einem Visa- und Auswanderungs-Consulting kommen Anfragen mit sehr unterschiedlicher Ernsthaftigkeit: manche haben bereits ein Jobangebot im Zielland, andere überlegen vage. Eine KI liest den Anfragetext und ordnet ihn nach Dringlichkeit und Konkretheit ein. Das Team ruft dann zuerst die an, die kurz vor einer Entscheidung stehen — statt chronologisch von oben nach unten. Das ist der Unterschied zwischen "alle Leads gleich behandeln" und "die heißen zuerst".

So baut man ein einfaches Score-Modell auf

1. Definiere, was ein guter Lead ist. Schau auf die letzten 50–100 Abschlüsse: Was hatten sie gemeinsam?
2. Lege 5–8 Kriterien fest, die sich aus deinen Daten ablesen lassen. Mehr braucht es am Anfang nicht.
3. Lass die KI den Anfragetext bewerten und kombiniere das mit den harten Daten zu einem Gesamtscore (z. B. A/B/C).
4. Überprüfe nach ein paar Wochen, ob die A-Leads tatsächlich besser abschließen, und justiere die Gewichte.

Automatisches Nachfassen: Kein Lead bleibt liegen

Der zweite Hebel ist die Follow-up-Strecke. Ziel ist nicht, Menschen durch Roboter zu ersetzen, sondern die Routine-Erinnerungen und ersten Berührungspunkte zu automatisieren, damit der Verkäufer sich auf die Gespräche konzentriert.

Wie eine sinnvolle Nachfass-Strecke aussieht

• Sofort-Reaktion: Direkt nach einer Anfrage geht eine kurze, persönliche Bestätigung raus — idealerweise in Minuten, nicht Stunden. Schon das hebt die Abschlussquote spürbar.
• Gestaffelte Erinnerungen: Wenn keine Reaktion kommt, folgen nach z. B. 2, 5 und 10 Tagen weitere Kontaktpunkte — mit jeweils anderem Aufhänger, nicht dieselbe Mail dreimal.
• Kanal-Mix: Mail, je nach Geschäft auch eine erinnerte Telefon-Aufgabe für den Verkäufer. B2B-Outreach kann zusätzlich über LinkedIn laufen.
• Automatischer Stopp: Sobald der Lead antwortet oder einen Termin bucht, stoppt die Automation und der Mensch übernimmt. Nichts wirkt unprofessioneller als eine automatische Mahnung, nachdem man schon telefoniert hat.

KI macht das Nachfassen besser, nicht nur schneller

Der Unterschied zu starren Mail-Sequenzen: Ein Sprachmodell kann die Nachfass-Nachricht auf den konkreten Lead zuschneiden — Bezug auf die ursprüngliche Anfrage, passender Ton, relevante Information statt Textbaustein. Das hält die Personalisierung hoch, ohne dass jemand jede Mail einzeln tippt. Wichtig bleibt: Der Mensch gibt den Rahmen vor und prüft bei wichtigen Kontakten, bevor etwas rausgeht.

Tool-Stack und Anbindung

| Baustein | Womit | Wofür |

|—|—|—|

| CRM als Datenbasis | HubSpot, Pipedrive, Zoho, eigenes System | Leads, Status, Historie an einem Ort |

| Workflow-Automation | n8n, Make | Trigger, Sequenzen, Stopp-Logik |

| Bewertung & Text | Claude, GPT-4-Klasse | Anfrage scoren, Nachfass-Text personalisieren |

| B2B-Outreach | LinkedIn-Automation, Mail | Mehrkanal-Ansprache |

Die Grundvoraussetzung für alles: ein gepflegtes CRM. Ohne saubere Datenbasis ist jedes Scoring Kaffeesatzlesen. Wer noch in Excel-Listen und Postfächern arbeitet, sollte zuerst das CRM aufräumen — das ist oft schon die halbe Miete.

Stolpersteine

• Spam-Gefahr und Reputation. Zu viele automatische Mails verbrennen Adressen und schaden der Domain-Reputation. Lieber wenige, relevante Kontaktpunkte mit klarem Stopp.
• Rechtlicher Rahmen. Werbliche Mails an Geschäftskontakte unterliegen dem UWG; eine Einwilligung oder ein berechtigtes Interesse muss vorliegen, und ein Abmeldelink gehört in jede Mail. Datenverarbeitung im CRM und in der KI ist DSGVO-relevant — AVV mit den Anbietern vorausgesetzt.
• Falsches Vertrauen ins Score. Ein Modell ist nur so gut wie die Daten. Wenn das Scoring auf zu wenigen oder verzerrten Abschlüssen beruht, priorisiert es falsch. Regelmäßig gegen echte Ergebnisse prüfen.
• Zu unpersönlich. Wenn jeder merkt, dass eine Maschine schreibt, verliert man Vertrauen — gerade im beratungsintensiven Mittelstand. Automation für die Routine, Mensch für den Moment, der zählt.
• Über-Automatisierung. Den Verkäufer komplett rauszunehmen ist im B2B selten klug. Die Stärke liegt in der Kombination: KI sortiert und erinnert, der Mensch verkauft.

Mini-Checkliste

• [ ] Ist das CRM gepflegt und sind Leads vollständig erfasst?
• [ ] Weiß ich aus alten Abschlüssen, was einen guten Lead ausmacht?
• [ ] Steht eine Sofort-Reaktion auf neue Anfragen (in Minuten)?
• [ ] Gibt es eine gestaffelte Nachfass-Strecke mit automatischem Stopp?
• [ ] Ist der rechtliche Rahmen (Einwilligung, Abmeldelink, AVV) geklärt?
• [ ] Messe ich, ob A-Leads wirklich besser abschließen?

Was realistisch zählt

Der ehrliche Mehrwert von KI im Vertrieb ist selten ein magischer Umsatzsprung. Er liegt darin, dass kein heißer Lead mehr abkühlt, weil das Nachfassen vergessen wurde, und dass begrenzte Vertriebszeit auf die richtigen Kontakte fließt. Beides ist messbar — über Reaktionszeit, Kontaktquote und die Abschlussrate je Lead-Klasse.

Plugwork baut solche Vertriebs-Workflows so, dass sie zur Realität eines kleinen Teams passen: an das vorhandene CRM angedockt, mit klaren Stopp-Regeln und einem Menschen an den entscheidenden Stellen. Der Banking-Hintergrund hilft dabei, zwischen einem Lead, der nur recherchiert, und einem, der kaufen will, sauber zu trennen — und genau das ist der Kern guten Scorings. Wer anfangen will, fängt nicht mit dem Modell an, sondern mit der Frage: Welche Anfrage bleibt bei uns regelmäßig zu lange liegen?