Ein mittelständischer Maschinenbauer aus dem Münsterland hat im vergangenen Herbst ein KI-gestütztes Akquise-Tool eingeführt. Das System scannte täglich Firmenregister, Ausschreibungsdatenbanken und LinkedIn-Signale, priorisierte Zielunternehmen nach Kaufwahrscheinlichkeit und übergab dem Außendienst täglich eine sortierte Kontaktliste. Nach drei Monaten zog der Vertriebsleiter folgendes Fazit: mehr Leads als je zuvor, nicht mehr Abschlüsse als im Vorjahr. Die Conversion-Rate war sogar leicht gesunken.
Dieses Ergebnis ist kein Einzelfall. Es beschreibt eine strukturelle Spannung, die in der KI-Vertriebsdebatte des Jahres 2026 zu wenig Raum einnimmt: Technologie, die den oberen Teil des Trichters verbreitert, verändert nicht automatisch, was am unteren Ende herauskommt. Die Kennzahl, die diesen Sachverhalt auf den Punkt bringt, lautet im deutschen B2B-Mittelstand grob 24 zu 1 – vierundzwanzig maschinell identifizierte und als relevant eingestufte Kontakte für jeden tatsächlichen Neukundenabschluss. Die Zahl ist keine Präzisionsmessung, sondern eine Größenordnung, die sich aus mehreren Benchmarks ableitet: Forrester beziffert die Angebotsquote aus qualifizierten B2B-Leads auf vier bis sechs Prozent, und die Abschlussquote aus Angeboten liegt im Mittelstand nach Gartner-Daten bei rund zwanzig bis fünfundzwanzig Prozent. Wer diese Werte durchmultipliziert, landet bei einer Gesamtkonversion von deutlich unter fünf Prozent.
Was KI im Akquiseprozess tatsächlich verändert
KI-Systeme der aktuellen Generation – ob eigenständige Sales-Intelligence-Plattformen oder eingebettete Funktionen in Salesforce, HubSpot oder Microsoft Dynamics – leisten im Wesentlichen drei Dinge zuverlässig: Sie aggregieren Signale aus heterogenen Quellen (Firmenfinanzdaten, Technologie-Installationen, Stellenanzeigen, Messeauftritte, Social-Media-Aktivität), sie priorisieren Zielfirmen nach trainierten Scoringmodellen, und sie reduzieren die Zeit, die ein Vertriebsmitarbeiter mit Recherche verbringt. McKinsey schätzt in seinem State-of-AI-Report 2025, dass KI-gestützte Recherche die Vorbereitungszeit pro Kundenkontakt um dreißig bis vierzig Prozent senkt. Für ein zehnköpfiges Vertriebsteam sind das mehrere Mannstunden täglich.
Was die Systeme nicht leisten: Sie entscheiden nicht, ob ein Erstkontakt per Telefon, E-Mail oder persönlichem Besuch sinnvoller ist. Sie wissen nicht, ob der priorisierte Einkaufsleiter gerade im Jahresendstress steckt oder ob das Zielunternehmen intern bereits eine Vergabe vorbereitet. Und sie können die entscheidende Frage des B2B-Vertriebs nicht beantworten: Wer im Buying Center trifft die Entscheidung, und wie komme ich an diese Person heran? Laut Gartner sind an einem typischen B2B-Kaufprozess im Mittelstand sechs bis acht Personen beteiligt. KI-Scoring erfasst davon im besten Fall die öffentlich sichtbare Schicht.
Der Trichter wird breiter – und das ist das Problem
Die eigentliche Gefahr liegt nicht darin, dass KI-Tools schlecht funktionieren. Sie liegt darin, dass sie zu gut funktionieren, ohne dass der Vertriebsprozess nachgezogen hat. Wenn ein System dreimal so viele priorisierte Leads liefert wie bisher, entsteht ein Kapazitätsproblem: Dieselbe Mannschaft soll mehr Kontakte mit gleicher oder höherer Qualität bearbeiten. In der Praxis bedeutet das dünnere Vorbereitung, kürzere Gesprächszeiten und – paradoxerweise – sinkende Konversionsraten. Bitkom hat in seiner Mittelstandsstudie 2025 erhoben, dass knapp die Hälfte der Unternehmen, die KI im Vertrieb einsetzen, die interne Bearbeitungskapazität nicht parallel angepasst hat.
Ein zweites strukturelles Problem ist die Qualitätsinflation beim Scoring. Je mehr Vertriebsteams ähnliche KI-Plattformen nutzen, desto stärker ähneln sich ihre Outreach-Listen. Unternehmen, die nach gängigen Signalmodellen als kaufbereit eingestuft werden, erhalten 2026 von drei bis fünf Wettbewerbern gleichzeitig automatisierte Erstkontakte. Die Antwortquoten sinken entsprechend. IDC beobachtet in seiner europäischen KMU-Studie für 2026, dass die Öffnungsraten für KI-generierte Erstkontakt-E-Mails in manchen Branchen bereits unter zehn Prozent liegen – ein Niveau, das manuell erstellte, personalisierte Nachrichten in der Regel noch übertrifft.
Wo KI im Akquiseprozess wirklich greift
Die Unternehmen, die im Pilotvergleich bessere Ergebnisse vorweisen, verfolgen in der Regel eine engere Strategie: Sie setzen KI nicht ein, um den Funnel zu verbreitern, sondern um ihn zu vertiefen. Konkret bedeutet das: KI priorisiert eine kleinere Menge an Zielunternehmen mit hoher Passgenauigkeit – nach Branche, Unternehmensgröße, technologischer Infrastruktur und aktuellen Wachstumssignalen. Der Vertrieb bearbeitet diese Liste intensiver, nicht schneller. Gesprächsvorbereitung, Buying-Center-Analyse und individuelle Ansprache erhalten mehr Zeit, nicht weniger.
Ein weiterer Hebel liegt in der Nachverfolgung. KI-Systeme können automatisch erkennen, wann ein Zielunternehmen ein neues Signal sendet – eine Stellenanzeige für einen Bereich, der zum Angebot passt, eine Pressemitteilung über einen Investitionsplan, eine Veränderung im Führungsteam. Diese Signale manuell zu verfolgen ist für ein mittelständisches Vertriebsteam schlicht nicht leistbar. Hier schafft Automatisierung echten Mehrwert, weil sie Timing verbessert, nicht nur Volumen. Salesforce berichtet in seinem State-of-Sales-Report 2025, dass Vertriebsteams, die Kauf-Trigger systematisch per KI verfolgen, ihre Erstkontakt-Antwortquoten um zwanzig bis dreißig Prozent steigern konnten.
Was Vertriebsleiter jetzt entscheiden müssen
Die praktische Konsequenz für Vertriebsleiter im Mittelstand ist keine technische, sondern eine strategische. Vor der Einführung oder Erweiterung eines KI-gestützten Akquise-Tools sind drei Fragen zu klären, die häufig übersprungen werden.
Erstens: Wie viele qualifizierte Leads kann das Team realistisch pro Woche bearbeiten? Diese Zahl ist die Kapazitätsgrenze, nach der das System kalibriert werden muss – nicht umgekehrt. Ein System, das täglich fünfzig Leads priorisiert, ein Team aber höchstens fünfzehn davon ernsthaft kontaktieren kann, erzeugt nur Rückstand und Frustration.
Zweitens: Welche Signale im Scoring-Modell korrelieren nachweislich mit Abschlüssen in der eigenen Branche? Die Standardmodelle der Plattformanbieter sind auf breite Datensätze trainiert, nicht auf die spezifischen Kaufmuster eines mittelständischen Anlagenbauers oder Logistikdienstleisters. Die Kalibrierung auf eigene historische Abschlussdaten ist aufwendig, aber der entscheidende Unterschied zwischen einem System, das Aktivität produziert, und einem, das Umsatz produziert.
Drittens: Wer ist für die Konversionsrate verantwortlich – nicht für die Lead-Anzahl? In vielen Unternehmen endet die Zuständigkeit des KI-Systems an der Übergabe an den Außendienst. Was danach passiert, liegt in einer Grauzone zwischen Marketing, Innendienst und Außendienst, die niemand wirklich ausfüllt. Solange die Erfolgsmessung bei der Anzahl der generierten Leads endet, optimiert das System das Falsche.
Der Maschinenbauer aus dem Münsterland hat nach seinem ernüchternden ersten Quartal einen anderen Ansatz gewählt: Das System liefert jetzt täglich maximal zwölf priorisierte Kontakte statt fünfzig. Jeder Kontakt wird mit einem strukturierten Briefing übergeben – Buying-Center-Hypothese, erkannte Trigger, empfohlener Kanal. Der Außendienst hat mehr Vorbereitung, weniger Volumen. Nach zwei weiteren Quartalen lag die Abschlussquote aus diesen Leads rund achtzehn Prozent über dem Vorjahresniveau. Die Gesamtzahl der Neukunden war nahezu identisch. Nur die Zeit und Energie, die dafür aufgewendet wurden, war deutlich geringer.