Der Preis ist die mächtigste Stellschraube im Vertrieb – und die am stärksten vernachlässigte. McKinsey hat in wiederholten Analysen belegt, dass eine Verbesserung der Preisrealisation um einen Prozentpunkt die operative Marge stärker hebt als eine Umsatzsteigerung um fünf Prozent. Für einen Mittelständler mit 20 Millionen Euro Umsatz und zehn Prozent EBIT bedeutet das: Wer drei Prozentpunkte Preis zurückgewinnt, der hat sein EBIT um fast ein Drittel verbessert – ohne einen einzigen Neukunden gewonnen zu haben.
Dennoch kalkulieren nach Schätzungen von Simon-Kucher weniger als ein Drittel der deutschen Mittelständler ihre Angebotspreise auf Basis strukturierter Daten. Die überwiegende Mehrheit verlässt sich auf Erfahrungswerte der Vertriebsmitarbeiter, branchenübliche Listenpreise und gelegentliche Wettbewerbsbeobachtung. Und das, obwohl in den meisten CRM- und ERP-Systemen bereits die Rohdaten liegen, aus denen ein KI-Modell in kürzester Zeit belastbare Preis-Elastizitäten errechnen könnte.
Was KI-Pricing leistet – und was nicht
KI-gestützte Preisoptimierung ist kein Zauberwort. In der Praxis handelt es sich um statistische Modelle – meist Gradient-Boosting-Algorithmen oder neuronale Netze –, die historische Transaktionsdaten, Kundenmerkmale, Wettbewerbsdaten und externe Variablen wie Rohstoffpreise oder Lieferzeiten verknüpfen. Das Ergebnis: ein dynamisch berechneter Zielkorridor für jeden Auftrag, der dem Vertriebsmitarbeiter als Empfehlung vorgelegt wird. Kein Vertriebsleiter wird durch das System ersetzt. Das Modell rechnet, der Mensch entscheidet.
Gartner stuft KI-gestützte Preisoptimierung im Hype Cycle for Revenue and Sales Technology 2025 auf dem Weg zum „Plateau der Produktivität" ein – ein Reifezeichen, das in der Vergangenheit Forecasting und Lead-Scoring vorausgegangen ist, bevor beide zum Standard wurden. Laut Forrester werden bis Ende 2026 rund 30 Prozent der B2B-Unternehmen in Westeuropa irgendeine Form von KI-gestützter Preisempfehlung einsetzen – der Mittelstand liegt dabei deutlich unter dem Durchschnitt.
BCG beziffert in einer Analyse von 2024 das Margenverbesserungspotenzial durch systematisches Pricing bei produzierenden Mittelständlern auf zwei bis vier Prozentpunkte – wenn drei Voraussetzungen erfüllt sind: saubere Transaktionsdaten über mindestens 24 Monate, mehr als 200 aktive Kunden-Artikel-Kombinationen im Portfolio und eine CRM-Disziplin, die Rabatthistorien nachvollziehbar dokumentiert. Wer diese Basis hat, kann innerhalb von drei bis sechs Monaten ein erstes produktives Modell betreiben.
Drei Hürden, die den Rollout aufhalten
Warum liegt das Potenzial dann brach? Die Antwort ist nicht technischer Natur. Laut Bitkom Digitalisierungsindex Mittelstand 2025 nennen Befragte als häufigste Barriere für den Einsatz von KI im Vertriebsprozess drei Faktoren, die sich gegenseitig verstärken.
Die Datenfragmentierung ist dabei das technisch lösbare, aber organisatorisch aufwändige Problem. Wer in einem ERP-System – etwa SAP Business One, Microsoft Dynamics oder Sage – keine konsequente Rabattdokumentation betreibt, der liefert jedem KI-Modell Rauschen statt Signal. Einige Anbieter wie Vendavo, Pricefx oder der aufstrebende deutsche Anbieter Buynomics haben darauf reagiert und bieten vorgelagerte Datennormalisierungsmodule an, die aus fragmentierten Quellen innerhalb weniger Wochen ein trainierungsfähiges Dataset erzeugen. Die Kosten für einen solchen Vorbereitungsschritt liegen laut Marktbeobachtern typischerweise im niedrigen fünfstelligen Bereich – und amortisieren sich bei erfolgreicher Implementierung in der Regel innerhalb des ersten Geschäftsjahres.
Der Kulturwiderstand ist die schwerer zu lösende Hürde. Vertriebsmitarbeiter, die seit Jahren mit einem festen Rabattspielraum arbeiten, reagieren auf algorithmische Preisempfehlungen häufig mit Ablehnung – nicht weil die Empfehlung falsch wäre, sondern weil sie ihr implizites Erfahrungswissen in Frage stellt. Das Modell zeigt dem Außendienst, was er bisher intuitiv gemacht hat – und manchmal, wie viel er dabei liegengelassen hat. Simon-Kucher berichtet aus Projekten, dass die Akzeptanz signifikant steigt, sobald das System nicht als Kontrollmechanismus, sondern als Verhandlungsunterstützung kommuniziert wird: „Hier ist der Korridor, in dem du sicher bist – und hier, was Kunden mit ähnlichem Profil akzeptiert haben.
Der richtige Einstieg: Segment vor Gesamtportfolio
Mittelständler, die KI-Pricing erfolgreich eingeführt haben, starten fast ausnahmslos mit einem definierten Teilsegment: einem Produktbereich mit hoher Transaktionsfrequenz, stabiler Nachfrage und einer Kundenstruktur, die groß genug für statistische Aussagen ist. Ein Maschinenbauer mit 300 Kunden und einem C-Teile-Sortiment von 800 Artikeln ist ein typisches Einstiegsszenario. Das Modell wird zunächst nur für dieses Segment trainiert, die Empfehlungen werden drei Monate lang parallel zu den bestehenden Preisprozessen ausgespielt – ohne Verbindlichkeit. Erst wenn die Vertriebsmannschaft dem Modell vertraut, wird der Empfehlungsprozess verbindlich.
Dieser schrittweise Ansatz hat einen weiteren Vorteil: Er erzeugt intern die Datenbasis für den Business Case. Nach dem Piloten lässt sich exakt berechnen, in wie vielen Fällen das Modell einen höheren Preis empfohlen hätte als der Vertrieb durchgesetzt hat – und in wie vielen Fällen der Vertrieb besser lag. Die meisten Unternehmen stellen dabei fest, dass das Modell in der Masse der Standardaufträge konsequenter ist, während der Mensch in komplexen Kundensituationen den Vorteil behält.
Was Geschäftsführer jetzt prüfen sollten
Die Frage, ob KI-Pricing für ein Unternehmen geeignet ist, lässt sich mit drei konkreten Prüffragen klären. Erstens: Haben wir mehr als 18 Monate strukturierte Transaktionsdaten mit Kundenkennung, Artikelnummer, Nettorealpreis und Rabattstufe? Wer diese Frage bejahen kann, hat die wichtigste Voraussetzung erfüllt. Zweitens: Gibt es in unserem Portfolio mindestens ein Segment mit mehr als 50 aktiven Kunden und wiederkehrenden Bestellmustern? Das ist die Mindestgröße für statistisch belastbare Modelle. Drittens: Ist Pricing aktuell eine Funktion, für die jemand im Unternehmen die formale Verantwortung trägt – und nicht nur implizit der Vertrieb?
Wer alle drei Fragen bejaht, steht vor einem Umsetzungsprojekt mit klarem ROI-Profil. Wer die dritte Frage verneint, sollte die organisatorische Klärung vor die Technologieentscheidung stellen. Kein KI-Modell kompensiert eine fehlende Pricing-Governance. Das ist keine Schwäche der Technologie – es ist eine Führungsaufgabe.
Die Lage im deutschen Mittelstand lässt sich präzise zusammenfassen: Die Daten liegen vor, die Technologie ist ausgereift, die Marktmechanik belohnt schnelles Handeln – und dennoch nutzen nach Schätzungen von Gartner und Simon-Kucher weniger als zehn Prozent der mittelständischen B2B-Unternehmen irgendeinen datengetriebenen Pricing-Ansatz. Der Wettbewerbsvorteil gehört vorerst denen, die anfangen.