KI im Vertrieb · 17. Juni 2026 · 18 Min. Lesezeit · Mohsen Ghulami, GTM Engineer, Amplifa

KI im Vertrieb: AI Sales Playbook für DACH

KI im Vertrieb für Fertiger: baue ein hybrides AI Sales Playbook für ICP, Outbound, Coaching und Forecast. Starte mit klaren Schritten, Tools und DSGVO.

Man hört auf LinkedIn ständig, dass KI im Vertrieb bald den kompletten SDR-Job frisst. Stimmt nicht. Was KI frisst, ist die stumpfe Vorarbeit — Listen bauen, Websites lesen, CRM-Felder pflegen, Erstentwürfe schreiben, Meeting-Notizen sortieren. Die Realität im Industrievertrieb ist weniger sexy und viel nützlicher: Der beste Verkäufer bei DMG Mori, Trumpf oder einem 180-Mann-Zulieferer in OWL bleibt ein Mensch, aber er arbeitet 2026 mit einem Playbook, das jede Woche aus Daten lernt. Genau darum geht es hier — ein AI-augmented Sales Playbook für mittelständische Fertiger in DACH, nicht als Folienidee, sondern als Setup, das ich bei Amplifa in echten Revenue-Workflows sehe.

Problem-Statement — was ohne KI im Vertrieb schiefgeht

Wenn ein Fertigungsunternehmen mit 50 bis 500 Mitarbeitern heute noch Outbound wie 2018 betreibt, verbrennt es Pipeline. Hart formuliert, aber ich sehe es zu oft. Ein Vertriebsleiter kauft 8.000 Kontakte, filtert grob nach Branche, lässt drei Sequenzen schreiben und wundert sich nach vier Wochen über 0,7 Prozent Antwortquote. Das Problem ist nicht Cold Email. Das Problem ist schlechte Account-Auswahl. Im Maschinenbau reicht „Automotive-Zulieferer, 100 bis 500 Mitarbeiter, DACH“ nicht mehr. Brose, Webasto, Schaeffler, ZF-naher Tier-2, Sondermaschinenbauer in Baden-Württemberg — alles andere Kaufmotive, andere Investitionslogik, andere Buying Committees. Wer das in eine Liste kippt, bekommt Rauschen. Und Rauschen kostet Ruf, Domainscore, Zeit der AEs und irgendwann auch Vertrauen im Management.

Der zweite Schaden passiert leiser. Forecasts werden politisch. Nicht absichtlich. Ein AE sagt „Commit“, weil das Werk letzte Woche noch interessiert klang; der Geschäftsführer liest daraus 180.000 Euro erwarteten Auftragseingang; Operations plant mit. Dann hängt der Deal sechs Wochen bei Einkauf und Technik, weil niemand den Instandhaltungsleiter, den Qualitätsverantwortlichen und den CFO sauber getrennt bearbeitet hat. Laut VDMA-Auftragseingangsberichten war 2024 und Anfang 2025 in vielen Teilsegmenten des Maschinen- und Anlagenbaus die Nachfrage volatil — in so einem Markt ist Bauchgefühl im Forecast nicht romantisch, sondern teuer. Eine Analyse von DevCommX für 2026 beschreibt den wirtschaftlichen Split ziemlich klar: Unter etwa 50.000 Dollar ACV können AI-lastige SDR-Motions funktionieren, zwischen 50.000 und 150.000 Dollar gewinnt meist ein hybrides Modell, oberhalb von 150.000 Dollar bleibt menschliche Glaubwürdigkeit entscheidend. Genau in dieser mittleren Zone hängen viele DACH-Fertiger. Naja, fast. Bei komplexer Automatisierung können auch 80.000 Euro schon Enterprise-Verhalten haben.

Überblick — was dieser Praxis-Guide liefert

Ich baue den Guide so auf, wie ich ein Sales Playbook intern aufsetzen würde: erst der Markt und der ICP, dann Account-Scoring, dann Outreach, dann Qualification, dann Coaching und Forecast. Keine Tool-Liste zum Abhaken. Tools sind nur Hebel. Wenn die Datenbasis schief ist, macht Clay aus Müll hübschen Müll, Salesforce verwaltet ihn sauber und Gong transkribiert später, warum der Deal nie real war.

• Schritt 1 — ICP und Account-Universum mit KI definieren, aber von Menschen begrenzen lassen
• Schritt 2 — Account-Scoring und Trigger-Signale für Industrievertrieb operationalisieren
• Schritt 3 — Personalisierte Outbound-Sequenzen bauen, ohne DSGVO und Sender-Reputation zu ruinieren
• Schritt 4 — Qualification, Call Coaching und Einwandmuster in den Workflow zurückspielen
• Schritt 5 — Forecast-Governance und Deal-Reviews so aufsetzen, dass KI hilft und nicht halluziniert

Schritt 1 — KI im Vertrieb beginnt beim ICP

Der größte Fehler passiert vor der ersten E-Mail. Viele Teams fragen KI: „Schreibe mir eine Sequenz für Maschinenbauer.“ Falsche Frage. Ich frage zuerst: „Welche 250 Accounts haben mit hoher Wahrscheinlichkeit ein Problem, das unser Produkt jetzt löst, und welche 40 davon gehören in eine menschlich geprüfte Prioritätsliste?“ Das klingt kleiner. Es ist größer. Bei einem Hersteller von Greiftechnik, Sensorik oder industrieller Software ist der relevante Markt nicht „Fertigung“, sondern ein Cluster aus Anwendung, Maschinenpark, Investitionsdruck, Region, Zertifizierung, Lieferkette und Timing. Phoenix Contact verkauft nicht in denselben Kontext wie Kärcher Professional. Festo nicht wie ein kleiner Anbieter für Retrofit-CNC. Und ein Geschäftsführer in Aalen liest eine E-Mail über OEE anders als ein Werkleiter in Liberec.

Für den ersten Entwurf nutze ich gern eine Kombination aus CRM-Export, LinkedIn Sales Navigator, Datenanbieter und einem Anreicherungs-Workflow. In Projekten sehe ich oft Salesforce oder HubSpot als CRM, Sales Navigator für Personen- und Account-Suche, Cognism oder ZoomInfo für Kontaktdaten, 6sense oder Demandbase für Intent, Lusha für schnelle ICP-Segmente in natürlicher Sprache, Apollo für kleinere Outbound-Teams und Clay als Klebstoff zwischen Quellen. Lusha positioniert sich genau in dieser Schicht — AI Lead Generation und ICP-Definition per Plain Language. Das ist nützlich, solange niemand glaubt, dass ein Prompt die Marktkenntnis eines Vertriebsleiters ersetzt. Ein guter Prompt ist: „Finde mittelständische Hersteller in DACH mit 80 bis 450 Mitarbeitenden, hoher Exportquote, Automotive- oder Medtech-Bezug, sichtbaren Investitionen in Automatisierung seit März 2025 und Rollen in Produktion, Qualität, Instandhaltung und Einkauf.“ Ein schlechter Prompt ist: „Finde gute Leads.“ Das Geräusch, das danach entsteht, ist meistens ein CSV-Download.

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten lagen bei Industriekunden mit sauberem ICP-Schnitt meist 18 bis 35 Prozent der ursprünglich eingekauften Kontakte nach der ersten Prüfung außerhalb des Zielmarkts — falsche Werke, Holding-Kontakte ohne operative Relevanz, Distributoren statt Hersteller, Niederlassungen ohne Budget. Wenn wir vor dem Versand eine AI-gestützte Account-Prüfung plus menschliche Stichprobe von 50 bis 80 Accounts gemacht haben, sank der Anteil „nett, aber irrelevant“-Antworten deutlich. Besonders auffällig war ein Pattern bei DACH-Fertigern mit mehrstufigem Vertrieb: Accounts mit sichtbaren Ersatzteil-, Service- oder Retrofit-Signalen antworteten besser auf produktionsnahe Nutzenargumente als auf generische ROI-Sprache. Das steht in keinem SaaS-Benchmark. Das sieht man, wenn man Nachrichten, CRM-Notizen und echte Replies nebeneinanderlegt.

Konkretes Beispiel — Account-Universum für einen Automatisierungsanbieter

Nehmen wir einen Anbieter für industrielle Bildverarbeitung mit 140 Mitarbeitern aus Süddeutschland. Ziel: mehr Opportunities in Lebensmittelverpackung, Medizintechnik und Kunststoffverarbeitung. ACV: 60.000 bis 130.000 Euro. Klassischer Outbound würde Geschäftsführer, Produktionsleiter und Einkaufsleiter anschreiben. Das ist zu grob. Ich würde zuerst 1.200 Accounts bauen, dann auf 300 reduzieren, dann 80 Top-Accounts pro Quartal in ABM-Manier bearbeiten. Filter: ISO- oder GMP-Nähe, hohe Variantenvielfalt, sichtbare Qualitätsanforderungen, neue Linien, Stellenanzeigen für Automatisierungstechniker, Pressemitteilungen zu Kapazitätserweiterungen, Maschinenpark-Hinweise auf der Website, Erwähnungen von Ausschuss, Rückverfolgbarkeit oder Prüfprozessen. Klingt kleinteilig. Genau dort steckt die Antwortquote.

Der Workflow ist simpel, aber nicht bequem. Erst exportiere ich Bestandskunden mit geschlossenen gewonnenen Deals aus Salesforce oder HubSpot, inklusive Branche, ACV, Sales Cycle, Verlustgründen und Kontaktrollen. Dann lasse ich eine KI Cluster bilden: Welche Kunden haben ähnliche Produktionsprozesse, nicht nur ähnliche NACE-Codes? Anschließend suche ich Lookalikes über Sales Navigator, Cognism, Lusha oder ZoomInfo. Danach enrichments über Clay — Website-Snippets, Tech-Stack-Hinweise, Job-Postings, News, Standortdaten. Am Ende bekommt jeder Account einen Score von 0 bis 100. Aber der Score ist nicht heilig. „Das funktioniert bei uns nicht“, sagte mir kürzlich Andrea, Head of Sales bei einem Maschinenbau-Zulieferer in Bielefeld, als ihr erstes Modell drei ihrer besten Bestandskunden niedrig bewertete. Sie hatte recht. Das Modell hatte Distributoren unterschätzt, weil die Website kaum technische Tiefe hatte. Wir haben ein Channel-Feld ergänzt. Danach wurde es brauchbar.

Schritt 2 — Account-Scoring und Signale statt Listenfetisch

Ein AI Sales Playbook braucht eine klare Trennung zwischen Fit und Timing. Fit heißt: Der Account passt grundsätzlich. Timing heißt: Warum jetzt? Viele Vertriebe mischen beides und vergeben dann Fantasie-Scores. Ein Unternehmen wie Wittenstein passt für viele Automatisierungsanbieter als Account, aber das heißt nicht, dass genau jetzt ein Projekt offen ist. Umgekehrt kann ein kleiner Hersteller aus dem Raum Heilbronn mit 95 Mitarbeitern gerade dringend Bedarf haben, weil eine neue Linie im Juli 2025 anlief und der Ausschuss in der Anlaufphase hoch ist. KI hilft hier beim Lesen von Signalen, nicht beim Wahrsagen. Das ist ein Unterschied, den man im Pipeline-Meeting hört.

Ich trenne Scores in vier Ebenen: Firmographic Fit, Use-Case Fit, Trigger Fit und Relationship Fit. Firmographic Fit sind Mitarbeiterzahl, Standort, Branche, Exportquote, Konzern- oder Mittelstandsstruktur. Use-Case Fit ist der eigentliche Produktionskontext: hohe Taktzeiten, Variantenwechsel, Energieverbrauch, Qualitätsprüfung, Stillstandsrisiko, manuelle Nacharbeit. Trigger Fit kommt aus Signalen: Stellenanzeigen, Messeauftritte, Investitionsmeldungen, neue Zertifizierungen, Lieferantenwechsel, ERP- oder MES-Projekte, neue Produktionshallen. Relationship Fit ist unsexy, aber stark: Gibt es einen gemeinsamen Kunden, einen früheren Kontakt, eine Messeinteraktion auf der SPS in Nürnberg, einen Newsletter-Klick, einen Besucher aus derselben Domain? Snowflake hat öffentlich beschrieben, KI intern für Prospect Research, Lead Scoring und agentische Workflows einzusetzen, um Recherchezeit von Stunden auf Minuten zu drücken. Der Punkt ist nicht Snowflake als Fertigungs-Case. Der Punkt ist die Betriebslogik: Recherche muss in den Workflow, nicht in den Kalender des AEs.

Ich will keine 500 neuen Leads. Ich will 50 Accounts, bei denen mein Team sofort versteht, warum wir anrufen.

— Thomas, Vertriebsleiter bei einem Komponentenhersteller, Stuttgart

Für DACH-Fertiger baue ich Scoring-Regeln selten komplett automatisch. Ich lasse KI Vorschläge machen und zwinge das Team dann in eine 90-Minuten-Session. Sales, Service, manchmal Produktmanagement. Ein Servicetechniker erkennt oft bessere Kauftrigger als der CRO. Er weiß, bei welchen Anlagen der Kunde nachts wirklich Schmerzen hat. Das riecht dann nicht nach CRM, sondern nach Werkstatt, Kühlschmierstoff und einer Linie, die um 3:12 Uhr steht. Solche Informationen gehören ins Playbook. Wenn Service sagt: „Bei Kunden mit häufigen Formatwechseln ist unser Retrofit zehnmal leichter zu verkaufen“, dann wird „häufige Formatwechsel“ ein Use-Case-Signal. Nicht „Effizienzsteigerung“. Das Wort ist tot.

Schritt 3 — Outreach-Personalisierung ohne KI-Spam

AI-geschriebene Cold Emails sind meistens schlecht, weil der Input schlecht ist. Nicht weil KI keine Sätze bilden kann. Sie kann zu viele bilden. Ein gutes Playbook begrenzt die Maschine. Ich arbeite mit Messaging-Bausteinen pro Use Case: Stillstand reduzieren, Ausschuss senken, Rüstzeit verringern, Energieverbrauch sichtbar machen, Ersatzteilverfügbarkeit sichern, Qualitätsdokumentation vereinfachen. Jeder Baustein hat eine Hypothese, ein Signal und eine Frage. Beispiel für industrielle Bildverarbeitung: Signal — Stellenanzeige für Qualitätsingenieur plus neue Verpackungslinie. Hypothese — manuelle Endkontrolle skaliert nicht sauber. Frage — ob sie gerade Prüfprozesse an der Linie automatisieren oder erst später. Das ist keine Poesie. Es ist relevant.

Die Sequenz baue ich in Outreach, Salesloft oder HubSpot. Für kleinere Teams reicht oft HubSpot plus Apollo oder Lemlist, wenn Governance stimmt. Für größere Setups mit mehreren Regionen nehme ich lieber Outreach oder Salesloft, weil Routing, A/B-Tests, Suppression Lists und CRM-Sync sauberer steuerbar sind. Der Ablauf für Top-Accounts: Tag 1 personalisierte E-Mail an operative Rolle, Tag 3 LinkedIn-View oder Connect, Tag 5 Call mit konkretem Trigger, Tag 8 zweite E-Mail an fachliche Rolle, Tag 12 kurzer Multi-Thread an Einkauf oder Geschäftsführung, aber nur wenn Account-Score hoch ist. Kein 14-Touch-Monster an jeden Kontakt. Bei einem Werkleiter von Schaeffler oder einem Head of Operations bei einem Hidden Champion in Tuttlingen ist Geduld kein Fehler. Nervigkeit schon.

Beispiel-Sequenz für Maschinenbau-Outbound

Meine erste Mail hat selten mehr als 85 Wörter. Betreff: „Prüfung an Linie 3?“ oder „Rüstzeit bei Variantenwechseln“. Kein „kurzer Austausch?“. Das ist der weiße Lieferwagen unter den Betreffzeilen — alle kennen ihn, keiner steigt freiwillig ein. Die Mail nennt ein Signal, macht eine Hypothese auf und fragt nach Zuständigkeit oder Priorität. Beispiel: „Hallo Frau Keller, ich habe gesehen, dass Sie im März 2025 eine Stelle für Automatisierungstechnik am Standort Ulm ausgeschrieben haben und parallel eine neue Linie für Kunststoffbaugruppen erwähnen. Bei ähnlichen Herstellern sehen wir oft, dass die Qualitätsprüfung in der Anlaufphase zum Engpass wird. Ist die Prüfung bei Ihnen aktuell ein Thema für Produktion/Qualität — oder bin ich damit zu früh?“ Das ist nicht magisch. Aber es ist spezifisch genug, dass ein Mensch antworten kann.

DSGVO ist hier kein Fußnotenproblem. B2B-Cold-Outreach in Europa ist möglich, aber nicht als Copy-Paste aus US-Playbooks. Meiner Erfahrung nach braucht jedes Team mindestens vier Dinge: dokumentiertes berechtigtes Interesse, klare Relevanz zum beruflichen Kontext, transparente Absender- und Opt-out-Informationen, saubere Suppression Lists. Tracking-Pixel? Vorsichtig. Scraping? Noch vorsichtiger. Datenanbieter wie Cognism, Lusha oder ZoomInfo können helfen, aber sie entlassen niemanden aus der Verantwortung. Ich bin kein Anwalt, und das ist keine Rechtsberatung. Praktisch heißt es: Nur Kontakte anschreiben, bei denen Rolle, Account und Use Case zusammenpassen; keine privaten Adressen; Opt-out sofort respektieren; Datenherkunft im Prozess dokumentieren. Ein Vertrieb, der seine Domain für 300 schlechte KI-Mails ruiniert, hat kein Datenschutzproblem. Er hat ein Führungsproblem.

Schritt 4 und 5 — Qualification, Coaching und Forecast

Der Moment nach dem ersten Reply ist entscheidend. Viele AI-Outbound-Setups feiern die Antwortquote und verlieren dann im Discovery. Ich halte das für gefährlich. Wenn ein Produktionsleiter antwortet „Könnte interessant sein“, ist das noch keine Opportunity. Es ist ein Spalt in der Tür. Qualification muss im Playbook stehen: aktueller Prozess, wirtschaftlicher Schmerz, technische Machbarkeit, Stakeholder, Budgetlogik, Timing, Risiko des Nichtstuns. Im Industrievertrieb kommt oft noch Installation, Stillstandsfenster, CE-Themen, IT/OT-Schnittstelle, Serviceverfügbarkeit und Lieferzeit dazu. Wer nur BANT abfragt, klingt wie ein CRM-Formular mit Stimme.

Hier werden Gong, Chorus, Hyperbound AI oder native Conversation Intelligence in Salesforce und HubSpot interessant. Hyperbound beschreibt den aktuellen Trend gut: Tausende Sales Calls analysieren, Verhaltensmuster aus Closed-Won-Deals erkennen und daraus Trainingssimulationen bauen. Ich mag daran nicht den Simulator-Hype. Ich mag den Feedback-Loop. Wenn wir sehen, dass gewonnene Deals bei Anlagenbauern fast immer eine Frage zu Integrationsaufwand in den ersten 12 Minuten enthalten, dann gehört diese Frage in das Discovery-Playbook. Wenn verlorene Deals häufig nach „schicken Sie mal Unterlagen“ abdriften, dann muss das Team lernen, diese höfliche Sackgasse früher zu erkennen. Ein Gong-Clip ersetzt keinen Sales Manager. Aber er beendet Diskussionen, die vorher aus Bauchgefühl bestanden.

1. Baue eine Qualification-Scorecard pro Use Case. Für Retrofit sieht sie anders aus als für Neuanlagenverkauf. Felder: Problemstatus, Produktionsauswirkung, Stakeholder-Mapping, technische Hürde, wirtschaftlicher Treiber, nächster Schritt mit Datum.
2. Lasse KI jeden Call zusammenfassen, aber verbiete automatische Deal-Stage-Änderungen ohne menschliche Freigabe. Ein Satz wie „wir prüfen das intern“ ist kein Stage-Progress. Punkt.
3. Extrahiere Einwände aus echten Calls. Nicht aus Brainstorming. Cluster: Budget, Stillstandszeit, IT-Security, Lieferzeit, interne Priorität, bestehender Lieferant, Risiko im Anlauf.
4. Baue Coaching-Sprints. Zwei Wochen nur Opening-Fragen. Zwei Wochen nur technische Qualifikation. Danach Review von 10 echten Calls. Das ist weniger glamourös als ein neues Tool, bringt aber mehr.
5. Verknüpfe Forecast mit Belegen. Jeder Commit-Deal braucht mindestens drei Nachweise: bestätigter Business Pain, identifizierter Entscheiderkreis, datierter nächster Schritt. Wenn einer fehlt, ist der Deal kein Commit, sondern Hoffnung mit Logo.

Ich bin bei Forecast-KI skeptischer als viele Anbieter. Nicht grundsätzlich. Aber Deal-Probability aus alten CRM-Daten ist nur so gut wie die Disziplin der letzten drei Jahre. Wenn ein Team immer erst spät Stages aktualisiert hat, lernt das Modell schlechte Gewohnheiten. Deshalb starte ich lieber mit Deal-Risiko-Hinweisen: kein nächster Schritt seit 14 Tagen, nur ein Kontakt im Buying Committee, technische Prüfung offen, Einkauf nicht involviert, letzter Call ohne Kundenfrage, Opportunity kurz vor Quartalsende hochgestuft. Das sind harte Signale. Ein CFO in München braucht keine KI, die „70 Prozent Wahrscheinlichkeit“ sagt. Er braucht ein System, das zeigt, warum diese 70 Prozent fragwürdig sind.

Amplifa Sales Audit — Prüfe, wo dein Vertrieb bei ICP, Datenqualität, Outbound, CRM-Prozess und Forecast undicht ist — bevor du KI auf einen kaputten Workflow setzt.

KI im Vertrieb — der hybride Operating Model für 2026

Der stärkste 2025-2026-Trend ist nicht der autonome Verkäufer. Es ist das hybride Revenue Operating Model. AI Agents bauen Account-Universen, lesen Websites, clustern Trigger, schreiben erste Hypothesen, prüfen CRM-Lücken, erstellen Call-Zusammenfassungen und schlagen Coaching-Themen vor. Menschen entscheiden, welche Accounts strategisch sind, wie ein technischer Schmerz politisch verkauft wird, wann ein Deal wirklich reif ist und welcher Stakeholder Vertrauen braucht. Wer das verwechselt, automatisiert nicht Vertrieb. Er automatisiert Peinlichkeit.

Die ACV-Logik hilft bei der Architektur. Unter 50.000 Dollar oder Euro ACV kann man mehr automatisieren: hohe Datenqualität, klare Zielgruppe, kurze Sales Cycles, weniger Stakeholder. Zwischen 50.000 und 150.000 gewinnt hybrid: KI bereitet vor, SDR oder AE personalisiert Top-Accounts, Sales Manager coacht auf Deal-Muster. Über 150.000 wird die Maschine mehr Analyst als Verkäufer. Bei einem Anlagenprojekt mit 280.000 Euro Volumen, Werksabnahme, Integrationsrisiko und CFO-Prüfung will niemand mit einem Bot verhandeln. Er will einen Menschen, der schon einmal gesehen hat, wie eine Linie in der Anlaufphase hustet.

Für produzierende Unternehmen in DACH ist das eine Chance. Viele SaaS-Teams klingen gleich, weil ihre Personalisierung aus Jobtitel, Funding-Runde und Tech-Stack besteht. Industrievertrieb kann tiefer gehen. Produktionsconstraints sind konkret: Ausschussquote, Taktzeit, Rüstfenster, Nacharbeit, Energiepreise, Liefertermine, Anlagenverfügbarkeit, Reklamationskosten. Wenn ein Anbieter für Energiemanagement einem Werkleiter bei Kärcher oder einem Hidden Champion in Reutlingen schreibt, sollte nicht „Kosten optimieren“ im Zentrum stehen. Sondern: Lastspitzen, Druckluft-Leckagen, Transparenz pro Linie, Investitionsrechnung für ISO 50001. Da trennt sich KI-Spam von KI-gestütztem Vertrieb.

Ein Playbook-Setup, das ich praktisch bauen würde

Wenn ich morgen bei einem Fertiger mit 180 Mitarbeitern starte, würde ich nicht zuerst ein großes AI-Programm ausrufen. Ich würde einen 30-Tage-Sprint bauen. Woche 1: CRM-Daten prüfen, Closed-Won- und Closed-Lost-Deals exportieren, fünf beste Kundeninterviews intern nachzeichnen, ICP-Hypothesen formulieren. Woche 2: Account-Liste mit 500 bis 1.000 Firmen bauen, Enrichment über zwei Datenquellen, Scoring-Regeln anlegen, 60 Accounts manuell reviewen. Woche 3: Messaging pro Use Case schreiben, Sequenz in HubSpot oder Outreach bauen, DSGVO-Check und Suppression Lists prüfen, Domains und Inbox-Warmup kontrollieren. Woche 4: Pilot mit 100 bis 150 Kontakten aus 40 bis 60 Accounts, Call-Logging erzwingen, Reply-Qualität auswerten, nicht nur Reply-Rate.

Die Metriken müssen zur Motion passen. Bei breitem SMB-Outbound kann Antwortquote zählen. Bei Industrievertrieb zählt qualifizierte Account-Engagement-Rate stärker: Wie viele Zielaccounts haben eine echte Reaktion gezeigt? Wie viele Buying Committees wurden multi-threaded? Wie viele Meetings hatten einen konkreten Produktionsschmerz? Wie viele Opportunities haben nach 21 Tagen einen bestätigten nächsten Schritt? Ich habe lieber 6 gute Meetings aus 80 Zielaccounts als 22 Kalenderbuchungen, bei denen acht Leute nur „mal hören wollten“. Der Kalender ist kein Umsatz. Das vergisst man schnell, wenn Dashboards grün leuchten.

Eine Sache unterschätzen fast alle: Datenpflege muss leicht sein. Wenn AEs nach jedem Call 17 Felder ausfüllen sollen, tun sie es entweder nicht oder sie klicken irgendwas. Besser: KI schreibt die Call Summary, schlägt Felder vor, der AE bestätigt oder korrigiert. Drei Pflichtfelder reichen oft: Problem, Stakeholder, nächster Schritt. Danach kann Sales Ops die Struktur erweitern. Ich weiß, RevOps-Herzen schlagen jetzt schneller. Meins auch. Aber zu viele Felder am Anfang sind wie zu viele Sensoren an einer alten Anlage — man bekommt mehr Messwerte, nicht mehr Kontrolle.

Amplifa Revenue Workflow Check — Analysiere, welche Teile deines Sales Playbooks automatisierbar sind und wo menschliche Freigabe Pflicht bleiben sollte — besonders bei DACH-Outbound.

FAQ — was Vertriebsleiter zu KI im Vertrieb fragen

Ersetzt KI im Vertrieb mein SDR- oder BDR-Team?

Nein. Naja, fast. KI ersetzt die Teile des Jobs, die niemand ernsthaft vermissen wird: manuelle Recherche, Copy-Paste aus Websites, CRM-Hygiene, erste Datenanreicherung, Meeting-Zusammenfassungen. Bei kleinen ACVs und sehr standardisierten Angeboten kann ein AI Agent mehr übernehmen. Im DACH-Industrievertrieb mit erklärungsbedürftigen Produkten bleibt der Mensch wichtig, weil Vertrauen, technische Einordnung und politisches Stakeholder-Management nicht sauber automatisierbar sind. Ein SDR, der nur Listen abarbeitet, wird Druck bekommen. Ein SDR, der Produktionsprobleme versteht und KI als Recherche- und Priorisierungsmaschine nutzt, wird wertvoller.

Welche Tools brauche ich für ein AI Sales Playbook?

Nicht alle. Bitte nicht alle. Ein solides Minimum ist CRM, Datenquelle, Sequencing, Enrichment und Call Intelligence. Beispiel: HubSpot oder Salesforce als System of Record, LinkedIn Sales Navigator plus Cognism oder Lusha für Kontakte, Clay für Enrichment und Scoring, Outreach oder Salesloft für Sequenzen, Gong oder eine HubSpot/Salesforce-native Lösung für Calls. Für Intent können 6sense oder Demandbase stark sein, wenn genug Account-Volumen vorhanden ist. Bei 500 Zielaccounts im Jahr lohnt manchmal ein sauberer manueller Signalprozess mehr als ein teures Intent-Tool. Ehrlich? Ich weiß es nicht ohne Blick auf Dealgröße, Marktbreite und Datenqualität. Genau diese Frage sollte vor dem Tool-Kauf kommen.

Ist Cold Outreach mit KI und DSGVO in DACH überhaupt erlaubt?

B2B-Outreach ist nicht automatisch verboten, aber er braucht saubere Grundlagen. In vielen Fällen arbeiten Teams mit berechtigtem Interesse, wenn die berufliche Rolle klar relevant ist und die Ansprache verhältnismäßig bleibt. Praktisch heißt das: keine privaten Adressen, keine irrelevanten Massenmails, klare Identität des Absenders, einfache Widerspruchsmöglichkeit, dokumentierte Datenquellen, Suppression Lists und vorsichtiger Umgang mit Tracking. KI ändert die Rechtslage nicht. Sie erhöht nur das Risiko, schneller mehr falsch zu machen. Wer 2026 Europa wie einen US-Markt behandelt, wird nicht nur schlechte Reply-Rates sehen. Er wird irgendwann mit Legal am Tisch sitzen.

Amplifa Produkt — Amplifa verbindet KI-gestützte Account-Recherche, Workflow-Automation und Sales Execution für B2B-Teams, die Pipeline planbarer bauen wollen.

Die 3 wichtigsten Takeaways

1. KI im Vertrieb wirkt zuerst auf Durchsatz und Priorisierung, nicht automatisch auf Abschlussraten. Der Hebel entsteht, wenn ICP, Account-Signale und Use-Case-Messaging sauber zusammenspielen.
2. Für Industrievertrieb in DACH gewinnt das hybride Modell. KI macht Recherche, Scoring, Erstentwürfe und Call-Analyse; Menschen prüfen strategische Accounts, führen komplexe Deals und bauen Vertrauen.
3. Das Playbook muss aus echten Daten lernen: Replies, Calls, Verlustgründe, Einwände, nächste Schritte. Wenn diese Feedback-Schleife fehlt, produziert KI nur mehr Aktivität.

Mein kantiger Schluss: Wer 2026 noch auf reine Inbound-Strategie setzt, hat in fünf Jahren keine Pipeline mehr. Nicht weil Inbound tot ist. Sondern weil die besten Accounts im Industrievertrieb selten warten, bis sie ein Formular ausfüllen. Sie stehen in Werken, planen Linien, verschieben Budgets, diskutieren mit Einkauf und Technik. KI kann helfen, diese Momente früher zu sehen. Verkaufen muss dann immer noch jemand, der nicht klingt wie ein Autoresponder.