KI im Vertrieb: Nano Banana 2 ist nicht genug

KI & Automatisierung · 2. November 2026 · Ohiku Mose Guy

KI im Vertrieb braucht harte Modelltests: Lesen Sie, was Nano Banana 2, Bild-KI und Sales-Workflows 2026 im Mittelstand verändern werden.

Eine Milliarde Bilder in 30 Tagen — diese Zahl wird aktuell rund um Googles Nano-Banana-Familie genannt (Economic Times, November 2026). Für KI im Vertrieb ist das kein hübscher Social-Media-Wert. Es ist ein Lasttest auf Nachfrage, Freigabeprozesse, Markenführung und auf die Frage, ob Sales-Teams künftig Visuals genauso selbstverständlich erzeugen wie E-Mail-Varianten. Nur: Eine Milliarde generierte Bilder sind kein Benchmark. Nicht für Qualität. Nicht für Latenz. Nicht für Umsatz.

Und genau da wird es für Vertriebsleiter im Mittelstand gefährlich. Wer aus Nutzungszahlen eine Modellentscheidung ableitet, kauft wahrscheinlich Geschwindigkeit und bekommt Chaos. Naja, fast. Geschwindigkeit ist gut, wenn sie in einen Workflow fällt, der Fakten prüft, Produktdaten kennt, CRM-Felder sauber liest und am Ende nicht irgendeine Maschine mit falschem Anschlussflansch in eine Angebotsgrafik malt.

Meine Prognose: Bis Ende 2027 werden B2B-Vertriebsteams mehr KI-Bilder intern erzeugen als Marketingabteilungen offiziell freigeben können. Der Engpass wandert nicht von Mensch zu Maschine. Er wandert von Produktion zu Governance.

Ich schreibe das als Senior Engineer bei Amplifa, nicht als Beobachter von außen. In unseren Projekten mit Maschinenbauern, technischen Großhändlern, Komponentenherstellern und SaaS-Anbietern sehe ich seit Monaten dasselbe Muster: Das Modell ist selten das System. Das System ist CRM, Datenqualität, RAG, Rechteverwaltung, Prompt-Versionierung, Freigabe und Messung. Das Modell ist nur der lauteste Teil.

KI im Vertrieb 2026: Wo wir wirklich stehen

Der Status quo ist unbequem. Öffentlich auffindbar gibt es aktuell keine belastbare offizielle Veröffentlichung zu „Nano Banana 2“ mit Modellkarte, API-Preisen, Latenzprofil, Kontextfenster oder standardisierten Benchmarks. Kein sauberer p95-Wert. Kein Preis pro freigegebenem Asset. Keine API-Limits. Keine Model Card, aus der ich als Engineer ableiten könnte, ob ich das Ding in eine produktive Sales-Automation für Webasto, Festo oder einen Zulieferer aus Ostwestfalen hängen würde.

Trotzdem reden viele darüber, als wäre die technische Debatte schon entschieden. Stimmt nicht ganz. Entschieden ist nur, dass Bildgenerierung massiv genutzt wird. Der genannte Bericht verweist auf rund eine Milliarde Bilder in 30 Tagen bei Nano Banana und auf eine behauptete Größenordnung von sechs Milliarden Bildern in 30 Tagen bei xAI/Grok. Das sind Nutzungssignale. Keine Qualitätsmessung. Kein Nachweis, dass ein Produktbild von Phoenix Contact nach drei Edits noch dieselbe Klemmengeometrie hat.

Das ist der Punkt, an dem ich in Sales-Diskussionen oft unfreundlich werde. Nicht laut. Nur direkt. Wenn mir ein Geschäftsführer im März 2026 sagt, er wolle „einfach das beste Bildmodell“ kaufen, frage ich zurück: Für welche Aufgabe? Ein LinkedIn-Banner für eine Messe in Hannover? Eine Ersatzteilgrafik für den After-Sales? Ein personalisiertes Visual für Schaeffler-Einkäufer? Eine Angebotsbeilage für eine DMG-Mori-Fräsmaschine? Diese Aufgaben sehen ähnlich aus. Technisch sind sie andere Tiere.

OpenAI, Google, Adobe, Black Forest Labs mit Flux, Midjourney und xAI liefern jeweils andere Kompromisse. Einige glänzen bei Ästhetik. Einige bei Editing. Einige bei API-Steuerung. Einige bei Enterprise-Governance. Bei Text- und multimodalen Modellen kennen wir wenigstens harte Größen wie Tokenpreise und Kontextfenster — etwa GPT-4o mit öffentlich kommunizierten API-Preisen im Bereich von 5 US-Dollar pro Million Input-Tokens und 15 US-Dollar pro Million Output-Tokens, GPT-4o mini mit 0,15 und 0,60 US-Dollar pro Million Tokens, oder Claude-3.5-Sonnet-Klassen mit 200k-Kontextfenstern und typischen Preisen um 3 und 15 US-Dollar pro Million Tokens, Stand der öffentlichen API-Dokumentationen 2024/2025. Bei vielen Bildmodellen wird es dünner. Schnell.

Für Vertrieb ist das kein akademischer Streit. Ein SDR-Team, das 20.000 Accounts pro Quartal anreichert, kann Tokenkosten planen. Ein Team, das pro Account drei Visuals generiert, zwei verwirft, eines durch Legal schickt und dann feststellt, dass die Maschine falsch aussieht, hat keinen Preis pro Bild. Es hat einen Preis pro akzeptiertem Asset. Das ist die Zahl, die im Board zählt.

Trend 1: Bild-KI wird vom Kreativtool zum Sales-Asset-Generator

Früher war Bild-KI im B2B-Vertrieb Spielerei. Ein futuristischer Roboter, ein glänzender Messestand, ein Symbolbild für „Industrie 4.0“ (meistens blau, meistens langweilig). 2026 kippt das. Jetzt geht es um account-spezifische Visuals: die Zielanlage des Kunden, die Branche, das Ersatzteil, die Montageumgebung, die Energieeinsparung, der Vorher-nachher-Prozess. Nicht als Kunst. Als Gesprächsanlass.

Andrea, Head of Sales bei einem Hidden Champion in Bielefeld, sagte mir im Juni 2026: „Unsere besten E-Mails sehen nicht mehr aus wie E-Mails. Sie sehen aus wie ein sauber vorbereitetes Gespräch.“ Genau das meine ich. Ihr Team verschickt keine generischen PDFs mehr an Lebensmittelhersteller und Automobilzulieferer. Es erzeugt für jede Zielbranche ein kurzes Visual-Briefing aus CRM-Daten, Referenzprojekten und Produktdatenblättern. Die Bild-KI baut daraus Varianten. Danach prüft ein Mensch. Das ist mühsam. Aber es skaliert besser als PowerPoint-Handarbeit.

Der Geruch von Toner im Vertriebsflur ist weg, die Freigabe bleibt. Und die klingt heute anders: nicht mehr „Ist das Layout schön?“, sondern „Ist der Sicherheitskäfig korrekt?“, „Darf das Logo in dieser Darstellung auftauchen?“, „Ist die Schlauchführung technisch möglich?“ Bei Kärcher oder Trumpf würde niemand eine falsche Produktdarstellung als kreativen Ausrutscher durchwinken. Im Mittelstand sollte man damit auch nicht anfangen.

„Das funktioniert bei uns nicht, wenn das Bild nur beeindruckt. Es muss in die technische Realität passen. Sonst ruft mich der Produktmanager nach zwei Minuten an.“

— Markus, CSO eines Automationszulieferers in Nürnberg, Gespräch im April 2026

Markus hat recht. Und er benennt den Unterschied zwischen Consumer-KI und B2B-Vertrieb. Im Consumer-Markt reicht oft Aufmerksamkeit. Im technischen Vertrieb reicht sie nicht. Wenn eine Festo-Pneumatikinsel falsch beschriftet ist, ist der Schaden nicht nur kosmetisch. Der Empfänger merkt: Ihr kennt unser Problem nicht. Zack. Vertrauen weg.

Was wir bei Amplifa konkret sehen: In Implementierungen mit technischen B2B-Teams liegt die erste Trefferquote bei KI-generierten Sales-Visuals selten über 35 bis 45 Prozent, wenn nur ein kurzer Prompt genutzt wird. Sobald wir RAG-Briefings aus Produktdatenblättern, CRM-Notizen, Branchen-Taxonomien und Freigabelogik vorschalten, steigt die interne Akzeptanz in Piloten typischerweise auf 62 bis 78 Prozent. Nicht weil das Bildmodell plötzlich „intelligenter“ wird. Weil der Input weniger dumm ist. Das klingt hart, ist aber die wichtigste technische Wahrheit in diesem Feld.

Trend 2: Nano Banana 2 zeigt vor allem ein Messproblem

Der Hype um Nano Banana 2 ist interessant, weil er uns zwingt, sauber zu arbeiten. Nach den derzeit auffindbaren Informationen gibt es keine verifizierten technischen Daten zu genau dieser Version: kein offizieller Modellname, kein belegtes Release-Datum, kein Preis pro Million Input- oder Output-Tokens, kein Bildpreis pro Generierung, keine p50- oder p95-Latenz, kein Kontextfenster, keine belegten Batch-Limits. Das ist nicht kleinlich. Das ist Produktionshygiene.

Ich weiß, wie verführerisch solche Namen sind. Nano Banana klingt nach Produkt. Nach Version. Nach etwas, das man in eine Roadmap schreiben kann. Aber für einen Vertriebsleiter bei Brose, Wittenstein oder einem 400-Mitarbeiter-Maschinenbauer in Reutlingen zählt nicht der Name. Er braucht Antworten: Wie teuer ist ein final freigegebenes Visual? Wie oft halluziniert das Modell Geometrie? Wie stabil bleibt ein Referenzprodukt nach fünf Edits? Wie lang ist die Latenz unter Last, wenn 40 SDRs am Montagmorgen gleichzeitig Follow-ups erzeugen?

Ein aktueller Hinweis auf eine Image-Editing-Arena von Artificial Analysis über 17 spezialisierte Kategorien ist nützlich, aber ohne belastbare Einzelwerte für Nano Banana 2, Gemini, OpenAI, Midjourney oder Flux kein Einkaufszettel. Ein Marketingbericht mit einer Latenzsenkung von 8,64 auf 6,94 Sekunden — 19,7 Prozent — ist ebenfalls spannend, lässt sich aber nicht sauber Nano Banana 2 zuordnen. Und die WPP-Validify-Zahl von 84 Prozent mehr Verkäufen und 87 Prozent höherer Conversion bei bestimmten Retail-Anwendungen? Stark. Aber ohne Methodik, Stichprobe und Modellzuordnung ist das kein Modellbenchmark für technischen B2B-Vertrieb.

Viele Sales-Teams messen an der falschen Stelle. Sie stoppen die Zeit, bis ein Bild erscheint. Das ist nett. Aber in Produktion zählt die Zeit bis zum verwendbaren Follow-up. Dazu gehören Prompt-Erstellung, Datenabruf, Generierung, Prüfung, Korrektur, Freigabe, Versand und CRM-Protokoll. Wenn die reine Bildgenerierung 7 Sekunden dauert, der Produktmanager aber 18 Minuten zur Prüfung braucht, ist die Modelllatenz nicht Ihr Engpass. Ehrlich? In vielen Projekten ist sie es nicht.

Ich hatte im September 2026 ein Gespräch mit Lena, RevOps Lead bei einem Maschinenbauzulieferer in Stuttgart. Sie sagte: „Wir haben die Bildgenerierung nicht gestoppt, wir haben die Slack-Diskussion danach gestoppt.“ Die dauerte im Median 14 Minuten. Genau so muss man messen. Nicht romantisch. Nicht modellverliebt. Sondern entlang des Prozesses, der Umsatz beeinflusst.

KI im Vertrieb braucht Benchmarks, keine Modellreligion

Der ehrliche Wettbewerbsvergleich ist simpel zu beschreiben und schwer umzusetzen. Man nimmt dieselben Prompts, dieselben Referenzbilder, dieselben Auflösungen, dieselben Editieraufgaben, dieselbe Anzahl Wiederholungen, dieselbe Last, dieselbe Freigabelogik. Dann misst man. Nicht im Demo-Video. In der API. Mit echten Assets. Mit Fehlerklassen.

Für einen B2B-Piloten würde ich mindestens acht Kriterien verwenden: Faktentreue, Editierbarkeit, Markenkonsistenz, Referenzbildtreue, Median- und p95-Latenz, Kosten pro akzeptiertem Asset, Governance und Workflow-Integration. Wer nur „sieht gut aus“ misst, kann auch würfeln. Ein Midjourney-Visual kann großartig wirken und für einen Kärcher-Use-Case trotzdem ungeeignet sein, wenn Produktdetails frei erfunden werden. Adobe Firefly kann in Enterprise-Umgebungen wegen Rechte- und Markenprozessen attraktiver sein. Flux kann bei bestimmten Bildqualitäten stark sein. OpenAI kann in einem multimodalen Orchestrierungsstack Sinn ergeben. Google kann über Gemini-Integration Vorteile haben. Aber ohne Test ist das Stammtisch mit API-Key.

Die Kostenfrage ist hässlicher, als sie im Pricing-Sheet aussieht. Nehmen wir ein fiktives, aber typisches Muster aus einem Pilot: 10.000 Zielaccounts, zwei Branchenvisuals pro Account, drei Generierungen pro finalem Asset, 40 Prozent manuelle Nacharbeit, 15 Prozent Ablehnung wegen technischer Fehler. Selbst wenn der einzelne API-Call billig ist, steigt der Preis pro freigegebenem Asset schnell. Dazu kommt Review-Zeit. Bei einem internen Stundensatz von 75 Euro reichen wenige Minuten Prüfung, um den Modellpreis fast irrelevant zu machen.

„Wir wollen kein Kunstwerk. Wir wollen, dass ein Einkäufer nach fünf Sekunden versteht, warum wir ihn anschreiben.“

— Sven, Geschäftsführer eines technischen Großhändlers in Hamburg, Gespräch im August 2026

Trend 3: RAG, Voice und Bildmodelle verschmelzen im Sales-Workflow

Der dritte Trend ist der wichtigste. Bild-KI wird nicht isoliert gewinnen. Sie wird gewinnen, wenn sie von RAG-Systemen, Voice-Calling, CRM-Daten und Angebotsautomatisierung gesteuert wird. Ein Bildmodell weiß nicht, welche Webasto-Produktlinie relevant ist, welche Maschine der Kunde im Werk hat, welche Norm im Zielmarkt gilt oder welche Einwände im letzten Call kamen. Das muss der Workflow liefern.

Ein realistischer Ablauf sieht so aus: Ein SDR recherchiert einen Account. Das System zieht Handelsregisterdaten, Website-Texte, Stellenanzeigen, CRM-Historie, ERP-Segmente und Referenzprojekte. Ein RAG-Layer holt passende Produktdatenblätter, Case Studies und technische Constraints. Daraus entsteht ein Briefing. Erst dann bekommt das Bildmodell einen Prompt. Nach der Generierung prüfen Validatoren Markenregeln, verbotene Claims, technische Pflichtmerkmale und Asset-Rechte. Danach landet das Visual im Follow-up oder im One-Pager.

Klingt nach viel Architektur für ein Bild. Ist es auch. Aber genau diese Architektur entscheidet, ob KI im Vertrieb belastbar wird. Ich habe zu viele Demos gesehen, in denen ein beeindruckendes Visual gezeigt wurde und niemand fragte, woher die Fakten kamen. Die Antwort war oft: aus dem Prompt. Das ist keine Datenstrategie. Das ist Hoffnung mit hübscher Oberfläche.

Voice Calling macht das noch spannender. Während eines Gesprächs kann Speech-to-Text Einwände, Branchenhinweise und Kaufkriterien erkennen. Das CRM bekommt strukturierte Felder. Ein RAG-System sucht passende Referenzen. Das Bildmodell erzeugt ein Follow-up-Visual oder eine kleine Prozessgrafik. Der Sales-Mitarbeiter prüft, passt an und sendet. Die eigentliche Verbesserung liegt nicht im Bild allein. Sie liegt in der Orchestrierung aus Audio, Daten, Retrieval, Generierung und Freigabe.

Bei einem Pilot im Oktober 2026 mit einem B2B-Softwareanbieter aus München sahen wir genau das: Nicht die personalisierte Grafik erhöhte allein die Antwortquote. Die Kombination aus sauberem Call-Summary, branchenspezifischer Referenz, passendem Visual und Versand innerhalb von 22 Minuten nach dem Gespräch machte den Unterschied. Vorher lagen Follow-ups oft am nächsten Tag im Postausgang. Man hörte im Büro noch das Klacken alter Tastaturen, aber der eigentliche Lärm war Prozessreibung.

Amplifa ICP Playbook Ein praktisches Playbook, um Ideal Customer Profiles, Zielsegmente und Account-Signale so zu strukturieren, dass KI-Workflows im Vertrieb nicht auf Bauchgefühl bauen.

Was bedeutet das für Vertriebsleiter im Mittelstand?

Erstens: Wer 2026 noch auf reine Inbound-Strategie setzt, hat in fünf Jahren keine Pipeline mehr. Das ist meine Meinung, und ich weiß, dass sie manchen nervt. Inbound bleibt wichtig. Aber technische B2B-Käufer recherchieren leiser, später und oft ohne Formular. Wenn Sales erst reagiert, wenn der Lead die Hand hebt, ist der Auswahlprozess intern oft schon gelaufen.

KI-Bildmodelle ändern Outbound nicht, weil sie Mails bunter machen. Sie ändern Outbound, weil sie Relevanz sichtbarer machen können. Ein Einkäufer bei Schaeffler braucht keine generische Nachricht über Effizienz. Er braucht den Eindruck, dass der Absender seine Linie, seine Constraints und seine Prioritäten verstanden hat. Ein gutes Visual kann das in Sekunden leisten. Ein falsches Visual zerstört es schneller.

Zweitens: Der Mittelstand muss aufhören, KI wie ein Tool-Abo zu kaufen. Für Sales-Automation reicht kein Zugang zu einem Bildmodell. Sie brauchen Datenzugriff, Rollenrechte, Prompt-Templates, Logging, Human-in-the-Loop, Asset-Versionierung, Opt-out-Regeln, Modell-Fallbacks und ein Messkonzept. Ja, das klingt trocken. Genau deshalb funktioniert es.

Drittens: Marketing und Vertrieb müssen denselben Asset-Begriff verwenden. In vielen Firmen liegt ein Bild irgendwo in Teams, ein Produktfoto im DAM, ein Freigabestand in einer Excel-Datei und die letzte Kundenpräsentation auf dem Desktop von Thomas aus dem Key Account. So baut man keine skalierbare KI. So baut man Sucharbeit.

Ich habe im Juli 2026 mit Nina, Marketing Operations Managerin bei einem Elektronikhersteller in Blomberg, über Phoenix Contact als Referenz für saubere technische Kommunikation gesprochen. Ihr Satz blieb hängen: „Unsere Marke ist nicht das Logo. Unsere Marke ist, dass ein Techniker uns glaubt.“ Genau das muss der Maßstab für KI-Visuals sein.

Wie misst man KI im Vertrieb mit Bildmodellen richtig?

Die kurze Antwort: nicht mit Demo-Screenshots. Die längere Antwort: mit einem kontrollierten Pilotprojekt, das echte Sales-Aufgaben abbildet. Ich würde nie mit 10 Prompts starten, die ein Anbieter vorbereitet hat. Ich würde mit 100 realen Aufgaben starten, aus Ihrem Vertrieb, mit Ihren Daten, Ihren Produkten, Ihren Freigabewegen und Ihren peinlichen Sonderfällen.

Diese 100 Aufgaben sollten gemischt sein: zehn Bestandskunden-Follow-ups, zwanzig Outbound-Visuals für Zielbranchen, zehn Messe-Nachfassaktionen, fünf Angebotsgrafiken, zwanzig Social-Sales-Assets, zehn technische Varianten mit Referenzbild, zehn Edits an vorhandenen Produktbildern, fünf mehrsprachige Varianten und zehn absichtlich schwierige Fälle. Zum Beispiel glänzende Metallteile, transparente Gehäuse, enge Maschinenräume, Logos, Hände, Kabel, Sicherheitsschilder. Genau dort brechen Modelle.

Dann messen Sie p50- und p95-Latenz. Nicht nur am Freitagabend, wenn niemand generiert. Unter Last. Sie messen Kosten pro API-Aufruf und Kosten pro akzeptiertem Asset. Sie messen Faktenfehlerquote, manuelle Nachbearbeitungszeit, Ablehnungsgründe, Freigabezeit, Antwortquote, Terminquote und im besten Fall Opportunity-Einfluss. Wenn Sie nur Klicks messen, optimieren Sie vielleicht auf Neugier. Sales braucht Kaufinteresse.

1. Definieren Sie 100 reale Sales- und Enablement-Aufgaben aus den letzten drei Monaten. Keine Laborprompts. Nehmen Sie Fälle, die Ihr Team wirklich Zeit kosten.
2. Bauen Sie ein Bewertungsraster mit Fehlerklassen: falsche Produktform, Markenverstoß, unklare Aussage, technischer Unsinn, zu lange Latenz, Nachbearbeitung nötig, rechtlich unsicher.
3. Testen Sie mindestens drei Modell- oder Workflow-Varianten unter gleichen Bedingungen. Wenn Nano Banana 2 keine offiziellen Daten liefert, behandeln Sie es als unbestätigte Option, nicht als Standard.
4. Messen Sie p50 und p95 für den Gesamtprozess: Datenabruf, Prompting, Generierung, Prüfung, Korrektur, Freigabe und Versand. Die langsamste Stelle ist meist nicht das Modell.
5. Berechnen Sie Kosten pro freigegebenem Asset. API-Kosten, Review-Zeit, Nachbearbeitung, verworfene Generierungen und Tooling gehören in dieselbe Rechnung.
6. Koppeln Sie den Pilot an echte Vertriebsmetriken: Antwortquote, Terminquote, Conversion zur Opportunity, Qualität der Rückmeldungen und Zeit bis Follow-up.
7. Entscheiden Sie erst nach dem Pilot, nicht nach der Demo. Ein Modell, das fünf schöne Bilder erzeugt, ist noch kein Vertriebssystem.

Amplifa Produkt Amplifa verbindet Account-Research, KI-Orchestrierung, CRM-Signale und Sales-Workflows, damit Vertriebsteams aus Daten verwertbare Aktionen machen.

FAQ: Ist Nano Banana 2 schon bereit für B2B-Vertrieb?

Nach der aktuell öffentlich auffindbaren Evidenz: nicht belegbar. Das heißt nicht, dass die Technologie schlecht ist. Es heißt, dass für eine seriöse Investitionsentscheidung Daten fehlen. Ohne offizielle Modellkarte, API-Preise, Latenzwerte, Kontextfenster, Limits und Benchmarks kann ich als Engineer keine Produktionsfreigabe empfehlen. Ich kann einen Pilot empfehlen. Mehr nicht.

FAQ: Welche Rolle spielen Tokenpreise bei Bild-KI?

Bei reinen Bildmodellen sind Tokenpreise oft nicht der sichtbare Hauptpreis, weil Anbieter pro Bild, Credit oder Auflösung abrechnen. Trotzdem bleiben Tokens relevant, sobald der Workflow multimodal wird: CRM-Zusammenfassung, RAG-Briefing, Prompt-Erstellung, Qualitätsprüfung, Übersetzung und Follow-up-Text laufen häufig über Text- oder multimodale Modelle. Ein Vertriebsworkflow kann also billig beim Bild und teuer beim Kontext werden. Oder andersherum.

FAQ: Ersetzt Bild-KI Sales Enablement?

Nein. Sie verschiebt die Arbeit. Sales Enablement produziert weniger Varianten per Hand, prüft aber mehr Regeln, Templates, Claims, Branchenlogik und Asset-Bibliotheken. Das ist keine Degradierung. Das ist eine Aufwertung, wenn das Team technisch sauber arbeitet. Wer Enablement nur als PowerPoint-Fabrik versteht, wird von KI überrollt. Wer Enablement als System für Vertriebswissen versteht, wird wichtiger.

Die harte Architekturfrage: Wo lebt die Wahrheit?

Jeder KI-Vertriebsworkflow braucht eine Quelle der Wahrheit. Nicht fünf. Produktdaten liegen vielleicht im PIM. Kundenhistorie im CRM. Freigegebene Bilder im DAM. Preislogik im ERP. Referenzen in Notion, SharePoint oder in den Köpfen von drei Key-Accountern. Ein Bildmodell darf daraus nichts erfinden. Es darf nur darstellen, was der Workflow ihm sauber übergibt.

Das klingt banal, aber hier scheitern Teams. Sie kaufen zuerst das Modell und suchen danach die Daten. Falsche Reihenfolge. Ich würde immer zuerst die Datenpfade kartieren: Woher kommt die Brancheninformation? Wer pflegt Produktvarianten? Welche Claims sind erlaubt? Welche Kundenlogos dürfen genutzt werden? Welche technischen Details dürfen in Outbound-Kommunikation auftauchen? Welche Bilder sind abgelaufen? Wer gibt frei?

Bei Amplifa bauen wir solche Workflows deshalb nicht als Prompt-Sammlung. Wir bauen sie als Pipeline. Ein Account-Signal triggert Research. Research erzeugt ein strukturiertes Briefing. Das Briefing ruft erlaubte Wissensbausteine ab. Ein Modell erzeugt Text- und Bildvorschläge. Validatoren prüfen. Ein Mensch entscheidet. Das CRM bekommt den Status zurück. Langweilig? Vielleicht. Produktionsfähig? Eher.

Warum p95-Latenz wichtiger ist als Demo-Geschwindigkeit

Median-Latenz ist die Zahl, die Anbieter gern zeigen. p95 ist die Zahl, die Sales-Teams spüren. Wenn 95 Prozent der Anfragen unter acht Sekunden bleiben, ist das anders als ein Median von vier Sekunden mit Ausreißern bei 45 Sekunden. Im Alltag entstehen Ausreißer genau dann, wenn das Team arbeitet: Montagmorgen, vor einer Messe, nach einer Webinar-Kampagne, am Monatsende.

Ein Sales-Workflow ist empfindlich für Wartezeit. Nicht weil Menschen keine zehn Sekunden warten können. Sondern weil Wartezeit Kontextwechsel erzeugt. Der SDR schaut in Slack, beantwortet eine andere Mail, verliert den Account-Kontext, vergisst die Prüfung. Kleine Latenzen werden zu Prozessverlusten. Das hört man nicht im Dashboard. Man sieht es in halbfertigen Entwürfen.

Deshalb interessiert mich bei Nano Banana 2 nicht, ob jemand ein einzelnes Bild schnell erzeugt hat. Ich will p95 unter gleichzeitiger Last. Ich will Fehlerraten nach Prompt-Kategorie. Ich will Retry-Kosten. Ich will wissen, ob Referenzbilder nach dem dritten Edit stabil bleiben. Ohne diese Daten ist jede Aussage über Einsatzreife nur ein Bauchgefühl mit WLAN.

Governance: Der langweilige Teil, der Deals rettet

C2PA, Provenance, Datenaufbewahrung, Trainingsnutzung, Rechte an Eingabedaten, Löschfristen, Rollenmodelle — das sind keine Fußnoten. Für Mittelständler mit OEM-Kunden sind sie Deal-relevant. Wenn ein Zulieferer für BMW, Bosch oder Siemens arbeitet, kann er nicht beliebig Produktbilder in irgendeinen Dienst werfen und hoffen, dass es schon passt.

Ich bin kein Jurist. Naja, zum Glück. Aber als Engineer muss ich Systeme so bauen, dass Legal überhaupt prüfen kann. Logs, Versionen, verwendete Quellen, generierte Assets, Freigabestatus, Nutzerrollen. Wenn ein Kunde drei Monate später fragt, warum ein bestimmtes Visual verschickt wurde, darf die Antwort nicht lauten: „Das war Prompt Nummer 17, glaube ich.“

Governance bremst nicht. Schlechte Governance bremst. Gute Governance macht Skalierung möglich, weil sie Entscheidungen wiederholbar macht. Das ist der Unterschied zwischen zehn experimentellen Bildern und 10.000 personalisierten Follow-ups pro Quartal.

Amplifa für KI-gestützte Sales Workflows Vom ICP über Account-Signale bis zur orchestrierten Ansprache: Amplifa hilft Teams, KI nicht als Spielzeug, sondern als belastbaren Vertriebsprozess einzusetzen.

Meine persönliche Prognose für 2027 bis 2029

In den nächsten zwei bis drei Jahren wird der Modellmarkt unübersichtlicher, nicht einfacher. Es wird mehr Releases geben, mehr Arena-Werte, mehr Spezialmodelle, mehr Bundles in CRM- und Marketing-Suiten. Einige Namen werden verschwinden. Andere werden plötzlich überall sein. Nano Banana 2 kann relevant werden, wenn Google technische Daten liefert und die Integration stark ist. Ohne diese Daten bleibt es ein Signal, kein Fundament.

Ich glaube nicht, dass ein einzelnes Bildmodell den B2B-Vertrieb dominiert. Dafür sind die Aufgaben zu verschieden. Ein Maschinenbauer braucht andere Treue als ein SaaS-Anbieter. Ein technischer Händler braucht andere Variantenlogik als ein Medizintechnikunternehmen. Ein After-Sales-Team braucht andere Fehlergrenzen als ein Messe-Team. Die Gewinner werden nicht diejenigen sein, die das schönste Bild erzeugen. Die Gewinner werden Workflows bauen, die wissen, wann welches Modell reicht, wann ein Mensch prüfen muss und wann gar kein Bild besser ist.

Meine kantige Kurzfassung: Bild-KI wird Outbound nicht retten, wenn Ihr CRM Müll ist. Sie wird Sales Enablement nicht skalieren, wenn niemand Claims pflegt. Sie wird Conversion nicht erhöhen, wenn das Visual technisch falsch ist. Aber wenn Daten, RAG, Modell, Freigabe und Timing zusammenspielen, kann ein Vertriebsteam in neun Monaten mehr relevante Gespräche erzeugen, ohne die Mannschaft zu verdoppeln. Das sehe ich nicht in einer Präsentation. Das sehe ich in Implementierungen.

Vielleicht ist Nano Banana 2 am Ende stark. Vielleicht ist ein anderes Modell für Ihren Use Case besser. Vielleicht ist die beste Entscheidung im ersten Quartal 2027 sogar, kein neues Bildmodell zu kaufen, sondern Produktdaten, Freigaben und ICP-Signale aufzuräumen. Klingt weniger sexy. Riecht nach Arbeit. Genau deshalb wird es wahrscheinlich wirken.