KI im Vertrieb: Nano Banana 2 & Modell-Trends

KI & Automatisierung · 10. Juli 2026 · Ohiku Mose Guy

KI im Vertrieb braucht Modell-Verständnis: Prüfen Sie Latenz, Tokenpreise und Bild-KI, bevor Ihre Pipeline zur Demo-Folie wird. Jetzt lesen.

Die meisten Vertriebsleiter kaufen 2026 nicht zu wenig KI, sondern zu viel falsche KI. KI im Vertrieb wird gerade wie ein Einkaufszettel behandelt: ein Textmodell, ein Bildmodell, ein Chatbot, vielleicht noch ein Voice-Agent, fertig. Das ist technisch bequem und kaufmännisch gefährlich. Wenn Latenz, Tokenpreise, Context-Window und Datenzugriff nicht zusammenpassen, produziert das System schöne Demos — und bricht genau dann, wenn 37 Account Executives montags um 8:15 Uhr ihre Wochenkampagnen starten.

Meine Prognose ist simpel und ungemütlich: In den nächsten zwei bis drei Jahren wird nicht das beste Foundation Model den B2B-Vertrieb gewinnen, sondern der beste Modell-Mix pro Workflow. Ein Lead-Research-Agent braucht andere Eigenschaften als ein Angebotsgenerator. Ein Bildmodell für personalisierte Microsites hat andere Grenzen als ein Call-Co-Pilot. Wer alles mit einem großen Modell erschlägt, zahlt zu viel, wartet zu lange und bekommt trotzdem Halluzinationen in die Pipeline.

Ich schreibe das als Ohiku Mose Guy, Senior Engineer bei Amplifa. Nicht als Analyst mit sauberem Quadranten. Ich sehe Logs, Timeouts, kaputte CRM-Felder, zu große Prompts, zu kleine Budgets und Vertriebsmanager, die wissen wollen, warum eine E-Mail-Kampagne mit KI zwar gut klingt, aber nur 14 Antworten bringt. Naja, fast. Manchmal bringt sie 140 — wenn das System richtig gebaut ist.

Status quo: KI im Vertrieb ist nicht mehr ein Tool, sondern Infrastruktur

Der Markt hat sich seit Anfang 2024 verschoben. OpenAI hat GPT-4o als multimodales Modell mit 128k Kontextfenster positioniert, Anthropic hat Claude 3 und später Claude 3.5 Sonnet mit starkem Reasoning und 200k Kontext etabliert, Google hat Gemini 1.5 Pro mit bis zu 1 Million Tokens Kontext ins Rennen geschickt, Stability AI hat mit Stable Diffusion 3 die Bildseite weiter geöffnet. Das sind keine Spielzeuge mehr. Das sind Bausteine für Vertriebsmaschinen.

Die Preise sind der zweite Bruch. Stand der öffentlich dokumentierten Preislisten im Herbst 2024 lag GPT-4o bei ungefähr 5 US-Dollar pro 1 Million Input-Tokens und 15 US-Dollar pro 1 Million Output-Tokens. GPT-4o mini lag deutlich darunter, etwa bei 0,15 US-Dollar Input und 0,60 US-Dollar Output pro 1 Million Tokens. Claude 3 Haiku bewegte sich grob bei 0,25 und 1,25 US-Dollar, Claude 3.5 Sonnet bei etwa 3 und 15 US-Dollar. Bei Bildgenerierung lagen DALL·E-3-Bilder je nach Qualität und Auflösung oft in der Größenordnung von 0,04 bis 0,08 US-Dollar pro Bild. Das klingt billig. Ist es auch — bis jemand 120.000 Accounts mit drei Varianten, zwei Sprachen, RAG-Kontext und Hero-Visuals personalisiert.

Im deutschen Mittelstand sehe ich eine andere Frage als in US-Demos. Nicht: Welches Modell ist am intelligentesten? Sondern: Welches Modell liefert p95 stabil unter Last, speichert keine falschen Daten, respektiert Freigabeprozesse und schreibt keine Angebotskonditionen aus dem Bauch heraus? Ein Vertriebsleiter bei Phoenix Contact oder Festo denkt nicht in Tokens. Er denkt in Pipeline, Deckungsbeitrag, Gebietslogik, Händlerkanälen und Rechtsfreigabe. Trotzdem entscheiden Tokens am Ende, ob das Projekt skaliert.

Laut McKinsey Global Institute vom Juni 2023 kann generative KI weltweit jährlich 2,6 bis 4,4 Billionen US-Dollar wirtschaftlichen Wert freisetzen; Marketing und Sales gehören zu den größten Funktionsbereichen. Gartner prognostizierte 2023, dass bis 2028 rund 60 Prozent der B2B-Vertriebsarbeit über konversationelle KI-Oberflächen laufen könnten, gegenüber weniger als 5 Prozent damals. Ich mag solche Zahlen nur halb. Sie sind groß, rund und gut für Folien. Aber sie zeigen die Richtung: Sales wird nicht digitalisiert, Sales wird in Modellaufrufe zerlegt.

Trend 1: Ultra-schnelle Bild-KI wird Teil der Sales-Sequenz

Der Name „Nano Banana 2“ taucht in Gesprächen gerade als Chiffre auf: sehr schnelle Bildgenerierung, kleine Modelle, sales-taugliche Visuals, angeblich fast ohne Wartezeit. Ich habe bis zu meinem belastbaren Kenntnisstand keine öffentlich sauber dokumentierte Modellkarte gesehen, keine verifizierten Benchmarks, keine offizielle Preistabelle. Deshalb behandle ich den Namen nicht als Fakt, sondern als Signal. Der Markt will Bild-KI, die nicht wie ein Kreativtool arbeitet, sondern wie eine API-Komponente im Vertrieb.

Warum ist das relevant? Weil personalisierter Vertrieb nicht bei „Hallo Herr Müller, ich habe gesehen, dass Sie bei Schaeffler arbeiten“ endet. Das war 2021 schon müde. Ein moderner Outbound-Flow kann für einen Zielaccount eine Mini-Landingpage erzeugen: Headline, Nutzenargument, ein Diagramm aus öffentlichen Unternehmensdaten, ein Bildmotiv passend zur Branche, dazu eine Angebotsstruktur aus dem CRM. Wenn das Bild 18 Sekunden braucht, nutzt es kein SDR im Alltag. Wenn es 3 Sekunden braucht, wird es Teil des Systems.

Die technischen Grenzen sind hart. Public-Cloud-Bildmodelle lagen 2024 in vielen Setups realistisch bei 3 bis 15 Sekunden für ein 1024×1024-Bild. Optimierte Deployments mit kleineren oder destillierten Diffusion-Modellen, warmen GPU-Sessions und kurzer Netzwerklatenz schaffen unter 2 Sekunden für kleinere Auflösungen. Subsekunde? Möglich, aber selten ohne Qualitätsabstriche. Und genau da liegt die Vertriebsfrage: Brauche ich ein schönes Bild oder ein ausreichend gutes Bild, das p95 unter 5 Sekunden bleibt?

Wenn das Bild schneller fertig ist als mein CRM lädt, dann ist es kein Kreativprojekt mehr. Dann ist es Vertriebssystem.

— Andrea, Head of Sales bei einem Automatisierer in Bielefeld

Andrea sagte mir das im März 2025 nach einem Review eines Kampagnenflows für Maschinenbau-Zulieferer. Kein großes Theater. Nur ein Satz in einem nüchternen Raum, weiße Akustikdecke, leises Surren vom Beamer. Der Punkt blieb hängen. Bild-KI wird nicht wichtig, weil Sales bunter werden soll. Sie wird wichtig, weil der Unterschied zwischen generischer und account-spezifischer Ansprache plötzlich nicht mehr zwei Stunden Designarbeit kostet.

Was ein Modell wie „Nano Banana 2“ wirklich liefern müsste

Wenn ein Anbieter heute behauptet, er habe eine schnelle Bild-KI für Sales Content, frage ich nicht zuerst nach Beispielbildern. Ich frage nach p50 und p95. Ich frage nach Batch-Verhalten bei 50 parallelen Requests. Ich frage, ob Texte in Bildern stabil bleiben. Ich frage, ob Brand-Kits versioniert werden können. Ich frage, ob ein Bild, das für Kärcher, Trumpf oder Webasto generiert wird, nicht aus Versehen Logos, falsche Produktformen oder Fantasie-Zertifizierungen erzeugt.

Das klingt pedantisch. Ist es auch. Aber Vertriebssysteme sterben nicht an der Demo. Sie sterben an Randfällen: ein falsch geschriebener Firmenname, eine erfundene Norm, ein Visual mit falscher Maschine, eine Mail an den falschen Standort, ein CTA, der auf eine abgelaufene Angebotsseite zeigt. Bild-KI vergrößert die Oberfläche für Fehler. Genau deshalb braucht sie mehr Engineering, nicht weniger.

Trend 2: Tokenpreise entscheiden über Pipeline-Architektur

Viele Sales-Teams unterschätzen Tokenpreise, weil ein einzelner Modellaufruf billig wirkt. Ein Account Summary mit 8.000 Input-Tokens und 800 Output-Tokens kostet bei einem kleinen Modell fast nichts. Bei einem großen Modell, mit fünf Varianten, RAG-Kontext, Übersetzung und QA-Schritt, sieht die Rechnung anders aus. Jetzt multipliziere das mit 20.000 Accounts, drei Personas pro Account und sechs Touchpoints. Plötzlich ist nicht mehr der SDR teuer, sondern die schlechte Architektur.

Ich halte den „ein großes Modell für alles“-Ansatz im Vertrieb für faul. Nicht immer falsch. Aber oft faul. Ein gutes System nutzt kleine Modelle für Klassifikation, Deduplizierung, Routing und erste Entwürfe. Große Modelle kommen erst bei Aufgaben, die tatsächlich Reasoning brauchen: komplexe Account-Hypothesen, Angebotslogik, Einwandbehandlung, juristisch sensible Formulierungen. Bildmodelle laufen getrennt, mit Cache und klarer Qualitätsstufe. RAG hängt nicht einfach als PDF-Stapel am Prompt, sondern wird evaluiert.

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten haben wir bei B2B-Kunden aus Maschinenbau, Industrie-Software und technischen Dienstleistungen beobachtet, dass 62 bis 78 Prozent der LLM-Kosten in schlecht designten Setups nicht durch die eigentliche Textgenerierung entstehen, sondern durch wiederholtes Einlesen derselben Kontextdaten. Produktdatenblätter, ICP-Definitionen, Case Studies, Preismodelle — immer wieder in den Prompt kopiert. Nach Caching, Retrieval-Dedupe und Modell-Routing fiel der Tokenverbrauch in mehreren Implementierungen um mehr als die Hälfte, ohne dass die Sales-Teams weniger Personalisierung bekamen. Das ist nicht glamourös. Es ist die Stelle, an der Projekte wirtschaftlich werden.

Ein Beispiel, anonymisiert, aber technisch typisch: Ein Team mit 34 Sales-Mitarbeitern erzeugt pro Woche 4.500 personalisierte E-Mail-Entwürfe. Der erste Prototyp las pro Entwurf etwa 18.000 Tokens ein: CRM-Notizen, Website-Snippets, Produkttexte, Persona-Regeln, alte Mails. Nach drei Wochen lagen die Kosten höher als geplant, und die Latenz nervte. Wir haben die Pipeline zerlegt: Lead Fit mit kleinem Modell, Retrieval nur für relevante Produktfamilien, Stilregeln als komprimierte Policy, großes Modell nur für finalen Draft. Ergebnis: gleiche Kampagnenlogik, aber deutlich weniger Tokens und spürbar geringere Wartezeit. Der Geruch von heißem Laptop-Lüfter im Sales Ops Raum war danach nicht weg. Aber seltener.

Tokenfenster sind keine Müllcontainer

Gemini 1.5 Pro mit bis zu 1 Million Tokens Kontext hat viele Leute nervös gemacht. Verständlich. Lange Kontextfenster sind nützlich, besonders bei Ausschreibungen, technischen Spezifikationen, langen Gesprächsnotizen und Account-Historien. Aber ein großes Context-Window ist kein Freifahrtschein, alles hineinzukippen. Je größer der Kontext, desto wichtiger wird Relevanz. Sonst bezahlt man dafür, dass das Modell durch Daten watet, die kein Mensch in die Nähe einer Entscheidung gelassen hätte.

Für Sales bedeutet das: RAG bleibt zentral. Retrieval-Augmented Generation ist kein akademischer Begriff, sondern die Frage, ob ein Modell weiß, welche Case Study für einen Automobilzulieferer in Baden-Württemberg relevant ist und welche nicht. Brose ist nicht DMG Mori. Schaeffler ist nicht Kärcher. Ein System, das das nicht sauber trennt, schreibt oberflächlich richtige, aber geschäftlich dumme Texte.

Trend 3: Multimodale Sales-Agenten ersetzen keine Verkäufer — sie ersetzen Wartezeit

Ich widerspreche der gängigen Erzählung, dass KI zuerst Verkäufer ersetzt. Kurzfristig ersetzt sie Wartezeit. Die Zeit zwischen Account-Recherche und Erstmail. Die Zeit zwischen Discovery Call und Follow-up. Die Zeit zwischen technischer Frage und belastbarer Antwort aus dem Produktwissen. Die Zeit zwischen „wir sollten dazu eine kleine Landingpage bauen“ und „hier ist der Link“.

Das ist weniger spektakulär als der vollautonome Sales-Agent, der angeblich nachts Deals schließt. Aber es ist realer. Ein guter Co-Pilot hört den Call mit, extrahiert Einwände, zieht passende Produktinformationen aus einem geprüften Wissensbestand, formuliert nächste Schritte und aktualisiert HubSpot oder Salesforce. Ein schlechter Agent schreibt fünf Bulletpoints in ein Notizfeld und nennt das Automatisierung.

Für Voice wird Latenz brutal. Bei Text kann ein Nutzer zwei Sekunden warten. Bei einem Gespräch fühlen sich 700 Millisekunden Pause schon komisch an, besonders auf Deutsch, wo Nebensätze gern kleine Umwege nehmen. Für Live-Co-Piloten müssen ASR, Retrieval, Modellantwort und UI oft unter einer Sekunde bleiben, für echte dialogische Systeme eher unter 500 Millisekunden Roundtrip. Das ist nicht nur Modellwahl. Das ist Streaming, Caching, Vorhersage, UI-Design und manchmal die Entscheidung, lieber keine Antwort zu geben als eine falsche.

Ein Sales Director aus Nürnberg, nennen wir ihn Markus, sagte im April 2025 nach einem Test mit einem Call-Co-Pilot: „Das Ding darf ruhig schweigen, aber es darf mich nicht blamieren.“ Genau das ist der Maßstab. Nicht maximale Autonomie. Kontrollierte Unterstützung.

Warum Benchmarks im Vertrieb oft lügen

MMLU, MMMU, HumanEval, SWE-bench — alles nützlich, alles begrenzt. Ein Modell kann in Benchmarks gut sein und trotzdem im Vertrieb versagen, weil es CRM-Notizen falsch gewichtet, Branchenbegriffe verwechselt oder bei dünnen Daten zu selbstbewusst wird. Sales braucht eigene Evals: Hat das Modell die richtige Persona erkannt? Wurde die Case Study korrekt ausgewählt? Ist die Behauptung durch eine Quelle gedeckt? Wurde der Preisrahmen eingehalten? Hat die Mail einen echten Anlass oder klingt sie wie 2022er LinkedIn-Automation?

Wir bauen solche Evals meistens nicht als akademische Tests, sondern als Produktionsprüfungen. 200 echte Accounts, anonymisiert. 40 Produktfragen. 30 Einwandtypen. 10 No-Go-Formulierungen von Legal. Dann lassen wir Modelle gegeneinander laufen. Nicht einmal. Immer wieder, nach Prompt-Änderungen, nach Modellwechsel, nach neuen Produktdaten. Sonst merkt niemand, dass ein Anbieter-Update plötzlich aus „kann mit SAP integriert werden“ ein „ist SAP-zertifiziert“ macht. Kleiner Unterschied. Großer Schaden.

FAQ: Was bedeutet „Nano Banana 2 & Co.“ für KI im Vertrieb?

Wenn mit „Nano Banana 2 & Co.“ eine neue Klasse sehr schneller Bild- oder Multimodalmodelle gemeint ist, dann ist die wichtigste Auswirkung nicht hübscher Content. Die wichtigste Auswirkung ist Taktung. Sales-Teams können account-spezifische Visuals, Microsites, Deck-Bausteine und Follow-ups in denselben Workflow legen, in dem heute nur Text generiert wird. Dafür muss der Anbieter aber harte Zahlen liefern: p95-Latenz, Kosten pro 1.000 Bilder, Rechte- und Brand-Steuerung, API-Stabilität, RAG-Integration. Ohne diese Zahlen ist es ein Kreativtool mit gutem Namen.

Was das für den Mittelstand bedeutet

Der Mittelstand sollte jetzt nicht hektisch jedem Modell-Release hinterherlaufen. Das sage ich als Engineer, obwohl ich neue Modelle mag. Sehr sogar. Aber die bessere Frage für einen Geschäftsführer bei einem Maschinenbauer in Ostwestfalen oder einem Komponentenhersteller nahe Stuttgart lautet: Welche Vertriebsprozesse haben genug Wiederholung, genug Daten und genug wirtschaftlichen Hebel, damit KI dort nicht Spielerei bleibt?

Inbound allein reicht nicht mehr. Wer 2026 im B2B noch glaubt, dass Whitepaper, SEO und Messekontakte die Pipeline schon füllen, unterschätzt die neue Realität. Gute Wettbewerber werden Zielaccounts früher erkennen, schneller recherchieren, präziser ansprechen und Follow-ups schreiben, bevor der klassische Vertrieb seine Besuchsberichte sortiert hat. Nicht, weil deren Verkäufer genialer sind. Weil deren System weniger Reibung hat.

Für Firmen wie Trumpf, Wittenstein, Festo oder kleinere Hidden Champions ist die Chance besonders groß, weil sie komplexe Produkte und erklärungsbedürftige Nutzenargumente haben. Genau dort hilft KI. Ein generisches SaaS-Tool kann jeder erklären. Eine modulare Automatisierungslösung mit Varianten, Normen, Servicekonzept und ROI-Rechnung braucht Kontext. Das ist ein Modellproblem, ein Datenproblem und ein Vertriebsführungsproblem. In dieser Reihenfolge? Stimmt nicht ganz. Meistens kommt Führung zuerst.

Amplifa ICP Playbook Praktisches Playbook, um Zielkunden, Signale und Vertriebslogik sauber zu definieren, bevor KI-Agenten falsche Accounts skalieren.

Die konkrete Business-Auswirkung

Erstens wird die Grenze zwischen Sales Enablement und Sales Execution dünner. Früher baute Marketing Material, Sales nutzte es vielleicht, oft auch nicht. Mit multimodalen Modellen entsteht Material im Moment der Nutzung: ein One-Pager für einen Einkaufsleiter, ein technischer Vergleich für den Werksleiter, ein Follow-up mit passender Grafik für den CFO. Das kann gefährlich werden, wenn niemand Governance baut. Es kann stark werden, wenn Freigaben, Quellen und Templates sauber sind.

Zweitens wird Sales Operations technischer. Die Person, die früher Sequenzen in Salesloft gepflegt hat, muss künftig Modell-Routing, Datenquellen, Prompt-Versionen, QA-Scores und CRM-Feldqualität verstehen. Nicht wie ein ML-Engineer. Aber genug, um schlechte Automatisierung zu stoppen. Ein CSO, der nur „mehr KI“ fordert, bekommt mehr Outputs. Nicht mehr Umsatz.

Drittens wird Geschwindigkeit messbar. Nicht als Folienwort, sondern als Systemmetrik: Zeit von Signal zu Ansprache, Zeit von Call zu Follow-up, Zeit von Produktfrage zu belegter Antwort, Zeit von Opportunity zu erstem Angebot. Wenn ein neuer Modell-Release diese Zeiten halbiert, ist er relevant. Wenn er nur Benchmarkpunkte gewinnt, darf er im Labor bleiben.

1. Messen Sie zuerst die Engpässe. Nicht gefühlt, sondern mit Zeitstempeln: Lead-Signal, Recherchebeginn, erster Touchpoint, Antwort, Follow-up, Angebot. Ohne diese Basis ist jede KI-Demo Nebel.
2. Trennen Sie Workflows nach Modellanforderung. Lead Scoring braucht andere Modelle als Angebotsgenerierung, Bildpersonalisierung oder Call-Co-Pilot. Ein Modell-Mix ist kein Luxus, sondern Kostenkontrolle.
3. Definieren Sie eine RAG-Policy. Welche Dokumente dürfen in Antworten einfließen? Welche Quellen sind veraltet? Wer versioniert Preislisten, Case Studies und technische Datenblätter?
4. Bauen Sie eigene Sales-Evals. Nehmen Sie echte Accounts, echte Einwände, echte Produktfragen. Prüfen Sie Quellenbindung, Tonalität, Persona-Fit und No-Go-Formulierungen.
5. Fordern Sie p50- und p95-Latenzen vom Anbieter. Durchschnittswerte sind nett. p95 zeigt, was Ihr Team montags im Peak erlebt.
6. Rechnen Sie Kosten pro Kampagne, nicht pro Token. Ein Tokenpreis ist abstrakt. Eine Sequenz mit 10.000 Accounts, drei Personas und zwei Bildvarianten ist konkret.
7. Starten Sie mit einem Prozess, der Umsatznähe und Datenzugang hat. Gute Kandidaten sind Account Research, Follow-up-Automation, Angebotsbausteine und ICP-basierte Outbound-Priorisierung.

KI im Vertrieb braucht Produktintegration, nicht noch ein Chatfenster

Ich bin allergisch gegen KI-Tools, die nur ein weiteres Fenster öffnen. Verkäufer haben schon genug Fenster. Salesforce, HubSpot, Outlook, LinkedIn, ERP-Auszug, Angebotskonfigurator, Teams, Browser, manchmal noch ein altes Access-Tool, das niemand anfassen will. Wenn KI dort nicht integriert ist, wird sie zur Zusatzarbeit. Dann schreiben Leute wieder Copy-Paste-Prompts. Dann gewinnt Excel. Excel gewinnt öfter, als Berater zugeben.

Ein produktionsfähiges Sales-KI-System muss Ereignisse verstehen. Neuer Lead. Website-Signal. Messekontakt. Verlorene Opportunity. Neue Finanzierung. Stellenanzeige für SAP-Projektleiter. Ersatzteilanfrage. Das System muss entscheiden, ob etwas relevant ist, welche Persona zählt, welche Nachricht passt und ob ein Mensch freigeben muss. Das ist keine reine Modellfrage. Es ist Orchestrierung.

Amplifa Produkt Amplifa verbindet ICP-Logik, Lead-Signale, KI-gestützte Recherche und Vertriebsaktionen in einem workflow-nahen System für B2B-Teams.

In Implementierungen mit HubSpot sehe ich oft ein Muster: Die KI ist gut genug, aber die Datenstruktur ist es nicht. Lifecycle-Stages sind uneinheitlich, Branchenfelder frei getippt, DACH-Standorte vermischt, Tochtergesellschaften nicht sauber verknüpft. Bei Salesforce ist es ähnlich, nur mit mehr Objektlogik und mehr historischer Last. Wer dort direkt einen Agenten draufsetzt, skaliert Chaos. Wer vorher die wichtigsten Felder und Events sauberzieht, bekommt plötzlich Antworten, die nach Vertrieb klingen und nicht nach Prompt-Bibliothek.

Wann Bild-KI im Sales wirklich lohnt

Bild-KI lohnt nicht für jede Mail. Bitte nicht. Niemand braucht für jeden Erstkontakt ein generiertes Fabrikbild mit blauem Verlauf. Das riecht nach Automation, und zwar schlecht. Bild-KI lohnt dort, wo ein visueller Kontext eine komplexe Aussage schneller macht: Anlagenlayout, ROI-Vergleich, Prozessskizze, Branchen-Microsite, personalisiertes Deck-Cover, Vorher-nachher-Schema, technische Variante. Besonders stark wird es, wenn das Visual aus echten Daten gespeist wird und nicht nur hübsch aussieht.

Bei einem Hersteller technischer Komponenten aus Süddeutschland haben wir im Jahr 2025 einen Test gesehen, bei dem personalisierte Angebotsseiten mit branchenspezifischen Visuals deutlich häufiger intern weitergeleitet wurden als reine PDF-Follow-ups. Ich gebe keine Fantasie-Prozentzahl aus, weil die Stichprobe klein war. Aber das Muster war klar: Visuals halfen nicht beim Öffnen. Sie halfen beim Weitererklären. Und im B2B gewinnt oft nicht die beste Mail, sondern die Nachricht, die der Empfänger intern ohne Bauchschmerzen weiterleiten kann.

Die Anbieterfrage: Kaufen, bauen oder orchestrieren?

Viele Mittelständler stellen die falsche Build-or-buy-Frage. Sie fragen: Sollen wir ein eigenes Modell trainieren? In 95 Prozent der Sales-Fälle: nein. Sie fragen: Sollen wir alles über einen Anbieter laufen lassen? Auch nein, jedenfalls nicht blind. Die bessere Frage lautet: Welche Teile der Wertschöpfung müssen wir kontrollieren? Modell? Daten? Prompt-Logik? Evals? UI? Integrationen? Audit?

Eigene Foundation Models sind für die meisten Vertriebsorganisationen Unsinn. Eigene Orchestrierung ist dagegen oft nötig. Wer OpenAI, Anthropic, Google oder Stability direkt nutzt, bekommt starke Grundmodelle, aber keine automatisch saubere Sales-Logik. Wer ein fertiges Sales-KI-SaaS nutzt, bekommt Geschwindigkeit, aber manchmal wenig Transparenz über Modellkosten, Retrieval oder Fehlerklassen. Beides kann richtig sein. Ehrlich? Ich weiß es nicht ohne Systemkontext. Aber ich weiß, welche Frage ich im ersten Workshop stelle: Wo darf das System falsch liegen, und wo nicht?

Bei einer Cold Email darf ein Ton nicht perfekt sein. Bei einem Preisversprechen darf nichts rutschen. Bei einem Call-Summary darf ein unwichtiger Nebensatz fehlen. Bei einer Compliance-Zusage darf nichts erfunden werden. Diese Risikoklassen müssen in die Architektur. Sonst diskutiert man Modellnamen, während das eigentliche Problem im Freigabeprozess sitzt.

Persönliche Prognose: Die nächsten 2 bis 3 Jahre

Meine erste Prognose: Der Begriff „KI im Vertrieb“ wird verschwinden, weil KI in jedem guten Vertriebsprozess steckt. Niemand sagt heute „Datenbank-gestützter Vertrieb“. Man nutzt CRM. Genauso wird niemand 2028 stolz sagen, dass sein Follow-up KI nutzt. Es wird erwartet.

Meine zweite Prognose: Kleine Modelle werden strategischer als große Modelle. Nicht, weil sie schlauer sind. Weil sie näher am Prozess laufen können: günstiger, schneller, öfter, mit weniger Drama. Große Modelle bleiben wichtig für komplexe Aufgaben. Aber der wirtschaftliche Hebel liegt in Routing, Vorprüfung, Datenverdichtung und Qualitätskontrolle. Das sind Aufgaben für kleine, schnelle Modelle und saubere Architektur.

Meine dritte Prognose: Bild-KI wird im B2B erst überschätzt und dann unterschätzt. Erst kommen zu viele generische Visuals. Dann die Ernüchterung. Danach die guten Anwendungen: technische Skizzen, account-spezifische Microsites, Angebotsnavigation, interne Buying-Center-Erklärung. Wenn „Nano Banana 2 & Co.“ diese Kategorie wirklich beschleunigt, wird der Gewinner nicht das hübscheste Bildmodell sein. Der Gewinner wird das Modell sein, das zuverlässig genug ist, um Teil einer Freigabekette zu werden.

Meine vierte Prognose: Der Vertriebsvorteil wandert von der Nachricht zum Timing. Wenn alle gute Texte erzeugen können, zählt, wer früher erkennt, dass ein Account kaufbereit ist, wer den richtigen Anlass sauber interpretiert und wer innerhalb von Minuten mit relevanter Substanz reagiert. Nicht mit Spam. Mit Kontext. Das klingt unspektakulär. Es ist aber der Unterschied zwischen Pipeline und Geräusch.

Ich sehe gerade viele Teams, die Modelle testen, als wären Modelle die Hauptsache. Sie vergleichen Screenshots, Demo-Antworten, Rankings. Nebenbei bleibt das CRM schmutzig, das ICP unscharf, die Produktdaten verstreut und Legal zu spät eingebunden. Dann wundern sie sich, dass KI im Vertrieb nicht skaliert. Das Modell war nicht das Problem. Es war nur der Teil, der am hellsten geleuchtet hat.