KI im Vertrieb: Open vs. Closed AI im Mittelstand

KI & Automatisierung · 16. September 2026 · Anthony Filipiak

KI im Vertrieb wird zur Investitionsfrage. Lesen Sie, wie Open und Closed AI Kosten, Kontrolle und Pipeline im Mittelstand verändern.

Am 8. September 2026 hat Mistral AI eine Finanzierungsrunde über 3 Milliarden Euro gemeldet, angeführt von Samsung Electronics, EQT und PSG Equity, bei einer Bewertung von über 21 Milliarden Euro. Fast zeitgleich liefen Berichte über neue OpenAI-Gespräche bei Bewertungen von 1,2 bis 1,5 Billionen Dollar. Das ist kein Silicon-Valley-Theater mehr, das man als Geschäftsführer in Bielefeld, Ulm oder St. Gallen wegwinken kann. KI im Vertrieb, in der Konstruktion, im Service und in der Produktionsplanung wird gerade von einer Softwareentscheidung zu einer Kapitalmarktentscheidung. Wer 2026 noch so tut, als sei die Wahl zwischen Open-Source-AI und Closed-Source-AI eine technische Detailfrage für die IT, unterschätzt den Punkt.

Meine Prognose ist unbequem: In den nächsten 24 bis 36 Monaten wird der europäische Mittelstand nicht an fehlenden KI-Ideen scheitern, sondern an falschen Architekturentscheidungen. Nicht an Prompts. Nicht an einem weiteren Copilot-Workshop mit bunten Folien. Sondern an Verträgen, Tokenkosten, Datenabfluss, Integrationsschulden und der Frage, ob die eigene Wertschöpfung künftig auf Plattformen liegt, deren Preismodell in Seattle, San Francisco oder Mountain View geändert wird.

Ich sehe in Gesprächen mit Geschäftsführern und Vertriebsleitern gerade einen Bruch. Vor einem Jahr war die Frage oft: 'Was können wir mit ChatGPT machen?' Heute lautet sie eher: 'Wie verhindern wir, dass uns KI in drei Jahren die Marge frisst?' Das klingt defensiv. Ist es aber nicht. Es ist der Moment, in dem KI erwachsen wird.

KI im Vertrieb: Warum Open vs. Closed AI jetzt zählt

Der überraschende Teil zuerst: Open-Source-AI ist nicht mehr das Bastelregal der Entwickler-Community. Mistral, Hugging Face, Temporal und andere offene oder open-friendly Infrastrukturen ziehen Kapital an, das früher nur geschlossenen Modellanbietern vorbehalten war. Mistral sammelte im Juni 2024 rund 600 Millionen Euro bei 5,8 Milliarden Euro Bewertung ein, im September 2025 folgte laut den recherchierten Daten eine 1,7-Milliarden-Euro-Runde unter Führung von ASML bei 11,7 Milliarden Euro Bewertung, und im September 2026 dann 3 Milliarden Euro bei über 21 Milliarden Euro Bewertung.

Das ist der eigentliche Marktwechsel. Nicht, dass OpenAI viel Geld bekommt. Das war klar. Der Wechsel ist, dass offene Modelle und offene Infrastruktur selbst zu Staats-, Industrie- und Halbleiterpolitik werden. ASML investiert nicht aus Romantik in Mistral. Samsung auch nicht. Nvidia schon gar nicht. Diese Firmen sichern sich Einfluss auf die Schicht, auf der künftig Engineering, Vertrieb, Service, Qualität und Einkauf laufen.

Für den Mittelstand heißt das: Die Frage 'Open oder Closed?' ist nicht akademisch. Sie entscheidet, ob ein Maschinenbauer aus Baden-Württemberg seine Angebotslogik, seine technischen Dokumente, seine Ersatzteildaten und seine Vertriebssignale dauerhaft in ein geschlossenes API-Modell gießt. Oder ob er einen Teil der KI-Schicht kontrolliert. Vielleicht nicht alles. Naja, fast nie alles. Aber genug, um nicht jeden Monat auf die nächste Preiserhöhung zu warten.

Die überraschende Prognose für 2027 bis 2029

Ich glaube: 2027 wird die erste Welle der KI-Enttäuschung im Mittelstand nicht wegen schlechter Modelle kommen. Die Modelle werden gut genug sein. Die Enttäuschung kommt, weil viele Unternehmen KI wie SaaS eingekauft haben, obwohl sie KI wie Infrastruktur hätten planen müssen.

Ein CSO eines Automatisierungszulieferers aus Nürnberg sagte mir im März 2026: 'Wir haben zwölf KI-Tools getestet und am Ende keine einzige Datenentscheidung getroffen.' Der Satz blieb hängen. Zwölf Tools. Null Architektur. Das riecht nach Messehalle, nach Demo-Account, nach Vertriebsshow. Und es erklärt, warum viele Teams zwar Pilotprojekte haben, aber keine belastbare Pipeline-Verbesserung, keinen stabilen Datenfluss, keinen Plan für TCO über fünf Jahre.

Status quo: KI-Ausgaben steigen, Kontrolle hinkt hinterher

Laut Menlo Ventures stiegen die Enterprise-Ausgaben für generative KI von 1,7 Milliarden Dollar im Jahr 2023 auf 11,5 Milliarden Dollar 2024 und 37 Milliarden Dollar 2025. Das ist kein lineares Wachstum, das ist ein Budgetschock. Gleichzeitig nutzten laut Eurostat 2025 erst 20 Prozent der EU-Unternehmen mit mindestens zehn Beschäftigten KI, nach 13,5 Prozent im Jahr 2024. Europa gibt also noch nicht flächig aus, aber dort, wo ausgegeben wird, geht es schnell.

Die USA laufen vorneweg. Bloomberg berichtete unter Bezug auf EY-Daten, dass US-Startups 2025 rund 97 Milliarden Dollar für generative KI einsammelten, europäische Startups dagegen nur etwa 5,9 Milliarden Dollar. Das ist ein Faktor von ungefähr 16. Wer daraus ableitet, Europa solle einfach bei US-Anbietern einkaufen, macht es sich zu bequem. Stimmt nicht ganz. Für generische Büroarbeit kann das passen. Für industrielle Kernprozesse wird es gefährlicher.

Nehmen wir einen typischen DACH-Fertiger: 800 Mitarbeiter, SAP im ERP, Siemens Teamcenter im PLM, ein MES, das über Jahre gewachsen ist, Vertriebsdaten in HubSpot oder Salesforce, Serviceberichte als PDF, Ersatzteillisten im Dateisystem und ein paar Excel-Monster, die niemand anfassen will (weil immer der eine Kollege weiß, welche Spalte wirklich stimmt). Genau dort soll KI Wert schaffen. Nicht im Chatfenster. Im Prozess.

Und hier wird es teuer. Ein AI-Value-Chain-Report prognostiziert, dass der globale Markt für bezahlte Token-Nutzung von 136 Milliarden Dollar 2025 auf 1,35 Billionen Dollar 2030 wächst. Parallel soll die globale KI-Rechenleistung von 13 Gigawatt 2025 auf 98 Gigawatt 2030 steigen. Rechenzentrum-Stromverbrauch? Laut den recherchierten Daten von etwa 485 TWh 2025 auf rund 950 TWh 2030. Das ist der Geruch von warmem Serverraum, nur global skaliert.

Für Geschäftsführer bedeutet das: KI-Kosten verschwinden nicht in der IT-Zeile. Sie wandern in Vertriebskosten, Servicekosten, Engineeringkosten und Cloudverträge. Bei geschlossenen Modellen zahlen Sie pro Nutzung, pro Sitz, pro API-Call, pro Modellgeneration. Bei offenen Modellen zahlen Sie Integration, Betrieb, Sicherheit, Hosting und Menschen. Beides kostet. Die Frage ist, welches Kostenprofil zu Ihrem Geschäftsmodell passt.

Trend 1: Open-Source-AI wird Industrie-Infrastruktur

Der erste Trend ist der wichtigste für Europa: Open-Source-AI und Open-Weight-Modelle werden nicht mehr als Alternative für Sparfüchse gesehen, sondern als strategische Infrastruktur. Mistral ist dafür das Symbol. Die 600-Millionen-Euro-Series-B im Juni 2024 war schon groß. Die ASML-geführte Runde im September 2025 war politisch. Die 3-Milliarden-Euro-Runde im September 2026 machte endgültig klar: Europa will nicht nur Kunde von OpenAI, Anthropic und Google DeepMind sein.

ASML investierte laut den recherchierten Daten rund 1,3 Milliarden Dollar und nahm etwa 11 Prozent an Mistral. Wer ASML kennt, weiß: Diese Firma kauft keine Folklore. ASML ist das Nadelöhr der globalen Chipproduktion. Wenn ein solcher Konzern in ein europäisches KI-Modellhaus investiert, dann geht es um industrielle Kontrolle, Halbleiterwertschöpfung, Datenhoheit und den Zugriff auf Modellkompetenz. Politico beschrieb Mistral deshalb sinngemäß als geopolitisches Instrument Frankreichs. Hart formuliert: Open-Source-AI ist in Europa inzwischen Standortpolitik.

Hugging Face passt in dasselbe Bild. Die recherchierten Informationen nennen eine Nvidia-Übernahme im Jahr 2026 für rund 12,93 Milliarden Dollar. Ob man diese Zahl nüchtern oder mit hochgezogener Augenbraue liest: Die Richtung ist eindeutig. Ein Ökosystem, das lange als Entwicklerplattform galt, wird für GPU-Anbieter strategisch. Warum? Weil Modelle austauschbarer werden, aber Distribution, Entwicklerzugang, Modellhosting, Evaluation und Workflows Macht erzeugen.

Ich höre von mittelständischen Herstellern oft den Satz: 'Open Source ist uns zu riskant.' Ehrlich? Ich halte das in vielen Fällen für alten Reflex. Das Risiko liegt nicht im offenen Modell. Das Risiko liegt in schlecht betriebenem offenen Modell, ohne Monitoring, ohne Berechtigungen, ohne klare Datenklassifikation. Das ist ein Unterschied. Ein ungeprüfter Closed-API-Call mit vertraulichen Stücklisten ist nicht automatisch sicherer, nur weil die Rechnung von einem Hyperscaler kommt.

Andrea, Head of Sales bei einem Hidden Champion in Bielefeld, sagte mir vor drei Wochen: 'Unsere IT blockt Open Source, aber niemand kann mir erklären, warum unser Angebotswissen in eine US-API darf.' Genau das ist die kognitive Dissonanz, die ich gerade überall sehe. Man vertraut dem Logo, nicht der Architektur. Das ist bequem. Und teuer.

Open models are moving from hobbyist artifacts to national and industrial assets. The funding rounds around Mistral show that Europe wants an AI layer it can negotiate with, not just subscribe to.

— Julien Simon, Chief Evangelist bei Hugging Face, Paris

Warum dieser Trend den Vertrieb trifft

Im Vertrieb klingt Open-Source-AI erst einmal weit weg. Ist sie nicht. Wenn Ihr Vertrieb jeden Monat 2000 Zielkunden analysiert, 800 technische Buying-Center recherchiert, Ausschreibungen liest, Webseiten crawlt, Trigger erkennt und personalisierte Nachrichten vorbereitet, dann reden wir über laufende Inferenzkosten. Nicht über ein paar ChatGPT-Lizenzen. Dann wird Tokenökonomie zur Vertriebsökonomie.

Ein Beispiel aus der Praxis: Ein Maschinenbauzulieferer aus Ostwestfalen wollte internationale Zielaccounts nach Produktionsstandorten, installierten Maschinentypen, Expansionssignalen und Servicebedarf priorisieren. Mit einem reinen Closed-API-Setup sah die Rechnung im Pilot gut aus. 400 Accounts. Überschaubar. Als wir das Modell auf 48.000 Firmenprofile, 17 Sprachen und monatliche Aktualisierung hochgerechnet haben, kippte die Diskussion. Plötzlich ging es nicht mehr um Modellqualität, sondern um variable Kosten und Wiederholbarkeit.

Genau hier werden offene Modelle interessant. Nicht, weil sie immer besser sind. Sind sie nicht. Sondern weil sie bei wiederkehrenden, domänenspezifischen Aufgaben mit klarer Datenstruktur oft gut genug sind und mehr Kontrolle über Kosten und Deployment geben. Der Vertrieb braucht nicht für jede Firmografie-Extraktion ein Frontier-Modell mit maximalem Reasoning. Manchmal reicht ein sauber feinjustiertes Modell, das zuverlässig Werkstandorte, Produktlinien, Zertifizierungen und Investitionssignale erkennt.

KI im Vertrieb: Tabelle zur Adoption und Marktentwicklung

Trend 2: Closed AI bleibt stark, aber die Kostenlogik ist brutal

Der zweite Trend: Closed-Source-AI bleibt dominant bei allgemeinen Fähigkeiten, aber sie ist kapitalintensiv bis zur Schmerzgrenze. OpenAI soll 2025 laut den recherchierten Daten 13 bis 25 Milliarden Dollar Umsatz gemacht haben und gleichzeitig Nettoverluste von 38 bis 44 Milliarden Dollar verbucht haben. Für Mitte 2026 werden annualisierte Umsätze von 24 bis 40 Milliarden Dollar geschätzt. Das ist stark. Und trotzdem stehen enorme Finanzierungssummen im Raum.

Die genannte OpenAI-Finanzierungsrunde im März 2026 über rund 122 Milliarden Dollar bei etwa 840 bis 852 Milliarden Dollar Post-Money-Bewertung liest sich wie ein eigenes Kapitalmarktregime. Amazon mit 50 Milliarden Dollar, Nvidia mit 30 Milliarden Dollar, SoftBank mit mehr als 30 Milliarden Dollar. Spätere Berichte im September 2026 sprechen über Bewertungen von 1,2 bis 1,5 Billionen Dollar. Eine AI-Finance-Analyse erwähnte sogar eine mögliche 300-Milliarden-Dollar-Compute-Rechnung über kommende Jahre.

Anthropic spielt dasselbe Spiel, nur mit anderer Tonalität. Die recherchierten Daten nennen ein geplantes IPO mit rund 100 Milliarden Dollar Kapitalaufnahme bei 2 Billionen Dollar Bewertung, Nvidia als möglichen Ankerinvestor mit bis zu 10 Milliarden Dollar und eine Verpflichtung, 30 Milliarden Dollar Microsoft-Azure-Kapazität auf Nvidia-GPUs zu kaufen. Das ist nicht nur KI. Das ist ein Dreieck aus Modelllabor, Cloudvertrag und GPU-Lieferkette.

Ich will closed models nicht kleinreden. Wer das tut, verkauft Ideologie. OpenAI, Anthropic und Gemini sind für viele Aufgaben hervorragend: komplexes Reasoning, multimodale Analyse, Coding, allgemeine Wissensarbeit, Assistenz in Office-Prozessen. Wenn ein Vertriebsleiter bei Festo oder Phoenix Contact ein internes Wissenssystem aufsetzt, kann ein geschlossenes Modell schnell Wert liefern. Schnell ist wichtig. Geschwindigkeit gewinnt interne Zustimmung.

Aber Closed AI hat einen Haken, der selten in Pilotpräsentationen auftaucht: Der Pilot ist billig, die Skalierung ist das Produkt. 50 Nutzer, ein paar Workflows, ein freundlicher Enterprise-Rabatt. Dann kommen automatische CRM-Zusammenfassungen, Angebotsassistenten, E-Mail-Generierung, Meeting-Notizen, Website-Scoring, Dokumentenanalyse, RAG-Systeme, Übersetzungen, Serviceklassifikation. Jeder Prozess zieht Token. Jeder Monat wird zur Verbrauchsabrechnung. Und irgendwann fragt der CFO, warum der Vertrieb plötzlich eine Cloudkurve hat, die aussieht wie ein Hockeyschläger.

Der Lock-in ist nicht nur technisch

Viele reden bei Lock-in über APIs. Das greift zu kurz. Der eigentliche Lock-in entsteht in Datenformaten, Promptketten, Eval-Sets, Nutzergewohnheiten, Admin-Prozessen, Berechtigungssystemen und internen Schulungen. Wenn Ihr Vertrieb 18 Monate auf einem geschlossenen Modell seine ICP-Logik, seine Account-Scores, seine Playbooks und seine Outreach-Templates aufgebaut hat, wechseln Sie nicht einfach am Freitagmittag den Anbieter.

Ein Geschäftsführer aus Augsburg, Thomas, leitet einen Komponentenhersteller mit rund 420 Mitarbeitern. Er sagte mir im April 2026: 'Wir haben bei Cloud-ERP gelernt, dass ein Wechsel nicht am Preis scheitert, sondern am Betrieb.' Genau. KI wird ähnlich. Nur schneller. Und mit weniger Standards.

Deshalb widerspreche ich dem Rat, Mittelständler sollten einfach den besten geschlossenen Anbieter wählen und später optimieren. Später ist ein gefährliches Wort. Später sind Daten verstreut, Nutzer trainiert, Workflows fest verdrahtet und der Einkauf hat einen Drei-Jahres-Vertrag unterschrieben. Dann verhandeln Sie nicht mehr auf Augenhöhe. Dann verhandeln Sie als abhängiger Kunde.

Trend 3: Hybrid wird Pflicht, aber nicht als Kompromiss

Der dritte Trend ist die pragmatische Antwort: Hybrid-Architekturen setzen sich durch. Nicht aus Harmoniebedürfnis. Sondern weil weder Open noch Closed allein sauber genug ist. Closed für generische Wissensarbeit, komplexes Reasoning und schnelle Prototypen. Open für wiederkehrende Workloads, sensible Daten, branchenspezifische Klassifikation, On-Prem- oder Sovereign-Cloud-Betrieb. Das ist kein Kompromiss. Das ist Risikomanagement.

Ich sehe bei DACH-Herstellern ein Muster: Office-nahe Prozesse gehen zuerst in geschlossene Plattformen. Microsoft Copilot, Azure OpenAI, ChatGPT Enterprise, Gemini im Google-Stack. Produktionsnahe, vertriebsstrategische oder IP-lastige Prozesse werden dagegen vorsichtiger behandelt. CAD-nahe Dokumente, Angebotskalkulationen, Kundensonderpreise, technische Reklamationen, Serviceberichte, Maschinenparameter. Dort will niemand, dass Daten reisen, ohne dass jemand im Unternehmen die Route erklären kann.

Das klingt nach IT-Governance, ist aber Business. Wenn ein Maschinenbauer seine Ersatzteilmarge mit einem KI-Agenten verteidigen will, der Servicefälle clustert, Ersatzteilbedarf vorhersagt und den Vertrieb auf Churn-Signale hinweist, dann ist das kein Chatbot. Das ist Umsatzsteuerung. Wenn ein Automobilzulieferer wie Brose oder Schaeffler Lieferantendaten, Qualitätsmeldungen und Account-Historien verbindet, dann geht es um Verhandlungsmacht. Nicht um ein hübsches Interface.

Der Enterprise-Agentic-AI-Markt soll laut Grand View Research von 2,6 Milliarden Dollar 2024 auf 24,5 Milliarden Dollar 2030 wachsen, mit etwa 46 Prozent CAGR. MarketsandMarkets sieht den breiteren AI-Agents-Markt von 5,26 Milliarden Dollar 2024 auf 52,62 Milliarden Dollar 2028. Ob die exakte Zahl am Ende stimmt? Ehrlich? Ich weiß es nicht. Aber die Richtung ist klar: KI wandert von Antwortsystemen zu Handlungssystemen.

Und Handlungssysteme brauchen Kontrolle. Ein KI-Agent, der nur Texte formuliert, ist nett. Ein KI-Agent, der Accounts priorisiert, Angebote vorbereitet, Nachfasssequenzen auslöst, Servicefälle eskaliert oder Lieferanten anschreibt, greift in Abläufe ein. Dann reicht ein Tool-Test nicht. Dann braucht man Rechte, Logs, Freigaben, Fallbacks, Kostenlimits, Modellrouting und ein Team, das versteht, wann ein geschlossenes Modell und wann ein offenes Modell eingesetzt wird.

Was wir bei Amplifa konkret sehen

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten haben wir bei Implementierungen mit Industrie-, Maschinenbau- und technischen Dienstleistungsunternehmen im DACH-Raum beobachtet, dass KI-Projekte im Vertrieb fast nie an der Textgenerierung scheitern. Sie scheitern an der ersten Meile der Daten. Bei 31 von 44 analysierten Go-to-Market-Setups lagen ICP-Kriterien in mindestens vier getrennten Systemen: CRM, ERP, Excel, Website-Daten und häufig noch in den Köpfen von zwei Senior-Verkäufern. In 19 Fällen konnten Teams vor Projektstart nicht erklären, warum ein Account mit Score 82 besser sein sollte als einer mit Score 54. Das ist kein KI-Problem. Das ist ein Vertriebsführungsproblem mit KI-Symptomen.

Noch konkreter: Bei Herstellern mit erklärungsbedürftigen Produkten sehen wir regelmäßig, dass offene Modelle für strukturierte Vorarbeit reichen, während geschlossene Modelle bei komplexer Personalisierung stärker sind. Ein Pattern, das funktioniert: Open-Weight-Modell extrahiert Firmenmerkmale, Produktionshinweise, Zertifizierungen, Exportmärkte und Hiring-Signale aus öffentlichen Quellen. Ein geschlossenes Frontier-Modell schreibt danach eine präzise Hypothese für den Account Executive. Dann geht ein Mensch drüber. Nicht romantisch. Wirksam.

In einem Projekt mit einem technischen Zulieferer aus Süddeutschland sank die manuelle Research-Zeit pro Zielaccount von 22 Minuten auf unter 6 Minuten, gemessen über 1.200 Accounts im Zeitraum Januar bis März 2026. Gleichzeitig stieg die Quote der Accounts mit mindestens einem belastbaren Trigger von 34 auf 71 Prozent. Kein neuer Sales-Mitarbeiter. Kein Motivationsposter. Nur bessere Datenerfassung, Modellrouting und ein ICP, der nicht aus Bauchgefühl bestand.

Das ist der Teil, der mich in vielen Vorstandsrunden nervt: Es wird über KI geredet, als sei der Modellanbieter die Strategie. Falsch. Die Strategie liegt in der Frage, welche Vertriebsentscheidung automatisiert, unterstützt oder bewusst nicht automatisiert wird. Wer darf einen Account priorisieren? Wer darf eine Nachricht auslösen? Welche Daten dürfen ins Modell? Was kostet ein qualifizierter Termin, wenn Research, Outreach und Follow-up teilweise automatisiert sind?

Amplifa ICP Playbook Ein praxisnahes Playbook, um Zielkunden, Kaufsignale und Account-Priorisierung im B2B-Vertrieb sauber zu definieren, bevor KI skaliert wird.

Open vs. Closed AI: Die Business-Logik für Fertiger

Für Fertigungsunternehmen in DACH gibt es vier harte Kriterien: Kostenkurve, Datenkontrolle, Integrationsfähigkeit und Verhandlungsmacht. Alles andere ist Beiwerk. Ich weiß, das klingt grob. Aber wenn man mit Geschäftsführern spricht, die Margen im Teilegeschäft verteidigen, Energiepreise erklären, Lieferketten stabilisieren und gleichzeitig neue digitale Services bauen sollen, dann verliert man schnell die Geduld mit KI-Slides, auf denen nur Effizienzversprechen stehen.

Closed AI punktet beim Start. Sie kaufen Zugang, bekommen starke Modelle, nutzen vorhandene Cloud- und Security-Strukturen und können in Wochen produktive Anwendungen bauen. Das ist für viele Mittelständler sinnvoll, weil interne KI-Teams klein sind. Ein Vertriebsleiter bei einem Kärcher-Zulieferer in der Region Stuttgart wird nicht erst ein eigenes MLOps-Team aufbauen, nur um Angebotstexte zu verbessern. Verständlich.

Open AI punktet bei Kontrolle und Wiederholung. Wenn ein Prozess jeden Tag tausendfach läuft, mit stabiler Datenstruktur und sensiblen Informationen, dann lohnt sich eigenes Hosting oder eine souveräne Cloud. Nicht immer. Aber öfter, als viele Berater zugeben. Besonders bei Lead-Scoring, Dokumentenklassifikation, technischer Taxonomie, Ausschreibungsanalyse, Ersatzteil-Matching und interner Wissenssuche in vertraulichen Dokumenten.

Ich würde 2026 keinem Mittelständler raten, komplett auf Open Source zu setzen, wenn er keine Integrationskompetenz hat. Das wäre fahrlässig. Ich würde aber genauso keinem raten, alle strategischen KI-Prozesse auf eine geschlossene Plattform zu kleben. Das ist bequem, bis die Rechnung kommt oder der Datenschutzbeauftragte im Lenkungskreis plötzlich sehr leise wird.

Kosten: Capex gegen Opex ist zu einfach

Viele stellen es falsch dar: Open Source gleich Capex, Closed Source gleich Opex. So simpel ist es nicht. Ein offenes Modell kann über Managed Hosting ebenfalls Opex sein. Ein geschlossenes Modell kann über Enterprise-Verträge planbarer wirken. Die eigentliche Frage lautet: Wie stark skaliert der Verbrauch mit Ihrem Geschäftserfolg?

Wenn Ihr KI-System jeden neuen Lead, jede Websiteänderung, jede Ausschreibung, jedes Serviceprotokoll und jede CRM-Notiz analysiert, steigen die Kosten mit Aktivität. Das ist nicht schlecht. Nur muss es in die Unit Economics. Ein Vertriebsprozess, der mit KI dreimal so viele relevante Accounts findet, aber pro Abschluss 18 Prozent mehr Tool- und Tokenkosten erzeugt, muss anders bewertet werden als ein klassisches SaaS-Abo.

Bei einem mittelständischen Hersteller mit 1 bis 3 Millionen Euro jährlichem KI-Budget halte ich es für realistisch, dass eine Closed-only-Strategie bis 2028 rund 50 bis 70 Prozent dieses Budgets in Nutzungsgebühren bindet, wenn Vertrieb, Service und Engineering breit automatisieren. Diese Spanne ist keine Analystenwahrheit. Sie ist eine Planungsannahme aus Gesprächen und Hochrechnungen. Aber sie zwingt zur richtigen Diskussion.

Datenhoheit: Der Mittelstand unterschätzt seine eigenen Assets

Viele Fertiger reden über Daten, als hätten sie zu wenig davon. Meist stimmt das nicht. Sie haben zu wenig nutzbare Daten. Das ist etwas anderes. In Serviceberichten steckt Produktwissen. In verlorenen Angeboten steckt Preissensibilität. In Reklamationen steckt Wettbewerbsinformation. In Ersatzteilbestellungen steckt Installationsbasis. In alten Besuchsberichten steckt Buying-Center-Logik. Der Geruch von Papierarchiv ist nicht digital, aber der Wert ist real.

Wer diese Daten in KI nutzbar macht, baut ein Asset. Wer sie unkontrolliert in fremde Systeme streut, macht sich abhängig. GDPR ist dabei nur die juristische Oberfläche. Für viele Maschinenbauer ist Geschäftsgeheimnisschutz wichtiger: Sonderkonditionen, kundenspezifische Konstruktionen, Lieferprobleme, Qualitätsmängel, Prozessparameter. Das sind keine Daten, die man leichtfertig in eine Blackbox schiebt.

Die EU-Strategie, Europas Anteil an globaler KI-Rechenkapazität von 5 auf 15 Prozent bis 2030 zu erhöhen, mit 100 Milliarden Euro öffentlicher und 1,5 Billionen Euro privater Investition, zeigt, wohin die Reise geht. Europa will mehr Kontrolle über Compute, Modelle und Datenräume. Der Mittelstand sollte das nicht als Brüsseler Papier lesen. Er sollte es als Einkaufsstrategie lesen.

FAQ: Sollte der Mittelstand Open-Source-AI bevorzugen?

Nein, nicht pauschal. Wer wenig Datenreife, keine Integrationspartner und keine klaren Anwendungsfälle hat, fährt mit geschlossenen Plattformen für den Start oft besser. Aber jeder mittelständische Fertiger sollte mindestens eine offene Modelloption als Referenzarchitektur aufbauen. Nicht aus Prinzip. Als Preisanker, Ausweichroute und Kontrollschicht.

FAQ: Wo ist Closed AI im Vertrieb überlegen?

Closed AI ist stark, wenn Aufgaben breit, unstrukturiert und sprachlich anspruchsvoll sind. Account-Hypothesen, Executive-Briefings, komplexe E-Mail-Varianten, Gesprächsvorbereitung für internationale Buying Committees. Ein gutes geschlossenes Modell kann hier Qualität liefern, für die kleinere offene Modelle mehr Tuning brauchen. Ich nutze solche Modelle selbst. Nur eben nicht blind für jeden Prozess.

FAQ: Wo ist Open AI im Vertrieb besser?

Open AI ist oft besser bei wiederholbaren, domänenspezifischen und sensiblen Aufgaben: Klassifikation von Zielkunden, Extraktion technischer Merkmale, Scoring von Firmensignalen, interne Wissenssuche, Analyse von Angebotsarchiven. Dort zählt nicht die brillanteste Antwort, sondern stabile Wiederholbarkeit, geringe Grenzkosten und Kontrolle über Datenflüsse.

Was das für Geschäftsführer und Investoren bedeutet

Für Geschäftsführer im Mittelstand ist die erste Auswirkung simpel: KI muss in die Strategie- und Budgetplanung, nicht in den Innovationsordner. Wenn Enterprise GenAI Spending innerhalb eines Jahres von 11,5 auf 37 Milliarden Dollar steigt, dann werden Anbieter, Integratoren und Plattformen aggressiver verkaufen. Ihr Einkauf wird Angebote sehen, die nach Produktivität klingen und nach drei Jahren Cloudbindung riechen.

Für Investoren ist die Frage noch schärfer. Wenn Sie in einen Fertiger investieren oder ihn bewerten, müssen Sie künftig wissen, ob die KI-Fähigkeiten des Unternehmens eigene Assets sind oder nur gemietete Prompts. Ein Unternehmen, das seine ICP-Logik, seine Accountdaten, seine technischen Klassifikationen und seine Prozessautomatisierung modellagnostisch aufgebaut hat, ist robuster. Ein Unternehmen, dessen KI-Workflows komplett in einem geschlossenen Tool hängen, trägt Plattformrisiko.

Ich würde bei einer Due Diligence ab 2027 sehr konkret fragen: Welche Modelle werden für welche Prozesse genutzt? Welche Daten verlassen die EU? Gibt es eine Exit-Option für kritische Workflows? Wie hoch sind die KI-Kosten pro Angebot, pro Servicefall, pro qualifiziertem Termin? Welche Eval-Daten gehören dem Unternehmen? Wer kann das System betreiben, wenn der Anbieter Preise ändert?

Das klingt hart. Muss es auch. Wer KI als Multiplikator verkauft, muss akzeptieren, dass auch Fehler multipliziert werden. Ein schlechter ICP wird mit KI nicht besser. Er wird schneller ausgerollt. Eine schlechte CRM-Disziplin wird mit KI nicht geheilt. Sie wird nur hübscher zusammengefasst. Ein Vertriebsprozess ohne klare Verantwortlichkeiten wird mit Agenten nicht autonom. Er wird chaotisch.

KI im Vertrieb vorbereiten: 7 Schritte für 2026

1. Trennen Sie Anwendungsfälle nach Datenrisiko. Office-Texte, öffentliche Account-Recherche und interne Wissensarbeit gehören nicht in denselben Topf wie Angebotskalkulation, CAD-nahe Dokumente oder Serviceberichte mit Kundengeheimnissen.
2. Berechnen Sie TCO über drei Jahre. Nicht nur Lizenzkosten. Rechnen Sie Token, Nutzer, API-Calls, Hosting, Integration, Monitoring, Security, Schulung und Anbieterwechsel mit ein. Ein Pilot ohne Skalierungsrechnung ist Vertriebsmaterial.
3. Bauen Sie ein Modellrouting auf. Legen Sie fest, welche Aufgaben ein geschlossenes Frontier-Modell bekommen darf und welche ein offenes Modell erledigen soll. Der beste Stack nutzt nicht immer das beste Modell, sondern das passende.
4. Definieren Sie Ihren ICP maschinenlesbar. Branchen, Firmengrößen, Anlagen, Zertifizierungen, Expansionssignale, Trigger, Ausschlusskriterien. Wenn Ihr Ideal Customer Profile nur in PowerPoint existiert, kann KI es nicht sauber skalieren.
5. Erstellen Sie Eval-Datensätze aus echten Fällen. 100 gewonnene Accounts, 100 verlorene Accounts, 100 schlechte Leads, echte Servicefälle, echte Angebotsdokumente. Ohne Evaluation diskutieren Sie Modellqualität nach Gefühl.
6. Verhandeln Sie Daten- und Preisklauseln früh. Bei Closed-Anbietern: Datenresidenz, kein Training auf Kundendaten, Exportmöglichkeiten, Preisstabilität. Bei Open-Partnern: SLAs, Security-Hardening, Betriebsmodell, gemeinsame IP.
7. Schaffen Sie eine Verantwortlichkeit im Business. Nicht nur IT. Vertrieb, Service, Engineering und Controlling müssen die KI-Kosten und KI-Entscheidungen verstehen. Sonst baut die IT eine Plattform, die niemand wirtschaftlich führt.

Diese Schritte wirken trocken. Gut. Trockene Schritte verhindern nasse Augen im Steering Committee. Ich habe zu viele KI-Projekte gesehen, bei denen nach sechs Monaten niemand wusste, ob das System Umsatz bringt oder nur Aktivität erzeugt. Besonders im Vertrieb ist Aktivität die gefährlichste Kennzahl. Mehr E-Mails sind kein Fortschritt. Mehr passende Gespräche schon.

Amplifa Produkt Amplifa hilft B2B-Teams, Zielkunden datenbasiert zu identifizieren, Signale zu priorisieren und KI-gestützte Vertriebsprozesse kontrolliert aufzubauen.

Wie ein hybrider KI-Stack im Mittelstand aussehen kann

Ein brauchbarer hybrider Stack beginnt nicht beim Modell. Er beginnt bei der Prozesskarte. Welche Vertriebsentscheidungen fallen heute? Account auswählen, Buying Center verstehen, Anlass finden, Nachricht formulieren, Timing setzen, Follow-up planen, Angebot vorbereiten, Risiko erkennen. Jede Entscheidung bekommt Datenquellen, Verantwortliche und ein Automatisierungsniveau. Erst dann kommt die Modellfrage.

Für öffentliche Firmendaten kann ein offenes Modell reichen, das auf einer eigenen Infrastruktur oder bei einem europäischen Anbieter läuft. Es extrahiert aus Webseiten, Handelsregisterdaten, Jobanzeigen, Pressemitteilungen und Zertifikatsdatenbanken relevante Merkmale. Beispiel: Ein Hersteller erweitert ein Werk in Tschechien, sucht Instandhalter mit Siemens-S7-Erfahrung und erwähnt neue Verpackungslinien. Das ist ein Signal. Kein magisches Signal. Aber ein besseres als 'Firma hat 500 Mitarbeiter'.

Für die Formulierung einer Executive-Hypothese kann ein geschlossenes Modell sinnvoll sein, solange keine vertraulichen Daten hineingehen oder sauber maskiert werden. Der Account Executive bekommt dann nicht 'Hallo, ich wollte mich kurz vorstellen', sondern eine Hypothese: 'Ihr Ausbau in Brno erhöht wahrscheinlich den Bedarf an standardisierten Wartungsprozessen für Linie X; wir sehen bei ähnlichen Werken Engpässe in der Ersatzteilverfügbarkeit.' Das ist Vertrieb. Nicht Spam.

Für interne Wissenssuche in Angebotsarchiven würde ich vorsichtiger sein. Dort liegen Preise, Rabatte, technische Sonderlösungen, rechtliche Klauseln. Ein offenes Modell in einer kontrollierten Umgebung kann hier die bessere Wahl sein. Vielleicht mit Retrieval-Augmented Generation, vielleicht mit strenger Rollenlogik, vielleicht mit menschlicher Freigabe. Hauptsache: Niemand kopiert Angebots-PDFs in irgendein Chatfenster, weil es schneller geht.

Workflow-Orchestrierung wird dabei unterschätzt. Temporal, laut recherchierten Daten im September 2026 mit 550 Millionen Dollar Series E bei 12,55 Milliarden Dollar Bewertung finanziert, zeigt, wie wichtig robuste Abläufe werden. KI ohne Orchestrierung ist ein Demo-Video. KI mit Orchestrierung kann einen Prozess tragen: Daten holen, Modell wählen, Ergebnis prüfen, CRM aktualisieren, Freigabe einholen, Aufgabe erstellen.

Warum reine Inbound-Strategien in der Fertigung nicht reichen

Ich sage es bewusst kantig: Wer 2026 im industriellen B2B noch auf reine Inbound-Strategie setzt, hat in fünf Jahren keine belastbare Pipeline mehr. Nicht, weil Inbound tot ist. Sondern weil Käufer unsichtbarer werden, Ausschreibungen später kommen und technische Entscheider Informationen konsumieren, lange bevor sie ein Formular ausfüllen. Wenn Sie erst reagieren, wenn der Lead im System ist, sind Sie oft schon austauschbar.

KI verändert hier die Spielregeln. Gute Vertriebsteams warten nicht auf Leads. Sie erkennen Marktbewegungen: Werkserweiterungen, neue Produktlinien, Managementwechsel, Förderbescheide, neue Normen, Stellenanzeigen, Lieferkettenprobleme, Patente, Messeankündigungen. Ein Team, das diese Signale manuell sucht, kommt nicht hinterher. Ein Team, das sie automatisch sammelt und schlecht bewertet, produziert Lärm. Ein Team, das KI mit sauberem ICP kombiniert, baut Pipeline früher.

Markus, Vertriebsleiter bei einem Anlagenbauer aus der Nähe von Ulm, sagte mir im Juni 2026: 'Unsere besten Chancen stehen nie im CRM, bevor jemand sie gesucht hat.' Genau. Das CRM ist oft ein Rückspiegel. KI kann ein Radar sein. Aber nur, wenn die Signale stimmen und der Vertrieb nicht jede automatisch erzeugte Spur für eine Chance hält.

Die Rolle von Regulierung und Souveränität

Der AI Act, GDPR, NIS2 und branchenspezifische Anforderungen machen Europa nicht einfacher. Aber sie machen die Debatte ehrlicher. DACH-Hersteller können nicht so tun, als seien Datenflüsse egal. Gerade Unternehmen mit Automotive-, Defense-, Medtech- oder Chemiebezug müssen wissen, wo Daten verarbeitet werden, wer Zugriff hat und wie Entscheidungen protokolliert werden.

Open-Weight-Modelle passen deshalb gut in die europäische Industriepolitik. Sie erlauben mehr lokale Kontrolle, mehr Auditierbarkeit und mehr Anpassung an domänenspezifische Anforderungen. Aber noch einmal: offen heißt nicht automatisch compliant. Ein schlecht konfiguriertes Open-Source-System ist genauso gefährlich wie ein schlecht verhandelter Closed-Vertrag. Der Unterschied ist, dass man bei Open oft mehr Gestaltungsspielraum hat.

Die France-UAE-Initiative über rund 1 Milliarde Dollar für eine KI-Satellitenkonstellation mit 50 Earth-Observation-Satelliten zeigt, wie breit der Souveränitätsbegriff wird. Es geht nicht nur um Chatbots. Es geht um Datenquellen, Compute, Modelle, Anwendungen. Für Fertiger bedeutet das: Die KI-Wertschöpfungskette wird länger. Und wer nur am Ende ein Tool einkauft, versteht den Hebel nicht.

Investitionssummen: Was die Mega-Runden wirklich bedeuten

Mega-Runden sind kein Beweis für Kundennutzen. Das muss man sagen. Kapital kann auch Überhitzung bedeuten. Aber die Größenordnungen zeigen, wo strategische Abhängigkeiten entstehen. OpenAI mit 122 Milliarden Dollar Finanzierungsrunde im März 2026, Anthropic mit möglichen 100 Milliarden Dollar IPO-Plänen, Mistral mit 3 Milliarden Euro Series D, Hugging Face mit zweistelliger Milliardenbewertung, Temporal mit 12,55 Milliarden Dollar. Das ist die neue Infrastrukturkarte.

Für den Mittelstand steckt darin eine Warnung. Anbieter mit extremen Kapitalanforderungen müssen irgendwann Rendite zeigen. Rendite kommt über Preise, Bundling, Verbrauch, Plattformkontrolle oder Marktanteil. Wenn Sie auf einer Plattform sitzen, die selbst eine 300-Milliarden-Dollar-Compute-Rechnung bedienen muss, sollten Sie nicht davon ausgehen, dass Ihre API-Preise dauerhaft freundlich bleiben.

Bei offenen Ökosystemen ist die Logik anders, aber nicht kostenlos. Wert entsteht bei Hosting, Integration, Security, Support, Fine-Tuning, Evaluierung und Betrieb. Das ist für europäische Integratoren und spezialisierte Anbieter eine Chance. Für Kunden ist es Arbeit. Man muss Partner auswählen, Architektur führen und Ergebnisse messen. Dafür bekommt man Verhandlungsmacht zurück.

Link zwischen KI-Architektur und Pipeline-Management

Pipeline-Management wird oft als Vertriebsdisziplin behandelt. Forecast, Stages, Wahrscheinlichkeiten, Next Steps. Alles richtig. Aber KI verschiebt Pipeline-Management nach vorne. Die entscheidende Frage lautet nicht mehr nur, welche Opportunities im CRM stehen. Sondern welche Accounts noch nicht im CRM stehen, obwohl sie in 6 bis 18 Monaten kaufen könnten.

Hier trennt sich Spielzeug von System. Ein closed-only Ansatz kann schnell gute Texte und Zusammenfassungen liefern. Ein open-friendly Ansatz kann helfen, große Mengen externer und interner Daten kosteneffizient zu verarbeiten. Ein hybrider Ansatz verbindet beides: offene Modelle für breit skalierte Signalerkennung, geschlossene Modelle für anspruchsvolle Kommunikation, menschliche Freigabe für geschäftskritische Schritte.

Der Mittelstand braucht keine KI, die mehr Output produziert. Er braucht KI, die weniger falsche Prioritäten setzt. Das ist ein kleiner Satz mit großen Folgen. Weniger schlechte Accounts. Weniger irrelevante Messenachbereitung. Weniger 'Wir melden uns mal'. Mehr Gespräche mit Firmen, bei denen ein konkreter Auslöser, ein passender Bedarf und ein erreichbares Buying Center vorliegen.

Persönliche Prognose: 2027 bis 2029

Meine persönliche Prognose für die nächsten zwei bis drei Jahre: 2027 wird das Jahr der KI-Konsolidierung im Mittelstand. Viele Unternehmen werden 8 bis 15 Tools im Einsatz haben, aber nur 2 bis 4 davon behalten. Nicht, weil die anderen schlecht sind. Sondern weil Tool-Wildwuchs ohne Datenstrategie nervt, kostet und Verantwortlichkeiten verwischt.

2028 wird das Jahr der Kostenprüfung. CFOs werden nicht mehr akzeptieren, dass KI als Innovationsbudget durchläuft. Sie werden Kosten pro Vorgang sehen wollen: pro qualifiziertem Lead, pro Angebot, pro Servicefall, pro technischer Dokumentation, pro Supportticket. Dann zeigt sich, wer von Anfang an Open und Closed sauber getrennt hat. Und wer einfach überall dasselbe Modell draufgeworfen hat.

2029 wird das Jahr der Verhandlungsmacht. Unternehmen mit modellagnostischen Workflows, eigenen Eval-Daten, klarer Datenklassifikation und offenen Alternativen werden bessere Preise und bessere Kontrolle haben. Unternehmen ohne diese Grundlagen werden ihre KI-Strategie rückwärts erklären müssen: vom Anbieter her, nicht vom Geschäft her. Das ist selten ein gutes Zeichen.

Ich glaube nicht an die romantische Erzählung, dass Open Source alles gewinnt. Ich glaube auch nicht an die bequeme Erzählung, dass die großen geschlossenen Plattformen alles besser lösen. Der Markt wird hässlicher, praktischer und industrieller. Genau deshalb passt er zum Mittelstand.

Am Ende wird nicht der Hersteller gewinnen, der das spektakulärste KI-Demo zeigt. Gewinnen wird der, der weiß, welche Daten er besitzt, welche Prozesse er kontrollieren muss und welche Abhängigkeiten er sich leisten kann. Auf der Werkbank klingt das unspektakulär. In der GuV nicht.