KI im Vertrieb: Upsell im Maschinenbau

KI im Vertrieb · 26. Juni 2026 · Mohsen Ghulami

KI im Vertrieb für Upsell und Cross-Sell: So bauen Fertiger aus ERP- und CRM-Daten Expansion-Pipeline. Jetzt Praxis-Setup inklusive Tools prüfen.

Wer KI im Vertrieb nur für Neukunden nutzt, verbrennt Geld. Die billigste Pipeline im produzierenden Gewerbe liegt fast immer im Bestand — in Ersatzteilen, Serviceverträgen, Zubehör, Schulungen, Retrofit-Paketen und Produktlinien, die der Kunde längst kaufen müsste, aber nie angeboten bekommt. Ich meine das ernst, weil ich in DACH-Vertriebsteams ständig sehe, wie viel Energie in kalte Listen fließt, während im ERP seit fünf Jahren klare Cross-Sell-Signale herumliegen. KI im Vertrieb wird erst dann interessant, wenn sie nicht mehr schöne E-Mails schreibt, sondern dem Account Manager sagt: Dieser Kunde kauft Pumpen, aber keine Dichtungen; diese Anlage läuft seit 18 Monaten ohne Servicevertrag; diese Niederlassung verhält sich wie drei bestehende Top-Kunden von Festo oder Phoenix Contact. Naja, fast. Sie sagt es nur dann sauber, wenn Daten, Prozesse und rechtliche Leitplanken stimmen.

Problem-Statement: Warum KI im Vertrieb ohne Bestandsgeschäft verpufft

Viele mittelständische Fertigungsunternehmen zwischen 50 und 500 Mitarbeitenden behandeln Upsell und Cross-Sell wie Zufall. Der Außendienst kennt seine A-Kunden, der Innendienst kennt die Ersatzteil-Historie, das ERP kennt die Wahrheit — aber niemand verbindet diese drei Welten. Dann wird im Januar ein Umsatzziel erhöht, im März 2025 eine neue Kampagne gebaut, im Juni wundert sich der Geschäftsführer über leere Forecast-Spalten. Ich übertreibe? Nicht sehr. Ein Vertriebsleiter aus Augsburg sagte mir kürzlich: Unser SAP zeigt mir jeden Auftrag seit 2018, aber nicht, welchen Kunden ich morgen wegen Service-Upsell anrufen soll. Genau da liegt der Bruch. KI-gestütztes Upsell- und Cross-Sell-Management ist kein Marketing-Spielzeug, sondern ein Priorisierungssystem für bestehende Accounts.

Wenn man es nicht macht, passieren vier Dinge. Erstens: Account Manager verkaufen immer wieder die gleiche Produktgruppe, weil sie dort sicher sind. Zweitens: Marge bleibt liegen, weil Zubehör, Wartung, Verbrauchsmaterial oder Premium-Varianten erst beim Wettbewerber auftauchen. Drittens: Churn wird zu spät erkannt — oft erst dann, wenn der Kunde in Q4 weniger bestellt und alle so tun, als sei das saisonal. Viertens: Neukundenakquise muss Löcher stopfen, die eigentlich aus dem Bestand hätten geschlossen werden können. Laut den in der Recherche genannten Benchmarks liegen realistische Effekte korrekt implementierter AI-Sales-Programme im Industrievertrieb bei 10 bis 25 Prozent zusätzlichem Umsatz aus bestehenden Accounts, 15 bis 30 Prozent höherer Conversion auf Expansion Opportunities und Payback-Zeiten von 6 bis 18 Monaten. Das sind keine Fantasiezahlen für B2C-Shops. Das sind Größenordnungen, die bei Herstellern, OEM-Zulieferern und technischen Händlern auftauchen, wenn ERP-, CRM- und Servicedaten zusammenarbeiten.

Überblick: Was dieser Praxis-Guide für KI im Vertrieb erklärt

Ich schreibe diesen Guide aus meiner Arbeit als GTM Engineer bei Amplifa. Nicht aus einem Analysten-Turm. Mich interessieren Setups, die ein Vertriebsleiter bei einem Maschinenbauer in Baden-Württemberg oder ein Geschäftsführer eines Komponentenherstellers in Ostwestfalen tatsächlich bauen kann — mit SAP, Microsoft Dynamics, HubSpot, Salesforce, Excel-Resten, einem Außendienst, der keine Lust auf zusätzliche Admin-Arbeit hat, und einer Datenschutzbeauftragten, die bei dem Wort Profiling die Augenbraue hebt. Der Guide zeigt, wie man AI Sales für Upsell und Cross-Sell im Industrievertrieb praktisch aufsetzt.

Die Schritte im Überblick:

• Schritt 1: ERP-, CRM- und Servicedaten so vorbereiten, dass KI daraus Expansion-Signale lesen kann.
• Schritt 2: Next-Best-Product, White-Space und Churn-Risiko mit AI Lead Scoring priorisieren.
• Schritt 3: AI-personalisierte Outbound- und Lifecycle-Sequenzen für bestehende Kunden bauen.
• Schritt 4: CPQ, Angebotserstellung und Service-Upsell in den Vertriebsprozess einhängen.
• Schritt 5: Closed Loop messen — Conversion, Umsatz, Marge, Rep-Akzeptanz und DSGVO-Risiko.

Schritt 1: KI im Vertrieb beginnt mit ERP-Daten, nicht mit Prompts

Der erste Fehler ist fast immer derselbe: Ein Unternehmen kauft ein AI-Outreach-Tool, lädt eine Kontaktliste hoch und erwartet Pipeline. Das kann funktionieren, wenn der Markt warm ist und die Liste sauber. Meistens produziert es nur mehr mittelmäßige E-Mails. Für Upsell und Cross-Sell im Maschinenbau ist die wichtigere Frage: Welche Kunden kaufen heute welche Produktgruppen, in welcher Frequenz, zu welcher Marge, mit welchen Servicefällen und mit welchen Lücken im Vergleich zu ähnlichen Kunden? Diese Antwort liegt nicht in LinkedIn. Sie liegt in SAP S/4HANA, Microsoft Dynamics 365, abas ERP, proALPHA, Infor, einem Ticketsystem und manchmal in einer CSV-Datei namens Auftragshistoriefinalfinal.xlsx (ich wünschte, das wäre ein Witz).

Ein konkretes Setup, das ich empfehlen würde: Ziehen Sie mindestens 36 Monate, besser 60 Monate Auftragshistorie aus dem ERP. Pro Zeile brauchen Sie Kundennummer, Artikelnummer, Produktgruppe, Menge, Umsatz, Deckungsbeitrag, Bestelldatum, Standort, Land, Branche, Verkäufer, Reklamationen, Retouren und Servicefälle. Dann mappen Sie Kontakte aus dem CRM dazu: Rolle, E-Mail-Opt-in, letzter Kontakt, offene Opportunity, letzter Besuch, Buying Center. Bei einem Hersteller von Automatisierungskomponenten aus der Nähe von Stuttgart, der Festo und Phoenix Contact als Benchmark im Markt beobachtet, haben wir genau diese Trennung gesehen: Das ERP wusste, dass Kunde A regelmäßig Sensorik kauft; das CRM wusste, dass der neue Instandhaltungsleiter seit April 2025 im Amt ist; der Vertrieb wusste, dass die Linie 2 erweitert wird. Erst zusammen wird daraus ein Cross-Sell-Trigger.

Datenmodell für Upsell und Cross-Sell

Ich baue solche Modelle gern simpel. Nicht akademisch. Für jeden Account entsteht eine Matrix: Kunde mal Produktfamilie. Zelle gekauft, nicht gekauft, zuletzt gekauft, Kaufintervall, Marge, Mengenentwicklung. Daneben eine zweite Matrix: Kunde mal Signal. Servicehäufigkeit hoch, Ersatzteilquote steigend, Website-Besuche auf Produktseiten, Download eines Datenblatts, Besuch auf der SPS-Messe, offenes Ticket, ablaufender Vertrag. Wenn ein Kunde bei DMG Mori ähnliche Maschinenkonfigurationen nutzt wie ein anderer Kunde, aber keine Spindelservice-Pakete kauft, ist das kein Bauchgefühl mehr. Es ist ein White-Space-Kandidat. Wenn ein Kärcher-Zulieferer seit Jahren Komponenten abnimmt, aber nie Zubehörsets bestellt, obwohl vergleichbare Kunden das tun, dann will ich das im CRM als Aufgabe sehen — nicht in einem BI-Dashboard, das nur freitags im Management-Meeting geöffnet wird.

Das funktioniert bei uns nicht, weil unsere Artikelstruktur zu historisch gewachsen ist.

— Andrea, Head of Sales bei einem Hidden Champion in Bielefeld

Diesen Satz höre ich oft. Und ja, Artikelstrukturen sind hässlich. Alte Produktnummern, Dubletten, Sonderteile, kundenspezifische Varianten, tote SKUs. Aber das ist kein Grund, nicht anzufangen. Es ist der Grund, zuerst Produktgruppen zu normalisieren. Starten Sie nicht mit 42.000 Artikeln. Starten Sie mit 12 bis 25 kommerziell sinnvollen Familien: Kernprodukt, Ersatzteil, Zubehör, Service, Software, Retrofit, Schulung, Premium-Variante, Verbrauchsmaterial. Bei Schaeffler, Trumpf oder Webasto steckt unter der Oberfläche auch Komplexität. Der Unterschied ist nicht, dass große Unternehmen keine Datensuppe haben. Der Unterschied ist, dass sie häufiger Governance dafür finanzieren.

Schritt 2: AI Lead Scoring für Expansion statt Bauchgefühl

Nach der Datenbasis kommt Scoring. Hier trennt sich brauchbare KI im Vertrieb von hübscher Demo-Software. Ein Expansion Score sollte nicht nur sagen: Dieser Account ist heiß. Er muss begründen, warum. Ich arbeite gern mit vier Score-Blöcken. Erstens: Fit — Branche, Unternehmensgröße, installierte Basis, Region, Produktkompatibilität. Zweitens: White-Space — welche Produktfamilien kauft der Account nicht, obwohl ähnliche Accounts sie kaufen. Drittens: Timing — aktuelle Signale wie Servicefälle, Vertragsende, neue Ansprechpartner, Angebotsanfragen, Website-Besuche, Messekontakte. Viertens: Risiko — sinkende Bestellfrequenz, weniger Kontaktaktivität, offene Reklamationen, Margenverfall. Demandbase beschreibt AI Lead Scoring als Methode, um Firmographics, Verhalten und CRM-Historie zu kombinieren; im Industrievertrieb muss man Service- und ERP-Signale ergänzen, sonst bleibt das Modell blind.

Praktisch sieht das so aus: Ein Account bekommt einen Expansion Score von 0 bis 100. Ab 85 geht er direkt an den Account Manager mit einer konkreten Next Best Action. Zwischen 60 und 84 landet er in einer Nurture-Sequenz, zum Beispiel zwei fachliche E-Mails und ein persönlicher Anruf nach sieben Tagen. Unter 60 passiert nichts Automatisiertes, außer vielleicht eine leise Beobachtung im CRM. Klingt banal. Ist es nicht. Die meisten Teams haben keine Schwellenwerte. Sie haben eine Liste mit 300 Kunden und eine Bitte an den Vertrieb, doch mal draufzuschauen. Das ist kein Prozess. Das ist eine Zumutung.

Next Best Product: Was soll der Kunde als Nächstes kaufen?

Tools wie SPARXiQ SalesGPS, Zilliant oder PROS Smart CPQ gehen genau in diese Richtung. SPARXiQ ist stark bei Herstellern und Distributoren, weil es Transaktionshistorie, Produktmix, Margen und White-Space analysiert. Zilliant wird im B2B-Pricing und Revenue Optimization genutzt, besonders dort, wo Preis, Rabatt und Produktempfehlung zusammenhängen. PROS oder Salesforce CPQ mit Einstein können im Angebot selbst Upsell-Optionen vorschlagen: höherwertige Variante, Servicepaket, Ersatzteilkit, verlängerte Garantie. Bei einem Industriekunden in Nürnberg roch der Besprechungsraum nach Karton und Metallstaub, weil die Musterteile neben dem Whiteboard lagen; auf dem Board stand am Ende nur eine Frage: Welche Empfehlung würde ein guter Senior-Verkäufer geben, wenn er alle Daten im Kopf hätte?

Genau das muss das Modell imitieren. Nicht ersetzen. Ein Senior-Verkäufer sieht, dass ein Kunde alle 14 Monate eine bestimmte Baugruppe bestellt und seit kurzem mehr Stillstände meldet. Er denkt: Servicevertrag anbieten. Oder Retrofit. Oder Sicherheitsbestand. KI kann solche Muster in 5.000 Accounts suchen, ohne müde zu werden. Aber sie kennt nicht jede politische Lage im Account. Sie weiß nicht, dass der Einkaufsleiter gerade im Clinch mit dem Werkleiter liegt. Deshalb braucht jeder Score eine Override-Möglichkeit. Wenn der Account Manager die Empfehlung ablehnt, muss er einen Grund auswählen: falscher Zeitpunkt, falscher Ansprechpartner, laufende Eskalation, Produkt nicht passend, bereits in Verhandlung. Diese Rückmeldung ist Gold. Ohne sie lernt das System nur aus Abschlüssen, nicht aus Vertriebsrealität.

Schritt 3: AI-personalisierte Sequenzen für Bestandskunden

Jetzt kommt der Teil, den viele zuerst machen wollen: Outreach. Ich verstehe das. E-Mails sind sichtbar. Sequenzen fühlen sich nach Aktion an. Aber eine gute Expansion-Sequenz startet nicht mit einem Prompt, sondern mit einem Trigger. Beispiel: Kunde kauft Produktfamilie A, aber nicht B; ähnliche Kunden mit gleicher Branche kaufen B zu 63 Prozent; letzter Kauf vor 92 Tagen; Kontaktrolle Instandhaltung; kein offenes Ticket; Opt-out nicht gesetzt. Daraus entsteht eine E-Mail, die nicht klingt wie ein Newsletter. Sie klingt wie ein Verkäufer, der seine Hausaufgaben gemacht hat.

Ein mögliches Setup in Salesloft, Outreach, Apollo, Groove oder Amplifa: Segmentieren Sie Accounts nach Triggern. Cross-Sell Ersatzteile. Upsell Servicevertrag. Retrofit nach Nutzungsdauer. Schulung nach neuer Maschineninstallation. Dann definieren Sie je Segment eine Sequenz mit vier bis sechs Touchpoints über 21 bis 35 Tage. Für bestehende Kunden reicht oft weniger Druck. E-Mail 1: fachlicher Hinweis mit Bezug auf bestehende Nutzung. Tag 4: LinkedIn-Ansicht oder manueller Connect, wenn rechtlich und prozessual sauber. Tag 7: kurzer Anruf mit konkretem Anlass. Tag 14: Case oder Vergleich aus ähnlichem Werk. Tag 24: Break-up mit Opt-out-Hinweis. Keine zwölf E-Mails. Kein tägliches Nachfassen. Wir verkaufen keine Webinar-Plätze, sondern Investitionsentscheidungen in Betrieben, in denen Menschen mit Maschinen, Lieferketten und Schichtplänen kämpfen.

Konkretes Sequenz-Beispiel für einen Maschinenbauer

Nehmen wir einen Hersteller von Verpackungsmaschinen mit 180 Mitarbeitenden in der Nähe von Heilbronn. Bestand: 420 aktive Kunden in DACH, ERP-Historie seit 2019, CRM in HubSpot, Service-Tickets in Zendesk. Ziel: Mehr preventive maintenance Verträge verkaufen. Der Score findet 58 Accounts mit hoher Maschinenlaufzeit, mindestens drei Ersatzteilbestellungen in zwölf Monaten, aber ohne Wartungsvertrag. Für den Instandhaltungsleiter generiert die KI eine andere Nachricht als für den Einkauf. Beim Instandhaltungsleiter geht es um Stillstand, Ersatzteilplanung und Reaktionszeit. Beim Einkauf geht es um planbare Kosten und weniger Ad-hoc-Bestellungen. Der Geschäftsführer bekommt keine technische Detail-Mail, sondern eine kurze Business-Notiz: Wie viel ungeplanter Stillstand kostet und welche Kunden vergleichbare Verträge nutzen.

Ein E-Mail-Entwurf könnte so starten: Wir haben gesehen, dass Ihr Werk in den letzten zwölf Monaten mehrfach Ersatzteile für die Baureihe X bestellt hat. Bei ähnlichen Anlagen bündeln einige Kunden diese Fälle inzwischen in einem Wartungspaket, weil sie Ersatzteilverfügbarkeit und Reaktionszeit planbarer machen wollen. Das ist kein literarisches Meisterwerk. Gut so. Es ist konkret. Es bezieht sich auf echte Nutzung. Es vermeidet KI-Geschwurbel. In den von der Recherche genannten 2026-Personalisierungs-Playbooks werden bei AI-getriebener Personalisierung teils doppelte Response Rates gegenüber generischem Outbound genannt; in der Praxis heißt das für viele B2B-Teams: statt 3 bis 5 Prozent Reply Rate eher 6 bis 12 Prozent, bei warmem Bestandskunden-Outreach auch mehr. Aber nur, wenn der Trigger stimmt.

Was wir bei Amplifa konkret sehen: Bei Industriekunden mit mindestens 24 Monaten sauberer Auftragshistorie funktionieren Expansion-Kampagnen deutlich besser, wenn die erste Nachricht maximal zwei Datensignale nutzt. Nicht fünf. Nicht acht. Zwei. Zum Beispiel Produktfamilie gekauft plus Serviceereignis. Oder Ersatzteilfrequenz plus Vertragsende. In Implementierungen seit Juli 2025 lag die manuelle Freigabequote durch Account Manager bei solchen Sequenzen spürbar höher als bei überladenen AI-Texten, weil Verkäufer sofort verstanden haben, warum der Kunde angesprochen wird. Das klingt klein. Ist aber ein Akzeptanzhebel. Wenn der Vertrieb dem Score nicht glaubt, ist die ganze Architektur nur Dekoration.

Schritt 4 und 5: Fortgeschrittene Workflows für AI Sales

Nach Scoring und Sequenzen kommt die Stelle, an der viele Projekte entweder Geld verdienen oder versanden. Es reicht nicht, eine Liste heißer Accounts zu erzeugen. Die Empfehlung muss dort auftauchen, wo der Verkäufer arbeitet: im CRM, im Angebot, im Account Plan, im Weekly Pipeline Review. Wenn ein Außendienstler zwischen SAP, CRM, CPQ, Outlook und einem AI-Dashboard springen muss, verliert man ihn. Schnell. Der Vertriebsalltag ist schon voll genug — mit Besuchsberichten, Preisfreigaben, Forecast-Fragen und Kunden, die eine Lieferzeit von sechs Wochen gern in sechs Tage verwandeln würden.

1. Schritt 4: CPQ und Angebotserstellung mit Upsell-Logik verbinden. Wenn ein Kunde ein Kernprodukt anfragt, sollte das Angebotssystem automatisch passende Zubehörteile, Ersatzteilkits, Servicepakete oder höherwertige Varianten vorschlagen. Bei PROS Smart CPQ, Salesforce CPQ mit Einstein oder Zilliant kann ein Propensity Score neben jeder Empfehlung stehen. Wichtig ist die Darstellung: Nicht zehn Vorschläge, sondern die zwei wahrscheinlichsten. Ein Vertriebsingenieur bei einem Anlagenbauer in Linz sagte mir im April 2025: Wenn mir das System zehn Optionen gibt, nehme ich keine. Wenn es mir zwei gute gibt, prüfe ich sie. Genau so sollte es gebaut werden.
2. Schritt 5: Closed Loop einführen. Jede Empfehlung bekommt einen Status: vorgeschlagen, vom Verkäufer akzeptiert, kontaktiert, Termin, Angebot, gewonnen, verloren, verworfen. Dazu kommt der Verwerfungsgrund. Nach 90 Tagen prüfen Sie Conversion, Umsatz, Marge, Antwortquote, Angebotsquote und Verkäuferakzeptanz je Trigger. Wenn Cross-Sell für Ersatzteile 11 Prozent Reply Rate bringt, Retrofit aber nur 2 Prozent, ist nicht automatisch Retrofit schlecht. Vielleicht ist der Trigger falsch. Vielleicht spricht die Nachricht den Einkauf an, obwohl der Werkleiter der bessere Einstieg wäre. Ehrlich? Ich weiß es nicht, bevor ich die Daten sehe. Und genau deshalb braucht man den Loop.

DSGVO: Profiling ist kein Nebensatz

Für DACH-Unternehmen ist Datenschutz kein Compliance-Theater, das man am Ende dranschraubt. Gerade im Bestand haben Sie oft eine solide Grundlage: bestehende Geschäftsbeziehung, Vertragsdurchführung, berechtigtes Interesse, relevante Produktkommunikation. Trotzdem gilt Zweckbindung. Wenn ein Kunde Ersatzteile kauft, darf man nicht automatisch jede denkbare Fremdinformation aus dem Web anreichern und in ein Persönlichkeitsprofil gießen. AI Lead Scoring kann unter DSGVO als Profiling gelten, wenn personenbezogene Merkmale oder Verhalten bewertet werden. Also: dokumentieren, informieren, Opt-out ermöglichen, Löschkonzepte definieren, DPA mit Tool-Anbietern abschließen, keine vollautomatischen Entscheidungen mit erheblicher Wirkung ohne menschliche Prüfung. Das klingt trocken. Ist es auch. Aber eine Abmahnung riecht schlechter als jeder Serverraum.

Ich empfehle für Bestandskunden-Sequenzen einen einfachen rechtlichen Prüfpfad. Liegt eine Geschäftsbeziehung vor? Ist das Angebot fachlich naheliegend? Wird nur notwendige Datenverarbeitung genutzt? Ist der Ansprechpartner in seiner beruflichen Rolle betroffen? Gibt es einen klaren Abmeldelink oder Widerspruchsweg? Ist dokumentiert, warum der Account in die Sequenz kommt? Wenn eine dieser Fragen wackelt, muss Legal oder Datenschutz draufschauen. Und ja, das bremst manchmal. Besser langsam sauber als schnell verbrannt. Besonders bei Konzernen wie Bosch, Brose, Webasto oder Schaeffler merkt man im Einkauf und in der IT-Security sofort, ob ein Anbieter Datenschutz ernst nimmt oder nur ein PDF namens GDPR_Statement.pdf verschickt.

Benchmarking: Welche Ergebnisse realistisch sind

Ich halte nichts von ROI-Versprechen, die nach Konferenzfolie riechen. Trotzdem braucht ein Geschäftsführer eine Zahl, sonst bleibt KI ein Experiment im Vertriebsbudget. Die recherchierten Benchmarks zeigen für richtig implementierte AI Expansion Programme im B2B-Industrieumfeld häufig 10 bis 25 Prozent zusätzlichen Umsatz aus bestehenden Accounts innerhalb von 12 bis 24 Monaten, 5 bis 15 Prozent Uplift in Cross-Sell-Rate und 5 bis 10 Prozentpunkte Margenverbesserung, wenn Pricing-Empfehlungen mitlaufen. AI-personalisierte Sequenzen können laut 2026-Playbooks Response Rates gegenüber generischem Outbound verdoppeln. Demandbase argumentiert bei AI Lead Scoring stark über bessere Lead-Qualität und genauere Priorisierung; Highspot betont agentische AI für Account Research, Mutual Action Plans und Enterprise Deal Orchestration. Alles schön. Die harte Frage bleibt: Wie viel davon landet in Ihrem Forecast?

Für einen Mittelständler mit 25 Millionen Euro Umsatz, davon 16 Millionen Euro Bestandsgeschäft, ist schon ein 8-Prozent-Uplift im Bestand massiv. Das wären 1,28 Millionen Euro zusätzlicher Jahresumsatz. Wenn die Bruttomarge auf Service und Ersatzteilen höher ist als auf Neumaschinen — oft ist sie das — wird der Effekt noch spannender. Aber ich würde im Business Case konservativer starten: 3 Prozent Uplift im ersten Jahr, 6 bis 10 Prozent im zweiten, wenn Datenqualität und Adoption passen. Rechnen Sie außerdem Zeitersparnis ein. Wenn Account Manager pro Woche zwei Stunden weniger in Recherche und E-Mail-Entwürfe stecken und diese Zeit in echte Gespräche investieren, ist das kein weicher Nutzen. Es ist Kapazität.

Amplifa Sales Audit Prüfen Sie, ob Ihr Vertrieb genug Daten, Trigger und Prozesse für AI gestützten Upsell und Cross Sell im Bestand hat.

Praxis-Setup: Von der ersten Liste zur Expansion-Pipeline

Wenn ich ein Projekt schlank starten müsste, würde ich keinen Zwölf-Monats-Transformationsplan schreiben. Ich würde einen 30-Tage-Sprint bauen. Woche 1: Datenexport aus ERP und CRM, keine Perfektion, aber die wichtigsten Felder. Woche 2: Produktfamilien normalisieren und drei Expansion Plays definieren. Woche 3: Scoring bauen, Top 50 Accounts je Play prüfen, Sales Feedback einholen. Woche 4: Sequenzen live schalten, aber nur für 30 bis 80 Accounts. Klein genug, um zu kontrollieren. Groß genug, um etwas zu lernen. Der Geruch von frisch gedruckten Besuchsberichten in Vertriebsbüros ist nett, aber er ersetzt keine saubere Testgruppe.

Ein gutes erstes Play ist fast immer Service-Upsell. Warum? Weil der Nutzen nah am bestehenden Produkt liegt. Der Kunde muss keine neue Kategorie verstehen. Er hat die Maschine, Anlage oder Komponente schon. Wenn Ersatzteilfrequenz, Betriebsdauer oder Ticketvolumen steigen, ist der Anlass plausibel. Zweites Play: Zubehör oder Verbrauchsmaterial. Drittes Play: Retrofit oder Upgrade nach Nutzungsdauer. Software-Add-ons funktionieren ebenfalls, wenn die installierte Basis klar ist. Was ich nicht als erstes machen würde: Ein komplexes neues Produkt in eine breite Bestandsliste drücken, nur weil die Marge attraktiv ist. Das ist Wunschdenken mit AI-Anstrich.

Beispiel-Score für Service-Upsell

Der Score kann anfangs regelbasiert sein. Keine Schande. 25 Punkte, wenn der Kunde mindestens zwei Maschinen einer relevanten Baureihe nutzt. 20 Punkte, wenn in den letzten zwölf Monaten drei oder mehr Ersatzteilbestellungen eingingen. 15 Punkte, wenn ein Service-Ticket mit Stillstand markiert wurde. 15 Punkte, wenn der letzte persönliche Kontakt unter 120 Tage alt ist. 10 Punkte, wenn der Kunde bereits Zubehör oder Schulung gekauft hat. 15 Punkte Abzug, wenn eine offene Reklamation existiert. Ab 70 Punkten prüft der Account Manager den Vorschlag. Ab 85 Punkten startet nach Freigabe eine Sequenz. Später kann ein Modell aus historischen Won-Lost-Daten lernen. Aber am Anfang schlägt ein transparenter Score oft ein schwarzes Kästchen, dem niemand vertraut.

Markus, Vertriebsleiter bei einem Sondermaschinenbauer aus Regensburg, formulierte es in einem Workshop ziemlich trocken: Wenn meine Leute nicht erklären können, warum ein Kunde auf der Liste steht, rufen sie ihn nicht an. Genau das ist der Punkt. Explainability ist kein akademischer Luxus. Sie entscheidet, ob Verkäufer handeln. Ein Score sollte deshalb immer die Top-Gründe anzeigen: hohe Ersatzteilfrequenz, kein Wartungsvertrag, ähnlicher Kunde kaufte Paket M, letzte Lieferung vor 43 Tagen. Nicht nur 87 von 100. Eine Zahl ohne Begründung ist im Vertrieb ein Orakel. Und Orakel landen nach zwei Wochen im Browser-Lesezeichenfriedhof.

KI im Vertrieb und Rollen-Personalisierung: Wer bekommt welche Nachricht?

Der gleiche Trigger braucht unterschiedliche Sprache. Ein Werkleiter will Risiko reduzieren. Eine Instandhaltungsleiterin will planbare Reaktionszeiten, Ersatzteilverfügbarkeit und weniger Feuerwehreinsätze. Der Einkauf will Kostenrahmen, Vertragslogik und Vergleichbarkeit. Der Geschäftsführer will Umsatzsicherheit, Lieferfähigkeit oder OEE-Auswirkungen verstehen. Wenn AI alle Rollen gleich anspricht, ist sie nur ein Serienbrief mit besserer Grammatik. Bei Trumpf, DMG Mori oder Wittenstein kauft auch nicht eine abstrakte Firma. Es kaufen Menschen mit Zielen, Ängsten und Kalendern, die zu voll sind.

Ich nutze dafür gern Messaging-Blöcke. Pro Play gibt es einen Kernnutzen, drei Rollenvarianten und zwei Beweise. Beispiel Servicevertrag: Kernnutzen ist weniger ungeplanter Stillstand. Rolle Instandhaltung: schnellere Reaktion und Teileplanung. Rolle Einkauf: planbare Kosten und weniger Eilbestellungen. Rolle Geschäftsführung: Produktionssicherheit und kalkulierbares Risiko. Beweise: interne Daten wie Ersatzteilhistorie und externer Vergleich wie ähnliche Anlagenbetreiber. Die KI darf daraus Entwürfe bauen. Der Verkäufer prüft Ton, Timing und Account-Kontext. Stimmt nicht ganz. Der Verkäufer muss prüfen. Sonst landen Formulierungen beim Kunden, die zwar korrekt sind, aber politisch unklug.

Was nicht funktioniert: Mehr AI Outreach ohne Vertriebsdisziplin

Wer 2026 noch glaubt, reine Inbound-Strategie werde im Industrievertrieb genug Pipeline liefern, hat ein Problem. Aber wer glaubt, AI könne schlechte Outbound-Disziplin kaschieren, hat ein größeres. Generische AI-Blasts zerstören Domain-Reputation, nerven Bestandskunden und machen Account Manager zynisch. Ich habe Sequenzen gesehen, in denen ein Kunde gleichzeitig eine Renewal-Mail, eine Cross-Sell-Mail und eine Messe-Einladung bekam. Drei Abteilungen. Ein Kunde. Null Koordination. Da hilft kein Modell. Da hilft nur ein Revenue Council oder wenigstens ein wöchentliches Campaign-Gating.

Mein Minimum: Jede Bestandskunden-Kampagne braucht einen Owner, eine Zielgruppe, einen Trigger, ein Ausschlusskriterium, eine Sequenz, eine DSGVO-Prüfung und ein Stop-Signal. Ausschlusskriterien sind oft wichtiger als Zielkriterien. Offene Eskalation? Raus. Laufende Preisverhandlung? Raus oder manuell prüfen. Kunde hat vor zwei Wochen nein gesagt? Raus. Kein passender Ansprechpartner? Erst Datenpflege. In einem Werk in der Nähe von Ulm hörte man während eines Workshops durch das offene Fenster das monotone Piepen eines rückwärtsfahrenden Transporters; drinnen diskutierten wir 40 Minuten nur über Ausschlusslogik. Das war die beste Zeit des Tages. Sie schützt Umsatz.

Häufige Fragen zu KI im Vertrieb für Upsell

Brauchen wir zuerst ein perfektes CRM?

Nein. Ein perfektes CRM existiert selten, und wenn doch, hat wahrscheinlich jemand gerade aufgehört, echte Vertriebsarbeit zu machen. Sie brauchen aber ein brauchbares Minimum: aktive Accounts, verantwortliche Verkäufer, relevante Kontakte, Opt-out-Status, offene Opportunities und letzte Aktivitäten. Für Upsell und Cross-Sell ist ERP-Qualität oft wichtiger als CRM-Schönheit. Wenn Auftragshistorie und Produktgruppen stimmen, kann man starten. Wenn Kundennummern doppelt sind, Produktfamilien fehlen und Kontakte ohne Rolle herumliegen, muss man vorher aufräumen. Nicht sechs Monate. Aber zwei bis vier Wochen Datenarbeit sind normal.

Welche AI Sales Tools sind für mittelständische Fertiger sinnvoll?

Das hängt vom Engpass ab. Wenn Sie nicht wissen, welche Kunden welche Produktlücken haben, brauchen Sie Analytics und Scoring — etwa SPARXiQ, Zilliant oder ein eigenes Modell auf ERP-Daten. Wenn Angebote zu wenig Upsell enthalten, schauen Sie auf CPQ und Pricing-Tools wie PROS oder Salesforce CPQ. Wenn die Priorisierung klar ist, aber Ansprache und Nachverfolgung fehlen, brauchen Sie Sales Engagement mit AI-Personalisierung — Salesloft, Outreach, HubSpot Sequenzen oder Amplifa. Mein Rat: Kaufen Sie nicht zuerst das breiteste Tool. Kaufen oder bauen Sie dort, wo der Prozess bricht.

Ist AI Lead Scoring im Bestand DSGVO-konform?

Es kann DSGVO-konform sein, wenn Zweck, Datenbasis, Transparenz und Widerspruchsmöglichkeit sauber geregelt sind. Bestandskundenkommunikation zu fachlich verwandten Produkten ist oft besser begründbar als kalte Akquise. Trotzdem bleibt Scoring häufig Profiling. Dokumentieren Sie die Logik, minimieren Sie personenbezogene Daten, informieren Sie Betroffene angemessen und vermeiden Sie vollautomatische Entscheidungen ohne menschliche Prüfung. Bei Drittanbieter-Intent-Daten wäre ich besonders vorsichtig. Nur weil ein Tool es kann, heißt das nicht, dass Ihr Datenschutzbeauftragter ruhig schläft.

Amplifa Plattform für AI Sales Amplifa hilft B2B Industrieunternehmen, Zielkunden zu identifizieren, personalisierte Ansprache zu erstellen und Pipeline systematisch aufzubauen.

Amplifa Tools und Ressourcen Praktische Ressourcen für Vertriebsleiter, die AI Sales, Outbound und Pipeline Management im DACH Markt prüfen wollen.

Zusammenfassung: Die 3 wichtigsten Takeaways

1. Bestandsdaten schlagen kalte Listen. Für KI im Vertrieb bei Fertigungsunternehmen sind ERP-, Service- und CRM-Daten die Grundlage für echte Expansion-Signale. Ohne Auftragshistorie, Produktgruppen und Nutzungsdaten bleibt AI Outreach nur Textproduktion.
2. Scoring muss erklärbar sein. Account Manager handeln nicht wegen einer Zahl, sondern wegen nachvollziehbarer Gründe: Produktlücke, Ersatzteilfrequenz, Serviceereignis, Vertragsende, Vergleich mit ähnlichen Kunden. Transparenz erhöht Adoption.
3. Sequenzen brauchen Trigger und Grenzen. Gute AI-personalisierte Upsell-Kampagnen nutzen wenige starke Signale, rollenbasierte Sprache, klare Ausschlüsse und DSGVO-saubere Opt-out-Prozesse. Mehr Volumen ist kein Vertriebsprozess.

Mein härtester Maßstab für ein AI-Sales-Projekt ist simpel: Würde ein erfahrener Account Manager die Empfehlung nach 30 Sekunden Prüfung ernst nehmen? Wenn ja, wird KI im Vertrieb plötzlich sehr praktisch. Wenn nein, ist es nur ein weiteres Dashboard, das im Monatsmeeting kurz geöffnet wird — und danach wieder Staub ansetzt.