KI im Vertrieb: Zeller+Gmelin verdreifacht Pipeline

Case Study · 7. September 2026 · Mohsen Ghulami

KI im Vertrieb am echten Mittelstandsfall: Wie Zeller+Gmelin seine Pipeline verdreifachte. Lesen Sie den Praxis-Guide mit Setups, Zahlen und Fehlern.

Wer 2026 im produzierenden Mittelstand noch glaubt, gute Produkte erzeugen automatisch gute Pipeline, hat Vertrieb mit Ersatzteilgeschäft verwechselt. KI im Vertrieb ist nicht deshalb relevant, weil ein Bot nette E-Mails schreibt, sondern weil technische Märkte inzwischen zu groß, zu fragmentiert und zu langsam für Bauchgefühl geworden sind. Das ist unbequem. Vor allem für Firmen, die seit Jahrzehnten mit Anwendungstechnik, Messen und Beziehungen gewonnen haben. Zeller+Gmelin, schwäbischer Spezialchemie-Hersteller für Industrieschmierstoffe und Druckfarben nahe Stuttgart, ist für mich genau so ein Fall — technisch stark, international sichtbar, aber vor Amplifa mit zu wenig systematischem Neukundenzugang.

Ich schreibe das als Mohsen Ghulami, GTM Engineer bei Amplifa. Nicht als Analyst, der sich drei Marktstudien ausdruckt und dann Mittelstand erklärt. Mein Job ist es, Zielmärkte auseinanderzunehmen, Datenquellen zusammenzuführen, Outbound-Sequenzen zu bauen und den Punkt zu finden, an dem ein Vertriebsingenieur nicht mehr sagt: „Schon wieder ein Lead“, sondern: „Den Termin will ich selbst übernehmen.“

Bei Zeller+Gmelin ging es nicht um ein simples Lead-Tool. Es ging um die Frage, wie ein Mittelständler mit rund 900 Mitarbeitenden, Produktions- und Vertriebsstrukturen in mehreren Regionen und einem Portfolio aus Hochleistungs-Schmierstoffen, Tiefdruckfarben, Flexofarben und UV-härtenden Systemen seine Pipeline in neun Monaten verdreifachen kann — ohne 15 neue SDRs einzustellen. Naja, fast. Es ging auch darum, ein paar alte Vertriebsreflexe zu töten.

Problem-Statement: Warum KI im Vertrieb hier nötig war

Das Problem bei Zeller+Gmelin war nicht Nachfrage. Im Verpackungsdruck schieben Regulatorik, Lebensmittelkontakt, Low-Migration-Systeme und nachhaltige Verpackungen den Markt. Im Schmierstoffbereich reden OEMs, Instandhaltung und Werkleiter über Energieeffizienz, Standzeiten, Condition Monitoring und weniger Stillstand. Laut IndexBox-Prognose wächst der Markt für UV-härtende Farben bis 2035 mit rund 7,9 Prozent CAGR; thermochrome und variable Spezialtinten liegen laut Marktanalysen bei etwa 7,5 Prozent CAGR. Gleichzeitig brauchen neue Formulierungen in kritischen Anwendungen oft 6 bis 18 Monate bis zur Freigabe. Das riecht nach Pipeline. Es riecht aber auch nach Labor, Freigabeschleifen und sehr langen CRM-Notizen.

Wenn man KI im Vertrieb in so einem Umfeld nicht macht, passiert etwas Banales: Der Außendienst bleibt im Bestand hängen. Nicht weil er faul ist. Weil er gebraucht wird. Bei Kundenversuchen, Reklamationen, Bemusterungen, REACH-Fragen, Lieferterminen, Kalkulationen, Werksbesuchen. Thomas, Leiter Vertrieb Industriechemie in Süddeutschland, sagte mir im April 2025 ziemlich trocken: „Wir hatten keine Lead-Lücke. Wir hatten eine Kapazitätslücke vor dem ersten echten Gespräch.“ Der Satz blieb bei mir hängen, weil er auf viele Maschinenbauer, Chemiefirmen und Komponentenhersteller passt. Phoenix Contact, Festo, Wittenstein — überall sieht man Varianten desselben Musters: Das Know-how sitzt bei wenigen Leuten, und genau diese Leute sollen auch noch systematisch neue Märkte erschließen.

Vor Amplifa war die Zeller+Gmelin-Pipeline stark von bekannten Accounts geprägt. Der Neukundenanteil lag intern unter 20 Prozent. Die Lead-Quellen? Messen, Empfehlungen, bestehende Distributoren, gelegentliche Website-Anfragen, einzelne LinkedIn-Recherchen von motivierten Sales-Kollegen. Funktioniert. Bis es nicht mehr reicht. Besonders dann, wenn Wettbewerber wie Siegwerk, Flint Group, Fuchs SE, Shell oder Castrol mit größeren Vertriebsnetzen auftreten und der Long Tail der passenden Zielkunden irgendwo zwischen Bielefeld, Lyon, Eindhoven und Brünn verteilt ist.

Wir wussten, dass es da draußen viele passende Zielkunden gab — Verpackungsdrucker, Maschinenbauer, OEMs. Aber uns fehlte schlicht die Kapazität, diese systematisch zu identifizieren und sauber anzusprechen.

— Thomas, Leiter Vertrieb Industriechemie, Raum Stuttgart

Das Gefährliche daran: Man merkt es spät. Ein Jahr lang sieht die Forecast-Tabelle noch ordentlich aus, weil Bestandskunden Projekte schieben. Dann verschieben zwei Key Accounts Investitionen, ein Verpackungskunde wartet auf regulatorische Freigaben, ein OEM friert sein Programm ein — und plötzlich ist die Pipeline kein Trichter mehr, sondern ein Museumsstück. Schön beschriftet. Keine Bewegung.

Überblick: Was dieser Praxis-Guide zu KI im Vertrieb zeigt

Ich zeige hier nicht „KI macht Vertrieb automatisch“. Stimmt nicht ganz, viele verkaufen es so. Ich zeige den konkreten Aufbau, mit dem Zeller+Gmelin seine aktive Vertriebspipeline innerhalb von neun Monaten verdreifacht hat: von der Segmentierung über Datenanreicherung und AI-SDR-Outbound bis zur Übergabe an technische Vertriebsingenieure. Der relevante Punkt ist nicht die E-Mail. Der relevante Punkt ist das Betriebssystem dahinter.

Die Schritte in diesem Guide:

• Schritt 1: Bestandsdaten und historische Aufträge in Zielkundenmuster übersetzen
• Schritt 2: Marktsegmente mit Kaufanlässen und technischen Signalen anreichern
• Schritt 3: AI-SDR-Sequenzen für Druckfarben und Schmierstoffe getrennt aufbauen
• Schritt 4: Qualifizierung so gestalten, dass Außendienstingenieure keine Zeit verlieren
• Schritt 5: Pipeline-Reviews, Feedback-Loops und Messaging-Korrekturen wöchentlich takten

Das Ergebnis: Die Zahl der sales-qualified Opportunities stieg von durchschnittlich etwa 30 pro Monat auf über 90. Der Pipeline-Wert verdreifachte sich gegenüber der Baseline. Der Anteil neuer Logos stieg von unter 20 Prozent auf knapp die Hälfte der aktiven Pipeline. Und ja, diese Zahlen sind nur spannend, weil sie in einem Markt entstanden sind, in dem ein „Termin“ nicht bedeutet, dass jemand am Donnerstag eine Demo klickt. Es bedeutet oft: technisches Erstgespräch, Muster, Maschinenparameter, Substrat, Freigabeprozess, Einkauf, QA, Produktionsleiter. Manchmal riecht der nächste Schritt nach Lösemittel und warmem Maschinenöl.

Schritt 1: Aus CRM-Daten echte Zielkundenmuster bauen

Der erste Fehler in solchen Projekten ist fast immer derselbe: Man startet mit Listen. „Gib uns 5.000 Verpackungsdrucker in Europa.“ Bitte nicht. Das ist keine Go-to-Market-Strategie, das ist Datenmüll mit Exportfunktion. Bei Zeller+Gmelin haben wir zuerst das bestehende CRM, historische Angebotsdaten, gewonnene Projekte und verlorene Opportunities betrachtet. Nicht perfekt. Kein CRM ist perfekt. Aber selbst ein unordentliches CRM erzählt die Wahrheit, wenn man es nach Wiederholungen durchsucht.

Wir haben uns angeschaut, welche Accounts wirklich gut passten: mittelgroße Flexo- und Tiefdrucker mit Lebensmittelverpackung, Converter mit regulatorischem Druck bei migrationsarmen Systemen, Industriekunden mit hoher Anlagenverfügbarkeit, OEMs mit Wartungs- und Schmierstoffprogrammen, Distributoren in Märkten mit technischem Beratungsbedarf. Dann kam die harte Frage: Welche Merkmale waren vor dem ersten Gespräch sichtbar? Denn wenn ein Signal erst im Laborversuch sichtbar wird, hilft es nicht fürs Prospecting. Sichtbar waren zum Beispiel Druckverfahren, Zertifizierungen, Verpackungssegmente, Maschinenpark-Hinweise, Standortstruktur, Exportmärkte, Nachhaltigkeitskommunikation, offene Stellen in Qualität oder Anwendungstechnik.

Ein konkretes Beispiel: Ein Verpackungsdrucker in Norditalien, 180 Mitarbeitende, Flexible Packaging, Hinweise auf Tiefdruck und Flexo, ISO-Zertifizierungen, Kunden aus Food und Pharma, Website mit Nachhaltigkeitsseite, aber keine klare Kommunikation zu Low-Migration-UV. Für einen generischen SDR ist das „Druckerei“. Für Zeller+Gmelin ist das potenziell ein Account, bei dem regulatorischer Schmerz, technische Anwendung und Marge zusammenkommen. Genau dort muss KI im Vertrieb helfen: nicht mehr Kontakte ausspucken, sondern bessere Hypothesen bilden.

Wir haben dafür ein Fit-Modell gebaut. Keine schwarze Magie. Eher eine strukturierte Scoring-Logik mit Gewichtungen, die wir mit Sales und Anwendungstechnik validiert haben. Ein Account bekam Punkte für Segment, Unternehmensgröße, Technologie, regulatorische Relevanz, geografische Priorität und vermuteten Use Case. Minuspunkte gab es für zu kleine Betriebe, reine Akzidenzdruckereien ohne Verpackungsfokus, Handelsfirmen ohne technische Tiefe oder Märkte, in denen Zeller+Gmelin bewusst nicht offensiv gehen wollte. Klingt trocken. War es auch. Aber trockene Arbeit verdreifacht häufiger Pipeline als ein kreativer Betreffzeilen-Workshop.

Die wichtigste Diskussion war nicht, welche KI wir nutzen. Die wichtigste Diskussion war: Wen wollen wir überhaupt nicht mehr ansprechen?

— Julia, Marketing Operations, Ulm

Schritt 2: Marktsegmente mit Signalen anreichern

Nach der ICP-Arbeit kam die Anreicherung. Für Druckfarben haben wir Zielsegmente getrennt: flexible Verpackung, Labels, dekorative Papiere, Spezialanwendungen, UV-härtende Systeme. Für Schmierstoffe: Maschinenbau, Metallbearbeitung, Lebensmittelproduktion, Automotive-Zulieferer, Wind- und Energieanwendungen, industrielle Instandhaltung mit Condition-Monitoring-Reife. Das klingt nach Branchenfolie. Im Tool wurde daraus ein Datenmodell mit Feldern, Quellen und Entscheidungsregeln.

Wir haben firmografische Daten, öffentliche Website-Signale, Stellenanzeigen, Zertifikate, Produktseiten, Messeausstellerlisten, LinkedIn-Unternehmensinformationen und teilweise Technografie zusammengeführt. Ein Beispiel aus Mai 2025: Wenn ein Maschinenbauer in Baden-Württemberg Stellen für „Predictive Maintenance Engineer“ und „Service Sales Manager“ ausgeschrieben hatte, bekam er für bestimmte Schmierstoffkampagnen ein höheres Signalgewicht. Warum? Weil Condition Monitoring selten allein kommt. Wer Maschinenzustände misst, fragt irgendwann nach Verschleiß, Intervallen, Ölqualität, Additivpaketen und TCO. Da beginnt das Gespräch nicht mit „Wir haben Schmierstoffe“, sondern mit „Wie belastbar sind Ihre Daten zu Reibung und Standzeit im Feld?“

Für Verpackungsdrucker war die Logik anders. Dort suchten wir nach Begriffen wie Lebensmittelverpackung, flexible packaging, low migration, UV, LED-UV, gravure, flexo, pharma packaging, sustainability report, solvent-based systems oder water-based inks. Nicht jeder Begriff war ein Kaufanlass. Aber Kombinationen wurden interessant. Ein Betrieb, der Lebensmittelverpackung, Flexo, neue Nachhaltigkeitsziele und Wachstum in Benelux kommuniziert, ist kein zufälliger Kontakt. Er ist eine Hypothese mit Adresse.

Aus unseren Implementierungen wissen wir: In technischen Mittelstandsprojekten sind 60 bis 70 Prozent der später akzeptierten Opportunities nicht die Accounts mit dem höchsten allgemeinen Firmenscore, sondern die Accounts mit zwei bis drei sehr spezifischen Kaufsignalen. Bei Zeller+Gmelin waren das zum Beispiel Verpackungsdruck plus Food-Compliance plus Hinweis auf UV- oder Flexo-Technologie. Im Schmierstoffbereich waren es OEM-Servicegeschäft plus Condition-Monitoring-Sprache plus internationale installierte Basis. Das ist kein Lehrbuchsatz. Das ist das Muster, das ich sehe, wenn ich montags die Reply-Daten aus Outbound-Sequenzen neben CRM-Akzeptanzquoten lege.

Der Unterschied wirkt klein. Er ist brutal. Ein Account mit hohem Umsatz und falschem Anlass frisst Zeit. Ein mittelgroßer Account mit echtem Anlass öffnet Türen. Andrea, Head of Sales bei einem Hidden Champion in Bielefeld, sagte mir im Juni 2025: „Unsere besten Neukunden sahen in der Datenbank nie glamourös aus. Sie hatten nur genau das Problem, das wir lösen konnten.“ Genau.

Schritt 3: AI-SDR-Sequenzen für technische Buying Center bauen

Jetzt erst kam Outbound. Viele starten hier. Falsch. Ohne Segmentlogik schreibt KI höfliche Belästigung. Bei Zeller+Gmelin haben wir die Sequenzen nach Geschäftsbereich, Use Case und Persona getrennt. Für Druckfarben gab es andere Nachrichten als für Schmierstoffe. Für Nachhaltigkeitsmanager andere als für Produktionsleiter. Für Leiter Qualität andere als für Einkauf. Und nein, wir haben nicht 48 Varianten gebaut, weil jemand in einem Workshop Personas liebt. Wir haben die Varianten gebaut, die messbar andere Einwände, andere Sprache und andere nächste Schritte haben.

Ein typischer Druckfarben-Workflow lief so: Account wird durch Fit-Modell qualifiziert, relevante Kontakte werden identifiziert, Kontaktdaten werden verifiziert, dann erzeugt der AI-SDR eine Sequenz aus E-Mail, LinkedIn-Touch und optionalem Call-Task. Die erste E-Mail referenziert nicht „Innovation“ oder „Partnerschaft“. Sie referenziert den vermuteten technischen Kontext: flexible Verpackung, Lebensmittelkontakt, Migration, UV/LED-UV oder Tiefdruck. Die zweite Nachricht bringt einen kurzen Proof-Point. Die dritte fragt nach dem richtigen Ansprechpartner für technische Freigaben. Nach positiver Antwort wird nicht sofort ein Sales-Pitch losgelassen, sondern ein Discovery-Block gestartet: Druckverfahren, Substrat, regulatorische Anforderungen, aktueller Engpass, Timing.

Für Schmierstoffe war die Sequenz bodenständiger. Keine bunten Verpackungsbegriffe. Mehr Instandhaltung. Mehr Stillstand. Mehr Getriebe, Kompressoren, Metallbearbeitung, Energieverbrauch, Freigaben. Ein möglicher Einstieg lautete sinngemäß: „Wir sehen bei mehreren OEMs, dass Schmierstoffauswahl stärker mit Condition-Monitoring-Programmen verknüpft wird. Ist das bei Ihnen bereits Teil der Service- oder Instandhaltungsstrategie?“ Kurz. Kein Roman. Der AI-SDR passte die Nachricht anhand des Accounts an — Maschinenbau, Lebensmittelproduktion, Automotive-Zulieferer oder Energieanwendung.

Wichtig war die Übergabe. Ein Lead wurde nicht an Sales gegeben, weil jemand „interessant“ schrieb. Das ist zu weich. Wir haben Übergabekriterien definiert: bestätigter Anwendungsbereich, relevante Rolle, Zeitfenster, technischer Schmerz oder Projektanlass, Mindest-Fit beim Segment, kein offensichtlicher Ausschluss durch Region oder Portfolio. Erst dann wurde im CRM eine Opportunity oder ein qualifizierter Lead angelegt, inklusive Zusammenfassung, Gesprächsnotizen, vermutetem Produktbereich und empfohlener nächster Aktion. Ein Vertriebsingenieur sollte in 90 Sekunden verstehen, warum dieser Kontakt seine Zeit verdient.

Die größte Veränderung war nicht nur die Menge an Leads, sondern deren Passgenauigkeit. Plötzlich hatten wir Gespräche mit Verpackungsdruckern, die unsere migrationsarmen Systeme wirklich gebrauchen konnten.

— Anna, Vertriebsleiterin Druckfarben, Stuttgart

Schritt 4 und 5: Fortgeschrittene Workflows für Pipeline-Management

1. CRM-Felder radikal begrenzen: Bei Zeller+Gmelin haben wir nicht 40 Pflichtfelder eingeführt, sondern wenige Felder, die Entscheidungen beeinflussen: Segment, Anwendung, Technologie, regulatorischer Kontext, Projektphase, nächster technischer Schritt. Wenn ein Feld keine Aktion auslöst, ist es Dekoration.
2. Human-in-the-loop für technische Aussagen einbauen: Der AI-SDR durfte Hypothesen formulieren, aber keine belastbaren Produktzusagen machen. Aussagen zu REACH, Lebensmittelkontakt, Freigaben oder Standzeit wurden als Gesprächsanlass formuliert und bei Bedarf an Anwendungstechnik übergeben.
3. Wöchentliche Pipeline-Sichtung statt Monatsreport: Jeden Dienstag wurden neue Replies, akzeptierte Leads, abgelehnte Leads und No-Fit-Gründe gesichtet. Das Meeting dauerte 35 Minuten. Wenn es länger dauerte, war meistens das Dashboard schlecht.
4. No-Fit-Gründe als Trainingsdaten nutzen: „Zu klein“, „falsches Druckverfahren“, „nur Händler“, „kein technisches Projekt“, „Region nicht priorisiert“ — diese Gründe wurden zurück ins Scoring gespielt. Nicht als PowerPoint-Learning, sondern als Regeländerung.
5. Sequenzen nach Segmentergebnis kürzen oder verlängern: Verpackungsdrucker mit klarem Compliance-Signal bekamen kürzere, direkte Sequenzen. Maschinenbauer mit Service- und Condition-Monitoring-Signalen brauchten oft mehr Kontext, weil der Kaufanlass verteilt war.
6. Sales-Akzeptanz als Nordstern setzen: Nicht MQLs. Nicht Öffnungsraten. Nicht „generierte Kontakte“. Entscheidend war: Wie viele übergebene Opportunities akzeptiert der technische Vertrieb ohne Augenrollen?

Die Fortgeschrittenen-Schritte klingen nach Prozessdisziplin. Sind sie auch. Genau deshalb funktionieren sie. Ich habe noch kein B2B-Outbound-Projekt gesehen, das an zu wenig Kreativität gescheitert ist. Viele scheitern an fehlender Rückkopplung. Der AI-SDR lernt dann nicht, Sales vertraut dem System nicht, Marketing optimiert auf hübsche Zahlen, und nach drei Monaten sagt jemand: „KI funktioniert bei uns nicht.“ „Das funktioniert bei uns nicht“, sagte mir kürzlich ein CSO aus Nürnberg. Als wir in die Daten gingen, stellte sich heraus: 72 Prozent der abgelehnten Leads kamen aus zwei Segmenten, die nie hätten bespielt werden dürfen. Die KI war nicht das Problem. Die Segmentfreigabe war es.

Bei Zeller+Gmelin haben wir deshalb besonders hart auf Ablehnungsgründe geschaut. Wenn ein Vertriebsingenieur einen Lead ablehnte, musste es einen Grund geben. Nicht als Kontrolle. Als Lernmaterial. Einmal tauchte mehrfach „falscher Ansprechpartner — Einkauf zu früh“ auf. Also änderten wir die Sequenz: Bei bestimmten Verpackungsaccounts wurde zuerst Qualität, Anwendungstechnik oder Produktionsleitung angesprochen, Einkauf erst später als Stakeholder. Die Terminqualität stieg. Kleine Änderung. Großer Effekt.

Tool- und Workflow-Checkliste für KI im Vertrieb

Die Tabelle ist simpel. Absichtlich. Komplexität steckt nicht in 17 Tools, sondern in den Entscheidungen dazwischen. Ich sehe oft Stacks mit HubSpot, Salesforce, Apollo, LinkedIn Sales Navigator, Clay, ChatGPT, Make, Zapier und irgendeinem Intent-Provider. Alles einzeln brauchbar. Zusammen oft ein Spaghetti-Gericht. Bei Zeller+Gmelin war die Architektur schlanker: Amplifa als AI-SDR- und Orchestrierungslogik, CRM als System of Record, definierte Datenquellen für Anreicherung, klare Übergabe an Sales. Das hat gereicht, weil die Prozessfragen vorher geklärt wurden.

Amplifa Sales Audit Prüfen Sie, wo Ihre Pipeline heute leckt: ICP, Datenqualität, Outbound-Setup, CRM-Übergabe und Sales-Akzeptanz in einem strukturierten Audit.

Business-Auswirkung: Was die Verdreifachung praktisch bedeutete

Eine verdreifachte Pipeline klingt gut. Aber im Mittelstand zählt, was sich im Alltag ändert. Bei Zeller+Gmelin bedeutete es: Der Außendienst musste weniger kalt recherchieren und konnte mehr Zeit in technische Gespräche stecken. Field Sales Engineers verbrachten nach interner Auswertung etwa 30 bis 40 Prozent mehr Zeit mit Site Visits, Bemusterungen, Tests und Freigabeprozessen statt mit Erstansprache. Das ist nicht glamourös. Aber genau dort entstehen Aufträge in der Spezialchemie.

Der zweite Effekt war strategischer. Der New-Logo-Anteil in der aktiven Pipeline stieg von unter 20 Prozent auf ungefähr 45 bis 50 Prozent. Plötzlich sah Zeller+Gmelin nicht nur die bekannten Großkunden und Distributoren, sondern kleinere Converter in Osteuropa, Verpackungsspezialisten in Benelux, OEMs mit Serviceprogrammen, Lebensmittelproduzenten mit speziellen Schmierstoffanforderungen. Einige dieser Accounts wären früher vielleicht auf einer Messe vorbeigelaufen. Vielleicht. Im Lärm einer Halle in Düsseldorf, zwischen Teppichboden, Prospektständer und dem Geruch von frischem Druck auf Musterfolien.

Der dritte Effekt war Geschwindigkeit. Die Zeit vom ersten Kontakt bis zur technischen Bemusterung sank in priorisierten Segmenten um etwa 20 bis 30 Prozent. Nicht weil Freigaben plötzlich kürzer wurden. Die bleiben zäh. Sondern weil Low-Fit-Gespräche früher aussortiert wurden und High-Fit-Gespräche besser vorbereitet starteten. Wenn der Vertriebsingenieur vor dem ersten Call schon weiß, dass ein Converter Lebensmittelverpackung, Flexo und Low-Migration-Themen hat, beginnt das Gespräch auf einer anderen Ebene. Weniger Smalltalk. Mehr Substrat.

Im Schmierstoffbereich war die Identifikation der richtigen Ansprechpartner immer schwierig. Die Plattform hat uns nicht nur neue OEMs gezeigt, sondern auch die Instandhaltungsleiter und Betriebsingenieure, die wirklich über Condition Monitoring sprechen wollten.

— Markus, Leiter Geschäftsbereich Schmierstoffe, Göppingen

Warum reine Inbound-Strategie im Mittelstand zu wenig ist

Ich lehne mich hier raus: Wer als technischer Mittelständler nur auf Inbound setzt, verliert die besten Opportunities an lautere Wettbewerber. Inbound funktioniert bei klar benannten Problemen, hoher Suchaktivität und kurzen Entscheidungswegen. Aber welcher Instandhaltungsleiter googelt im richtigen Moment „hochleistungsfähiges Additivpaket für energieeffiziente Getriebe mit Condition-Monitoring-Relevanz“? Welcher Verpackungsingenieur sucht öffentlich nach einem Wechsel bei migrationsarmen Farbsystemen, wenn intern gerade Qualität, Einkauf und Produktion streiten?

Natürlich braucht man gute Inhalte. Julia aus dem Marketingteam in Ulm hat genau das genutzt: Aus den Segmenten, die Amplifa identifizierte, entstanden Landingpages und Gesprächsunterlagen zu LED-UV-Flexodruck, Low-Migration-Systemen und Bio-Schmierstoffen. Aber Inhalt allein wartet. Outbound bewegt. Die Kombination war der Punkt. Erst Zielkundenlogik, dann passender Content, dann segmentierter AI-SDR, dann menschlicher technischer Vertrieb. Nicht andersrum.

Das ist auch der Grund, warum ich „Lead-Generierung“ als Begriff oft zu klein finde. Es geht nicht um Leads. Es geht um Marktdeckung. Welche passenden Firmen kennen wir noch nicht? Welche kennen uns, aber nicht für diesen Use Case? Welche haben gerade ein Signal, das auf Wechselbereitschaft hindeutet? Welche sollten wir bewusst ignorieren? Diese Fragen entscheiden über Pipeline-Qualität. Nicht der Betreff mit dem Vornamen.

FAQ: Häufige Fragen zu KI im Vertrieb

Wie lange dauert es, bis KI im Vertrieb messbare Pipeline erzeugt?

Bei Zeller+Gmelin sahen wir die ersten belastbaren Signale nach wenigen Wochen: Antworten, akzeptierte Erstgespräche, erste technische Qualifizierungen. Die echte Pipeline-Wirkung zeigte sich über neun Monate. Das passt zu technischen B2B-Märkten. Wer nach 14 Tagen Umsatz erwartet, verkauft entweder ein sehr einfaches Produkt oder belügt sich. Für Mittelständler mit 9- bis 18-monatigen Sales Cycles ist der frühe KPI nicht Umsatz, sondern akzeptierte Opportunity mit klarem technischem nächsten Schritt.

Ersetzt ein AI-SDR den Außendienst?

Nein. Und wenn jemand das behauptet, wäre ich vorsichtig. Ein AI-SDR ersetzt nicht den Vertriebsingenieur, der beim Kunden an der Maschine steht, den Geruch von überhitztem Öl erkennt oder im Drucksaal versteht, warum ein Substrat Probleme macht. Der AI-SDR ersetzt die manuelle Suche nach passenden Accounts, die erste strukturierte Ansprache und Teile der Vorqualifizierung. Der Mensch kommt später rein — aber besser vorbereitet.

Welche Daten braucht man für KI im Vertrieb im Mittelstand?

Man braucht weniger perfekte Daten, als viele denken, aber mehr Klarheit über gute Kunden. Historische Aufträge, gewonnene und verlorene Opportunities, Produktbereiche, Zielsegmente, No-Fit-Kriterien, regionale Prioritäten und ein paar harte Ausschlüsse reichen oft für den Start. Bei Zeller+Gmelin war nicht das CRM allein entscheidend, sondern die Kombination aus CRM, Sales-Wissen, Anwendungstechnik und externen Signalen wie Zertifikaten, Druckverfahren, Stellenanzeigen und Nachhaltigkeitsthemen.

Amplifa Produkt Die AI-SDR-Plattform von Amplifa verbindet Zielkundenidentifikation, Datenanreicherung, personalisierten Outbound und CRM-Übergabe für B2B-Vertriebsteams.

Drei Learnings für produzierende Mittelständler

Learning eins: Segmentierung schlägt Personalisierung. Eine E-Mail mit Firmenname, Branche und einem netten Einstieg bringt wenig, wenn das Segment falsch ist. Bei Zeller+Gmelin wurden die besten Ergebnisse dort erzielt, wo Use Case, Technologie und Kaufanlass zusammenpassten. Druckfarben und Schmierstoffe mussten getrennt gedacht werden. Eigentlich logisch. Wird trotzdem oft ignoriert, weil ein gemeinsames Kampagnen-Setup bequemer ist.

Learning zwei: Sales-Akzeptanz ist härter als Reply Rate. Eine hohe Antwortquote kann ein Warnsignal sein, wenn die Antworten aus falschen Zielgruppen kommen. Bei technischen Produkten zählt, ob der Außendienst den Lead annimmt und weiterbearbeitet. Bei Zeller+Gmelin wurde deshalb nicht auf Vanity-Metriken optimiert, sondern auf akzeptierte Opportunities, technische Erstgespräche und Fortschritt Richtung Bemusterung.

Learning drei: KI braucht Grenzen. Der AI-SDR durfte keine technischen Freigaben versprechen, keine Compliance-Aussagen erfinden, keine Produktperformance garantieren. Er durfte Hypothesen bilden, Fragen stellen, Kontakte qualifizieren und Kontext liefern. Diese Grenze war entscheidend für Vertrauen. Gerade in Chemie, Maschinenbau, Medizintechnik oder Automotive ist falsche Präzision gefährlicher als gar keine Automatisierung.

Für mich ist Zeller+Gmelin deshalb eine gute Kundenstory, weil sie nicht nach Silicon-Valley-Fantasie riecht. Kein „wir haben den Vertrieb automatisiert“. Kein Dashboard-Theater. Eher schwäbische Vertriebsarbeit mit KI-Unterstützung: Zielkunden sauber definieren, Daten ernst nehmen, Sequenzen testen, Ablehnungen auswerten, technische Übergaben verbessern. Am Ende steht eine verdreifachte Pipeline. Nicht weil KI zaubert, sondern weil sie Arbeit übernimmt, die Menschen im Vertrieb viel zu lange nebenbei machen sollten.

Vollständige Success Story Lesen Sie die vollständige Kundenstory zu Zeller+Gmelin und wie Amplifa beim Aufbau einer dreifach größeren Vertriebspipeline unterstützt hat.

Die 3 wichtigsten Takeaways

1. KI im Vertrieb wirkt im Mittelstand nur, wenn vorher klar ist, welche Accounts nicht bearbeitet werden sollen. No-Fit ist kein Randthema, sondern Pipeline-Schutz.
2. Die beste AI-SDR-Architektur verbindet externe Kaufsignale mit internem Sales-Wissen. Bei Zeller+Gmelin waren spezifische Kombinationen wie Food-Compliance plus Flexo-Technologie oder OEM-Service plus Condition Monitoring stärker als allgemeine Firmengröße.
3. Der Außendienst wird nicht ersetzt, sondern entlastet. Die Maschine übernimmt Suche, Vorqualifizierung und Kontext. Der Mensch übernimmt technische Beratung, Vertrauen und Freigabeprozesse.

Wenn ich auf solche Projekte schaue, sehe ich selten Firmen, denen es an Marktchancen fehlt. Ich sehe Firmen, die ihre Chancen zu spät, zu zufällig oder zu manuell finden. Bei Zeller+Gmelin hat sich das geändert — und irgendwo in einem CRM steht jetzt ein Account, der früher wahrscheinlich erst auf der nächsten Messe aufgefallen wäre.