800 Millionen ARR und trotzdem off-topic
Salesforce hat mit Agentforce in kurzer Zeit 800 Millionen Dollar ARR erreicht. Das ist beeindruckend, und es zeigt, dass Unternehmen bereit sind, für KI im Vertrieb zu bezahlen. Was es nicht zeigt: dass die Agents auch zuverlässig funktionieren. Aus Kundenprojekten und Community-Berichten ergibt sich ein wiederkehrendes Bild. Die Agents qualifizieren Leads solide, solange sie strukturierte Daten auswerten. Sobald sie frei kommunizieren sollen, wird es unberechenbar. Sie erfinden Produktfeatures, versprechen Lieferzeiten, die niemand halten kann, oder beantworten Fragen zu Themen, von denen sie nichts wissen.
Das Problem ist nicht die Idee. Die Idee, repetitive Vertriebsaufgaben zu automatisieren, ist naheliegend und richtig. Das Problem ist die Umsetzung: ein Sprachmodell, das halluziniert, darf nicht unbeaufsichtigt mit euren Kunden sprechen.
Was heute schon funktioniert: Scoring und Qualifizierung
Es gibt einen Bereich im Vertrieb, in dem KI bereits echten Wert liefert, und das ist die Pipeline-Qualifizierung. Wenn ein System auf Basis von CRM-Daten, Interaktionshistorie und firmografischen Merkmalen bewertet, welche Leads Priorität verdienen, dann funktioniert das. Nicht weil KI besonders schlau wäre, sondern weil sie schneller und konsistenter arbeitet als ein Mensch, der morgens um 8 Uhr durch eine Excel-Liste scrollt.
Lead-Scoring nach klaren Kriterien ist ein gelöstes Problem. Wenn ein Kontakt dreimal eure Pricing-Seite besucht hat, zwei Whitepaper heruntergeladen und auf eine E-Mail geantwortet hat, dann ist das ein Signal. Ein Modell, das solche Signale gewichtet und priorisiert, spart eurem Vertriebsteam reale Stunden. Das ist keine Revolution, das ist Handwerk. Aber es ist Handwerk, das viele Mittelständler noch nicht nutzen, weil sie entweder kein sauberes CRM haben oder weil sie auf die große Agent-Lösung warten, statt mit dem Naheliegenden anzufangen.
Dazu kommt: Scoring-Modelle werden besser, je länger sie laufen. Mit jedem abgeschlossenen Deal lernt das System, welche Signale tatsächlich auf Kaufbereitschaft hindeuten und welche nur Rauschen sind. Nach ein paar Monaten habt ihr eine Priorisierung, die auf euren echten Daten basiert, nicht auf generischen Benchmarks aus irgendeiner Branchenstudie. Das ist der Punkt, an dem KI im Vertrieb aufhört, ein Experiment zu sein, und anfängt, eine Infrastruktur zu werden.
Wo die Grenze verläuft: Halluzination als Strukturproblem
Die spannende Frage ist nicht, ob KI im Vertrieb hilft. Sie hilft. Die Frage ist, wo ihr sie einsetzen könnt und wo nicht. Die Grenze verläuft dort, wo das System anfängt, natürlichsprachlich zu kommunizieren, also dort, wo Halluzination möglich wird.
Halluzination ist kein Bug, den jemand irgendwann fixt. Es ist eine strukturelle Eigenschaft von Sprachmodellen. Sie generieren plausibel klingende Antworten auf Basis statistischer Muster. Wenn eure Produktdatenbank sagt, dass ihr Lieferzeit vier Wochen habt, das Modell aber in seinen Trainingsdaten etwas anderes gesehen hat, dann gewinnt im Zweifel die statistische Plausibilität. Das Ergebnis: euer Agent verspricht zwei Wochen, und euer Kunde ist in vier Wochen enttäuscht.
Retrieval Augmented Generation (RAG) reduziert dieses Problem, löst es aber nicht. Auch mit einer angebundenen Wissensdatenbank bleiben Randfälle, in denen das Modell interpoliert statt nachschlägt. In einem internen Vertriebstool ist das ärgerlich. In einem Kundengespräch ist es geschäftsschädigend. Und es reicht ein einziger Fall. Ein falsches Preisversprechen, eine erfundene Produkteigenschaft, eine Zusage, die euer Backoffice nicht einlösen kann. Danach ist das Vertrauen weg, und kein Follow-up-Call der Welt holt es zurück.
Autonome Kommunikation braucht eine andere Architektur
Wer trotzdem will, dass KI direkt mit Kunden spricht, und es gibt Szenarien, in denen das sinnvoll ist, braucht eine andere Architektur als "Sprachmodell plus Prompt". Die Lösung heißt nicht bessere Prompts. Die Lösung heißt Kontrolle.
Konkret bedeutet das: Das System darf nur Aussagen treffen, die es aus einer verifizierten Quelle belegen kann. Jede Antwort muss gegen eine Faktenbasis geprüft werden, bevor sie rausgeht. Und für alles, was nicht eindeutig belegbar ist, muss es einen definierten Übergabepunkt an einen Menschen geben. undefined, es ist die Architektur, die ihr braucht, damit autonome Kommunikation überhaupt verantwortbar wird.
Das klingt aufwendig, und das ist es auch. Genau deshalb setzen die meisten Unternehmen, die KI im Vertrieb produktiv nutzen, sie nicht im Erstgespräch ein, sondern davor und danach: bei der Priorisierung, bei der Gesprächsvorbereitung, bei der Nachbereitung und beim Routing.
Was ihr stattdessen tun solltet
Wenn ihr KI im Vertrieb einführen wollt, fangt nicht beim Erstgespräch an. Fangt dort an, wo Fehler keine Kunden kosten.
Euer CRM hat Daten, die niemand systematisch auswertet. Kontakthistorie, Engagement-Signale, Deal-Velocity, Branchenzugehörigkeit. Ein Scoring-Modell, das diese Daten nutzt, ist in Wochen aufgesetzt und liefert sofort Wert. Euer Vertriebsteam bekommt morgens eine priorisierte Liste statt einer alphabetischen. Das allein verändert, wie effektiv die ersten zwei Stunden des Tages sind.
Im nächsten Schritt könnt ihr KI für die Gesprächsvorbereitung nutzen: automatisierte Briefings, die vor einem Call die relevanten Informationen zusammenfassen. Welche Produkte hat der Kunde schon? Welche Probleme hat er im letzten Ticket beschrieben? Welche Wettbewerber tauchen in seinem Umfeld auf? Das sind Aufgaben, bei denen ein Sprachmodell seine Stärken ausspielen kann, ohne dass Halluzination schadet, weil ein Mensch die Information vor dem Gespräch prüft.
Erst wenn diese Grundlagen stehen und euer Team gelernt hat, mit KI-generierten Informationen kritisch umzugehen, macht es Sinn, über teilautonome Kommunikation nachzudenken. Und auch dann nur mit Guardrails, Faktenprüfung und klaren Eskalationspfaden. undefined, nicht an der Technik. Das gilt im Vertrieb genauso wie überall sonst.
Der eigentliche Engpass ist nicht die Technik
Die meisten Vertriebsteams im Mittelstand haben kein KI-Problem. Sie haben ein Datenproblem. CRM-Felder, die niemand pflegt. Kontakte ohne Branchenzuordnung. Deals, die seit Monaten in der gleichen Stage hängen, weil niemand sie aktualisiert hat. Kein Scoring-Modell der Welt kann aus schlechten Daten gute Priorisierungen machen.
Bevor ihr über Agents nachdenkt, sorgt dafür, dass eure Vertriebsdaten stimmen. Das ist weniger glamourös als ein KI-Agent, der Erstgespräche führt. Aber es ist die Voraussetzung dafür, dass KI im Vertrieb überhaupt funktionieren kann. Wer diesen Schritt überspringt und direkt bei autonomer Kommunikation einsteigt, wird scheitern. Nicht weil die Technik nicht reif genug ist, sondern weil die Grundlage fehlt. Der Agent, der das Erstgespräch führt, kommt irgendwann. Aber er kommt nicht, indem ihr ein Sprachmodell auf eure Kunden loslasst. Er kommt, indem ihr zuerst die Arbeit macht, die kein Vendor-Pitch erwähnt: Daten aufräumen, Prozesse definieren, Übergabepunkte festlegen. Alles andere ist Wunschdenken mit ARR-Label.