CRM trifft GenAI: Use Cases jenseits der Demo.

Warum die meisten CRM+KI-Projekte enttäuschen

Drei typische Verläufe sehe ich als KI Berater immer wieder:

1. Das Chatbot-Trauma: Ein Vendor zeigt eine schicke Chat-Demo, das Projekt startet, sechs Monate später nutzen drei Mitarbeiter den Bot und die Lizenzkosten lassen niemanden lächeln.
2. Das Feature-Flag-Lager: HubSpot oder Salesforce schaltet ein neues GenAI-Feature frei, das Marketing aktiviert es, niemand wird geschult, niemand nutzt es.
3. Das parallele Universum: Eine externe KI-Lösung wird angedockt, lebt aber neben dem CRM statt darin. Sales muss zwischen zwei Tools wechseln. Niemand wechselt freiwillig.

Was alle drei gemeinsam haben: Die Technologie funktioniert. Die Integration in den Arbeitsalltag fehlt. Und genau hier liegt das echte Beratungsproblem.

Use Case 1: E-Mail-Drafting und Outreach-Personalisierung

Der ehrlichste Use Case: GenAI generiert Erst-Entwürfe für E-Mails — sowohl Outreach als auch Folge-Mails — die der Sales Rep dann schnell anpasst und sendet. Zeitersparnis: 2–4 Minuten pro E-Mail. Bei 30 E-Mails pro Tag sind das 60–120 Minuten.

Was funktioniert:

• LinkedIn-Profil und Firmen-Website als Kontext, GPT-4 oder Claude generiert eine personalisierte Eröffnung
• Templates für häufige Szenarien (Follow-up nach Demo, Re-Engagement, Cold-Outreach)
• Direkte Integration in HubSpot/Salesforce-Compose-Window via Plugin

Was nicht funktioniert: „Voll-automatisierte" Outreach-Sequencing ohne Human-Review. Empfänger merken den KI-Stil binnen zwei Sekunden, die Antwortrate kollabiert.

Use Case 2: Automatische Call-Logs und Summary

Eines der dankbarsten Anwendungsfelder. Der Sales Rep beendet einen Call — drei Minuten später erscheint im CRM:

• Eine 5-Punkt-Zusammenfassung
• Die wichtigsten Action Items
• Vorgeschlagene Next-Steps mit Datum

Was vorher 10–15 Minuten manueller Pflege brauchte (und meistens nie gemacht wurde), passiert jetzt automatisch. Das CRM wird endlich zur Quelle der Wahrheit, nicht zum Friedhof halbgepflegter Notizen.

Tools, die das gut können: HubSpot AI (eingebaut, eingeschränkt aber okay), Salesforce Einstein Activity Capture, externe wie Avoma oder Fathom — meist mit besserer Output-Qualität.

Knackpunkt: die Audio-Quelle. Telefon-Calls sind technisch schwerer als Video-Meetings. Wer auf Telefon-Calls setzt, braucht eine saubere Recording-Pipeline (Aircall, Dialpad mit Recording-Aktivierung).

Use Case 3: Next-Best-Action und Deal-Coaching

Hier wird's interessanter, aber auch komplexer. Die Idee: Das System schaut auf einen offenen Deal und sagt „Du solltest jetzt X tun" — basierend auf Daten ähnlicher abgeschlossener Deals.

Was möglich ist:

• „Dieser Deal ist ähnlich zu Deal Y aus Q3 letzten Jahres — dort wurde nach Demo ein Pilot vorgeschlagen, das hat zu Abschluss geführt."
• „85% Ihrer abgeschlossenen Deals hatten zu diesem Zeitpunkt einen Champion identifiziert. Bei diesem Deal fehlt diese Information im CRM."

Was nötig ist: saubere historische Deal-Daten und ein Sales-Prozess, der definierte Stages hat. Ohne das ist jede Empfehlung Stochern im Nebel.

Realistisch: Dieser Use Case ist ROI-stark, braucht aber 3–6 Monate Datenbereinigung als Vorlauf. Die meisten Unternehmen unterschätzen diesen Aufwand massiv.

Use Case 4: Datenanreicherung und Account-Research

Statt dass ein SDR 20 Minuten pro Account auf LinkedIn, der Firmen-Website und in Branchen-News verbringt, generiert die KI ein Account-Briefing:

• Top 3 Anliegen der Branche aktuell
• Mögliche Use Cases für Ihr Produkt im Account
• Empfohlene Gesprächsöffnung
• Relevante News der letzten 3 Monate

Tools wie Clay, Apollo oder Salesforce Einstein können das gut. Voraussetzung: API-Zugriff auf saubere Datenquellen (nicht nur LinkedIn-Scraping, sondern z.B. North Data für deutsche Firmen).

Effekt: SDR-Zeit pro Account-Vorbereitung sinkt von 20 auf 5 Minuten. Bei 5 Accounts pro Tag und SDR sind das 75 Minuten gewonnene Verkaufszeit täglich.

Integration: API, Native oder Middleware?

Drei Pfade, abhängig vom CRM:

Native (am einfachsten): HubSpot AI, Salesforce Einstein, Pipedrive AI. Direkte Integration ins UI, keine Extra-Tools. Nachteil: eingeschränkte Modellauswahl, höhere Lizenzkosten, Vendor-Lock-in.

Middleware (am flexibelsten): n8n, Zapier, Make oder eigene Pipeline. Nutzt OpenAI/Anthropic-API, schreibt zurück ins CRM. Vorteil: beste Modelle, volle Kontrolle. Nachteil: mehr Setup, eigene Fehlerbehandlung nötig.

API-direkt (am performantesten): Eigener Code, der CRM-API + LLM-API verbindet. Macht Sinn ab einer bestimmten Größenordnung oder bei sensiblen Daten, die nicht durch Drittanbieter laufen sollen.

Welcher Pfad richtig ist, hängt davon ab, wie kritisch die Use Cases sind und wie viel In-House-Tech-Kapazität existiert. Ein KI Berater sollte hier nicht einfach den Weg empfehlen, der die meiste Berater-Arbeit produziert, sondern den, der zur Realität des Kunden passt.

Kosten, Lock-in und der ehrliche Blick auf ROI

Realistische Größenordnungen:

• Native CRM-AI-Features: 10–30 EUR pro User pro Monat zusätzlich
• Middleware + LLM-Calls: 50–500 EUR pro Monat je nach Volumen
• Custom-Integration: 30–80k EUR initial, danach laufende API-Kosten

Wann lohnt sich was?

• 5–20 Sales-User: Native CRM-AI reicht.
• 20–100 User: Mix aus Native und ausgewählter Middleware.
• 100+ User: Ab hier rechnen sich Custom-Lösungen, weil API-Kosten direkt günstiger werden als Per-Seat-Lizenzen.

Lock-in-Risiko: Je tiefer Sie in eine native Plattform integrieren (Salesforce Einstein, HubSpot AI), desto schwerer wird ein Wechsel. Das ist nicht per se schlecht — aber es sollte eine bewusste Entscheidung sein, kein Default. Ein guter KI Berater zeigt diese Trade-offs vor der Investition auf, nicht hinterher.