Lead-Scoring mit KI: Praxis-Guide für B2B-Vertrieb.

Warum klassisches Lead-Scoring an seine Grenzen kommt

Klassisches Scoring funktioniert nach einem einfachen Prinzip: Man sammelt explizite Eigenschaften (Branche, Größe, Position) und implizite Signale (E-Mail geöffnet, Whitepaper heruntergeladen, Demo-Anfrage), gewichtet sie mit Punkten und summiert. Ab Schwellenwert X gilt der Lead als „qualified".

Das Problem? Diese Modelle altern schlecht. Eine E-Mail-Öffnung war 2010 ein starkes Signal — heute, in einer Welt aus Mail-Clients mit Image-Pre-Loading und Datenschutz-Warnungen, ist der Wert weitgehend künstlich aufgeblasen. Die meisten Sales-Teams wissen das. Trotzdem läuft das Scoring weiter, weil niemand Zeit hat, die Punktevergabe systematisch zu überprüfen.

Hinzu kommt: Die Punktevergabe ist meist eine Mischung aus Bauchgefühl des Marketings und alten Excel-Tabellen. Niemand validiert sie mit echten Abschlusswahrscheinlichkeiten. Das Resultat: Ein Score, der Aktivität misst, nicht Kaufbereitschaft.

Was KI-basiertes Lead-Scoring anders macht

Ein KI-Modell für Lead-Scoring lernt aus historischen Daten: Welche Leads haben in der Vergangenheit gekauft, welche nicht, welche Eigenschaften und Verhaltensweisen waren bei den Käufern überrepräsentiert? Statt fester Punkte gibt das Modell eine Wahrscheinlichkeit aus — z.B. 73% Abschlusswahrscheinlichkeit innerhalb der nächsten 90 Tage.

Der Unterschied ist nicht akademisch. Drei konkrete Effekte:

• Kontextsensitivität: Eine Demo-Anfrage von einem 20-Mitarbeiter-Startup ist statistisch ein anderes Signal als die gleiche Anfrage von einem 5000-Mitarbeiter-Konzern. KI berücksichtigt diese Wechselwirkungen automatisch.
• Drift-Erkennung: Wenn ein Signal seine Aussagekraft verliert (Newsletter-Click), erkennt ein gut betriebenes Modell das und gewichtet es selbst neu. Voraussetzung: Es gibt regelmäßige Retrainings und ein Monitoring der Modellgüte.
• Negative Signale werden erkennbar: Manche Aktivitäten sind statistisch sogar negativ korreliert mit Abschlüssen (z.B. nur die Karriere-Seite besucht). Klassische Modelle ignorieren das. KI-Modelle nicht.

Welche Daten ein KI Berater wirklich nutzt

Die ehrliche Antwort: Was vorhanden, sauber und legal nutzbar ist. In der Praxis sind das meistens:

• Firmographics: Branche, Größe, Region, Tech-Stack (z.B. via BuiltWith oder Clearbit)
• CRM-Verlauf: Kontakthistorie, frühere Deals (auch verlorene), Vertragslaufzeiten
• Engagement-Daten: Mail-Verhalten, Webseitenbesuche, Webinar-Teilnahmen
• Saisonale Faktoren: Quartal, Budget-Zyklen, Branchenkonjunktur

Was die meisten unterschätzen: Der größte Hebel liegt selten in mehr Daten, sondern in saubereren Daten. Ein Modell auf 70% verlässlichen CRM-Einträgen ist wertlos. Datenhygiene ist die unsexy, aber notwendige Voraussetzung.

Implementierung in vier Schritten

Wenn ich als KI Berater einen Lead-Scoring-Build begleite, folgt das Vorgehen meistens einem Muster:

Schritt 1: Datenaudit (1–2 Wochen). Was haben wir, in welcher Qualität, mit welcher Kontinuität? Ein Score-Modell auf wenig Daten überfittet. Wenn die letzten 200 Closed-Won-Deals nicht sauber dokumentiert sind, fehlt die Trainingsbasis.

Schritt 2: Baseline-Modell (2–3 Wochen). Erst ein einfaches Modell — Logistic Regression oder Gradient Boosting — auf den vorhandenen Daten. Ziel ist nicht der beste Score, sondern eine Benchmark gegen das Bauchgefühl. Schlägt das Modell die manuelle Einschätzung nicht, ist die Datenbasis noch nicht reif.

Schritt 3: Operationalisierung (3–4 Wochen). Das Modell muss ins CRM. Konkret heißt das: API-Anbindung, Score-Update-Frequenz, UI-Integration für den Vertrieb. Ein Score, den niemand sieht, ändert keine Routine.

Schritt 4: Closed Loop. Nach drei Monaten: erster Vergleich Modell-Score vs. tatsächliche Abschlüsse. Welche Buckets performen, welche nicht? Erst dann wird das Modell verfeinert oder neu trainiert.

Die häufigsten Fehler — und wie man sie vermeidet

In sieben Jahren KI-Beratung haben sich vier Klassiker herauskristallisiert:

Fehler 1: Zu früh optimiert. Teams investieren Wochen in Feature-Engineering, bevor klar ist, ob die Daten überhaupt eine sinnvolle Prognose erlauben. Die ersten zwei Wochen gehören dem Datenaudit, nicht dem Modell.

Fehler 2: Score ohne Aktion. Der schönste Score nützt nichts, wenn das Sales-Team ihn ignoriert. Ein hoher Score muss eine konkrete Routine triggern: priorisiertes Follow-up, Anruf statt E-Mail, Senior-Account-Manager statt SDR. Ohne diese Verkettung bleibt das Scoring ein Spielzeug.

Fehler 3: Black-Box-Modell ohne Interpretierbarkeit. Wenn das Modell sagt „73% Abschlusswahrscheinlichkeit", muss der Sales Manager verstehen können, warum. Sonst entsteht Misstrauen — und Misstrauen führt zu Ignorieren. SHAP-Values oder einfachere lokale Erklärungen sind kein Nice-to-Have, sondern operativ notwendig.

Fehler 4: Vergessenes Retraining. Der Markt verändert sich. Wettbewerber, Zinsumfeld, Branchenzyklen. Ein Modell, das vor zwei Jahren trainiert wurde, ist heute schlechter als ein simples Bauchgefühl. Mindestens quartalsweises Retraining gehört zur Mindesthygiene.

ROI: Wann lohnt sich KI-Lead-Scoring?

Konservative Faustregel: Ab ~500 qualified Leads pro Quartal und einer durchschnittlichen Sales-Cycle-Dauer von vier oder mehr Wochen.

Darunter? Lieber das CRM aufräumen und manuelle Routinen schärfen. KI ist hier eine Lösung, die ein Problem sucht.

Darüber? Der Hebel kommt aus Priorisierung. Wenn der Vertrieb 20% der Zeit auf 80% der wertschöpfenden Leads konzentrieren kann statt umgekehrt, liegt der ROI typischerweise im sechsstelligen Bereich pro Jahr — selbst bei mittelgroßen B2B-Organisationen.

Was ein guter KI Berater hier tut: den Hebel ehrlich kalibrieren, bevor das Projekt startet. Nicht jeder Use Case ist KI-würdig. Manche Probleme löst eine bessere Pipeline-Ansicht im CRM für 0 EUR Lizenzgebühr.