Das AI-Gebirge im Vertrieb – was die Studie zeigt und was jetzt zu tun ist

Die Studie „Mastering the AI-Mountains in Sales" (RUB, Mai 2025) kartiert, wie Firmen AI im Vertrieb nutzen. Sie misst Wirkung und zeigt, was den Aufstieg beschleunigt. Das Bild vom Gebirge hilft: Erst verstehen, dann den nächsten Absatz gehen. Dieser Artikel bringt Zahlen, Beispiele und sofort nutzbare Schritte.

Quelle: Quelle und Autoren - SMD Ergebnisbericht – Mastering the AI-Mountains in Sales (Bochum, Mai 2025). Autoren: Prof. Dr. Jan Wieseke, Prof. Dr. Christian Schmitz, Kiram Iqbal, Marcel Keen. Kontakt: 0234-32-26596 | [email protected].

Die 5 AI-Stufen im Vertriebsalltag

Die Stufen bauen aufeinander auf. Überspringen geht nicht. AI beginnt ab Stufe 1.

  • 0 Klassisch - Analoge Technologien wie Telefon, Post
  • 0.5 Basis-Digitalisierung - Videokonferenz, E-Mail
  • 1 Informierende AI - Mensch handelt, AI liefert Infos. Beispiel: Web- und Marktanalyse-Tool, CRM Insights
  • 2 Vorhersagende AI - Mensch nutzt AI-Prognosen. Beispiel: Lead-Scoring, Churn-Risiko
  • 3 Beratende AI - Mensch erhält AI-Empfehlungen. Beispiel: Generatives AI-Tool, Preisempfehlungen
  • 4 Delegierende AI - AI übernimmt Teilaufgaben. Beispiel: Automatisierte Angebotserstellung
  • 5 Autonome AI - AI handelt eigenständig. Beispiel: Vollautomatische Preisverhandlung

Wo Firmen heute stehen

Viele sind erst halb oben: 42% Beginner, 38% Professionals, 20% Champions. 80% sind noch in der ersten Hälfte des Weges. Der Schwerpunkt der Nutzung liegt im Presales. Sales Interaction und After-Sales ziehen nach.

Was es bringt – Performance vs. Beginner

Kennzahlen Kennzahl Professional vs Beginner Champion vs Beginner
Umsatz +9,2% +23,0%
Wachstumsziel erreichen +7,9% +19,1%
Angestrebter Marktanteil +11,1% +25,7%
Marktanteils-Wachstum +10,2% +22,1%
Neukundenakquise +12,0% +22,4%
Umsatz mit Bestandskunden +4,8% +17,3%
Kosten-/Effizienzziele +10,7% +20,6%
Effizienter Ressourceneinsatz +11,4% +24,1%
Mehr Output mit weniger Input +10,1% +23,7%
Kostensenkungs-Potenziale +9,9% +23,4%
Profitabilität +10,4% +23,0%
Gesamt +9,8% +22,2%

Der Effekt wächst überproportional mit jeder Stufe. Champions liegen im Schnitt rund 135% über Professionals - gemessen am Abstand zu Beginners.

Rückschläge gehören dazu – und lehren

Hinweis: Etwa 40% der AI-Projekte scheitern. Das ist normal. Mit Erfahrung steigt die Erfolgsquote stark: von 26% ohne Erfahrung auf bis zu 76% bei hoher Erfahrung. Die Lernkurve flacht später ab. Planen Sie Puffer für Lernen und Nachschärfen ein.

Die BRIDGE-Hebel – sechs Stellschrauben im Unternehmen

Sechs interne Hebel beschleunigen den Aufstieg. Wer 3 oder mehr nutzt, landet meist bei Professional. 5 bis 6 Hebel führen oft zu Sprüngen.

  • Data Governance - Saubere Datenbasis aufbauen und pflegen
  • Marketing Agilität - Schnell auf Marktveränderungen reagieren
  • Top-Management Support - Richtung geben, Blockaden lösen
  • Innovationsfähigkeit - Neue Methoden testen und verankern
  • User Empowerment - Nutzer befähigen, selbst AI anzuwenden
  • Technische Skills - Team-Kompetenzen aufbauen
Praxisregel: Daumenregel - 0-2 Hebel: langsamer Fortschritt. 3-4 Hebel: Professional. 5-6 Hebel: steiler Anstieg bis 71-80% Fortschritt.

STORM – wenn der Markt rau wird

Externe Faktoren wirken wie Wetter im Gebirge. Hohe Branchendigitalisierung, schnelle Technikwechsel, schwer planbare Kundenbedürfnisse, starke Rivalität und Wachstum erhöhen den Druck - und fördern AI-Fortschritt. Der Effekt liegt je nach Faktor bei +6 bis +20 Prozentpunkten. Nutzen Sie das Momentum, wenn der Markt zieht.

Praktischer 30-60-90-Tage-Plan

Tag 0-30: Verstehen und Fokus setzen

Checkliste: Phase 1 Aufgaben
  • Nutzenkarte pro Prozess zeichnen: Presales, Sales Interaction, After-Sales
  • Reifegrad messen: Wo stehen wir auf 0-5 je Prozess
  • 3 Quick-Wins definieren: je 1 pro Prozess, mit klarer Kennzahl
  • Daten-Inventur starten: Quellen, Qualität, Lücken
  • Sponsor gewinnen: C-Level-Patin oder -Pate festlegen

Tag 31-60: Bauen und testen

Checkliste: Phase 2 Aufgaben
  • Zwei Use-Cases pilotieren: z. B. Lead-Scoring und Angebotserstellung
  • Guardrails definieren: Datenschutz, Qualitätschecks, Freigaben
  • Team befähigen: kurze Lern-Sprints, Do-it-yourself-Guides, Office Hours
  • Metriken live machen: Dashboard für Wirkung, Kosten, Risiken

Tag 61-90: Skalieren und sichern

Checkliste: Phase 3 Aufgaben
  • Erfolgreiche Piloten ausrollen. Prozesse vereinheitlichen
  • Handover an Fachbereiche. Product Owner benennen
  • BRIDGE-Plan schärfen: fehlende Hebel gezielt aufbauen
  • Budget auf Dauer stellen. Quartalsweises Review fixieren

Nudges aus der Verhaltensökonomie – so kommt Bewegung rein

Kleine Stupser helfen, dass Neues zur Gewohnheit wird.

Beispiel: Bewährte Nudges für AI-Adoption
  • Standard setzen: AI-Empfehlung ist Default, der Mensch kann überschreiben
  • Friktion senken: Ein-Klick-Start für Piloten, klare Vorlagen
  • Soziale Norm zeigen: Team-Score „AI im Einsatz" im Weekly
  • Sofortfeedback geben: Mini-Bonus oder Sichtbarkeit bei Nutzung
  • Pre-Mortem nutzen: „Wie könnte das Projekt scheitern?" vor dem Start

KPI-Set für den Aufstieg

  • Pipeline-Qualität: Anteil qualifizierter Leads, Zeit bis Antwort
  • Abschlussrate: Win-Rate pro Segment, Deal-Zyklus
  • Kundenwert: Uplift Bestandsumsatz, Churn-Quote
  • Effizienz: Kosten pro Abschluss, Zeit pro Angebot
  • Qualität: Halluzinationsrate, Fehlerquote, manuelle Korrekturen

Minimaler Tech-Stack für die ersten 90 Tage

Kurzfassung Baustein Zweck
Daten-Workspace Quellen anschließen, bereinigen, dokumentieren
Generatives AI-Tool Texte, Angebote, Mails, Meeting-Prep
Analytics/BI Metriken sichtbar machen, Wirkung messen
Workflow/Automation Aufgaben automatisch anstoßen
Governance Policies, Logging, Freigaben

Rollen und Routine – wer macht was

  • Product Owner Vertrieb: Zielbild und Roadmap
  • Data Lead: Datenqualität, Schnittstellen, Katalog
  • AI-Enablement: Training, Vorlagen, Support
  • Fach-Owner je Prozess: Presales, Sales Interaction, After-Sales
  • Legal/IT: Guardrails, Sicherheit, Compliance
  • C-Level Sponsor: Hindernisse räumen, Erfolg sichtbar machen

Typische Fallen und wie Sie sie umgehen

Hinweis: Häufige Stolperfallen vermeiden:
  • Zu groß starten - Besser: ein klarer Use-Case, klare Zahl, 6 Wochen
  • Unklare Daten - Besser: Data Contract je Quelle, Verantwortliche benennen
  • Tool-Fokus statt Problem-Fokus - Besser: zuerst Wertkette, dann Tool
  • Kein Change - Besser: Nudges, Defaults, Live-Dashboards
  • Keine Erfolgsmessung - Besser: Vorher-Nachher-Kennzahlen, A/B-Ansatz