Was wir bauen - KI-Lead-Qualifizierung
Regelbasiertes Lead-Scoring funktioniert, bis den Regeln das Signal ausgeht. Unternehmensgröße, Branchenkennziffer und Formularfelder sagen sehr wenig darüber aus, ob ein Unternehmen das Problem hat, das Sie lösen — weshalb viele Scoring-Modelle am Ende schwach mit nichts Bestimmtem korrelieren.
KI-Qualifizierung liest, was ein Unternehmen tatsächlich über sich sagt: Website, Stellenanzeigen, Geschäftsberichte und den Text der eingereichten Anfrage. Das ist ein deutlich reichhaltigeres Signal — und genau die Art Eingabe, die ein Sprachmodell besser verarbeitet als eine Regel.
5 Min. Lesezeit5 AbschnitteWas wir bauen
Das nehmen Sie mit
- KI schlägt Regeln, wenn das Signal unstrukturierter Text ist. Bei Daten, die Sie bereits strukturiert haben, nicht.
- Datenqualität zuerst. KI auf einem unsauberen CRM produziert selbstbewusste, gut formatierte, falsche Antworten in großem Maßstab.
- Ein Evaluationsrahmen ist Pflicht. Ohne ihn lässt sich nicht belegen, dass das Modell die ersetzte Regel schlägt.
- Das Scoring entscheidet Routing und Priorität. Was daraus folgt, entscheidet weiterhin der Mensch.
Was wir bauen
- Fit-Scoring aus unstrukturierten Signalen
- Website-Texte, Stellenanzeigen, veröffentlichte Berichte, Technologiesignale und News gelesen und gegen Ihren schriftlichen ICP bewertet — statt aus Größenklasse und Branchenkennziffer abgeleitet.
- Anfragen-Scoring
- Der Text einer eingehenden Anfrage bewertet nach Problem-Fit, Budgetsignalen und Dringlichkeit. Besonders wertvoll für Dienstleister, wo Senior-Zeit die zu schützende Restriktion ist.
- Verhaltens-Scoring
- Produktnutzung, Website-Verhalten und Engagement mit Fit zu einem Score kombiniert, der Sequenz, Priorität und Routing steuert.
- Routing auf Basis des Scores
- Leads mit hohem Fit sofort mit Kontextpaket an den richtigen Verantwortlichen; niedriger Fit in Nurture oder einen Self-Serve-Pfad. Der Score muss verändern, was passiert — sonst ist er Dekoration.
- Account-Recherche-Briefings
- Eine generierte einseitige Zusammenfassung, warum ein Unternehmen so bewertet wurde — damit der Vertriebler informiert startet statt einer Zahl zu vertrauen.
- Der Evaluationsrahmen
- Ein zurückgehaltener Satz historischer Leads mit bekannten Ergebnissen, damit Sie messen können, ob das Modell tatsächlich besser vorhersagt als Ihre bestehende Regel — vor dem Livegang und danach fortlaufend.
Wie wir arbeiten
Das Ziel ehrlich definieren
Was sagen wir voraus — einen Termin, eine qualifizierte Opportunity, einen Abschluss? Jedes ergibt ein anderes Modell. Die meisten gescheiterten Scoring-Projekte haben das übersprungen und auf das optimiert, was am leichtesten zu labeln war.
Den historischen Datensatz zusammenstellen
Vergangene Leads mit bekannten Ergebnissen, aufgeteilt in Training und zurückgehaltene Evaluation. Reicht Ihre CRM-Historie dafür nicht, ist das die erste Baustelle — und wir sagen Ihnen das, bevor wir das Projekt annehmen.
Die Basislinie ermitteln
Messen, wie gut Ihre aktuelle Regel oder manuelle Sichtung auf dem zurückgehaltenen Satz abschneidet. Ohne Basislinie ist "die KI funktioniert" eine nicht falsifizierbare Behauptung.
Bauen und evaluieren
Mit dem einfachsten funktionsfähigen Ansatz beginnen, gegen die Basislinie messen und Komplexität nur ergänzen, wo sie sich nachweisbar rechnet. Häufig schlägt ein gut entworfener Prompt über angereichertem Text ein trainiertes Modell und ist weit leichter zu pflegen.
Mit Fallback ausrollen
Scores mit Begründung ins CRM geschrieben, Routing über den Score gesteuert und automatischer Rückfall auf die bisherige Regel, wenn das Modell nicht verfügbar ist oder die Konfidenz niedrig.
Auf Drift überwachen
Fortlaufende Messung der Vorhersagequalität gegen tatsächliche Ergebnisse, mit Alarm bei nachlassender Leistung. Modelle driften, wenn sich das Geschäft ändert — unüberwacht verfallen sie still.
Was Sie bekommen
- Ein Scoring-Service in Produktion
- Läuft in Echtzeit gegen neue Datensätze und schreibt Score und Begründung dorthin zurück, wo Ihr Team ohnehin arbeitet.
- Routing auf Basis des Scores
- Leads mit hohem Fit erreichen sofort die richtige Person mit Kontext, niedriger Fit wird von teurer menschlicher Zeit weggeleitet.
- Ein Evaluationsbericht
- Gemessene Leistung gegen Ihre bisherige Regel auf zurückgehaltenen historischen Daten. Schlägt sie die Basislinie nicht, sagen wir das.
- Monitoring und Drift-Alerting
- Laufende Messung gegen tatsächliche Ergebnisse, damit Verschlechterung sichtbar wird, bevor sie ein Quartal fehlgeleiteter Leads kostet.
- Dokumentation und Fallback-Pfad
- Wie das Modell arbeitet, was es nutzt, wie es neu trainiert wird und was automatisch passiert, wenn es nicht verfügbar ist.
Wo das am besten funktioniert
| Situation | Warum KI hilft | Typisches Ergebnis |
|---|---|---|
| Dienstleister, Partner nehmen jedes Anfragegespräch | Der Anfragetext trägt Fit- und Dringlichkeitssignale, die kein Formularfeld erfasst | Senior-Zeit konzentriert sich auf tragfähige Gespräche |
| Hohes Inbound-Volumen, dünne Qualifizierung | Unternehmenskontext in großem Maßstab zu lesen ist menschlich nicht leistbar | Vertriebler arbeiten eine priorisierte Warteschlange statt der Eingangsreihenfolge |
| ICP über das Problem definiert, nicht über Firmografie | Strukturierte Daten können "Unternehmen mit genau diesem Problem" nicht ausdrücken | Erstmals ein Scoring, das den tatsächlichen ICP abbildet |
| Produktgetrieben mit Vertriebsüberbau | Nutzungsverhalten mit Unternehmenskontext zu verbinden braucht beide Signalarten | Der Vertrieb ruft die Self-Serve-Accounts an, die es wert sind |
| Geringes Volumen, lange Zyklen, wenige Datenpunkte | Nicht genug Historie, um irgendetwas zu trainieren oder zu evaluieren | Wir würden empfehlen, stattdessen die Regel zu verbessern |
Warum unser Vorgehen anders ist
- Wir messen, bevor wir behaupten
- Jedes Projekt enthält eine Evaluation gegen Ihre bestehende Basislinie auf zurückgehaltenen Daten. Die meisten KI-Scoring-Projekte überspringen das — deshalb werden so viele still nicht mehr genutzt.
- Das Einfachste, das funktioniert
- Oft schlägt ein gut entworfener Prompt über angereichertem Text ein trainiertes Modell und ist deutlich günstiger zu pflegen. Wir hängen nicht an Komplexität.
- Begründung statt nur einer Zahl
- Jeder Score kommt mit dem Warum. Ein Vertriebler, der die Begründung sieht, vertraut dem Score und nutzt ihn; eine nackte Zahl wird binnen eines Monats ignoriert.
- Fallback by Design
- Ist das Modell nicht verfügbar oder unsicher, greift automatisch die bisherige Regel. Nichts bleibt ungeroutet, weil eine API einen schlechten Nachmittag hatte.
- Wir raten Ihnen auch ab
- Reichen Datenvolumen oder Historie für eine Evaluation nicht aus, ist KI-Scoring nicht das richtige Projekt. Das sagen wir in der Diagnose, nicht nach der Rechnung.
Häufige Fragen
Wie unterscheidet sich KI-Lead-Qualifizierung von Lead-Scoring?
- Klassisches Lead-Scoring nutzt strukturierte Felder — Größe, Branche, Formularantworten — mit manuell vergebenen Gewichten. KI-Qualifizierung liest unstrukturierten Text wie Website-Inhalte, Stellenanzeigen und Anfragetexte, die weit mehr darüber aussagen, ob ein Unternehmen das Problem hat, das Sie lösen.
Wie viele historische Daten brauchen wir?
- Genug gelabelte Ergebnisse für eine belastbare Evaluation — als grober Richtwert einige hundert Leads mit bekanntem Ausgang. Darunter empfehlen wir, zuerst Regeln und Instrumentierung zu verbessern, und sagen das in der Diagnose.
Wird das Modell Fehler machen?
- Ja, wie Ihre aktuelle Regel und Ihre aktuelle manuelle Sichtung auch. Die Frage ist, ob es weniger Fehler macht — genau das misst der Evaluationsrahmen. Wir gehen erst live, wenn es die Basislinie auf zurückgehaltenen Daten schlägt.
Ersetzt das menschliche Qualifizierung?
- Nein. Es entscheidet Priorität und Routing, damit menschliche Aufmerksamkeit in die richtigen Gespräche geht. Discovery-Call, Urteil und die Entscheidung weiterzuverfolgen bleiben menschlich — dort findet die eigentliche Qualifizierung statt.
Wie steht es um den Datenschutz?
- Modelle laufen gegen Daten, die Sie kontrollieren, mit konfigurierbaren Anbietern inklusive Optionen, die die Verarbeitung in der EU halten. Welche Unternehmensdaten wohin gehen, ist eine ausdrückliche Designentscheidung, die wir mit Ihnen treffen — keine Vorgabe von uns.
Scoring, das die ersetzte Regel nachweislich schlägt
Wir bauen KI-Qualifizierung auf Ihren Daten, mit Evaluationsrahmen gegen Ihre aktuelle Basislinie. Übertrifft sie das Bestehende nicht, sagen wir es Ihnen.