Ein KI-CRM verdient seinen Platz im Industrievertrieb, indem es die Anfrage richtig liest, nicht indem es mehr Nachfassmails verschickt

In diesem Satz stecken zwei Geschäfte. Investitionsgüter sind eine Gremienentscheidung mit einem Zyklus von neun bis achtzehn Monaten; Zeichnungsteile werden in Tagen gegen eine Zeichnung entschieden, wo das Problem die Anfragemenge ist und nicht die Länge des Zyklus. Die Argumente zu Anfrage, Qualifizierung und Dokumentation gelten für beide, die zum Buying Center und zum Lead Scoring nur für das Investitionsgut. Was KI in beiden Fällen gut kann, ist eng umrissen: Sie formt Text um, den Sie ohnehin schon haben.

Warum generische CRM-Automatisierung an einem langen B2B-Vertriebszyklus scheitert

Das Standardrezept unterstellt einen einzigen Entscheider, eine kurze Bewertung, einen großen Markt und genug Abschlussvolumen, damit Scoring überhaupt etwas bedeutet. Nichts davon trifft zu. Über eine Investition urteilen ein Fertigungsplaner, der auf die Zykluszeit sieht, ein Qualitätsingenieur, der auf die Prozessfähigkeit sieht, ein Instandhaltungsleiter, der an die Ersatzteile denkt, ein Einkäufer, der auf die Konditionen achtet, und ein Bereichsleiter, dem das Investitionsbudget gehört. Sie kommen zu unterschiedlichen Zeitpunkten hinzu, und deshalb erreicht eine Sequenz, die „den Lead“ anspricht, niemanden.

Auch der Markt ist endlich. Der adressierbare Kreis ist klein genug, dass dieselben Namen über Jahre und über Firmen hinweg wiederkehren, weil Ingenieure zwischen Werken wechseln, und klein genug, dass kein Verhaltensmodell einen Trainingsdatensatz bekommt, der diesen Namen verdient. Eine lästige automatische Nachricht ist hier kein Rundungsfehler. Sie wird erinnert, mit Namen.

Aufträge gehen selten verloren, weil eine weitere Mail fehlte, die fragt, ob man schon Gelegenheit hatte, ins Angebot zu schauen. Sie gehen verloren, weil Sie mit nichts Brauchbarem präsent waren, als die Investitionsliste für das nächste Jahr geschrieben wurde, weil die technische Antwort zu spät kam oder weil die Anforderung nie in einer Form festgehalten wurde, mit der jemand arbeiten konnte. Nichts davon ist eine Frage der Nachfassfrequenz.

Eine Anfrage lesen und die Anforderung herausarbeiten

Anfragen kommen in der Form herein, in der der Kunde gerade Lust hatte, sie zu schicken: als PDF, als Excel-Tabelle, als Zeichnungssatz, als drei Absätze in einer E-Mail, als Beschaffungsformular, von dem sechs Felder zählen. Ein Modell extrahiert zuverlässig, was als Text vorliegt — Mengen und Abrufmuster, Termine und Lieferbedingungen, die Liste der geforderten Nachweise, die kaufmännischen Bedingungen, die im Fließtext genannten Artikelnummern —, und zwar in der Zeit, die das Öffnen der Datei kostet.

Was von der Zeichnung stammt, ist eine andere Klasse von Feld. Form- und Lagetoleranzen, Schweißnahtsymbole, das Bezugssystem, Oberflächenangaben, als kritisch gekennzeichnete Merkmale: Das wird unzuverlässig gelesen, und alles, was aus einer Zeichnung gemeldet wird, kommt als ungeprüfter Vorschlag für einen Ingenieur an, nie als Wert, aus dem sich ein Angebot rechnen lässt. Beide Klassen gleich zu behandeln ist der schnellste Weg von einer nützlichen Extraktion zu einem Angebotsfehler.

Klären Sie zuerst die Eigentumsfrage. Der Zeichnungssatz des Kunden ist sein geistiges Eigentum, meist unter einer Geheimhaltungsvereinbarung, die lange vor der Anfrage unterschrieben wurde, und in Luft- und Raumfahrt, Wehrtechnik und Teilen der Automobilbranche kann er nach ITAR, EAR oder der EU-Dual-Use-Verordnung exportkontrolliert sein. Prüfen Sie, was die Geheimhaltungsvereinbarung zu Verarbeitung und Unterauftragnehmern erlaubt, bevor eine Zeichnung ein Modell erreicht, halten Sie kontrollierte Arbeit On-Premise oder in einer Betriebsumgebung ohne Speicherung und ohne Training, und halten Sie einen Ausschlusspfad bereit, damit markierte Kunden und Teilefamilien gar nicht erst in die Verarbeitung geraten.

Die wertvollere Hälfte des Ergebnisses ist das, was fehlt. Die Rückfragen, die Sie in der ersten Stunde stellen, sind das stärkste Kompetenzsignal, das Sie je senden werden, und sie verhindern, dass ein Ingenieur gegen eine Annahme kalkuliert, die niemand geprüft hat.

Zwei Regeln trennen eine brauchbare Extraktion von einer, die ein Ingenieur von Hand noch einmal macht. Jede Position nennt ihre Quelle: Blatt und Zelle, wenn die Quelle eine Tabelle ist, Seite und Bereich darauf, wenn es ein Scan ist. Und das Modell lässt ein Feld lieber leer, als zu raten — eine Quote, die Sie je Feld an Ihrem eigenen Testsatz messen und nicht dadurch bekommen, dass Sie es zur Zurückhaltung anweisen. Das Leerlassen versagt dort, wo ein plausibler Standardwert bereitliegt, bei einer Toleranz oder einer üblichen Oberfläche, und ein Feld, das selten leer bleibt und oft falsch liegt, überlassen Sie einem Menschen.

Die erste technische Antwort entwerfen, ohne das Unternehmen zu binden

Die erste Antwort entscheidet, ob Sie in der Bewertung sind. Eine gute benennt die Anwendung, statt sich für das Interesse zu bedanken, gibt die Anforderung so wieder, wie sie verstanden wurde, stellt die zwei oder drei Fragen, die die Antwort verändern, und sagt einen nächsten Schritt mit Datum zu.

Ein Modell liefert diese Struktur in einer Minute, ein Mensch redigiert und sendet. Automatisch zu senden ist ein anderes System und nicht dieselbe Sache mit einem anderen Schalter, und kein Entwurf nennt eine Spezifikation: Jede Zahl, die bis in ein Angebot gelangen könnte, kommt von jemandem mit der Befugnis, sie zuzusagen.

Kundenhistorie zusammenfassen und den CRM-Datensatz aktuell halten

Ein Vorgang, der vierzehn Monate läuft, verteilt sich auf hundert E-Mails, drei Besuche, zwei Musterserien und einen gescheiterten Versuch. Die Historie existiert, und niemand liest sie, also ist ihr praktischer Wert null, sobald der Kundenbetreuer geht. Ein Modell, das den Verlauf liest und den Nächsten einweist, ist tatsächlich nützlich.

Es ist zugleich verlustbehaftet, und was herausfällt, ist überproportional die einzeilige Zusage mitten im Verlauf: die zugestandene Toleranz, der für einen genannten Zeitraum gehaltene Preis, die am Telefon vereinbarte Ausnahme. Eine Zusammenfassung, die fast stimmt und die Zusage stillschweigend weglässt, ist schlechter als keine. Behandeln Sie sie also als Einstieg in den Verlauf, verknüpfen Sie jede Aussage mit der Nachricht, aus der sie stammt, und ziehen Sie Zusagen in eine eigene, belegte Liste.

Dieselbe Fähigkeit adressiert das älteste Problem im CRM. Vertriebsmitarbeiter pflegen Datensätze nicht, weil Pflege eine Dateneingabe ist, die nichts zurückgibt, und die Antwort ist dieselbe, die auch auf dem Shopfloor gilt: vorschlagen, nicht verlangen. Nach einem Gespräch entwirft der Assistent die Notiz und schlägt den Wechsel der Vertriebsphase und die nächste Aktion vor. Es bleiben Vorschläge, denn ein Assistent, der still Werte oder Abschlusstermine ändert, zerstört das Einzige, was ein CRM sein muss: ein Datenbestand, dem Menschen glauben.

Ersetzt ein KI-CRM das System, das Sie schon betreiben, oder sitzt es darauf

Meist sitzt es darauf. Der Datensatz zu Kunde, Opportunity und Auftrag bleibt, wo er ist, ob das Salesforce, Dynamics, HubSpot, Odoo oder das CRM-Modul Ihres ERP ist. Der Assistent liest aus diesem Datensatz, aus dem Postfach, aus dem Angebotsarchiv und aus der Dokumentenablage, und er schreibt drei Dinge zurück: eine Notiz, eine vorgeschlagene Feldänderung und eine Aufgabe mit Verantwortlichem und Termin, alles zurechenbar und umkehrbar.

Das Projekt ist damit die Integration und nicht das Modell, und was üblicherweise scheitert, ist der Schlüssel, der die Reise zwischen CRM, ERP und Dokumentensystem überstehen muss, weil Kundennummer und Account-Schlüssel nie abgeglichen wurden. Haben Sie kein CRM, kommt das CRM zuerst: Ein Assistent kann keinen Datensatz aktuell halten, den es nicht gibt.

Was KI nicht gut kann und wo es Sie kosten wird

Sie kennt Ihre Fähigkeiten nicht: dass die Toleranz erreichbar ist, aber nur im zweiten Arbeitsgang, dass eine Legierung in Ihrem Prozess zum Fressen neigt, dass die genannte Jahresmenge ein Vielfaches dessen ist, was dieses Segment je bestellt. Sie hat kein Gefühl für kaufmännische Folgen und schreibt einen selbstbewussten Satz über die Lieferzeit ebenso bereitwillig wie einen vorsichtigen, weil beide wohlgeformtes Deutsch sind. Und sie weiß nicht, was sich geändert hat, seit Sie ihr die Dokumente übergeben haben, was die Aktualität der Dokumente zu einer laufenden betrieblichen Aufgabe macht und nicht zu einer Einrichtungsarbeit.

Qualifizierung, die einen technischen Entscheider respektiert: warum Scoring kein Qualifizieren ist

Lead Scoring vergibt eine Zahl aus Verhalten: besuchte Seiten, geöffnete Mails, heruntergeladene Dokumente. In einem Markt mit so wenigen echten Käufern misst das überwiegend Neugier, und das Profil, das es am zuverlässigsten belohnt, ist der Ingenieur eines Wettbewerbers, der Ihre Dokumentation liest.

Qualifizieren beantwortet andere Fragen. Gibt es eine Anwendung, zu der unsere Maschine passt, konkret genug beschrieben, dass man es prüfen kann. Gibt es ein Budget, und in welcher Periode. Wer entscheidet, und wer kann ein Veto einlegen. Und was passiert, wenn nichts geschieht.

Ein Assistent hilft nur, indem er Fragen stellt, die ein technischer Entscheider gern beantwortet. Ein Ingenieur nennt Ihnen bereitwillig Teil, Werkstoff, Menge und Zykluszeit und bricht ein Formular ab, das Unternehmensgröße und Budgetrahmen verlangt. Das am meisten unterschätzte Ergebnis ist das schnelle Nein: Der größte Teil der Kosten einer schlechten Anfrage ist die Anwendungstechnik, die sie verbraucht, bevor jemand feststellt, dass sie nie gepasst hat.

Ein KI-Chatbot, der aus Ihrer Dokumentation antwortet, statt zu erfinden

Stellen Sie einem Sprachmodell eine Produktfrage, und es antwortet aus seinem Training, in einer Prosa, die genau wie Ihre Dokumentation klingt, ohne jeden Zusammenhang zwischen dem Grad an Überzeugung und dem Wahrheitsgehalt. Im technischen Vertrieb ist das der schlimmste verfügbare Fehlerfall, denn eine falsche Antwort wird als Screenshot weitergereicht und Ihnen in einer Besprechung vorgehalten.

Erträglich wird es erst durch die Bindung an die eigenen Dokumente. Die Frage holt Passagen aus Ihren Unterlagen, das Modell antwortet nur daraus und nennt die Fundstelle, womit der häufigste Fehlerfall zu „Das habe ich in der Dokumentation nicht gefunden“ wird. Die meiste Arbeit steckt auf der Dokumentenseite: welche Dokumente gültig sind, welche überholt sind und aus dem Index entfernt werden müssen — im Dokumentensystem aufbewahrt, wie es Ihr QM-Verfahren verlangt, für den Assistenten aber nicht erreichbar — und welche vertraulich sind.

Es beseitigt den Fehlerfall nicht. Das Retrieval liefert die überholte Revision, weil genau diese textlich besser passt; es liefert das richtige Dokument, und das Modell liest eine Tabelle darin falsch; es findet nichts Passendes und antwortet trotzdem aus dem Training. Die Quellenangabe macht jeden dieser Fälle schlimmer, denn eine falsche Antwort mit einem Dokumentennamen daran wird härter geglaubt.

Erzwingen Sie die Grenzen also im System und nicht in einer Richtlinie: nur aus freigegebenem Material antworten, Dokument und Revision nennen, bei Fragen zur Spezifikation ablehnen, statt zu folgern, nie einen Preis und nie eine Lieferzeit nennen. Und protokollieren Sie jede Frage, die er nicht beantworten konnte, denn dieses Protokoll ist eine von Ihren Kunden geschriebene Liste dessen, was Sie nicht veröffentlicht haben.

Die Daten, die Sie schon haben, und was es kostet, sie brauchbar zu machen

Mehr, als Sie denken, in schlechterem Zustand, als Sie denken. Im Postfach liegen Jahre an Anfragen und technischem Schriftwechsel, in der Angebotshistorie liegt, was Sie angeboten haben und zu welchem Preis, und in den Verlustgründen liegt der wertvollste Datensatz des Unternehmens, sofern ihn jemand ehrlich ausgefüllt hat. Im ERP liegen Ihre Lieferzeiten und Liefertermine, die man prüfen sollte, bevor man ihnen traut: geplant gegen tatsächlich, und ob der zugesagte Termin jedes Mal überschrieben wurde, wenn er verrutschte.

Dann der Zustand. Derselbe Kunde existiert dreimal in unterschiedlicher Schreibweise, und die polnische Tochtergesellschaft ist ein eigener Account ohne Verbindung zur Mutter, sodass niemand sieht, dass der Konzern bereits zwei Linien gekauft hat. Und der Verlustgrund lautet auf den meisten Datensätzen „Preis“, was man auswählt, wenn der wahre Grund eine langsame Antwort war.

Die Arbeit ist unglamourös und sie ist der größte Teil des Projekts: Dubletten bereinigen, Konzernstrukturen abbilden, einen verbindlichen Ablageort für die Dokumentation mit einem expliziten Revisionsfeld festlegen, den Freitext-Verlustgrund durch eine kurze Auswahl ersetzen, die ein Vertriebsmitarbeiter wahrheitsgemäß treffen kann. Ein Modell, das auf diesen Daten aufsetzt, erbt jeden Fehler und liefert ihn selbstbewusst aus.

Die Übergabe an einen Menschen, und warum eine schlechte Übergabe den Nutzen vernichtet

Der Moment, in dem der Assistent aufhört und ein Mensch anfängt, ist der Punkt, an dem der Kunde das ganze System beurteilt. Ein Kunde erklärt seine Anwendung im Detail, ein Vertriebsmitarbeiter ruft zwei Tage später an und stellt dieselben Fragen von vorn, und alles, was die Automatisierung gewonnen hat, ist in dieser Minute ausgegeben.

Eine Übergabe, die funktioniert, trägt den Gesprächsverlauf am Vorgang, die Frage, die die Eskalation ausgelöst hat, einen namentlich Verantwortlichen statt eines Sammelpostfachs und eine Reaktionszeit, für die jemand geradesteht. Seien Sie ehrlich, was der Assistent ist, denn ein technischer Entscheider merkt es nach wenigen Wechseln ohnehin, und eskalieren Sie automatisch bei jeder Zusage zur Spezifikation, jedem Preis, jeder Reklamation und immer dann, wenn ein Kunde zweimal fragt.

Ehrlich messen: Reaktionszeit und qualifizierte Pipeline, nicht gesendete Nachrichten

Die meisten Auswertungen zu solchen Systemen messen deren eigene Aktivität: gesendete Nachrichten, geführte Dialoge, eingesparte Stunden aus einem Multiplikator, den der Anbieter geliefert hat. All das steigt, ob sich etwas verbessert hat oder nicht. Fangen Sie stattdessen mit der Zeit von der Anfrage bis zur ersten inhaltlichen technischen Antwort an, wobei inhaltlich heißt, dass sie die Anwendung behandelt und nicht den Eingang bestätigt. Dann die Zeit von der Anfrage bis zum Angebot bei den Anfragen, die Sie als passend angenommen haben, und der Anteil davon, der bis zu einem Angebot gekommen ist, denn das legt die offen, die in der Warteschlange eines Ingenieurs sterben.

Messen Sie abgelehnte Anfragen auf einer eigenen Achse, nämlich wie viele Tage die Ablehnung gedauert hat, denn das ist die Zahl, für die das schnelle Nein existiert. Eine einzige Angebotsquote über beide Nenner sagt der Organisation, sie solle genau für die Anfragen ein Angebot abgeben, die sie gerade abweisen sollte. Dann die qualifizierte Pipeline gegen eine Definition von qualifiziert, die vor dem Projekt geschrieben wurde, und die Zahl der Fragen, die der Assistent nicht beantworten konnte — sie sollte sinken, während Sie nachliefern, was fehlte.

DSGVO und was ein europäischer Industriekunde erwartet

Die Rechtsgrundlage für die Ansprache im B2B ist in Europa nicht einheitlich. Die nationalen Umsetzungen der ePrivacy-Regeln unterscheiden sich, und in manchen Mitgliedstaaten wird unaufgeforderte Werbe-E-Mail an einen geschäftlichen Kontakt weit strenger behandelt, als die übliche Zusammenfassung mit dem „berechtigten Interesse“ vermuten lässt. Entscheiden Sie das je Markt mit einem Anwalt, und bauen Sie das System so, dass die Regeln sich je Land unterscheiden können, ohne dass man es neu schreibt.

Der Rest sind technische Entscheidungen mit Folgen im Einkauf. Der Fragebogen eines Kunden wird wissen wollen, wo sein Anfragetext verarbeitet wird, ob er die EU verlässt, ob er in das Modell von irgendjemandem einfließt und wie lange er aufbewahrt wird. Vier kurze Antworten bringen Sie durch diese erste Hürde: Verarbeitung in der EU, kein Training mit Kundeninhalten, eine festgelegte Aufbewahrungsfrist, protokollierte Zugriffe. Dahinter liegen ein unterschriebener Auftragsverarbeitungsvertrag, eine Liste der Unterauftragsverarbeiter, Ihre technischen und organisatorischen Maßnahmen und meist ein ISO-27001- oder SOC-2-Zertifikat. Stellen Sie das zusammen, bevor die Anfrage eintrifft.

Halten Sie bei jeder Entscheidung, die eine Anfrage ablehnt, einen Menschen im Ablauf — das ist zugleich die richtige Gestaltung des Systems und das Ende der Diskussion über automatisierte Entscheidungsfindung. Jenseits des Rechts erwartet ein europäischer Industriekunde, als Fachmann behandelt zu werden, und ein erfundenes „ich komme noch einmal auf unser Gespräch zurück“ richtet in einem kleinen technischen Markt mehr Schaden an, als gar nichts zu senden.

Wo anfangen: das erste KI-Projekt im Vertrieb

Ein Ablauf, acht bis zwölf Wochen, ein benannter Verantwortlicher im Vertrieb und einer in der Technik, und eine schriftliche Definition von Erfolg, bevor etwas gebaut wird. Fangen Sie mit dem Weg der eingehenden Anfrage an: Dort ist der Nutzen konzentriert, und der Fehlerfall wird zuerst von Ihren eigenen Leuten gesehen.

Verwenden Sie die ersten zwei Wochen darauf, fünfzig echte Anfragen aus den letzten beiden Jahren zusammenzutragen, mit dem, was angeboten wurde, und dem, was daraus geworden ist. Dieser Satz ist die Prüfung, und ohne ihn bewerten Sie Vorführungen, die derjenige ausgesucht hat, der sie gebaut hat. Danach bauen Sie die Extraktion und die Liste der fehlenden Angaben, geprüft von einem Anwendungstechniker gegen das, was die Anforderung am Ende wirklich war. Der kundenseitige Assistent kommt zuletzt, weil er als Einziger unbeaufsichtigt mit Kunden spricht.

Schreiben Sie die Abnahmekriterien vor dem Start auf: Zeit bis zur ersten Antwort in einem benannten Segment, technische Stunden je Anfrage und die Extraktion, bewertet gegen diesen Referenzdatensatz, Precision je Feld und vor allem Recall auf den Feldern, die Angebotsrisiko tragen. Die Annahmequote ist ein Signal für die Akzeptanz und kein Abnahmekriterium: Sobald Ingenieure wissen, dass sie die Bewertungszahl ist, hören die kleinen Korrekturen auf, und die Fehler, auf die es ankommt, sind Auslassungen, die ein Prüfer beim Überfliegen einer aufgeräumten Liste nicht bemerkt. Legen Sie vorab fest, was Sie ablehnen werden: Outbound in Masse, alles, was Ungeprüftes versendet, und den Betrieb dort, wo die Rechtsgrundlage oder die Lage bei der Geheimhaltungsvereinbarung offen ist.

Wo Meta Smart Factory hineinpasst

Der META CRM Bot von MSF ist das Produkt auf der Vertriebsseite dieser Plattform; die übrigen Module auf dieser Website — MES, APS, MRP, Qualität, Instandhaltung, Lager — betreiben die Fabrik. Wir bauen beide Hälften, und deshalb geht es in der Argumentation oben um Reihenfolge und Datenqualität statt um Funktionen.

Eines sollte man benennen statt beschönigen: Dieses Produkt ist hier als mehrsprachige Kommunikation rund um die Uhr gelistet, und im technischen Vertrieb ist genau das nicht der Teil, den man zuerst einschaltet. Die oben begründeten Beschränkungen sind Konfiguration und kein Marketing — entwerfen mit einem Menschen, der sendet, Eskalation bei jeder Zusage zu Spezifikation, Preis oder Liefertermin, kein Outbound in Masse in einen Markt, in dem dieselben Namen wiederkehren. Fordern Sie das in einem Test ein.

Nachdenken lohnt sich über die Nahtstelle. Zwei Fragen beherrschen eine industrielle Anfrage, halten Sie dieses Merkmal bei dieser Taktzahl und ist es in KW 34 hier, und keine davon sollte ein Assistent beantworten. Die erste ist Prozessfähigkeit an einem konkreten Merkmal, einer Maschine und einer Vorrichtung, mit einer Messmittelfähigkeitsuntersuchung, die nicht die halbe Toleranz aufbraucht, und bei einem neuen Teil gibt es keine Historie, aus der man antworten könnte. Die zweite ist eine Frage nach künftiger Kapazität gegen einen Auftragsbestand, der sich täglich ändert. Termintreue in der Vergangenheit ist keine Kapazität, und Kapazität heute ist keine Kapazität in KW 34.

Was ein Assistent leisten kann, ist, die Belege zu holen und sie demjenigen vorzulegen, der antwortet. Gemessene Zykluszeiten und Ausschuss am nächstgelegenen vergleichbaren Teil sagen Ihrem Ingenieur, ob die Anfrage eine Fähigkeitsuntersuchung rechtfertigt; der Auftragsbestand im APS sagt Ihrem Planer, ob KW 34 plausibel ist. Der Termin kommt weiterhin vom Planer. Ist der Produktionsdatenbestand nicht belastbar, wird eine darauf aufgesetzte KI-Vertriebsschicht trotzdem Angebote daraus kalkulieren.

Das nützlichere erste Gespräch ist deshalb keine Vorführung. Es ist eine Durchsicht Ihrer eigenen jüngsten Anfragen und dessen, was aus jeder geworden ist, denn das zeigt innerhalb eines Nachmittags, wo der Verkauf Zeit verliert — und manchmal lautet die Antwort, dass es nicht der Teil ist, den Software beheben kann.