Lead-Scoring mit KI: So erkennt ihr, welche Anfragen sich lohnen

Euer Vertrieb hat 40 neue Leads in der Liste. Zeit für vielleicht zehn gute Gespräche. Welche zehn? Die meisten Teams entscheiden das nach Bauchgefühl oder in der Reihenfolge des Eingangs. Beides ist teuer.

Lead-Scoring bedeutet, jedem Lead eine Bewertung zu geben: Wie gut passt er zu euch, und wie wahrscheinlich ist ein Abschluss? Die Idee ist alt. Neu ist, dass KI diese Bewertung heute so gut kann, dass sie auch für kleine Teams ohne Datenanalysten nutzbar wird.

Zwei Fragen, die jedes Scoring beantworten muss

Gutes Lead-Scoring trennt zwei Dinge, die oft vermischt werden:

Passung: Ist das ein Kunde für uns?

Branche, Größe, Region, Geschäftsmodell, eingesetzte Technologie. Diese Merkmale ändern sich selten. Eine Firma mit fünf Mitarbeitenden passt vielleicht grundsätzlich nicht zu eurem Angebot für Konzerne – egal, wie interessiert sie ist.

Absicht: Will er gerade kaufen?

Hat die Person konkret angefragt? Hat sie mehrfach eure Preisseite besucht? Sucht die Firma gerade Personal in dem Bereich, den ihr abdeckt? Diese Signale ändern sich ständig und sagen etwas über den Zeitpunkt.

Die besten Leads haben beides: hohe Passung und hohe Absicht. Ein Lead mit hoher Passung, aber ohne Absicht gehört in die langfristige Pflege. Ein Lead mit hoher Absicht, aber schlechter Passung braucht eine ehrliche, schnelle Absage.

	Hohe Absicht	Niedrige Absicht
Hohe Passung	Sofort anrufen	Pflegen, Kaufsignale beobachten
Niedrige Passung	Freundlich weiterverweisen	Nicht aktiv verfolgen

Warum klassische Punktesysteme oft scheitern

In vielen CRMs lässt sich Scoring per Regeln einrichten: +10 Punkte für die richtige Branche, +5 für einen Newsletter-Klick, +20 für eine Demo-Anfrage. Das klingt vernünftig, hat in der Praxis aber Schwächen:

• Freitext wird ignoriert. Die wichtigste Information steht oft im Nachrichtenfeld: „Wir wollen bis Jahresende umstellen und haben Budget freigegeben.“ Regeln können das nicht lesen.
• Die Punkte sind willkürlich. Warum 10 und nicht 15? Niemand weiß es, und niemand passt es an.
• Es gibt keine Begründung. Ein Lead hat 67 Punkte. Und jetzt? Der Vertrieb vertraut der Zahl nicht und entscheidet doch nach Gefühl.
• Fehlende Daten verzerren alles. Wer das Feld „Unternehmensgröße“ nicht ausfüllt, bekommt null Punkte – auch wenn es ein Konzern ist.

Was KI anders macht

Ein Sprachmodell kann Informationen so lesen, wie ein erfahrener Vertriebler es tun würde – nur schneller und immer gleich gründlich:

• Es versteht Freitext in Anfragen, E-Mails und Gesprächsnotizen.
• Es kann fehlende Informationen selbst ergänzen, etwa indem es die Website der Firma liest.
• Es bewertet nach Kriterien, die ihr in normaler Sprache beschreibt.
• Und vor allem: Es begründet seine Bewertung.

Das Ergebnis ist nicht nur eine Zahl, sondern eine kurze Einschätzung wie: „Passung hoch – österreichischer Maschinenbauer, 120 Mitarbeitende, nutzt bereits HubSpot. Absicht mittel – allgemeine Anfrage, aber Stelle für Vertriebsinnendienst ausgeschrieben. Empfehlung: innerhalb von 24 Stunden anrufen, Aufhänger Stellenanzeige.“

Eine Bewertung, die der Vertrieb nicht versteht, wird ignoriert. Eine Bewertung mit Begründung wird genutzt.

So baut ihr ein KI-Scoring auf

1. Ideales Kundenprofil beschreiben

Schaut euch eure besten Kunden der letzten zwei Jahre an. Was haben sie gemeinsam? Branche, Größe, Region, Ausgangslage, Auslöser für die Anfrage. Schreibt das in ein, zwei Absätzen auf – so konkret wie möglich. Genauso wichtig: Wer ist ausdrücklich kein guter Kunde?

2. Kriterien und Gewichtung festlegen

Formuliert fünf bis acht Kriterien und legt fest, welche davon entscheidend sind. Zum Beispiel: „Firmengröße unter 10 Mitarbeitende ist ein Ausschlusskriterium“ oder „Ein konkreter Zeitrahmen ist wichtiger als die Branche.“

3. Daten anreichern

Bevor bewertet wird, ergänzt ein automatischer Schritt die fehlenden Informationen: Firmendaten, Website-Inhalt, offene Stellen, eingesetzte Tools. Mehr dazu in unserem Leistungsbereich Lead-Anreicherung.

4. Bewerten mit fester Struktur

Das Modell bekommt die Lead-Daten, euer Profil und eure Kriterien und antwortet in einer festen Struktur: Punktzahl für Passung, Punktzahl für Absicht, Begründung, empfohlene nächste Aktion. Diese Struktur lässt sich direkt ins CRM schreiben.

5. Mit echten Ergebnissen vergleichen

Nach einigen Wochen schaut ihr nach: Wurden die hoch bewerteten Leads tatsächlich zu Kunden? Wo lag die KI daneben? Mit diesen Beispielen verbessert ihr die Kriterien. Das ist der wichtigste Schritt – und der, der am häufigsten vergessen wird.

Wo ihr vorsichtig sein solltet

Keine automatischen Absagen

Eine niedrige Bewertung sollte nie dazu führen, dass eine Anfrage einfach ignoriert wird. Jede Anfrage verdient eine Antwort – im Zweifel eine freundliche Weiterempfehlung. Das Scoring bestimmt die Reihenfolge, nicht ob jemand eine Antwort bekommt.

Keine sensiblen Merkmale

Bewertet Firmen, nicht Menschen. Merkmale wie Alter, Geschlecht oder Herkunft haben in einem Lead-Scoring nichts verloren. Bei B2C-Scoring über Personen kommen zusätzliche Anforderungen aus DSGVO und EU AI Act ins Spiel.

Transparenz im Team

Euer Vertrieb sollte wissen, wie das Scoring funktioniert und dass er es überstimmen darf. Wer das Gefühl hat, von einer Blackbox gesteuert zu werden, arbeitet dagegen.

Was ihr erwarten könnt

Ein gut eingerichtetes Scoring verändert vor allem eines: die Reihenfolge der Arbeit. Euer Team ruft die besten Leads zuerst an, bereitet sich mit der Begründung vor und verschwendet weniger Zeit mit Anfragen, die nie gepasst hätten. Wie viel das in Umsatz bedeutet, hängt von eurem Markt ab – messen könnt ihr es ab dem ersten Monat.