Das Problem
Ein B2B-SaaS-Unternehmen mit einem 5-köpfigen Vertriebsteam erhält täglich 50 eingehende Anfragen über verschiedene Kanäle (Kontaktformular, E-Mail, LinkedIn). Jede Anfrage wird manuell gelesen, bewertet und kategorisiert — ein Vertriebsmitarbeiter verbringt täglich 2–3 Stunden allein damit.
Das Kernproblem: 30% der Anfragen sind Spam oder eindeutig nicht-kommerziell. Weitere 40% sind Low-Quality-Leads (falsche Unternehmensgröße, falsches Budget, kein passendes Use-Case). Nur 30% der Anfragen sind echte A-Leads — aber das Vertriebsteam sieht sie erst, nachdem es alle anderen durchgearbeitet hat.
- 50 Anfragen/Tag — davon nur 15 (30%) sind echte A-Leads
- 3h täglich pro Vertriebsmitarbeiter für manuelle Qualifizierung
- 30% Spam/Non-Sales — reine Zeitverschwendung
- Response-Zeit für A-Leads: durchschnittlich 4–8 Stunden (weil sie in der Queue versinken)
Die Lösung
Implementierung eines KI-gestützten Lead-Scoring-Systems das eingehende Anfragen nach dem BANT-Framework (Budget, Authority, Need, Timing) bewertet:
- Intent-Detection-Agent: Analysiert die Anfrage-E-Mail auf Kaufsignale, Unternehmensgröße, Branche und konkretes Problem-Statement. Generiert einen Intent-Score (0–100).
- BANT-Scoring-Agent: Bewertet verfügbare Informationen nach Budget-Signalen, Entscheider-Status, konkretem Bedarf und Timing-Indikatoren. Erstellt Scoring-Matrix mit Begründung.
- Routing-Agent: A-Leads (Score >70) werden sofort an den Vertrieb eskaliert mit vollständigem Kontext-Briefing. B-Leads kommen in die Standard-Queue. C-Leads und Spam werden gefiltert.
Stack: Claude API für Intent-Analyse und Scoring, Python-Webhook zur E-Mail-Integration, CRM-Anbindung via REST API für automatische Lead-Anlage.
Ergebnisse
| Metrik | Vorher | Nachher | Verbesserung |
|---|---|---|---|
| Manueller Qualifizierungsaufwand | 3h/Tag | 0,5h/Tag | −83% |
| Response-Zeit A-Leads | 4–8 Stunden | 20 Minuten | 95% schneller |
| Spam-Filter-Quote | manuell | 95% automatisch | vollständig |
| Abschlussquote | 22% | 30% | +35% (relativ) |
| Leads auto-qualifiziert | 0% | 60% | +60pp |
Implementation Timeline
- Woche 1Analyse der letzten 3 Monate eingehender Anfragen. Muster für A/B/C-Leads definieren. BANT-Kriterien für das Unternehmen spezifisch ausarbeiten.
- Woche 2Intent-Detection-Agent entwickeln und auf historischen Daten testen. Precision/Recall optimieren — Ziel: A-Leads werden nie als C eingestuft.
- Woche 3CRM-Integration, Routing-Logik, E-Mail-Webhook aufsetzen. Soft-Launch: System läuft parallel zu manueller Qualifizierung.
- Woche 4Vergleich KI-Scoring vs. menschliches Urteil. Kalibrierung der Score-Grenzen. Full Rollout.
Learnings & Best Practices
- Falsch-Negative vermeiden: Lieber einen B-Lead als A einstufen als umgekehrt. Im Zweifel: höheres Scoring, Vertrieb sieht mehr — aber verliert keinen echten Lead.
- Kontext-Briefing ist entscheidend: Der Routing-Agent liefert dem Vertrieb nicht nur eine Priorität, sondern ein 3-Satz-Briefing: Wer? Was? Warum jetzt? Das spart nochmals 10 Minuten pro A-Lead.
- CRM-Hygiene: Automatische Lead-Anlage mit Score-Feld im CRM erlaubt spätere Analyse: Korreliert der KI-Score mit Abschluss-Wahrscheinlichkeit? Nach 8 Wochen: Ja, mit 0.73 Korrelation.
Das Vertriebsteam war initial skeptisch. Nach zwei Wochen Parallelbetrieb überzeugten die Zahlen: Der KI-Score korrelierte zu 85% mit dem menschlichen Urteil — bei null Aufwand.
Diese Case Study ist illustrativ. Die dargestellten Metriken basieren auf typischen Implementierungserfahrungen und Branchendurchschnittswerten. Es handelt sich um kein reales Kundenprojekt und keine echten Kundendaten.