KI im Vertrieb: die 8 Use-Cases, die im DACH-Mittelstand 2026 wirklich funktionieren

KI im Vertrieb klingt nach dem Roboter, der kalt akquiriert. Das ist nicht, was 2026 funktioniert. Was funktioniert sind 8 konkrete Use-Cases, die deinem Team Zeit zurueckgeben und die Pipeline-Qualitaet heben. Hier sind sie, mit Aufwand, Wirkung und den 3, die noch nicht laufen. Wo es eine belastbare Zahl gibt, steht sie dabei. Wo es nur eine Groessenordnung aus unseren Workshops gibt, sage ich, dass es eine Groessenordnung ist, und keine erfundene Studien-Statistik.

Die 8 Use-Cases auf einer Seite

Bevor wir in die Details gehen, hier die Landkarte. Jeder Use-Case bekommt drei Einordnungen: Aufwand (wie schwer ist die Einfuehrung), Wirkung (wie viel bringt es im Alltag) und Reifegrad (wie verlaesslich laeuft es 2026). Aufwand und Wirkung sind keine erfundenen Prozente, sondern eine Einschaetzung aus rund 40 DACH-Workshops mit Firmen zwischen 80 und 4.000 Mitarbeitenden. Wenn du nur diese Tabelle liest, hast du die Entscheidungsgrundlage. Die Absaetze danach erklaeren das Warum.

Use-Case	Aufwand	Wirkung	Reifegrad
1. Lead-Research und Pre-Qualifizierung	niedrig	hoch	hoch
2. Angebots- und Proposal-Entwuerfe	niedrig	hoch	hoch
3. CRM-Pflege und Gespraechs-Notizen	mittel	hoch	hoch
4. E-Mail-Entwuerfe und Follow-up	niedrig	mittel	mittel
5. Meeting-Vorbereitung	niedrig	hoch	hoch
6. Wettbewerbs- und Markt-Research	mittel	mittel	mittel
7. Vertriebs-Reporting und Forecast	mittel	mittel	mittel
8. Onboarding und Sales-Enablement	mittel	mittel	hoch

Auffaellig ist, was hier nicht steht: kein einziger Use-Case heisst "KI uebernimmt den Verkauf". Die wirksamen Faelle entlasten den Vertrieb von Vor- und Nacharbeit, damit mehr Zeit fuer das bleibt, was Menschen besser koennen: zuhoeren, einordnen, Vertrauen aufbauen. Das ist das Grundmuster fuer alle acht. Einige der Faelle laufen als einfacher Tool-Einsatz, andere als richtiger Agent, der mehrere Schritte aneinanderreiht. Wenn dich interessiert, wie diese Bauform technisch tickt, also der Loop aus Planen, Werkzeug-Aufruf und Pruefen, haben wir das in der Agent-Anatomie auseinandergenommen. Fuer die Auswahl der ersten Faelle musst du das nicht wissen, fuer das Verstehen des Reifegrads hilft es.

Use-Case 1: Lead-Research und Pre-Qualifizierung

Der erste und oft unterschaetzte Hebel ist die Vorarbeit vor dem ersten Kontakt. Ein Vertriebler verbringt im Mittelstand erstaunlich viel Zeit damit, einen Account zu verstehen: Webseite lesen, Geschaeftsmodell einordnen, Ansprechpartner finden, gegen das eigene Wunschkundenprofil pruefen. KI kann diese Recherche zu einem strukturierten Kurzprofil verdichten, das der Vertriebler dann liest und bewertet, statt es von null zusammenzusuchen. Beispiel: Ein Maschinenbau-Zulieferer mit 200 Mitarbeitenden laesst eingehende Anfragen vorab gegen das ICP pruefen, sodass das Team morgens eine sortierte Liste hat statt eines undifferenzierten Posteingangs. Wichtig ist die Grenze: KI schlaegt die Einordnung vor, der Mensch entscheidet, welcher Lead Prioritaet bekommt. Aufwand niedrig, Wirkung hoch, weil es taeglich anfaellt und reine Vorarbeit ist. Das ist einer der besten Einstiegsfaelle ueberhaupt.

Use-Case 2: Angebots- und Proposal-Entwuerfe

Der zweite Hebel ist der Erstentwurf eines Angebots. Nicht das fertige, rechtsverbindliche Dokument, sondern der erste Aufschlag, der sonst eine Stunde leeres Blatt kostet. Wenn die Struktur, die Standardtexte und die Preislogik bekannt sind, kann KI aus den Eckdaten eines Gespraechs einen Entwurf bauen, den der Vertriebler dann anpasst und freigibt. Beispiel: Ein IT-Dienstleister hinterlegt seine Angebots-Bausteine und laesst aus der Gespraechs-Notiz einen ersten Entwurf erzeugen, der zu 70 Prozent steht und nur noch finalisiert wird. Die Zeitersparnis ist in unseren Workshops einer der am haeufigsten genannten Aha-Momente, in der Groessenordnung von Stunden pro Woche bei angebotsintensiven Teams. Die Grenze bleibt klar: Preise, rechtliche Klauseln und die finale Verantwortung gehoeren zum Menschen, KI liefert den Rohbau, nicht die Unterschrift.

Use-Case 3: CRM-Pflege und Gespraechs-Notizen

Der unbeliebteste Teil des Vertriebs ist die Dokumentation, und genau hier ist KI 2026 stark. Aus einer Gespraechs-Mitschrift oder einem kurzen Diktat erzeugt KI eine saubere Zusammenfassung mit den naechsten Schritten und schlaegt die passenden CRM-Felder vor. Das loest ein altes Problem: Vertriebler pflegen das CRM ungern, also ist die Datenqualitaet schlecht, also ist das Forecast wertlos. Beispiel: Ein Vertriebsteam laesst nach jedem Kundengespraech eine strukturierte Notiz erzeugen, die der Rep mit einem Klick bestaetigt, statt sie abends muehsam nachzutragen. Aufwand mittel, weil eine Anbindung ans CRM oder zumindest ein sauberer Copy-Paste-Workflow noetig ist, Wirkung hoch, weil bessere Daten alle nachgelagerten Use-Cases erst moeglich machen. Wo eine echte System-Anbindung ins Spiel kommt, lohnt der Blick auf den Unterschied zwischen KI-Agent, RPA und klassischer Automatisierung, damit du nicht mit Kanonen auf Spatzen schiesst.

Use-Case 4: E-Mail-Entwuerfe und Follow-up-Sequenzen

E-Mail-Entwuerfe sind der naheliegendste, aber auch der am leichtesten missverstandene Use-Case. Funktioniert: KI entwirft eine personalisierte Mail auf Basis des Gespraechs-Kontexts und der CRM-Historie, die der Vertriebler liest, anpasst und absendet. Funktioniert nicht: generische Massen-Sequenzen, die "personalisiert" aussehen, aber nach Schablone riechen, denn die merkt jeder Empfaenger, und sie schaden mehr als sie nutzen. Beispiel: Ein Vertriebler laesst nach einem Messekontakt einen Follow-up-Entwurf bauen, der konkret auf das Gespraech Bezug nimmt, und gibt ihn nach kurzer Pruefung frei. Aufwand niedrig, Wirkung mittel, weil der Nutzen mit der Personalisierungs-Tiefe steht und faellt. Die Regel: KI als Entwurfshelfer fuer echte Kontakte, nicht als Spam-Maschine fuer kalte Listen.

Use-Case 5: Meeting-Vorbereitung

Die Meeting-Vorbereitung ist der heimliche Favorit unter den schnellen Gewinnen. Vor jedem Kundentermin braucht der Vertriebler den aktuellen Stand: Was lief beim letzten Gespraech, was ist seither passiert, gibt es Neuigkeiten zum Account. KI zieht diese Informationen aus dem CRM und dem oeffentlichen Web zu einem kompakten Briefing zusammen, das in zwei Minuten lesbar ist statt in fuenfzehn Minuten zusammengesucht. Beispiel: Vor dem Quartalsgespraech mit einem Bestandskunden bekommt der Account-Manager ein einseitiges Briefing mit offenen Punkten, letzten Bestellungen und relevanten Branchen-Neuigkeiten. Aufwand niedrig, Wirkung hoch, weil es jeden Termin betrifft und die Qualitaet des Gespraechs spuerbar hebt. Zusammen mit Use-Case 1 ist das der beste Einstieg fuer Teams, die noch nichts mit KI gemacht haben.

Use-Case 6: Wettbewerbs- und Markt-Research

Wettbewerbs-Beobachtung ist im Mittelstand oft ein Projekt, das niemand regelmaessig macht, weil keiner die Zeit hat. KI kann das zu einem laufenden Monitoring machen: Preisaenderungen, neue Produkte, Personalwechsel, Pressemeldungen der relevanten Wettbewerber, regelmaessig zusammengefasst statt einmal im Jahr panisch recherchiert. Beispiel: Ein Vertriebsleiter bekommt woechentlich eine kurze Zusammenfassung der Bewegungen bei den drei wichtigsten Wettbewerbern, als Grundlage fuer die Argumentation im Verkauf. Aufwand mittel, weil die Quellen sauber definiert sein muessen, Wirkung mittel, weil der Nutzen indirekt ist: Er macht das Team argumentationsfaehiger, ersetzt aber kein Gespraech. Wichtig ist die Quellenpruefung, denn KI kann Quellen verwechseln, und ein Briefing mit falschen Fakten ist schlechter als keines.

Use-Case 7: Vertriebs-Reporting und Forecast-Aggregation

Reporting frisst im Vertrieb Zeit, die niemand gerne gibt, und das Ergebnis ist oft trotzdem unzuverlaessig. KI kann die verstreuten Daten aus CRM, Tabellen und Mails zu einem konsistenten Bild zusammenfuehren und die offensichtlichen Luecken markieren, etwa Deals ohne aktualisiertes Datum oder Forecasts ohne hinterlegten naechsten Schritt. Beispiel: Vor dem Vertriebs-Jour-fixe bekommt die Leitung eine aggregierte Pipeline-Sicht mit den Auffaelligkeiten markiert, statt drei Tabellen manuell abzugleichen. Aufwand mittel, Wirkung mittel, mit einer wichtigen Einschraenkung: KI verbessert die Aufbereitung, nicht die zugrundeliegende Datenqualitaet. Wenn das CRM schlecht gepflegt ist, ist auch das KI-Reporting schlecht, weshalb Use-Case 3 die Voraussetzung fuer Use-Case 7 ist.

Use-Case 8: Onboarding und Sales-Enablement

Der letzte Use-Case adressiert ein chronisches Mittelstands-Problem: Neue Vertriebler brauchen Monate, bis sie das Produktwissen, die Preislogik und die haeufigen Einwaende beherrschen, und das Wissen steckt in Koepfen statt in Systemen. KI als Wissens-Assistent kann das abfangen: Ein neuer Rep fragt in natuerlicher Sprache nach Produktdetails, Standard-Einwaenden oder vergangenen Faellen und bekommt eine Antwort aus den hinterlegten Unterlagen, mit Quellenangabe. Beispiel: Ein neuer Mitarbeiter fragt "Wie argumentieren wir gegen den Wettbewerber X beim Thema Wartung", und bekommt die hinterlegte Antwort plus den passenden Foliensatz. Aufwand mittel, weil die Wissensbasis gepflegt sein muss, Wirkung mittel bis hoch, weil es die Einarbeitung verkuerzt und auch erfahrene Reps entlastet. Der Reifegrad ist hoch, solange die Quellen sauber sind und das System ehrlich "weiss ich nicht" sagt, statt zu raten.

Die 3 Use-Cases, die 2026 noch NICHT funktionieren

Ehrlich bleibt ehrlich, auch bei den Grenzen. Drei Dinge, die in Pitches gern versprochen werden, laufen 2026 nicht verlaesslich, und wer sie kauft, landet im Frust.

Erstens: die autonome Kaltakquise. Die Vorstellung, dass KI eigenstaendig kalte Leads kontaktiert, Gespraeche fuehrt und Termine bucht, klingt verlockend, produziert in der Praxis aber generische Massen-Ansprache, die Empfaenger als Spam erkennen und die deiner Marke schadet. Personalisierung ohne echten Kontext ist eine Illusion, und die Empfaenger merken sie sofort.

Zweitens: KI, die Deals allein abschliesst. Ein Abschluss im B2B-Mittelstand haengt an Vertrauen, Verhandlung, Timing und oft an Dingen, die nirgends dokumentiert sind. KI kann den Prozess unterstuetzen, aber die Entscheidung, der Preis und die Verantwortung gehoeren zum Menschen. Wer KI "Deals schliessen" laesst, verwechselt einen Entwurf mit einer Unterschrift.

Drittens: KI, die den Beziehungsaufbau ersetzt. Der Kern des Mittelstands-Vertriebs ist die persoenliche Beziehung, und die laesst sich nicht automatisieren. KI kann die Beziehung pflegen helfen, indem sie Vorarbeit abnimmt, aber sie kann nicht das Vertrauen aufbauen, das ueber Jahre entsteht. Was KI ueberhaupt strukturell nicht kann, haben wir im Post zu den Grenzen von AI-Agenten aufgeschrieben.

Womit du anfaengst

Die Empfehlung ist unspektakulaer und genau deshalb richtig: Fang mit einem Use-Case an, der niedrigen Aufwand und hohe Wirkung hat, also Lead-Research (Use-Case 1) oder Meeting-Vorbereitung (Use-Case 5). Beide brauchen keine System-Anbindung, liefern taeglich einen spuerbaren Nutzen und bauen Vertrauen ins Werkzeug auf, ohne dass etwas schiefgehen kann. Wenn der erste Fall laeuft und das Team Vertrauen gefasst hat, kommt als zweites die CRM-Pflege (Use-Case 3), weil sie die Datengrundlage fuer Reporting und Forecast schafft. Was du nicht tun solltest: alle acht gleichzeitig starten, ein neues CRM kaufen, weil "KI ein modernes System braucht", oder mit dem komplexesten Fall anfangen, weil er am beeindruckendsten klingt. Der disziplinierte Weg von einem einzelnen Use-Case zum Produktivbetrieb steht in der Erster-Agent-Journey, und welche Tools dafuer heute schon zuverlaessig laufen, zeigt die Tool-Landschaft 2026. Wer breiter sehen will, welche KI-Faelle im Mittelstand insgesamt funktionieren, findet in den 10 KI-Beispielen eine Uebersicht ueber Abteilungen hinweg. Und falls dein naechstes Thema nicht der Vertrieb, sondern die Schwester-Funktion ist, lohnt der Blick auf KI im Kundenservice und was dort geht, denn viele der Muster hier (Entwurf statt Autopilot, Mensch entscheidet, Datenqualitaet zuerst) gelten dort genauso.

Ein letzter Hinweis zur Erwartung: Die acht Use-Cases sind keine Reihenfolge, die du abarbeiten musst, sondern ein Menue, aus dem du die ein oder zwei Faelle waehlst, die zu deinem Vertrieb passen. Ein projektgetriebenes Geschaeft mit langen Angeboten profitiert zuerst von Use-Case 2, ein transaktionales Geschaeft mit vielen kleinen Deals eher von Use-Case 3 und 7. Such den Fall mit dem groessten Schmerz bei euch, nicht den, der in einer Demo am besten aussieht.

FAQ

Ersetzt KI meine Vertriebsmitarbeiter?

Nein, und kein serioeser Anbieter sollte das versprechen. Die acht Use-Cases entlasten den Vertrieb von Vor- und Nacharbeit, damit mehr Zeit fuer das Gespraech bleibt. Was KI nicht kann, steht oben in den drei Grenzen: kalt akquirieren, Deals allein schliessen, Beziehungen aufbauen. Die realistische Erwartung ist nicht "weniger Vertriebler", sondern "die gleichen Vertriebler verbringen mehr Zeit beim Kunden und weniger im CRM". Wie sich Vertriebsrollen dabei verschieben, ist Teil der breiteren Verschiebung, die wir in unseren Workshops sehen.

Brauche ich dafuer ein neues CRM?

In den meisten Faellen nicht. Die schnellen Gewinne (Lead-Research, Meeting-Vorbereitung, Angebots-Entwuerfe) funktionieren auch ohne tiefe System-Anbindung, oft mit einem sauberen Copy-Paste-Workflow zwischen deinem bestehenden CRM und einem KI-Tool. Eine echte Anbindung lohnt sich erst, wenn ein Use-Case wie die CRM-Pflege bewiesen hat, dass er Wert bringt. Wer wegen KI vorab ein neues CRM kauft, loest ein Problem, das er noch gar nicht hat, und schiebt den eigentlichen Nutzen nach hinten.

Was ist mit Datenschutz bei Kundendaten?

Das ist die ernsteste Frage, und sie hat eine saubere Antwort. Kundendaten sind personenbezogene Daten, also gilt die DSGVO. Praktisch heisst das: Du brauchst mit dem KI-Anbieter einen Auftragsverarbeitungsvertrag, und du solltest keine sensiblen Kundendaten in kostenlose Consumer-Tools kippen, weil deren Daten je nach Anbieter zum Training verwendet werden koennen. Auf Vendor-Ebene unterscheidet sich das deutlich: Bei Claude API und Claude for Work ist Training auf deinen Daten standardmaessig aus; bei Consumer-Claude (Free/Pro/Max) regelt seit dem Update vom August 2025 das Model-Improvement-Setting des Nutzers den Default. Bei ChatGPT Business und Enterprise gibt es einen Opt-in-Schalter, der standardmaessig aus ist, und bei Gemini Enterprise ist es ebenfalls ein Opt-in, das standardmaessig aus ist. Die Regel bleibt: Geschaeftskonto statt Gratis-Tool, AVV unterschrieben, keine sensiblen Daten ohne Pruefung. Die ausfuehrliche Einordnung fuer den produktiven Betrieb steht im Post zu DSGVO und agentic AI.

Was kostet das?

Der Einstieg ist guenstiger, als die meisten erwarten. Fuer die schnellen Gewinne reicht ein Business-Abo eines KI-Tools im Bereich von rund 20 bis 30 Euro pro Nutzer und Monat, ohne eigene Entwicklung. Teurer wird es erst, wenn eine echte System-Anbindung oder eine gepflegte Wissensbasis dazukommt, also bei den Use-Cases 3, 7 und 8. Die ehrliche Rechnung ist nicht "was kostet das Tool", sondern "was kostet der Betrieb ueber zwoelf Monate, inklusive Pflege und der Zeit der Leute". Diese Gesamtkosten-Sicht haben wir im Post zu den TCO ueber 12 Monate aufgeschluesselt, damit du nicht nur den Lizenzpreis siehst.

Wie messe ich, ob es wirklich etwas bringt?

Indem du vor dem Start eine Zahl festlegst, die du danach vergleichst: Zeit pro Angebot, Zeit fuer die Meeting-Vorbereitung, Anteil sauber gepflegter CRM-Datensaetze. Ohne diese Vorher-Zahl bleibt die Wirkung Gefuehl, und Gefuehl ueberzeugt keine Geschaeftsfuehrung. Such dir pro Use-Case eine einzige messbare Groesse und miss sie vier Wochen lang. Wenn die Zahl sich bewegt, hast du den Beweis, wenn nicht, hast du guenstig gelernt, dass dieser Fall bei euch nicht traegt.

---

Sources:

• Sentient-Dynamics-Workshop-Aggregate, 40 DACH-Workshops 2025-2026 (Mitarbeiterzahl 80 bis 4.000): Aufwand- und Wirkungs-Einschaetzungen pro Use-Case
• Bitkom KI-Studie 2025 (deutsche Unternehmen mit 20+ MA: 41 Prozent Adoption; ab 500 MA: 89 Prozent sehen KI als wichtigste Zukunftstechnologie)
• McKinsey State of AI, November 2025 (rund 80 Prozent GenAI-Einsatz, rund 39 Prozent mit messbarem EBIT-Beitrag)
• Anbieter-Datenschutz-Defaults: Claude API + Claude for Work (Training standardmaessig aus), Consumer-Claude Free/Pro/Max (Model-Improvement-Setting des Nutzers regelt Default seit Aug 2025), ChatGPT Business/Enterprise (Opt-in, standardmaessig aus), Gemini Enterprise (Opt-in, standardmaessig aus)

Naechster Schritt: Wenn du fuer dein Vertriebsteam sortieren willst, welcher dieser acht Use-Cases bei euch zuerst Wert bringt und wie ein sauberer Start aussieht, buch dir 30 Minuten ueber unsere Demo-Seite. Wir bringen einen ehrlichen Blick auf eure Vertriebsprozesse und eine Empfehlung fuer den ersten Fall, kein Vendor-Deck. Wenn du direkt loslegen willst, fang bei der Erster-Agent-Journey an.