Generative KI ist im Vertriebsalltag vieler mittelständischer B2B-Unternehmen angekommen. Werkzeuge wie ChatGPT werden genutzt, um Texte zu formulieren, Informationen zu verdichten oder Gespräche nachzubereiten. In der Praxis geschieht dieshäufig informell, ohne klare Regeln und ohne klare organisatorische Einbettung in bestehende Abläufe.

Das zentrale Problem liegt dabei weniger in der Technologie selbst als in der fehlenden Struktur. KI wird eingesetzt, ohne eindeutig zu klären, an welcher Stelle im Vertriebsprozess sie wirken soll, welche Aufgaben sie übernimmt und wo menschliche Verantwortung bewusst erhalten bleibt. In einem zunehmend volatilen Wettbewerbsumfeld ist das kein Innovationsthema mehr, sondern eine Frage operativer Leistungsfähigkeit.

"The first rule of any technology used in a business isthat automation applied to an efficient operation will magnify the efficiency. The second is that automationapplied to an inefficient operation will magnify theinefficiency.“

Bill Gates, The Road Ahead

KI ersetzt keine Prozesse. Sie verstärkt das, was bereits vorhanden ist. Damit werden funktionierende Abläufe effizienter, während unsaubere oder unklare Strukturen sichtbarer und problematischer werden. Wer Generative KI sinnvoll in den Vertriebsalltag integrieren möchte,kann also zunächst von einer Analyse der tatsächlichen Vertriebsarbeit profitieren. Denn Vertrieb besteht nicht aus einem einheitlichen Tätigkeitsblock, sondern aus einer Vielzahl unterschiedlicher Aufgaben, wie etwa das Tätigen von Kundengesprächen, dem Verdichten von Informationen, der Angebotserstellung, internen Abstimmungen oder der Pflege von CRM-Systemen. Generative KI entfaltet also ihren Nutzen nicht auf Ebene „des Vertriebs“, sondern auf Ebene diesereinzelnen Tätigkeiten, insbesondere dort, wo Arbeit sprachlich geprägt, wiederholbar oder stark formalisiert ist.

Entscheidend ist deshalb die Klärung konkreter Zielsetzungen. Das Ziel, „KI einzusetzen“, bleibt abstrakt und wenig hilfreich. Aussagekräftiger sind Ziele, die direkt an operative Abläufe gekoppelt sind, etwa die Reduktion des Zeitaufwands für Angebotsentwürfe, eine konsistente Dokumentation von Gesprächen oder verlässlichere Follow-ups nach Kundenterminen. Solche Ziele beschreiben konkrete Veränderungen im Arbeitsalltag und schaffen eine belastbare Grundlage für weitere Entscheidungen.

Vor diesem Hintergrund wird deutlich, dass sich Aufgaben unterschiedlich für den Einsatz generativer KI eignen. Der Wissenschaftler Ethan Mollick unterscheidet vier Kategorien: Tätigkeiten, die bewusst vollständig beim Menschen verbleiben („Human Only“), Aufgaben, bei denen KI als kognitiver Sparringspartner eingesetzt wird, delegierte Tätigkeiten im Sinne eines „Human-in-the-Loop“-Ansatzes, sowie Aufgaben, die vollständig automatisiert werden können. Diese Differenzierung ist weniger ein theoretisches Modell als vielmehr eine Entscheidungshilfe für die Zuweisung von Verantwortung, Kontrolle und Automatisierungsgrad.

Bestimmte Tätigkeiten bleiben bewusst in menschlicher Hand. Dazu zählen etwa das Führen zentraler Kundengespräche, die Priorisierung von Accounts oder strategische Entscheidungen. Diese Abgrenzung ist keine Aussage über die technischen Fähigkeiten der KI, sondern ist eine normative Entscheidung darüber, wo Unternehmen Verantwortung, Werturteile und finale Entscheidungen verorten wollen. Gerade in Situationen, in denen Konsequenzen getragen oder Abwägungen getroffen werden müssen, entscheiden sich viele Organisationen bewusst gegen eine Delegation an Systeme.

Daneben gibt es Aufgaben, bei denen KI Vorarbeitenerstellt, die geprüft und verantwortet werden müssen, etwa Gesprächszusammenfassungen, Angebotsformulierungen oder Follow-up-Texte. Andere Tätigkeiten lassen sich perspektivisch vollständig automatisieren, sofern sie klar standardisiert und regelbasiert sind, beispielsweise das Befüllen vordefinierter CRM-Felder. Zwischen diesen Polen kann KI als Co-Intelligenz eingesetzt werden, etwa bei der Vorbereitung komplexer Gespräche, beim Durchspielen von Argumentationslinien oder beim Aufzeigen von Varianten. In diesen Fällen fungiert sie nicht als Autopilot, sondern als Denk- und Strukturierungshilfe.

Erst wenn Aufgaben, Verantwortlichkeiten und Kontrollpunkte eindeutig definiert sind, lassen sich belastbare Use Cases entwickeln. Ein funktionsfähiger Anwendungsfall erfordert klar beschriebene Prozessschritte: Zeitpunkt der Datenerfassung, Rolle der KI im Ablauf, Umfang menschlicher Prüfung sowie Weiterverwendung der Ergebnisse in nachgelagerten Systemen. Fehlt diese Prozessklarheit, entstehen entweder zusätzliche Reibungsverluste oder operative Risiken durch unkontrollierte Ergebnisübernahme.

Die Auswahl geeigneter Tools ist daher nachgeordnet. In der Praxis wird diese Reihenfolge häufig umgekehrt: Anwendungen werden eingeführt, bevor ihr Platz im Arbeitsprozess definiert ist. Entsprechend begrenzt bleibt der Nutzen. Maßgeblich ist nicht die Funktionsfülle eines Systems, sondern seine Passfähigkeit zu klar beschriebenen Abläufen und zur bestehenden Systemlandschaft.

Besondere Bedeutung kommt dabei sogenannten Large Language Models wie ChatGPT oder Google Gemini zu. Ihre Stärke liegt in der Verarbeitung und Erzeugung von Sprache. Sie eignen sich für Aufgaben, bei denen Inhalte strukturiert, verdichtet oder variiert werden sollen. In diesen Rollen wirken sie als produktive Schreib- und Denkpartner. Ungeeignet sind sie dort, wo sie als verlässliche Wissensquelle oder Entscheidungsinstanz missverstanden werden. Sprachmodelle erzeugen plausible Texte, verfügen jedoch über kein eigenes Wahrheitsverständnis. Ihr Einsatz verlangt daher klare Einbettung und konsequente Kontrolle. Sprachmodelle verfügen über kein eigenes Verständnis von Wahrheit, sondern erzeugen plausible Antworten auf Basis statistischer Muster. Für Aufgaben, die exakte Daten oder verbindliche Auskünfte erfordern, sind sie nur eingeschränkt geeignet.

Entscheidend bei der Einführung von KI ist die Befähigung der Mitarbeitenden. Dabei ist ein Aspekt der Umgang mit Prompts, den Arbeitsanweisungen an Sprachmodelle. Richtiges Prompting wird dabei häufig als technisches Spezialwissen missverstanden. In der Praxis geht es weniger um ausgefeilte Formulierungen als um strukturiertes Denken. Wer KI im Vertriebsalltag nutzt, muss lernen, Aufgaben präzise zu beschreiben: Welche Rolle soll die KI einnehmen? Welches Ziel soll erreicht werden? Welche Informationen stehen zur Verfügung? Welches Ergebnisformat wird erwartet? Unscharfe Prompts führen zwangsläufig zu unscharfen Ergebnissen, unabhängig von der Leistungsfähigkeit des Modells. Gerade im Vertrieb entscheidet diese Fähigkeit darüber, ob KI eine sinnvolle Unterstützung bietet oder zusätzliche Nacharbeit erzeugt.

Am Ende zeigt sich: Der Erfolg generativer KI im B2B-Vertrieb entscheidet sich nicht an der Leistungsfähigkeit der Modelle, sondern an ihrer organisatorischen Einbettung. Unternehmen, die KI als isoliertes Werkzeug behandeln, bleiben hinter ihren Erwartungen zurück. Wer hingegen Arbeit systematisch neu ordnet, Verantwortung klar verteilt und Führung einbindet, schafft die Grundlage für nachhaltige Produktivitätsgewinne. Generative KI ersetzt den Vertrieb nicht. Sie verändert jedoch die Arbeitsteilung zwischen Mensch und System und schafft Freiräume dort, wo sie den größten Wert entfalten: im Gespräch mit dem Kunden.

So groß die Potenziale Generativer KI im Vertrieb aber auch sind, sie werfen zugleich neue Fragen auf, die sich nicht nur auf Effizienz und Arbeitsgestaltung beschränken. Der Umgang mit sensiblen Kundeninformationen, die Verarbeitung personenbezogener Daten und die Nutzung externer KI-Dienste berühren zentrale Anforderungen des Datenschutzes und der IT-Sicherheit. Unternehmen, die Generative KI produktiv einsetzen wollen, müssen daher ebenso klären, welche Daten in KI-Systeme eingegeben werden dürfen, wie Ergebnisse weiterverwendet werden können und welche technischen und organisatorischen Maßnahmen erforderlich sind, um DSGVO-konform zu agieren und Sicherheitsrisiken zu vermeiden. Der nächste Teil der GenAI-Playbook Reihe widmet sich deshalb der Frage, wie Unternehmen Generative KI verantwortungsvoll nutzen können, rechtlich abgesichert, organisatorisch kontrolliert und ohne die Integrität ihrer Daten zu gefährden.