KI in der Anfragenqualifizierung – nur noch mit den richtigen Leads sprechen
Jede Anfrage kostet Zeit. Die falsche kostet mehr davon als keine. KI bewertet eingehende Anfragen automatisch nach Passgenauigkeit, Budget-Signal und Anfragereife — bevor ein Mensch auch nur eine Zeile gelesen hat.
In den meisten Agenturen und Dienstleistungsunternehmen läuft Anfragenqualifizierung so: Anfrage kommt rein, jemand liest sie, entscheidet nach Bauchgefühl, ob sich ein Gespräch lohnt — und bucht einen Termin. Manchmal stimmt die Einschätzung. Manchmal sitzen zwei Menschen 45 Minuten zusammen, bevor klar wird, dass Budget, Timing oder Erwartung nicht passen.
KI löst dieses Problem systematisch. Automatisches Scoring bewertet jede Anfrage nach definierten Kriterien — Branche, Unternehmensgröße, Anfragephrase, Budget-Signal, Dringlichkeit — in Sekunden. Das Ergebnis ist eine priorisierte Warteschlange: heiße Anfragen zuerst, kalte später, unpassende gar nicht.
01
Das Qualifizierungs-Problem
Manuelle Anfragenqualifizierung hat drei strukturelle Schwächen, die mit wachsendem Volumen immer teurer werden.
Zeit: Jede Anfrage manuell zu lesen, zu bewerten und zu priorisieren kostet 10–20 Minuten. Bei 30 Anfragen pro Monat sind das bis zu 10 Stunden — für einen Prozess, der primär Filter-Funktion hat.
Konsistenz: Montags bewertet ein ausgeruhtes Team anders als freitagsnachmittags. Bauchgefühl-Qualifizierung schwankt mit Stimmung, Arbeitsbelastung und persönlichem Bias. KI ist jeden Tag gleich gut.
Geschwindigkeit: Laut Studien sinkt die Wahrscheinlichkeit einer erfolgreichen Kontaktaufnahme mit qualifizierten Leads nach 5 Minuten dramatisch. Wer Anfragen erst Stunden später sieht, verliert gegen schnellere Mitbewerber.
Qualifizierung ist Filterarbeit — keine Kreativarbeit. Filter lassen sich systematisieren. Was systematisiert werden kann, kann KI übernehmen.
02
KI-Lead-Scoring
KI-Lead-Scoring bewertet eingehende Anfragen anhand von Datenpunkten, die mit tatsächlichen Abschlüssen korrelieren. Für SOLIT bedeutet das: Jede eingehende Anfrage wird entlang definierter Dimensionen bewertet und erhält einen Score zwischen 0 und 100.
Branchenfit (Hoch): E-Commerce, B2B, Dienstleistung — passt zum SOLIT-System?
Unternehmensgröße (Hoch): Mitarbeiterzahl, Umsatz-Signal, Standort.
Budget-Signal (Sehr hoch): Explizites Budget, Phrase-Muster, Investitionsbereitschaft.
Dringlichkeit (Mittel): Zeitrahmen, Formulierung wie 'dringend' oder 'bis Q3'.
Anfragereife (Hoch): Detailgrad der Anfrage, Problemklarheit, Entscheider-Signale.
Kanal-Herkunft (Mittel): Organisch, Empfehlung, Paid — Quelle beeinflusst Qualität.
Negative Signale (Abzug): Nur Karriereseite besucht, Konkurrenzerwähnung, reiner Preisfokus.
Häufiger Fehler: Konzentrieren Sie sich auf 10–15 Kriterien, die nachweislich mit Kaufabschlüssen korrelieren. Zu komplexe Modelle sind schwer zu interpretieren und zu optimieren.
03
BANT+ Qualifizierungs-Framework
BANT (Budget, Authority, Need, Timeline) ist das klassische Vertriebsqualifizierungs-Framework. Für KI-gestützte Erstbewertung erweitern wir es um zwei Dimensionen: Fit und Kontext.
B – Budget: Gibt es ein definiertes Budget? Ist die Größenordnung erkennbar? Budget-Signale in der Anfrage-Formulierung?
A – Authority: Wer schreibt? GF, Marketing-Lead, Assistent? Entscheidungsträger-Signal in Titel oder Formulierung?
N – Need: Ist das Problem klar formuliert? Handelt es sich um ein akutes Problem oder eine vage Erkundung?
T – Timeline: Gibt es einen Zeitrahmen? Dringlichkeit erkennbar? Startzeitpunkt genannt oder implizit?
F – Fit: Passt die Branche, Unternehmensgröße und Anfrage zum SOLIT-Leistungsprofil?
+ Kontext: Woher kommt die Anfrage? Empfehlung, organisch, Paid? Vorwissen über SOLIT erkennbar?
So setzt SOLIT das ein: Jede eingehende Anfrage wird durch einen Claude-Prompt geschickt, der alle sechs BANT+-Dimensionen extrahiert und bewertet. Output: Score, Begründung pro Dimension und Empfehlung — sofort ins CRM.
04
Automatisierter Qualifizierungs-Workflow
KI-Scoring entfaltet seinen vollen Wert erst, wenn es in einen automatisierten Workflow eingebettet ist.
Schritt 1 – Trigger: Formular-Submission, E-Mail-Eingang oder CRM-Eintrag löst den Workflow in Make oder n8n aus.
Schritt 2 – KI-Bewertung: Claude erhält den Anfrage-Text plus Kontext-Briefing. Output: Score 0–100, BANT+-Auswertung, Priorität-Empfehlung.
Schritt 3 – CRM-Eintrag: HubSpot oder Pipedrive erhält den neuen Kontakt mit Score, Tags und KI-Notizen. Vollständig, ohne manuelle Eingabe.
Schritt 4 – Routing: Score über 70: sofortige Benachrichtigung + automatische Kalendereinladung. Score 40–70: Nurturing-Sequenz startet. Score unter 40: kein manueller Aufwand.
Schritt 5 – Erstgesprächs-Vorbereitung: Für heiße Anfragen erstellt KI automatisch Unternehmensprofil, Einwand-Antizipation, SPIN-Fragen und erste Hypothesen.
Wichtig: Der Vertrieb muss zurückmelden, ob übergebene Leads konvertiert haben. Nur so lernt die KI dazu und verbessert ihre Vorhersagen.
05
KI-Vorbereitung für das Erstgespräch
Wer besser vorbereitet in ein Erstgespräch geht, gewinnt mehr davon. KI unterstützt in vier Bereichen:
Unternehmens-Recherche: KI analysiert Website, LinkedIn, aktuelle News und Stellenanzeigen — kompaktes Profil: Branche, Größe, aktuelle Herausforderungen, erkennbare Wachstumssignale.
Einwand-Antizipation: Auf Basis von Branche und Unternehmensprofil generiert KI die wahrscheinlichsten Einwände — und formuliert vorbereitete Antworten entlang der SOLIT-Argumentation.
SPIN-Fragen: Situation, Problem, Implication, Need-Payoff — strukturierte Fragensets, zugeschnitten auf den spezifischen Interessenten-Kontext. Kein generisches Fragenpapier.
Erste Hypothesen: Was sind die wahrscheinlichsten Marketing-Probleme dieses Unternehmens? Was hat vermutlich bisher nicht funktioniert? KI formuliert erste strategische Hypothesen als Gesprächseinstieg.
06
Tool-Stack für KI-Anfragenqualifizierung
Ein funktionierender Qualifizierungs-Workflow braucht keine komplexe technische Infrastruktur.
Claude API (KI-Kern): Extraktion von BANT+-Dimensionen, Score-Generierung und Gesprächsvorbereitung. Beste Qualität für semantische Anfrage-Analyse auf Deutsch.
HubSpot AI (CRM): Predictive Lead Scoring nativ integriert, nutzt Daten aus der gesamten Buyer Journey. Kein separates Setup nötig.
Make / n8n (Automatisierung): Verbindet Formular, KI-Analyse, CRM-Eintrag und Routing. Make für einfache Setups, n8n für komplexere Logik.
Typeform / Tally (Formulare): Strukturierte Anfrage-Formulare sammeln Qualifizierungs-Informationen bereits beim Eingang. Mehr Daten = präziseres Scoring.
Perplexity / Claude (Recherche): Für die automatische Unternehmensrecherche zur Erstgesprächs-Vorbereitung.
Pipedrive (CRM-Alternative): Für kleinere Teams — weniger native KI-Features, aber robuste Make-Integration für externes Scoring.
KI in der Anfragenqualifizierung — was heute prüfen
Ideales Kundenprofil schriftlich definiert — Branchen, Unternehmensgrößen, Ausschluss-Kriterien. Ohne klares ICP kein präzises Scoring-Modell.
10–15 Scoring-Kriterien definiert — Nur Kriterien, die nachweislich mit Abschlüssen korrelieren.
Scoring-Schwellenwerte festgelegt — Ab welchem Score sofort kontaktieren? Ab wann Nurturing? Ab wann kein Aufwand mehr?
Anfrage-Formular optimiert — Budget-Range, Zeitrahmen, Unternehmensname bereits beim Eingang erfassen.
Negative Scores definiert — Welche Signale senken den Score? Reine Preisanfragen, Konkurrenzerwähnungen.
Workflow in Make/n8n aufgebaut — Formular → KI → CRM → Routing, vollautomatisch.
CRM-Felder für Scoring-Daten eingerichtet — Score, Priorität-Label, BANT+-Notizen im CRM.
Erstgesprächs-Briefing automatisiert — Für heiße Anfragen automatisch Unternehmens-Profil und Gesprächs-Prep generieren.
Feedback-Loop mit Sales eingerichtet — Welche gescorten Leads haben konvertiert? Monatliche Überprüfung.
Quartalsweise Modell-Überprüfung eingeplant — Kriterien und Gewichtungen regelmäßig anpassen.
