Klassisches Lead-Scoring vergibt Punkte nach festen Regeln und veraltet, sobald sich der Markt bewegt. Ein Sprachmodell liest den Lead im Kontext, zieht externe Signale hinzu und schreibt eine begründete Einschätzung zurück ins CRM. Wir zeigen, wie das technisch sauber läuft.
Das Problem mit Punkte-Regeln
Klassisches Lead-Scoring funktioniert über eine Tabelle: Geschäfts-E-Mail plus zehn Punkte, Firmengröße über fünfzig plus zwanzig, Formular zweimal ausgefüllt plus fünf. Klingt sauber, scheitert aber an der Realität. Die Gewichte sind geraten, nicht gemessen. Niemand weiß wirklich, ob eine Geschäfts-E-Mail zehn oder dreißig Punkte wert ist, also wird eine Zahl gesetzt und nie wieder hinterfragt.
Solche Regeln veralten, sobald sich dein Markt oder dein Angebot ändert. Du baust ein neues Produkt, das andere Kunden anzieht, aber die Punktetabelle bewertet noch nach dem alten Muster. Und sie sind blind für alles, was nicht in einem strukturierten Feld steht.
Ein Lead, der in das Freitextfeld schreibt "Wir suchen dringend eine Lösung bis Quartalsende, Budget ist freigegeben", bekommt im Punktesystem null Extrapunkte, weil kein Regelwerk diesen Satz parst. Genau dieser Lead ist aber der heißeste im ganzen Stapel. Punkte-Regeln sehen Struktur, aber keinen Inhalt. Sie zählen Häkchen und übersehen Bedeutung.
Dazu kommt der Wartungsaufwand. Jede neue Erkenntnis aus dem Vertrieb müsste in eine neue Regel übersetzt werden, und mit der Zeit wächst ein Geflecht aus Sonderfällen, das niemand mehr überblickt. Irgendwann traut sich keiner mehr, etwas zu ändern, aus Angst, an anderer Stelle etwas kaputtzumachen. Das System friert ein, während der Markt weiterläuft.
Was ein Sprachmodell anders macht
Ein Sprachmodell liest den Lead so, wie ein erfahrener Vertriebler ihn lesen würde. Es versteht den Freitext, erkennt Dringlichkeit, ordnet die Firma ein und gewichtet die Signale im Zusammenhang. Statt starr Punkte zu addieren, bildet es ein Urteil und begründet es. Der Satz mit dem freigegebenen Budget hebt den Lead nach oben, weil das Modell versteht, was er bedeutet.
Der entscheidende Unterschied: Das Modell braucht keine vorab definierten Regeln für jeden Fall. Du gibst ihm eine Beschreibung deines idealen Kunden und die Daten des Leads, und es klassifiziert. Ändert sich dein Wunschkunde, passt du den Beschreibungstext an, nicht zwanzig Punkteregeln in fünf Menüs. Das hält das System wartbar und ehrlich am Markt.
Das heißt nicht, dass Regeln nutzlos sind. Harte Ausschlusskriterien (falsches Land, offensichtlicher Spam) bleiben am besten klassische Filter, weil sie schnell und deterministisch sind. Das Modell kommt erst danach ins Spiel, für die Graustufen, die eine Tabelle nicht greift. Mehr zu solchen Klassifikatoren unter KI-Agents.
Wie die Klassifikation konkret läuft
Technisch ist das ein einzelner, gut strukturierter Modellaufruf. Im System-Prompt steht, wer dein idealer Kunde ist, welche Stufen es gibt (etwa heiß, warm, kalt, unpassend) und was die Ausgabe enthalten muss. Als Eingabe bekommt das Modell die Lead-Daten. Die Ausgabe erzwingst du als strukturiertes Format: eine Stufe, ein Zahlenwert von null bis hundert und eine kurze Begründung.
Das strukturierte Ausgabeformat ist wichtig, damit dein Code das Ergebnis weiterverarbeiten kann, ohne aus Fließtext etwas herauszufischen. Du erzwingst es über Tool-Use oder über ein klar vorgegebenes JSON-Schema. So bekommst du jedes Mal denselben Aufbau, egal wie der Lead aussieht.
Ein häufiger Zusatz ist eine Konfidenz: Wie sicher ist sich das Modell bei dieser Einstufung. Leads mit hoher Sicherheit kannst du automatisch einsortieren, unsichere landen in einer Prüfliste für einen Menschen. So automatisierst du die klaren Fälle und behältst die Grauzone unter Kontrolle, statt blind allem zu vertrauen, was das Modell ausspuckt.
Die erzwungene Begründung ist nicht nur Beiwerk. Sie macht jede Bewertung prüfbar. Dein Vertrieb sieht nicht nur "Score 82", sondern "82, weil konkreter Zeitdruck genannt und Firmengröße passt, aber Budget unklar". Das schafft Vertrauen und deckt Fehlbewertungen sofort auf. Wenn die Begründung Unsinn ist, weißt du, dass am Prompt oder an den Daten etwas nicht stimmt.
Externe Signale dazuholen
Ein Lead ist mehr als das Formular. Oft liegt der entscheidende Hinweis außerhalb deines CRM: die Firmenwebsite, die Branche, die Mitarbeiterzahl, ob es ein passendes Impressum gibt, ob die Domain überhaupt eine echte Firma trägt. Hier kombinierst du das Scoring mit Tool-Use. Das Modell ruft ein Tool auf, das die Domain anreichert, und bewertet dann mit dem zusätzlichen Wissen.
Damit löst du das Anreicherungs- und das Bewertungsproblem in einem Schritt. Aus "[email protected]" wird so eine Einschätzung der Firmengröße, der Branche und der Passung zu deinem Angebot. Wichtig ist, externe Quellen sparsam und gezielt einzubinden, sonst werden Bewertungen langsam und teuer. Nicht jeder Lead braucht eine volle Web-Recherche.
Wir verdrahten die Anreicherung mit deinen vorhandenen Datenquellen und externen Diensten, die du ohnehin nutzt. Welche das sein können, steht unter Integrationen. Entscheidend ist, dass die Anreicherung optional und nachvollziehbar bleibt, damit du jederzeit siehst, woher ein Signal kam.
Zurück ins CRM schreiben
Ein Score, der in einem Log verstaubt, hilft niemandem. Das Ergebnis muss dorthin, wo dein Vertrieb arbeitet. Also schreibt das Modul den Score, die Stufe und die Begründung als Felder zurück in dein CRM. Heiße Leads landen oben in der Pipeline, warme bekommen eine Aufgabe, unpassende werden markiert, statt Zeit zu fressen.
Den Rückkanal bauen wir über die CRM-API. Jeder Schreibvorgang wird protokolliert, damit nachvollziehbar bleibt, wann welcher Lead wie bewertet wurde und ob sich seine Einstufung über die Zeit verändert hat. Das ist auch für die Datenschutz-Dokumentation wichtig, weil du jederzeit zeigen kannst, wie eine Bewertung zustande kam.
Damit schließt sich der Kreis: Lead kommt rein, wird angereichert, bewertet, begründet und im CRM einsortiert, alles ohne manuelles Zutun. Dein Vertrieb startet den Tag mit einer vorsortierten Liste statt mit einem unsortierten Stapel. Welche Systeme wir anbinden, steht unter Integrationen.
Ehrliche Grenzen und wie wir bauen
KI-Scoring ist kein Orakel. Es ist nur so gut wie die Daten, die es bekommt, und die Beschreibung deines Wunschkunden, die du lieferst. Ein Modell kann einen knapp formulierten Lead unterschätzen oder einen geschwätzigen überschätzen. Deshalb behandeln wir den Score als Vorsortierung, nicht als Endurteil. Dein Vertrieb entscheidet, das Modell räumt nur den Tisch auf und spart die Zeit, die sonst im Sichten draufgeht.
Wir empfehlen, das Scoring anfangs parallel zum bestehenden Prozess laufen zu lassen und die Bewertungen zu vergleichen. Stimmen Modell und Mensch überein, gewinnst du Vertrauen. Weichen sie ab, lernst du, wo der Prompt nachgeschärft werden muss. Diese Eingewöhnung gehört für uns zum sauberen Aufsetzen dazu.
Wir bauen das Scoring zum Festpreis als eigenständiges Modul, das an dein CRM andockt. Der Code gehört dir, du bist an keinen Anbieter gebunden und kannst die Wunschkunden-Beschreibung jederzeit selbst anpassen. Schau dir die Preise an oder buch ein Gespräch über Kontakt.