TL;DR
- Vier Lead-Scoring-AI-Use-Cases sind 2026 produktiv — Predictive-Lead-Scoring, Account-Lookalike-Scoring, Intent-Signal-Detection und Persona-Scoring innerhalb Accounts. Sie ersetzen das alte Regel-Set ("Demo angesehen → +10 Punkte") durch Modelle, die aus echten Won/Lost-Deals lernen.
- 25–50 % bessere SQL-Conversion-Rate vs. Regel-basiertes Scoring, 30–50 % weniger Sales-Zeit auf schwache Leads sind die realistischen KPIs aus DACH-Pilots. AI rankt, Sales arbeitet von oben nach unten ab.
- Quartals-Re-Training ist Pflicht. AI-Scoring ohne Re-Training driftet in 6–12 Monaten unter das ursprüngliche Regel-Set. Real-Pattern: Quartals-Re-Training, klare Score-Interpretation für Sales, A/B vs. Regel-Scoring im ersten Quartal.
Vier Lead-Scoring-AI-Use-Cases 2026
Lead-Scoring war lange ein wucherndes Regel-Set — "Demo angesehen → +10", "Job-Title enthält Director → +15". In DACH-Pilots zeigt sich ein typisches Muster: Über Jahre addiert jeder neue Vertriebsleiter Regeln, niemand streicht welche — und ein relevanter Teil hat negative Vorhersage-Kraft. Vier Use-Cases tragen den Stack.
Predictive-Lead-Scoring
Statt manueller Regeln lernt das Modell aus historischen Won/Lost-Deals, welche Signale wirklich Vorhersage-Kraft haben — Random-Forest oder XGBoost auf 18–24 Monaten Outcome-Daten reicht. Typisch fallen 40–60 % der Regeln raus, andere Signale ("Lead aus Webinar zum Thema X", "mehrfaches Pricing-Page-View in 7 Tagen") erweisen sich als deutlich stärker. 25–50 % bessere SQL-Conversion ist der realistische Lift im ersten Quartal.
Account-Lookalike-Scoring
Ein Modell lernt, welche Firmen-Profile aus historischen Won-Deals stammen, und scort Cold-Lists auf Ähnlichkeit. Die klassische ICP-Definition wird aus Bauchgefühl zu daten-basierter Targeting-Mechanik. Tooling: Clay, Apollo, Common Room oder Custom-Stacks mit LLM — Custom günstiger, Enterprise-Tools schneller im Roll-Out.
Intent-Signal-Detection
Ein LLM erkennt Buying-Intent-Pattern aus Website-Behavior, Email-Engagement und Sales-Calls. Klassisches Tracking ist binär ("Pricing-Page geöffnet"), AI versteht Kontext ("Pricing-Page nach Wettbewerbs-Vergleich geöffnet, dann Calendly besucht"). Drei bis fünf kombinierte Signale schlagen jede Einzelregel; der Layer summiert über ein 14-Tage-Fenster und identifiziert Hochinteressierte 6–10 Wochen vor dem klassischen MQL-Trigger.
Persona-Scoring innerhalb Accounts
Welche Decision-Makers im Account zählen — Champion, Decider, Detractor, Influencer? AI klassifiziert Kontakte anhand Job-Title, Engagement-Pattern und LinkedIn-Signal. Ohne Persona-Scoring ruft Sales den Champion an (am freundlichsten) und ignoriert den Decider (am kritischsten). 15–25 % höhere Account-Conversion ist der realistische Lift.
Feature-Set für Predictive-Scoring
| Feature | Signal | Gewicht | Sicht |
|---|---|---|---|
| Firmographics | Branche, Umsatz, Region | 15–25 % | Account |
| Engagement | Website-Tiefe, Email-CTR, Webinar | 20–30 % | Contact |
| Intent-Signale | Pricing-Views, RFP-Suche | 15–25 % | Account |
| Source-Quality | Inbound vs. Outbound, Channel | 10–15 % | Lead |
| Persona-Fit | Job-Title, Seniority, Department | 10–15 % | Contact |
| Account-History | Touchpoints, Won/Lost, Churn | 10–15 % | Account |
Die Gewichte sind Startwerte, quartalsweise mit echten Won/Lost-Outcomes rekalibriert. Random-Forest reicht für 80 % der Cases; XGBoost lohnt erst ab 5.000 Leads pro Quartal mit zwei Jahren sauberer Outcome-Historie.
Adoption-Pattern
Drei Adoption-Patterns sind der produktive Default. Wer sie überspringt, kauft sich ein Modell mit Score-Drift, ohne Sales-Adoption. In DACH-Pilots zeigt sich: Werden Sales nur ML-Scores in die Hand gedrückt, nutzt sie niemand — erst der sichtbare A/B-Beweis erzeugt Akzeptanz.
- A/B-Phase im ersten Quartal — AI-Scoring läuft 8–12 Wochen parallel zum Regel-Scoring, gleiche Lead-Pools, Outcomes verglichen. Abgeschaltet wird erst, wenn die AI-Liste statistisch signifikant besser konvertiert. Der AE sieht "die AI-Liste konvertiert deutlich besser", nicht "die IT hat etwas geändert".
- Quartals-Re-Training — Modelle driften durch Marktwechsel, neue Wettbewerber, ICP-Anpassungen. Re-Training jedes Quartal auf die Vorquartals-Outcomes ist die Untergrenze; ohne driftet das Modell in 6–12 Monaten unter das Regel-Set. Modell-Pflege ist Discipline, kein Setup-and-Forget.
- Score-Interpretation — ein Black-Box-Score ("87 Punkte, ruf an") wird nicht akzeptiert. Real-Pattern: Score-Karte mit drei Top-Treibern pro Lead ("Pricing-Views ×3 in 7 Tagen, Webinar-Match, Branche Top-Decile"). Sales versteht warum, Adoption steigt auf 80–95 %.
Pilot: ein süddeutscher B2B-Software-Anbieter über 4 Quartale
22 Sales-FTE, ca. 14.000 Leads pro Quartal, Ausgangs-SQL-Conversion 9,4 % (87 manuelle Regeln, davon 18 mit negativer Vorhersage-Kraft). Modell-Training identifizierte 40 wirkungslose Regeln; die A/B-Phase brachte die AI-Liste auf 2,4× bessere Conversion bei den Top-100-Leads (9,8 → 12,1 %); Intent-Signale und Persona-Scoring hoben weiter (→ 13,9 %); Re-Training und Score-Karten schalteten das Regel-Scoring final ab (→ 14,8 %).
Gesamt: SQL-Conversion 9,4 → 14,8 % (+5,4 Pp, +57 % relativ), Sales-Zeit auf schwache Leads −42 %, Sales-Adoption 94 %. Der Stack amortisiert sich im ersten Jahr.
Anti-Patterns
- Kein Re-Training — Modell einmal trainiert, dann 6–12 Monate betrieben; nach Monat 9 konvertiert die AI-Liste schlechter als das Regel-Set, Trust kippt. Fix: Quartals-Re-Training als Pflicht, Score-Drift-Monitoring im Dashboard.
- Black-Box-Score — Score ohne Interpretation = Sales ignoriert ihn, Adoption unter 30 %. Fix: Score-Karte mit Top-3-Treibern pro Lead, Adoption steigt auf 80–95 %.
- Skip-A/B-Phase — Live-Schaltung ohne A/B-Vergleich; Sales hat keine Evidenz und bleibt skeptisch. Fix: A/B im ersten Quartal als Pflicht, Abschaltung erst bei signifikant besserer Conversion.
Default-Stack 2026
Die fünf Pflicht-Komponenten: Predictive-Modell (Random-Forest oder XGBoost auf 18–24 Monaten Won/Lost), Lookalike-Layer für Top-of-Funnel-Scoring, Intent-Signal-Detection (LLM auf Website + Email + Calls), Persona-Scoring auf Account-Contacts und Quartals-Re-Training mit Score-Interpretation.
Tooling: Salesforce Einstein, HubSpot Predictive, MadKudu oder Custom mit LLM. Default-Empfehlung: HubSpot Predictive oder MadKudu plus Custom-Stack für Intent-Detection und Persona-Scoring; Pure-Enterprise-Stacks erst mit dediziertem Sales-Ops-Team.
Ein AI Readiness Audit misst Ihren Lead-Scoring-Stack gegen diese fünf Komponenten, prüft die Datenbasis-Reife (Won/Lost-Historie) und liefert eine Tool-Empfehlung für Ihre Sales-Org und Ihr Lead-Volumen. Audit anfragen → /anfrage
Stand Mai 2026. AI-Beratung für Lead-Scoring im DACH-Mittelstand — eigene BAFA-/go-digital-Akkreditierung in Vorbereitung Q3 2026, Förder-Pfade aktuell in Kooperation mit akkreditierten Partner-Beratungen.
Nächster Schritt
Passt das auf Ihren Fall?
30-Min-Erstgespräch, kostenfrei und unverbindlich. Wir gehen Ihren konkreten Fall durch — und sagen ehrlich, wenn nichts passt.