Lead-Scoring-Agent: Wie KI-gestütztes Lead Scoring im B2B-Mittelstand funktioniert

Dienstagmorgen im Vertrieb eines mittelständischen IT-Systemhauses: Über Nacht sind sieben Kontaktanfragen, zwei Whitepaper-Downloads und elf Newsletter-Anmeldungen eingegangen. Alle liegen in derselben Liste, in derselben Reihenfolge, ohne Hinweis darauf, wer davon in den nächsten Wochen kaufen könnte und wer nur einen Studienplatz sucht. Der Vertriebsleiter arbeitet die Liste von oben ab, ruft zuerst die Namen an, die ihm bekannt vorkommen, und erreicht am Nachmittag den Kontakt, der bereits dreimal auf der Preisseite war, als Letzten.

Das Team ist dabei alles andere als KI-fern. Eine Kollegin lässt sich Anfragen von ChatGPT zusammenfassen, ein Kollege hat im CRM eine Regel gebaut, die Kontakte mit Gmail-Adresse markiert. Beides läuft nebeneinander her, ohne dass daraus eine Reihenfolge entsteht, auf die sich der Vertrieb verlassen kann. Die Priorisierung bleibt Erfahrungssache, und sie bleibt an der Person hängen, die gerade Zeit hat.

Genau an dieser Stelle setzt Lead Scoring an, und genau hier scheitert es in der Praxis am häufigsten: an fehlenden Punktwerten, an Daten, die in drei Systemen liegen, und an der Frage, ob eine Maschine über Kontakte entscheiden darf. Ein Lead-Scoring-Agent löst diese Probleme nur dann, wenn Gewichtung, Datenbasis und Freigabelogik vorher sauber definiert sind. Dieser Artikel zeigt, wie das im B2B-Mittelstand konkret aussieht.

Was ein Lead-Scoring-Agent ist und was ihn von einer CRM-Regel unterscheidet

Lead Scoring vergibt Punkte für Eigenschaften und Verhalten eines Kontakts, um daraus eine Reihenfolge für den Vertrieb abzuleiten. Das Prinzip ist alt, die meisten CRM-Systeme bringen dafür einfache Regeln mit: Wenn ein Kontakt das Preisblatt lädt, plus zehn Punkte. Ein Lead-Scoring-Agent geht drei Schritte weiter. Er sammelt die Signale aus allen angebundenen Systemen (Website, Newsletter-Tool, Formulare, Kalender), hält den Punktestand zentral im CRM aktuell, und er löst bei Erreichen einer Schwelle selbst die nächste Aktion aus, zum Beispiel das Anlegen eines Deals und eine Benachrichtigung an den zuständigen Verkäufer.

Der Unterschied zur einfachen Regel liegt in der Reichweite und in der Ausführung: Eine CRM-Regel sieht nur, was im CRM passiert. Ein Agent sieht den Klick in der Newsletter-Mail, den Wiederbesuch auf der Ergebnisseite eines Selbsttests und die Formularanfrage als denselben Menschen und rechnet alles auf einen Wert zusammen. Ob dabei ein Sprachmodell beteiligt ist, hängt von der Aufgabe ab. Für das Addieren von Punkten braucht es keins, für das Auswerten einer Freitextantwort schon. Wer die Grundlagen zu autonomen Agenten im Marketing nachlesen möchte, findet sie im Artikel Agentic Marketing einfach erklärt.

Warum Lead Scoring im deutschen Mittelstand meist noch von Hand läuft

Die Ausgangslage ist nüchterner, als Anbieterpräsentationen vermuten lassen. Im DACH-Raum bewertet über die Hälfte der Unternehmen ihre Leads manuell, nur rund zwei Prozent qualifizieren KI-gesteuert. Kaufbereite Leads erkennen die meisten durch manuelles Nachfassen, nur wenige über KI-gestützte Analysen, und vier von fünf Unternehmen synchronisieren ihr CRM mit keinem externen Datenanbieter. Als größtes Hindernis für KI gelten fehlende Ressourcen.

Die deutschen Zahlen bestätigen das Bild. Laut Bitkom (März 2026, 604 Unternehmen ab 20 Beschäftigten) nutzen 41 Prozent der Unternehmen KI, weitere 48 Prozent planen oder diskutieren den Einsatz. Im Vertrieb bleibt KI dagegen die Ausnahme: Nur etwa jedes zwanzigste KI-nutzende Unternehmen setzt sie dort ein, während Kundenkontakt und Kommunikation die üblichen Einsatzfelder sind. Bei Unternehmen mit 10 bis 49 Beschäftigten liegt die KI-Nutzung bei 23 Prozent, bei Unternehmen ab 250 Beschäftigten bei 57 Prozent. Und nach Eurostat (Mai 2026) nutzen in der EU 25 Prozent der kleinen, aber 65 Prozent der großen Unternehmen überhaupt eine CRM-Software.

Der Engpass liegt damit vor der KI. Ein Lead-Scoring-Agent braucht ein CRM als zentralen Speicher, eindeutige Kontakt-IDs über alle Systeme hinweg und einen Vertrieb, der seine Kriterien benennen kann. Salesforce berichtet im State of Sales Report 2026, dass 51 Prozent der Vertriebsleiter getrennte Systeme als Bremse für KI-Initiativen nennen und dass 79 Prozent der leistungsstärksten Organisationen Datenhygiene priorisieren, gegenüber 54 Prozent der schwächeren. Die Reihenfolge für den Mittelstand ergibt sich daraus von selbst: erst die Datenbasis, dann das Scoring, dann der Agent.

Die zwei Ebenen: Zielgruppen-Fit und Verhaltenssignal

Lead Scoring trennt seit jeher zwei Fragen. Passt der Kontakt zu uns, und zeigt er gerade Interesse? Das Fachmedium Marconomy fasst die erste Ebene unter expliziten Faktoren zusammen (Mitarbeiterzahl, Branche, Position, Umsatz, Region), die zweite unter impliziten Faktoren (Newsletter-Anmeldung, Kontaktformular, Content-Download, Mail-Öffnungen und -Klicks, Website-Besuche). Ein Kontakt kann perfekt passen und keinerlei Interesse zeigen, oder sehr aktiv sein und strategisch irrelevant.

Für den Aufbau eines Lead-Scoring-Agenten ist diese Trennung die wichtigste Designentscheidung. Der Zielgruppen-Fit beruht auf Branchen- und Kontextwissen, das sich aus Verhalten allein nicht ableiten lässt: Ob ein Personaldienstleister mit 80 Mitarbeitenden und DACH-weitem Vertrieb zur Zielgruppe gehört, weiß der Vertrieb aus Erfahrung, und dieses Wissen steht in keinem Webhook. Das Verhaltenssignal dagegen ist reine Zählarbeit und gehört automatisiert. Dazu zählen auch die Signale aus bezahlten Kanälen: der Klick auf eine Google-Ads-Anzeige mit anschließendem Landingpage-Besuch, das ausgefüllte Lead-Formular in einer LinkedIn- oder Meta-Kampagne, die Rückkehr über Remarketing. Über UTM-Parameter tragen diese Kontakte ihre Quelle mit ins CRM, und die Quelle ist eines der aussagekräftigsten Merkmale überhaupt, wie der Abschnitt zu Paid Media zeigt. Wie sich ein belastbares Zielgruppenprofil aufbauen und in ein Fit-Scoring überführen lässt, beschreibt der Artikel vom Ideal Customer Profile zum Scoring-Modell. Dieser Artikel hier konzentriert sich auf die zweite Ebene und darauf, wie beide zusammen eine Übergabe an den Vertrieb auslösen.

Punktwerte aus der eigenen Abschlussquote herleiten

Die meisten Scoring-Modelle scheitern an der Gewichtung. Zehn Punkte für den Download, fünf für die Newsletter-Anmeldung, das klingt plausibel und ist geraten. HubSpot beschreibt in seiner Anleitung zum Aufbau eines Scoring-Modells eine Methode, die stattdessen mit der eigenen Abschlussquote arbeitet: Liegt die Abschlussquote über alle Kontakte bei einem Prozent und bei Kontakten mit Demo-Anfrage bei 20 Prozent, schließt dieser Touchpoint 20-mal häufiger ab und erhält entsprechend etwa 20 Punkte. Die Punkte bilden damit ein Verhältnis ab, das im eigenen CRM nachprüfbar ist.

Für die Praxis im Mittelstand ergibt sich daraus eine Rangfolge, die in fast allen Modellen ähnlich ausfällt. Aktive Selbstauskünfte stehen oben: eine Demo- oder Kontaktanfrage, ein abgeschlossener Selbsttest, bei dem der Kontakt Angaben zum eigenen Status quo macht, ein ausgefülltes Lead-Formular in einer LinkedIn- oder Meta-Kampagne. Darunter folgen Content-Downloads, Webinar-Teilnahmen und der Besuch einer Preis- oder Leistungsseite nach einem Klick auf eine Suchanzeige. Darunter Newsletter-Anmeldung, Double-Opt-in und die Rückkehr über eine Remarketing-Anzeige. Ganz unten stehen Mail-Interaktionen und der reine Anzeigenklick ohne weitere Aktion. Ein Praxisbericht eines E-Mail-Automations-Anbieters zeigt, warum Klicks trotzdem zählen: Ein einziger Klick in einer Mail hob die Abschlusswahrscheinlichkeit dort von 14 auf 33 Prozent, während Öffnungen ein deutlich schwächeres Signal lieferten.

Drei Regeln gehören zusätzlich in jedes Modell. Erstens ein Deckel für wiederholbare Signale: Wer zehn Mails anklickt, hat nicht zehnmal so viel Kaufabsicht wie jemand, der einmal klickt. Zweitens der bewusste Ausschluss unzuverlässiger Signale. Mail-Öffnungen werden seit Apples Mail Privacy Protection serverseitig vorgeladen und zählen dadurch auch, wenn niemand die Mail liest; sie gehören in die Zustellungsdiagnose und bleiben aus dem Score heraus. Drittens eine Entscheidung zu Negativsignalen: Marconomy empfiehlt Punktabzug etwa für Besuche der Karriereseite. Ebenso vertretbar ist, Negativsignale aus dem Score herauszuhalten und stattdessen als eigenes Statusfeld zu führen, weil Erreichbarkeit und Interesse zwei verschiedene Aussagen sind. Was nach einer Abmeldung passiert, gehört in die Einwilligungsverwaltung, der Interessenswert bleibt davon unberührt.

Die Punktwerte sind dabei eine Momentaufnahme. Zu Beginn stehen Erfahrungswerte, weil noch keine ausreichende Zahl an Abschlüssen vorliegt: Das Team geht alle Touchpoints durch und ordnet sie nach vermuteter Relevanz. Sobald das Attributionsmodell im CRM zeigt, welche Touchpoints tatsächlich vor einem Abschluss lagen, werden die Werte gegen diese Daten nachjustiert, typischerweise quartalsweise. Ein Scoring-Modell ist damit kein festes Regelwerk, es wird fortlaufend gegen die eigenen Abschlussdaten kalibriert. Genau so ist das Modell bei KODEX entstanden: zuerst eine Bewertung aller Touchpoints nach Einschätzung, danach die laufende Anpassung über die Attribution.

Ein Punkt bleibt in vielen Modellen offen: der Verfall. Ein Kontakt, der vor acht Monaten aktiv war, trägt denselben Score wie einer, der gestern geklickt hat, sofern kein Decay eingebaut ist. HubSpot berücksichtigt dafür beim prädiktiven Scoring die Tage seit dem letzten Besuch. Wer regelbasiert arbeitet, sollte zumindest ein Datum des letzten Signals mitführen und Kontakte mit altem Score getrennt behandeln. Belastbare Studienzahlen dazu, welcher Verfall richtig ist, gibt es nach unserer Recherche nicht; das ist eine Kalibrierungsfrage für jedes Unternehmen selbst.

Paid Media im Lead Scoring: Quelle als Gewicht und Rückkanal zur Kampagne

Wer Google Ads, LinkedIn Ads, Meta oder Remarketing schaltet, erzeugt einen großen Teil der Signale, die ein Lead-Scoring-Agent zählt. Bezahlte Kanäle spielen dabei drei Rollen, die in vielen Modellen fehlen.

Erstens liefert die Quelle selbst ein Gewicht. Ein Kontakt, der über eine Suchanzeige zum Begriff der eigenen Leistung kommt, bringt eine andere Kaufabsicht mit als ein Kontakt aus einer Display-Kampagne oder einem Gewinnspiel. Die oben zitierte Fallstudie mit 16.600 Datensätzen fand die Lead-Quelle als wichtigstes Merkmal für die Vorhersage qualifizierter Leads. Voraussetzung ist, dass die Quelle sauber ankommt: UTM-Parameter mit Kanal, Kampagne und Anzeigengruppe, die vom Klick bis zum CRM-Datensatz erhalten bleiben, und ein Feld für den ersten und den letzten Kontaktpunkt je Person. Ohne diese Grundlage gewichtet das Modell alle Formularanfragen gleich, obwohl die Abschlussquote je Kampagne oft um ein Vielfaches auseinanderliegt.

Zweitens zählen Paid-Touchpoints als Verhaltenssignale wie alle anderen, mit derselben Herleitung aus der Abschlussquote. Ein Lead-Formular in LinkedIn oder Meta ist eine aktive Selbstauskunft und gehört in die obere Gruppe, wobei die Formularvorausfüllung der Plattformen die Hürde senkt und die Abschlussquote je Kampagne deshalb einzeln zu prüfen ist. Ein Klick auf eine Suchanzeige mit anschließendem Besuch der Preis- oder Leistungsseite ist ein mittleres Signal. Die Rückkehr über eine Remarketing-Anzeige ist ein schwaches, aber echtes Signal für anhaltendes Interesse. Der reine Anzeigenklick ohne weitere Aktion bleibt unten, weil er Kosten verursacht und noch keine Absicht belegt.

Drittens, und das ist der Teil mit der größten Wirkung auf die Akquisekosten: Der Score kann zurück an die Werbeplattform fließen. Google Ads und Meta erlauben, qualifizierte Leads als Conversion nachzumelden, über den Import von Offline-Conversions beziehungsweise die serverseitige Conversions-Schnittstelle, LinkedIn über seine Conversions-API. Meldet der Agent den Moment der SQL-Übergabe als Conversion zurück, optimiert die Plattform ihre Gebote auf Kontakte, die tatsächlich in die Pipeline gelangen. Ein ausgefülltes Formular allein zählt dann nicht mehr als Erfolg. Damit schließt sich der Kreis: Das Scoring bestimmt, welche Anfragen der Vertrieb sieht, und dieselbe Bewertung steuert, wofür Budget ausgegeben wird. Datenschutzrechtlich braucht dieser Rückkanal eine Einwilligung des Kontakts in das Tracking, die im Consent-Banner sauber erhoben und bis zum Conversion-Upload nachgehalten werden muss; der Abschnitt zum Datenschutz unten geht darauf ein.

Regelbasiert, prädiktiv oder Agent: welche Ausbaustufe zur Datenmenge passt

Prädiktives Lead Scoring, bei dem ein Machine-Learning-Modell aus historischen Abschlüssen lernt, welche Merkmale zum Kauf führen, ist die Ausbaustufe, die in Anbieterpräsentationen am meisten Raum einnimmt. Die Datenanforderungen sind allerdings konkret benannt. Microsoft verlangt für das Predictive Lead Scoring in Dynamics 365 mindestens 40 qualifizierte und 40 disqualifizierte Leads im gewählten Trainingszeitraum von drei Monaten bis zwei Jahren. Ein Anbieter, der prädiktive Modelle für kleine Vertriebsteams gebaut hat, setzt die kritische Untergrenze nach eigenen Versuchen bei rund 100 abgeschlossenen Deals und berichtet, dass von 434 trainierten Modellen bei neun Kunden nur 63 Modelle bei fünf Kunden Produktionsreife erreichten. HubSpot bietet sein prädiktives Scoring nur in den Enterprise-Tarifen an und beschreibt das Modell selbst als Blackbox, bei der Ein- und Ausgaben bekannt sind, der Weg dazwischen aber nicht.

Was mit ausreichend Daten möglich ist, zeigt eine wissenschaftliche Fallstudie: Auf 16.600 bereinigten Datensätzen erreichte ein Gradient-Boosting-Modell eine Genauigkeit von 98 Prozent bei der Vorhersage qualifizierter Leads. Die wichtigsten Merkmale waren dabei Lead-Quelle und Lead-Status, also genau die Felder, die ein sauber gepflegtes CRM ohnehin führt.

Für ein Vertriebsteam mit zwei bis zehn Personen und einigen Dutzend Abschlüssen pro Jahr folgt daraus eine klare Empfehlung.

Die mittlere Stufe ist für die meisten Mittelständler der sinnvolle Zielzustand: Das Regelwerk bleibt nachvollziehbar und lässt sich gegenüber Vertrieb und Datenschutz erklären, das Sprachmodell übernimmt nur den Teil, der Urteil braucht. Wie Workflow und Modell dabei zusammenspielen, behandelt der folgende Referenzaufbau.

Ein Lead-Scoring-Agent Schritt für Schritt: der Referenzaufbau aus dem KODEX-Betrieb

Bei KODEX läuft ein Lead-Scoring-Agent produktiv, der die eigene Kundengewinnung steuert. Die Punktwerte sind hier bewusst als Beispiel beschrieben, weil sie auf die eigene Angebotstreppe kalibriert sind; die Mechanik lässt sich übertragen.

Schritt 1: Signale einsammeln

Jede Anfrage über das Kontaktformular, jeder abgeschlossene Neukunden-Check, jeder Download, jede Newsletter- und Webinar-Anmeldung löst einen Webhook aus. Ein n8n-Workflow nimmt ihn entgegen, prüft die Pflichtfelder und schreibt den Kontakt in eine Arbeitsdatenbank (bei KODEX Airtable) und in das CRM (bei KODEX Attio). Mail-Ereignisse aus dem Newsletter-Tool laufen über einen zweiten Webhook in dieselbe Kette. Kommt der Kontakt über eine Google-Ads-, LinkedIn- oder Meta-Kampagne, wandern Kanal, Kampagne und Anzeigengruppe aus den UTM-Parametern mit in den Datensatz, als erster und als letzter Kontaktpunkt. Die technische Grundlage ist eine eindeutige Kontakt-ID über alle Systeme hinweg, in diesem Fall die E-Mail-Adresse, damit der Klick in der Mail und die Formularanfrage als dieselbe Person erkannt werden.

Schritt 2: Punkte vergeben

Jeder Touchpoint erhöht ein Zahlenfeld im CRM, den Signal-Score. Die Gewichtung folgt der Kaufabsicht: Ein abgeschlossener Neukunden-Check, bei dem der Kontakt zehn Fragen zur eigenen Kundengewinnung beantwortet, zählt am höchsten, eine Kontaktanfrage knapp darunter, ein Download etwa halb so viel, eine Newsletter-Anmeldung ein Viertel. Mail-Klicks bringen wenige Punkte und sind gedeckelt, so dass niemand allein durch Klicken die Schwelle erreicht. Mail-Öffnungen fließen nicht ein. Weil das CRM keine Additionsoperation kennt, liest der Workflow den aktuellen Stand, addiert serverseitig und schreibt zurück, und er legt zu jeder Erhöhung eine Notiz am Kontakt an: welches Ereignis, wie viele Punkte. Diese Notizen sind später die Erklärung, warum ein Kontakt in der Pipeline gelandet ist.

Schritt 3: Den Zielgruppen-Fit bestätigen

Das Feld Zielgruppen-Fit hat vier Werte: Ungeprüft, ICP-Fit, Erweiterter Fit, Kein Fit. Es wird ausschließlich von Hand gesetzt. Ein Sprachmodell liest die Antworten aus dem Neukunden-Check und schreibt eine Einschätzung ins CRM, die Entscheidung trifft der Mensch. Kein Fit sperrt die Übergabe unabhängig vom Score. Das ist die eingebaute Antwort auf die häufigste Sorge im Mittelstand, dass ein Automat Kontakte in die Pipeline schiebt, die dort nichts zu suchen haben.

Schritt 4: An den Vertrieb übergeben

Ein Workflow prüft alle 15 Minuten die Bedingung: Score über der Schwelle, Fit auf ICP-Fit oder Erweiterter Fit, noch kein verknüpfter Deal. Ist sie erfüllt, legt er einen Deal in der ersten Pipeline-Stufe an, schreibt eine Promotion-Notiz und schickt eine Nachricht in einen eigenen Slack-Kanal. Derselbe Moment ist der Punkt, an dem eine qualifizierte Anfrage als Conversion an die Werbeplattform zurückgemeldet werden kann, damit die Kampagne ihre Gebote an Pipeline-Ergebnissen ausrichtet. Das Polling im Viertelstundentakt ist eine bewusste Entscheidung nach Erfahrungen mit unzuverlässig zugestellten CRM-Webhooks: lieber ein paar Minuten Verzögerung als ein verlorenes Ereignis.

Schritt 5: Im Erstgespräch nutzen

Bevor das kostenfreie Erstgespräch stattfindet, liegen im CRM die Score-Zusammensetzung, die Fit-Einordnung und die inhaltlichen Antworten aus dem Neukunden-Check vor. Das Gespräch beginnt damit nicht bei null.

Zwei Einschränkungen gehören zur ehrlichen Beschreibung. Ein Verfall des Scores ist nicht implementiert, der Wert sinkt nie automatisch. Und ein Wiederbesuch der persönlichen Ergebnisseite zählt nur, wenn seit der letzten Messung mehr als vier Stunden vergangen sind, weil sonst jeder Tab-Wechsel als erneutes Interesse gezählt würde. Beides sind Kalibrierungsentscheidungen, die mit wachsendem Datenbestand überprüft werden.

Datenschutz: Wo Scoring endet und Profiling beginnt

Die DSGVO definiert Profiling in Artikel 4 Nummer 4 als jede automatisierte Verarbeitung personenbezogener Daten, die dazu dient, persönliche Aspekte zu bewerten, darunter ausdrücklich Interessen, Zuverlässigkeit und Verhalten. Ein Lead-Score, der Verhalten in Punkte übersetzt, fällt dem Wortlaut nach darunter. Entscheidend ist, was daraus folgt.

Die Datenschutzkonferenz der Aufsichtsbehörden zieht in ihrer Orientierungshilfe zur Direktwerbung eine klare Linie. Direktwerbung auf Basis des berechtigten Interesses nach Artikel 6 Absatz 1 Buchstabe f DSGVO ist möglich, Erwägungsgrund 47 nennt sie ausdrücklich. Eingriffsintensivere Maßnahmen dagegen, wörtlich „automatisierte Selektionsverfahren zur Erstellung detaillierter Profile, Verhaltensprognosen bzw. Analysen, die zu zusätzlichen Erkenntnissen führen”, sprechen laut DSK dafür, dass das Interesse der betroffenen Person überwiegt. Werden zusätzlich externe Datenquellen zu einem Werbescore verknüpft, ist nach Einschätzung der Aufsichtsbehörden in der Regel eine Einwilligung erforderlich. Für den Aufbau eines Lead-Scoring-Agenten heißt das: Ein Punktemodell aus eigenen Erstkontaktdaten steht auf deutlich sichererem Boden als ein Modell, das Kontakte über Drittanbieter anreichert und daraus Prognosen ableitet. Genau diese Anreicherung ist in vielen Automatisierungsvorlagen der erste Schritt.

Für Entscheidungen gilt Artikel 22 DSGVO. Die DSK stellt in ihrer Orientierungshilfe zu KI und Datenschutz klar, dass Entscheidungen mit Rechtswirkung grundsätzlich von Menschen getroffen werden müssen und dass eine „lediglich formelle Beteiligung eines Menschen im Entscheidungsprozess” nicht ausreicht. Ob eine Deal-Anlage im CRM eine solche Wirkung entfaltet, ist im Einzelfall zu prüfen; die manuelle Fit-Bewertung im Referenzaufbau ist jedenfalls die Entscheidung selbst und geht damit über einen Freigabeklick hinaus. Hinzu kommt Artikel 21 Absatz 2: Das Widerspruchsrecht gegen Direktwerbung gilt ausdrücklich auch für das damit verbundene Profiling, und die DSK verlangt, den Widerspruch unverzüglich umzusetzen. Ein Agent muss deshalb Abmeldungen und Widersprüche sofort im Einwilligungsstatus abbilden, unabhängig vom Score. Für den Rückkanal zu Google Ads, Meta oder LinkedIn gilt zusätzlich: Die Übermittlung von Conversion-Daten an eine Werbeplattform setzt eine Einwilligung in das jeweilige Tracking voraus, und der Agent darf nur die Kontakte zurückmelden, deren Einwilligung im CRM dokumentiert ist.

Dass diese Fragen im Mittelstand wiegen, zeigt Bitkom: 77 Prozent der Unternehmen nennen im März 2026 Datenschutzanforderungen als Hürde der Digitalisierung, jedes zweite rechtliche Unsicherheit als Hürde für KI. Ein dokumentiertes Scoring-Modell mit benannten Touchpoints, Rechtsgrundlage je Verarbeitungsschritt und menschlicher Entscheidung über die Übergabe ist die Grundlage, auf der sich diese Unsicherheit auflösen lässt. Dieser Artikel ersetzt keine Rechtsberatung; die Rechtsgrundlagen je Datenfluss gehören vor dem Produktivbetrieb fachkundig geprüft.

Was ein Lead-Scoring-Agent im Ergebnis bringt

Der Nutzen liegt in der Reihenfolge: Der Agent sagt, wen man heute anruft, das Gespräch führt weiterhin der Verkäufer. Nach dem State of Sales Report von Salesforce (Februar 2026, 4.050 Befragte) verbringen Verkäufer im Schnitt 40 Prozent ihrer Zeit mit Verkaufen; der Rest entfällt auf Recherche, Verwaltung und Koordination. Gartner berichtet im Mai 2026, dass Vertriebsorganisationen, die ihren Verkäufern KI-gestützte Handlungsempfehlungen bereitstellen, 2,6-mal wahrscheinlicher kommerzielles Wachstum erreichen. Ein Lead-Scoring-Agent ist die einfachste Form einer solchen Empfehlung.

Die Grenzen sind ebenso klar benannt. Analystenprognosen erwarten, dass KI-Agenten menschliche Verkäufer bis 2028 zahlenmäßig um das Zehnfache übertreffen, gleichzeitig aber weniger als 40 Prozent der Verkäufer berichten werden, dass Agenten ihre Produktivität verbessert haben. Mehr Automatisierung erzeugt ab einem Punkt keinen Zusatznutzen mehr. Für das Scoring heißt das: Ein Modell mit fünf sauber gewichteten Touchpoints und einer manuellen Fit-Entscheidung schlägt ein Modell mit dreißig Signalen, das niemand im Vertrieb mehr erklären kann. Belastbare Studien zur Wirkung von Lead Scoring auf die Übergabequote vom Marketing an den Vertrieb oder auf die Länge des Verkaufszyklus haben wir in der Recherche nicht gefunden; kursierende Prozentwerte dazu stammen aus Sammelbeiträgen ohne Primärquelle und bleiben hier deshalb außen vor.

Die Übersicht aller Artikel zu Kundengewinnung, KI-Marketing und Governance finden Sie unter News und Wissen.

Fazit

Ein Lead-Scoring-Agent besteht aus vier Entscheidungen, die vor der Technik getroffen werden: welche Touchpoints aus Website, Paid Media und E-Mail zählen und wie viel, wo die Schwelle liegt, wer den Zielgruppen-Fit bestätigt, und auf welcher Rechtsgrundlage jeder Datenfluss steht. Die Technik selbst, ein Workflow-Tool mit Webhooks, ein CRM mit einem Zahlenfeld, ein Sprachmodell für die Freitextauswertung, ist im Mittelstand ohne Enterprise-Lizenz umsetzbar und läuft im beschriebenen Referenzaufbau bei KODEX produktiv. Prädiktive Modelle werden erst ab einer dreistelligen Zahl von Abschlüssen zur besseren Wahl. Bis dahin liefert ein regelbasiertes Modell mit Punktwerten aus der eigenen Abschlussquote die Reihenfolge, die dem Vertrieb am Dienstagmorgen fehlt.

Wer wissen möchte, an welcher Stelle im eigenen Prozess Anfragen heute verloren gehen, kann das mit dem kostenfreien Neukunden-Check in rund drei Minuten prüfen. Der Test ist zugleich der Touchpoint, der im Referenzaufbau die meisten Punkte vergibt.

Häufige Fragen

Wie funktioniert ein Lead-Scoring-Agent? Ein Lead-Scoring-Agent bewertet jeden Kontakt fortlaufend anhand von zwei Ebenen: dem Zielgruppen-Fit aus Firmendaten und dem Verhaltenssignal aus Touchpoints wie Formular, Neukunden-Check, Download oder Mail-Klick. Jeder Touchpoint erhöht einen Punktwert im CRM. Überschreitet ein Kontakt eine definierte Schwelle und ist sein Fit bestätigt, legt der Agent automatisch einen Deal an und benachrichtigt den Vertrieb.

Wie automatisiere ich meine CRM-Pflege mit KI? Der wirksamste Einstieg ist ein Workflow-Tool wie n8n, das Webhooks aus Website, Newsletter und Formularen entgegennimmt, die Daten prüft und in das CRM schreibt. Ein Sprachmodell übernimmt nur die Schritte, die Urteil brauchen, etwa das Zusammenfassen von Freitextantworten. Entscheidungen mit Wirkung nach außen, zum Beispiel die Einordnung des Zielgruppen-Fits, bleiben beim Menschen.

Wie viele Daten braucht prädiktives Lead Scoring? Anbieter nennen konkrete Untergrenzen: Microsoft verlangt für sein Predictive Lead Scoring mindestens 40 qualifizierte und 40 disqualifizierte Leads im Trainingszeitraum, Praxisberichte setzen die kritische Grenze bei rund 100 abgeschlossenen Deals. Darunter ist ein regelbasiertes Punktemodell mit klarer Gewichtung die belastbarere Wahl.

Ist Lead Scoring DSGVO-konform? Einfaches Scoring auf Basis eigener Erstkontaktdaten lässt sich meist auf das berechtigte Interesse nach Artikel 6 Absatz 1 Buchstabe f DSGVO stützen. Sobald Verhaltensprognosen oder externe Datenquellen einfließen, sprechen die Datenschutzaufsichtsbehörden von Profiling, das eine Einwilligung erfordert. Entscheidungen mit Rechtswirkung müssen nach Artikel 22 DSGVO von Menschen getroffen werden, eine rein formelle Freigabe reicht nicht.

Welche Touchpoints sollten im Lead Scoring am höchsten gewichtet werden? Die Gewichtung folgt der Kaufabsicht und lässt sich aus der eigenen Abschlussquote ableiten: Ein Touchpoint, dessen Kontakte 20-mal häufiger abschließen als der Durchschnitt, erhält etwa 20-mal so viele Punkte. Aktive Selbstauskünfte wie ein abgeschlossener Neukunden-Check, eine Demo-Anfrage oder ein Lead-Formular in einer LinkedIn- oder Meta-Kampagne liegen dadurch deutlich über passiven Signalen wie Newsletter-Anmeldung, Remarketing-Rückkehr oder reinem Anzeigenklick. Die Quelle selbst (Suchanzeige, Display, organisch) fließt als eigenes Gewicht ein.