Was folgt, ist kein Low-Code-Traum oder ein weiterer theoretischer KI-Hype – sondern unser konkreter Praxisweg zu einem eigenen KI Agenten für automatisierte Leadqualifizierung. Ihr bekommt einen Einblick, welche Tools wir verwenden, wie unser erster MVP wirklich performt hat, und auf was ihr achten müsst, wenn euer AI Agent für Sales nicht nur buzzword-bingo spielen soll. Los geht’s.
Klassische Leadqualifizierung bedeutet händisches Prüfen: Sind Branche, Umsatz, Position und Kontext passend? Das dauert. Und es nervt. Gleichzeitig landen Fehler im System: Aus dem Bauch heraus wird mal jemand auf "weiter" oder "aussortiert" gesetzt, weil einfach nicht genügend Zeit verfügbar ist. Die Folge: Sales-Teams werden mit irrelevanten Kontakten belastet – und die wirklich relevanten Leadchancen bleiben liegen.
Ein KI Agent für Leadqualifizierung nimmt genau diesen Engpass raus. Durch automatisierte Analyse von Profilen, Website-Texten und (wenn sinnvoll) vorhandener Daten kann er innerhalb von Sekunden entscheiden: Lohnt sich dieser Kontakt?
Unsere Erfahrung: Richtig gebaut, qualifiziert ein solcher AI Agent Leads nicht nur schneller, sondern häufig auch objektiver – und sorgt für eine gleichbleibend hohe Qualität.
Bevor wir unseren eigenen KI Agenten gebaut haben, haben wir versucht, das Problem auf die klassische Weise zu lösen:
- Manuelle Recherche per LinkedIn und Webseiten
- Nutzung von CRM-Feldern anhand statischer Filter
- Regelmäßige Meetings, um "Lead-Ausschuss" zu debattieren
Das war ineffizient und hat zu Verdruss im Team geführt. Also haben wir uns für einen eigenen, modularen Aufbau eines Leadqualifizierungs-Agenten entschieden.
Unsere Ziele:
- Weniger Zeitaufwand pro Lead (Ideal: <2 Minuten inkl. automatischer Recherche)
- Automatischer Abgleich relevanter Infos (Branche, Größe, Bedarfssignale)
- Klare Entscheidung – kein "vielleicht" mehr
- Einbindung in unser bestehendes CRM-System
Wir haben uns nicht für ein All-in-One-KI-Tool entschieden, sondern bewusst eine modulare Architektur gewählt. Das bringt Flexibilität und Skalierbarkeit.
Unsere Tech-Stack-Wahl:
- OpenAI GPT-4 API: Für die Auswertung von Texten, Profilen, Websites
- n8n als Orchestrator für Automatisierung und Triggering
- Zapier, Make für Anbindung an CRM und Kommunikation
- Eigenes UI-Frontend (React), um manuelle Übersteuerung bei Grenzfällen zu ermöglichen
- Google Sheets und Airtable als Daten-Hub für dynamische Leadlisten
Das Grundprinzip: Neues Lead kommt rein → n8n löst Prozess aus → GPT-4 bewertet anhand definierter Kriterien → Ergebnis und Bewertung werden ins CRM übergeben.
Wir haben diverse Out-of-the-Box-KI-Lösungen getestet. Problem: Sie waren entweder zu unflexibel (weil sie nur Standardfelder auswerten) oder verteuern sich extrem bei höheren Volumen. Selbst ein einfaches Customizing, etwa die Bewertung von Website-Content, ist oft nicht vorgesehen. Die Schattenseite: Nur mit einem eigenen System konnten wir unsere Bewertungskriterien wirklich feintunen.
Zuerst haben wir das Zielkundenprofil gemeinsam im Team messerscharf formuliert.
Worauf achteten wir?
- Branchen mit nachweislichem Bedarf
- Umsatzgrößen und Teamgrößen
- Kaufsignale und Kontextfaktoren (etwa Aktualität einer Stellenausschreibung)
- Entscheidungsspielraum der Ansprechpartner
Das haben wir in klare Entscheidungsregeln übersetzt – zum Beispiel: "Alle Unternehmen mit 20 Mitarbeitern oder > 5000 MA werden aussortiert" oder "Wer keine eigenen Produktseiten hat, scheidet aus".
Unser AI Agent sollte Daten aus LinkedIn, Xing, Websites und gegebenenfalls CRMs nutzen können. Deshalb haben wir unsere Datenquellen angebunden:
- LinkedIn Scraping (Achtung: API und Legal-Check!)
- Web Scraper für Unternehmenssites
- E-Mail-Finder-APIs, wo verfügbar
n8n orchestriert die Extraktion und gibt die Daten an die Analyse-Logik weiter.
Die relevanten Datenpunkte (Firmenname, Website, Beschreibung, Ansprechpartner) übergeben wir an GPT-4 mit einer klaren, promptbasierten Anleitung, etwa:
"Bewerte das Unternehmen anhand folgender Kriterien: … Gib 1–5 Sterne pro Kriterium und eine Abschluss-Empfehlung (qualifiziert/nicht qualifiziert/muss geprüft werden)."
Wichtig: Die Prompts stetig schärfen. Anfangs gab es viele "vielleicht"- oder zu wohlwollende Bewertungen. Durch gezieltes Prompt-Engineering haben wir die Entscheidungs-Logik verbessert.
Gerade am Anfang haben wir die KI-Auswertungen stichprobenartig kontrolliert. Das war wichtig, um blinde Flecken in der Datenextraktion zu erkennen und zu optimieren – und der KI beizubringen, wann Vorsicht angebracht ist.
Unser Tipp:
- Prüft die ersten 100 Entscheidungen manuell gegen, bevor ihr voll automatisiert. So erkennt ihr Ausreißer und könnt die Prozesse früh optimieren.
Der Agent übergibt seine Ergebnisse an unser CRM (HubSpot in unserem Fall). Je nach Bewertung wird der Lead automatisch verschiedenen Pipelines zugeteilt oder mit spezifischen Follow-ups versehen.
Zusätzlich versenden wir Deep-Dive-Reports für Grenzfälle automatisch ans Team – diese können dann schnell eine Entscheidung fällen, ohne wieder alles von vorn zu prüfen.
Unser AI Agent ist nicht „fertig“. Wir optimieren kontinuierlich:
- Anpassung der Prompts, sobald sich die Zielkunden-Anforderungen ändern
- Erweiterung um neue Datenquellen (z.B. Events, Social Signals)
- Anpassung an Rückmeldungen aus Sales: Warum wurde ein Lead doch noch angenommen oder abgelehnt?
Unser Zwischenfazit: Je enger Sales und KI-Entwicklung abstimmen, desto besser wird euer Leadqualifizierungs-Agent – und desto weniger verpasst ihr wertvolle Leads.
Was hat uns überrascht?
- Die größte Fehlerquelle sind schlechte Input-Daten, nicht schlechte KI-Logik
- Mit zu vagen Prompts verliert ihr jede Objektivität – klare Vorgaben lohnen sich!
- Der menschliche Check bleibt an kritischen Stellen unverzichtbar: Besonders dann, wenn Leads außerhalb der Norm liegen
Was hat richtig funktioniert?
- Automatisierung der Website-Analyse: Spart Stunden jede Woche
- Direkter Push ins CRM – keine Medienbrüche mehr
- Prompts in natürlicher Sprache ausdefinieren, statt auf einzelne Keywords zu gehen
Was machen wir heute anders?
- Tägliche Zufalls-Stichprobe von KI-Entscheidungen zur Qualitätskontrolle
- Feedbackschleifen mit Sales, um die Bewertungslogik ständig zu schärfen
- **Zielkunden-Profil in klare Regeln übersetzen (kein Bla Bla) **
- Zuverlässige Datenquellen binden (LinkedIn, Web, CRM, wo legal)
- Prompts so konkret wie möglich (inklusive Ausschlusskriterien!)
- Schnittstelle zum CRM sauber bauen (keine Copy-Paste-Kompromisse)
- Iteratives Testen und Optimieren – niemand baut es beim ersten Mal perfekt
Wir hätten nie erwartet, wie viel Kapazität ein wirklich gut konfigurierter Leadqualifizierungs-Agent freisetzt. Plötzlich prüft unser Vertriebsteam fast nur noch hochwertige Kontakte und kann sich auf Deals konzentrieren statt Recherche. Die Hürde, den ersten MVP zu bauen, war kleiner als gedacht – klar, es braucht technisches Verständnis und ein marktscharfes Kundenprofil. Aber: Der Aufwand lohnt sich, sobald pro Woche nur ein echter Lead mehr durchkommt.
Wenn ihr wissen wollt, wie ihr in eurem Unternehmen einen eigenen KI Agent zur Leadqualifizierung aufsetzt – oder gleich Unterstützung beim Bau braucht: Nutzt einfach unsere Terminbuchungsfunktion und wir helfen euch, in wenigen Wochen von Handbetrieb auf Automatisierung umzuschalten.
Jetzt Termin buchen – und euren Vertrieb in die nächste Liga katapultieren!
