Lead-Qualifizierung automatisieren: Regeln, KI und Übergabe an Sales

Problem und Zielgruppe

Die Anfrage kommt über das Kontaktformular rein, landet im gemeinsamen Postfach, und dann passiert erstmal: nichts. Bis jemand Zeit hat, sie zu lesen, zu bewerten und weiterzuleiten. Bei einer heißen Anfrage können das Stunden sein, bei einer, die zwischen Terminen untergeht, auch mal Tage. In der Zwischenzeit hat die anfragende Person häufig längst woanders angerufen. Das ist das Kernproblem, das diesem Artikel zugrunde liegt: Anfragen werden zu spät oder ohne Kontext an den Vertrieb übergeben — nicht, weil niemand sich kümmern will, sondern weil die Qualifizierung als manueller Schritt vor der eigentlichen Vertriebsarbeit hängt und bei Auslastung als Erstes liegen bleibt.

Dieser Artikel richtet sich an Geschäftsführung, Operations, IT und Fachbereich in kleinen und mittleren Unternehmen, die eine konkrete Antwort suchen: welche Daten einen Lead überhaupt qualifizieren, wann feste Regeln dafür reichen, wo Künstliche Intelligenz unstrukturierten Text bewerten kann, wie man mit Unsicherheit in der Bewertung umgeht und wie das Ergebnis sauber im CRM landet. Für den grundsätzlichen Einstieg ins Thema KI im Vertrieb gibt es die Kategorieseite KI in Vertrieb und Marketing.

Die kurze Antwort auf die Kernfrage — welche Daten einen Lead qualifizieren — steht oben in der Direktantwort-Box. Der Rest des Artikels geht sie und die vier weiteren Leitfragen im Detail durch.

Begriffe: Lead-Qualifizierung, Scoring, Routing

Lead-Qualifizierung ist die Bewertung, ob und wie gut eine eingehende Anfrage zum eigenen Angebot passt und wie dringend der Bedarf ist — mit dem Ziel, Anfragen zu priorisieren, statt alle gleich zu behandeln.

Lead-Scoring ist eine mögliche technische Umsetzung der Qualifizierung: ein Punktwert, der aus mehreren gewichteten Signalen berechnet wird. Scoring ist kein Selbstzweck — ein Score, den niemand nutzt, um Reihenfolge oder Zuständigkeit zu entscheiden, ist reine Zahlenkosmetik.

Routing ist der nachgelagerte Schritt: die eingestufte Anfrage der richtigen Person oder dem richtigen Team zuweisen, meist nach Region, Produktlinie, Firmengröße oder Themengebiet. Qualifizierung beantwortet die Frage „wie wichtig und wie passend ist das?”, Routing beantwortet „wer kümmert sich?”.

Wichtig ist die Abgrenzung nach oben: Lead-Qualifizierung ersetzt kein Verkaufsgespräch und keine Beziehungsarbeit. Sie entscheidet nur, in welcher Reihenfolge und mit welcher Priorität eine Anfrage bearbeitet wird — die inhaltliche Bewertung, ob ein Kontakt am Ende zum Kunden wird, bleibt Sache des Vertriebs.

Welche Daten qualifizieren einen Lead?

Zwei Datengruppen tragen die Qualifizierung, und beide werden in der Praxis oft einseitig gewichtet:

Fit-Signale beschreiben, ob das anfragende Unternehmen grundsätzlich zum eigenen Angebot passt, unabhängig davon, wie dringend der Bedarf gerade ist:

• Firmengröße und Branche (aus dem Formular, der E-Mail-Domain oder öffentlichen Firmendaten)
• Rolle und Entscheidungsbefugnis der anfragenden Person
• geografische Passung, falls relevant fürs Angebot
• Budget- oder Volumenhinweise, sofern explizit genannt

Intent-Signale beschreiben, wie akut der Bedarf ist:

• Inhalt und Konkretheit der Anfrage selbst (vage Interessensbekundung vs. konkrete Fragestellung mit Zeitrahmen)
• Reaktionsverhalten: Wie schnell antwortet die Person auf Rückfragen?
• Herkunftskanal (eine Anfrage nach einem Beratungsgespräch wiegt anders als ein Download-Formular)
• gestellte Fragen — Preisfragen und Umsetzungsfragen deuten auf eine spätere Phase im Kaufprozess hin als reine Informationsfragen

Der häufigste Fehler, den ich in der Praxis sehe: Unternehmen bewerten nur Fit — „passt die Firmengröße?” — und ignorieren Intent komplett, weil Fit-Daten leichter strukturiert vorliegen. Das Ergebnis sind gut passende Leads, die trotzdem kalt bleiben, weil der eigentliche Anlass der Anfrage nie erfasst wurde. Beide Datengruppen zusammen ergeben ein belastbareres Bild als jede für sich — und genau hier liegt auch der Übergang zur nächsten Frage: Fit-Signale lassen sich meist regelbasiert auswerten, Intent-Signale stecken häufig in Freitext.

Wann reichen Regeln?

Regeln reichen immer dann, wenn die relevante Information bereits strukturiert vorliegt — als Formularfeld, als Wert aus einer verknüpften Datenbank oder als klar definierter Herkunftskanal. Ein Regelwerk für Lead-Qualifizierung sieht in der Praxis meist so aus: Wenn Firmengröße über X UND Branche in Zielliste UND Herkunft = Kontaktformular „Beratung anfragen”, dann Priorität hoch, Zuweisung an Sales-Person Y.

Die Vorteile von Regeln sind konkret: Sie sind nachvollziehbar — jeder kann nachlesen, warum eine Anfrage so eingestuft wurde. Sie sind günstig zu betreiben, weil keine laufende Qualitätsprüfung eines Modells nötig ist. Und sie sind deterministisch — dieselbe Eingabe führt immer zum selben Ergebnis, was für Reporting und Audits wichtig ist.

Regeln stoßen an ihre Grenze, sobald die entscheidende Information nicht als sauberes Feld vorliegt, sondern im Fließtext einer Anfrage steckt. „Wir brauchen dringend eine Lösung, weil unser aktueller Anbieter zum Quartalsende kündigt” ist ein starkes Intent-Signal — aber keine Regel der Form „Feld X = Wert Y” kann das zuverlässig aus einem Freitextfeld herauslesen. Genau für diese Fälle kommt KI ins Spiel, nicht als Ersatz für Regeln, sondern als Ergänzung dort, wo Regeln strukturell nicht greifen.

Eine praktische Faustregel aus meinen Projekten: Fange mit reinen Regeln an, auch wenn sie zunächst nur einen Teil der Anfragen sauber einordnen. Ein Regelwerk, das 60 Prozent der Fälle korrekt und nachvollziehbar qualifiziert, ist einem KI-Modell vorzuziehen, das 100 Prozent versucht und dabei unklar bleibt, wo es sich irrt.

Wo bewertet KI unstrukturierten Text?

KI-gestützte Bewertung ist dort sinnvoll, wo Intent oder Fit-Merkmale nur im Fließtext stehen und eine Klassifikation oder Zusammenfassung gebraucht wird — etwa: Aus einer Formular-Freitextfrage das Thema und die Dringlichkeitsstufe ableiten, oder aus einer E-Mail-Anfrage extrahieren, ob es sich um eine konkrete Kaufabsicht, eine allgemeine Informationsanfrage oder eine Support-Frage handelt, die eigentlich nicht in den Vertriebs-Trichter gehört.

Zapier beschreibt dazu zwei Fallbeispiele, die das Prinzip zeigen, auch wenn sie aus unterschiedlichen Bereichen stammen: Beim Anbieter Popl lösen eingehende Demo-Anfragen aus einem Formular automatisch eine Prüfung, eine Anreicherung mit Firmendaten aus der E-Mail-Domain und eine Zuweisung nach Region und Firmengröße aus — über 100 solcher Workflows zusammen, mit einer vom Unternehmen selbst genannten Einsparung von rund 20.000 US-Dollar pro Jahr. Das ist eine Herstellerangabe aus einer Fallstudie, keine unabhängig geprüfte Zahl, aber das Grundprinzip Formular-Trigger → Anreicherung → Einstufung → Zuweisung ist unabhängig vom Einzelfall übertragbar auf Lead-Qualifizierung. Beim IT-Team von Remote wird ein vergleichbares Muster auf Support-Tickets angewendet: KI-Klassifikation aus Freitext, dort mit einem berichteten Anteil von 28 Prozent automatisch bearbeiteter Tickets. Das Beispiel stammt aus dem Support- statt dem Vertriebskontext, zeigt aber dieselbe Kernfähigkeit — Freitext in eine strukturierte Kategorie überführen —, die auch für Lead-Qualifizierung gebraucht wird.

Wichtig ist die Grenze, die das BSI in seinem Leitfaden zu sicherer generativer KI in Unternehmen zieht: KI-Ausgaben sollten nie ungeprüft in kritische Geschäftsprozesse übernommen werden, der Zugriff des KI-Systems auf andere Systeme sollte eingeschränkt sein, und Ausgaben sollten validiert werden, bevor sie an Backend-Systeme weitergereicht werden. Übertragen auf Lead-Qualifizierung heißt das praktisch: Ein Sprachmodell darf eine Einstufung und eine Begründung liefern — „vermutlich hohe Priorität, weil konkrete Kündigungsfrist genannt” —, aber diese Einstufung sollte nicht ohne Validierungsschritt direkt in ein Feld schreiben, das automatisch eine Vertriebsperson benachrichtigt oder eine Zusage auslöst. Der Validierungsschritt muss kein vollständiges manuelles Review jeder einzelnen Anfrage sein — eine Stichprobenprüfung plus eine harte Schwelle für Grenzfälle reicht in den meisten KMU-Fällen aus, dazu mehr im nächsten Abschnitt.

Nicht sinnvoll ist der Einsatz von KI dort, wo Regeln bereits zuverlässig funktionieren — etwa reines Firmengrößen-Matching aus einer bestehenden Datenbank. KI für strukturierte Fälle einzusetzen macht die Bewertung nicht besser, sondern nur weniger nachvollziehbar und schwerer zu debuggen.

Wie behandelt man Unsicherheit?

Der Punkt, an dem viele Automatisierungsprojekte scheitern, ist nicht die Technik, sondern der Umgang mit dem Fall, in dem die Bewertung nicht eindeutig ist. Eine KI-Einstufung liefert selten ein klares Ja oder Nein — sie liefert eine Einschätzung mit unterschiedlicher Sicherheit. Praktisch bewährt sich eine feste Drei-Wege-Logik:

1. Eindeutig hohe Priorität: starke Fit- und Intent-Signale stimmen überein → automatisches Routing an die zuständige Person mit hoher Dringlichkeitsmarkierung.
2. Eindeutig niedrige Priorität: Signale sprechen klar gegen eine Passung (z. B. Anfrage außerhalb der Zielgruppe) → automatische Einordnung in eine Nurture- oder Marketing-Liste statt Sales-Übergabe.
3. Unklar oder widersprüchlich: Signale widersprechen sich, oder die KI-Konfidenz liegt unter einer definierten Schwelle → keine automatische Entscheidung, sondern Übergabe in eine Prüf-Warteschlange, die ein Mensch in kurzer Zeit durchgeht.

Diese dritte Kategorie ist kein Notbehelf, sondern der wichtigste Teil des Systems. Ein Prozess, der jede Anfrage zwingend in „hoch” oder „niedrig” presst, erzeugt genau dort die teuersten Fehler: eine tatsächlich dringende Anfrage, die fälschlich niedrig eingestuft wird und untergeht, oder eine irrelevante Anfrage, die die Vertriebszeit einer Person auf eine automatisierte Fehleinschätzung hin blockiert.

Der rechtliche Rahmen bestätigt diese Praxis, auch wenn er ursprünglich für Behörden formuliert ist: Die BfDI weist in ihrer Handreichung zu KI vom Dezember 2025 darauf hin, dass bei automatisierten Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung ein eingebundener menschlicher Entscheider das Ergebnis der automatisierten Verarbeitung eigenständig bewerten muss — sein Handeln darf vom KI-Ergebnis nicht „maßgeblich geleitet” werden. Für die meisten Lead-Qualifizierungen in KMU dürfte diese Schwelle rechtlicher Wirkung selten erreicht sein, weil es sich meist nicht um Entscheidungen gegenüber der bewerteten Person selbst handelt, sondern um eine interne Priorisierung. Trotzdem ist die Grundlogik eine gute betriebliche Leitplanke: Ein Prüfschritt, der KI-Ergebnisse nur pro forma abnickt, ist kein echter Prüfschritt — er muss echte Befugnis haben, die Einstufung zu ändern. Stand Juli 2026, keine Rechtsberatung; bei konkreten Fällen mit personenbezogener Bewertung gehört das Thema zur Datenschutzbeauftragten.

Wie dokumentiert man im CRM?

Eine automatisierte Qualifizierung, die im CRM nicht nachvollziehbar dokumentiert ist, verliert innerhalb weniger Wochen ihren Wert — niemand vertraut mehr einem Score, dessen Zustandekommen niemand erklären kann. Drei Felder gehören deshalb zu jedem qualifizierten Lead-Datensatz:

• Score oder Kategorie: das Ergebnis der Bewertung, als Zahl oder als Stufe (z. B. hoch/mittel/niedrig).
• Begründung beziehungsweise Signalquelle: welche Fit- und Intent-Signale zu diesem Ergebnis geführt haben — bei KI-gestützter Bewertung idealerweise die kurze Begründung, die das Modell mitliefert, nicht nur die nackte Zahl.
• Prüfstatus: ob die Einstufung automatisch erfolgte, ob und von wem sie geprüft wurde, und ob sie bestätigt oder korrigiert wurde.

Diese drei Felder erfüllen zwei Zwecke gleichzeitig. Operativ zeigen sie dem Vertrieb sofort, warum eine Anfrage oben in der Liste steht, ohne dass jemand die Originalanfrage erneut lesen muss. Und sie schaffen die Grundlage, um das System selbst zu verbessern: Wenn regelmäßig ausgewertet wird, bei welchen Kategorien Menschen die automatische Einstufung korrigieren, zeigt sich genau, wo die Regeln oder das KI-Modell nachjustiert werden müssen.

Praktisch läuft die Dokumentation über Standardfelder oder Custom-Felder im CRM, befüllt durch denselben Workflow, der auch die Qualifizierung auslöst — nicht als nachträglicher manueller Schritt. Wichtig ist ein Änderungsprotokoll: Wenn ein Score im Nachhinein manuell angepasst wird, sollte das CRM sichtbar machen, wer wann was geändert hat, statt den ursprünglichen Wert stillschweigend zu überschreiben. Für die technische Anbindung der Qualifizierungslogik ans CRM — Formular, Anreicherung, Dubletten-Prüfung, Routing — gibt es im Cluster einen eigenen, tieferen Artikel zur CRM-Automatisierung.

Umsetzung: In fünf Schritten zur ersten Lead-Qualifizierung

Schritt 1: Fit- und Intent-Signale festlegen. Auf einem Blatt sammeln, welche Datenpunkte für die eigene Zielgruppe tatsächlich zwischen guten und schlechten Anfragen unterscheiden — nicht theoretisch, sondern anhand vergangener Anfragen, die im Nachhinein zu Kunden wurden oder eben nicht.

Schritt 2: Regelwerk für strukturierte Fälle bauen. Alles, was aus Formularfeldern, verknüpften Firmendaten oder dem Herkunftskanal direkt ableitbar ist, wird zuerst als Regel umgesetzt — ohne KI. Das ist der Kern, der zuverlässig und günstig läuft.

Schritt 3: KI-Baustein für Freitext ergänzen, mit definierter Schwelle. Erst wenn der Regelkern läuft, kommt ein KI-Schritt für Freitext dazu — mit einer festen Konfidenzschwelle, unter der eine Anfrage automatisch in die Prüf-Warteschlange geht statt in eine automatische Endkategorie.

Schritt 4: Dokumentation ins CRM verdrahten. Score, Begründung und Prüfstatus werden vom selben Workflow geschrieben, der die Qualifizierung durchführt — nicht als späterer Zusatzschritt, der bei Zeitdruck als Erstes wegfällt.

Schritt 5: Vier bis sechs Wochen beobachten, dann nachjustieren. Wie oft korrigiert der Vertrieb die automatische Einstufung, und in welche Richtung? Häufige Korrekturen in dieselbe Richtung sind das direkteste Signal dafür, welche Regel oder welcher Prompt angepasst werden muss.

Zum Aufwand, als Bandbreite mit Annahmen aus der Projektpraxis: Ein reines Regelwerk für strukturierte Fit-Signale — vorhandenes CRM, ein bis zwei Formulare, Middleware-Ansatz vorausgesetzt — ist meist eine Sache von wenigen Tagen. Ergänzt man einen KI-Baustein für Freitext-Intent inklusive Konfidenzschwelle, Prüf-Warteschlange und CRM-Dokumentation, wird daraus schnell ein Vorhaben von zwei bis vier Wochen, weil Prompt-Tests, Schwellenwert-Kalibrierung und die Abstimmung mit dem Vertriebsteam Zeit brauchen. Eine pauschale Kostenzahl ohne diesen Kontext wäre erfunden — sie hängt stark davon ab, wie viele Kanäle angebunden werden und wie sauber die CRM-Datenbasis heute schon ist.

Wenn du dabei Unterstützung willst — von der Signal-Auswahl bis zum laufenden Workflow —, ist das der Zuschnitt meiner KI- und Automatisierungsberatung. Für Teams, die die Umsetzung selbst übernehmen wollen, gibt es passende Schulungen.

Eigenes Modell: Fit- und Intent-Signale gewichten

Diese Matrix verwende ich in Erstchecks, um für ein Unternehmen zu klären, welche Signale in die Qualifizierung einfließen sollten und wie sie technisch umgesetzt werden:

Signal	Beispiel	Datenform	Umsetzungsweg
Firmengröße	Mitarbeitendenzahl aus Formular oder Firmendatenbank	strukturiert	Regel
Branche	Branchencode oder Freitextangabe	strukturiert bis gemischt	Regel, bei Freitext KI-Klassifikation
Rolle der anfragenden Person	Jobtitel aus Formular oder Signatur	strukturiert bis gemischt	Regel, bei fehlendem Feld KI-Extraktion
Herkunftskanal	Kontaktformular „Beratung” vs. Download-Formular	strukturiert	Regel
Anfrageinhalt/Dringlichkeit	Freitext im Nachrichtenfeld	unstrukturiert	KI mit Konfidenzschwelle
Konkretheit der Fragen	Preis-/Umsetzungsfrage vs. allgemeine Info	unstrukturiert	KI mit Konfidenzschwelle
Reaktionsverhalten	Antwortzeit auf Rückfrage	strukturiert (Zeitstempel)	Regel
Widersprüchliche Signale	starkes Fit-, schwaches Intent-Signal oder umgekehrt	gemischt	Mensch (Prüf-Warteschlange)

Eigenes Bewertungsmodell Philogic Labs, abgeleitet aus Beratungs- und Umsetzungsprojekten.

Ein Rechenbeispiel zur Einordnung: Eine Anfrage über das Kontaktformular „Beratung anfragen” von einer Person mit Titel „Head of Operations” bei einem Unternehmen passender Größe, mit der Freitextangabe „wir brauchen bis Ende des Quartals eine Lösung, weil unser bisheriges Tool abgekündigt wird” — Fit-Signale (Größe, Rolle, Kanal) sprechen eindeutig für hohe Priorität, das KI-gestützte Intent-Signal aus dem Freitext bestätigt Dringlichkeit mit hoher Konfidenz. Ergebnis: automatisches Routing mit hoher Priorität. Eine Anfrage über dasselbe Formular, aber mit der Freitextangabe „interessiert mich grundsätzlich, aber wir haben aktuell kein Budget dafür” — hier widersprechen sich Fit (passt) und Intent (kein aktueller Bedarf). Dieser Fall gehört in die Prüf-Warteschlange, nicht in eine automatische Endkategorie, weil ein Mensch entscheiden muss, ob das ein Fall für eine spätere Wiedervorlage statt für sofortigen Sales-Kontakt ist.

Risiken und Grenzen

• Falsch positive Einstufungen binden Vertriebszeit. Eine Anfrage, die automatisch als hoch priorisiert markiert wird, obwohl sie es nicht ist, kostet Zeit, die an anderer Stelle fehlt — Stichproben und ein sichtbares Fehlerprotokoll fangen das früh ab.
• Falsch negative Einstufungen kosten Geschäft. Eine tatsächlich dringende Anfrage, die in der niedrigen Kategorie landet, ist der teurere Fehler, weil er oft erst auffällt, wenn der Kontakt längst woanders gekauft hat.
• KI-Ausgaben sind nicht deterministisch. Dieselbe Anfrage kann je nach Formulierung leicht unterschiedlich bewertet werden. Ohne Konfidenzschwelle und Stichprobenprüfung werden solche Schwankungen unbemerkt zu Fakten im CRM.
• Datenbasis ist die eigentliche Voraussetzung. Ein Qualifizierungssystem auf einem CRM ohne saubere Pflichtfelder oder mit vielen Dubletten qualifiziert auf wackligem Fundament — die Datenqualität gehört vor die Qualifizierungslogik, nicht danach.
• Der Prüfschritt darf kein Feigenblatt sein. Ein „Human-in-the-Loop”, der Ergebnisse ungeprüft durchwinkt, erfüllt weder den betrieblichen Zweck noch — bei rechtlich relevanten Fällen — die Anforderung an eine eigenständige menschliche Bewertung.
• Scoring ersetzt kein Verkaufsgespräch. Ein hoher Score bedeutet eine hohe Priorität in der Bearbeitung, keine Kaufzusage. Die inhaltliche Einschätzung, ob und wie verkauft wird, bleibt beim Menschen.

Keine dieser Grenzen spricht gegen automatisierte Lead-Qualifizierung — sie sprechen gegen den Versuch, sie ohne Prüf-Warteschlange, ohne Dokumentation und ohne beobachtete Fehlerquote produktiv zu setzen.

Checkliste: Bereit für die automatisierte Lead-Qualifizierung?

1. Fit- und Intent-Signale definiert: Beide Gruppen sind benannt, nicht nur die leicht verfügbaren Fit-Daten.
2. Regelwerk für strukturierte Signale steht: Firmengröße, Branche, Kanal — nachvollziehbar dokumentiert.
3. KI-Baustein nur dort, wo Regeln nicht greifen: Freitext-Auswertung ist auf die Fälle begrenzt, die es wirklich braucht.
4. Konfidenzschwelle für Unsicherheit festgelegt: Es gibt eine dritte Kategorie „unklar” mit Übergabe an einen Menschen.
5. Prüf-Warteschlange hat einen Owner: Jemand ist verantwortlich, sie regelmäßig durchzugehen, nicht „irgendwer, wenn Zeit ist”.
6. CRM-Dokumentation läuft automatisch mit: Score, Begründung und Prüfstatus werden vom selben Workflow geschrieben wie die Qualifizierung.
7. Änderungsprotokoll vorhanden: Manuelle Korrekturen überschreiben den ursprünglichen Wert nicht stillschweigend.
8. Fehlerquote wird beobachtet: Nach vier bis sechs Wochen ist ausgewertet, wie oft und in welche Richtung der Vertrieb korrigiert.
9. Datenschutzfragen sind vorab geklärt: Bei personenbezogener Bewertung ist mit der Datenschutzbeauftragten abgestimmt, dass der menschliche Prüfschritt echte Substanz hat.
10. Startpunkt ist der Regelkern, nicht der KI-Baustein: Die erste produktive Version läuft ohne KI und beweist erst danach, wo Freitext-Auswertung wirklich nötig ist.

Wenn drei oder mehr Punkte offen sind: erst das Regelwerk und die Datenbasis klären, dann den KI-Baustein ergänzen. Bei der Priorisierung hilft eine zweite Meinung — melde dich gern.