Künstliche Intelligenz im Einsatz
Konkrete Praxisbeispiele für smartere Vertriebs- und Projektentscheidungen
Der Blog beschreibt, wie künstliche Intelligenz in kleinen und mittleren Unternehmen dabei helfen kann, Vertriebs- und Projektentscheidungen zu verbessern, mit greifbaren Beispielen, smarterer Datennutzung und schnelleren, faktenbasierten Strategien. Im Blog werden praxisnahe Tools und Workflows vorgestellt, mit denen die verantwortlichen Teams ihre Entscheidungen gezielter und datengetrieben treffen können.
*********************
In meinen Trainings und Gesprächen mit Vertriebs- und Projektmanagement-Teams kleiner und mittelständischer Unternehmen stoße ich häufig auf wiederkehrende, sich teils verstärkende Herausforderungen.
Zum Beispiel erzählte mir kürzlich ein Produktmanager in einem familiengeführten Maschinenbauer, dass sein Team kaum über Marktinformationen zu bestehenden Kundensegmenten hinaus verfügt. Die Folge: Unklare Positionierung im Wettbewerb und eine Go-to-Market-Strategie, die eher auf Produktfeatures als auf tatsächlichen Kundenbedürfnissen basiert.
Ähnlich erlebe ich es in meinen Projektmanagement-Seminaren, wenn es um Chancen- und Risikoabschätzung geht. Ein Teilnehmer, Projektleiter in einem IT-Dienstleister, berichtete mir, wie lukrative Aufträge im Pitch untergehen, weil potenzielle Risiken zu hoch oder chancenreiche Aspekte gar nicht erkannt werden. Gleichzeitig fehlen oft strukturierte Stakeholder Maps und Rollenspiele zur Verhandlungs- und Gesprächsvorbereitung, sodass wichtige Verhandlungen suboptimal geführt werden.
In einem weiteren Fall schilderte mir ein Vertriebsmitarbeiter aus dem Dienstleistungssektor, dass Markt- und Kundenbewertungen meist nach „Bauchgefühl“ erfolgen. Das mag aufgrund jahrelanger Erfahrung funktionieren doch bei der Erschließung neuer Märkte oder Kundengruppen reicht es nicht aus. Fehlende oder falsch zugeordnete KPIs lassen wertvolle Informationen ungenutzt verstreichen, was sich kurz- und langfristig in verpassten Umsätzen und geringerer Rendite niederschlägt.
Genau hier setzt künstliche Intelligenz schon heute an: Sie kann Daten automatisch aus verschiedenen Quellen zusammenführen, objektive Markt- und Wettbewerbsanalysen liefern und Verhandlungs- oder Risikoszenarien in Echtzeit simulieren. Voraussetzung ist allerdings, dass die Anwender im Unternehmen wissen, wie sie diese Werkzeuge gezielt einsetzen.
Im Folgenden möchte ich anhand konkreter Anwendungsbeispiele zeigen, wie KI-gestützte Tools die skizzierten Lücken schließen und das volle Potenzial mittelständischer Vertrieb- und Projektteams freisetzen können.
Beachte: Alle nachfolgenden KI-gestützten Analysen und Workflows erfolgen ausschließlich über verschlüsselte API-Schnittstellen und unter Einhaltung der DSGVO-Vorgaben, um den Schutz sensibler Unternehmens- und Kundendaten jederzeit sicherzustellen.
🧭Fehlende Market Intelligence
In vielen mittelständischen Unternehmen werden Marktinformationen heute noch auf klassische Weise eingekauft und über Wochen aus unterschiedlichen Quellen, Branchenportalen, AHK-Reports, Newsfeeds, manuell und langwierig zusammengetragen. Das kostet Zeit und Geld und liefert, wenn überhaupt, oft nur fragmentarische Einsichten.
Mit ChatGPT Web-Browsing oder dem Code-Interpreter können Sie diese Recherche in wenigen Stunden erledigen:
Web-Scraping & GPT-Bericht
Mit einem kurzen Python-Skript (z. B. in VS Code mit GitHub Copilot) extrahieren Sie automatisch strukturiert Projektlisten und Investitionsvolumina von Branchenportalen.
Anschließend lassen Sie ChatGPT per Prompt („Fasse mir die Top 10 Anbieter und deren Investitionsbudget im xxx-maschinenmarkt DACH zusammen“) aus den Rohergebnissen einen klaren Bericht generieren.
NLP-Analyse öffentlicher Ausschreibungen
Öffentliche Tender-PDFs (z. B. von bund.de oder TED EU Tenders) werden via LangChain oder Azure Form Recognizer in Text umgewandelt.
Ein einfacher Prompt in ChatGPT („Filter alle Ausschreibungen zu Automatisierungslösungen in Bayern mit einem Volumen > 1 Mio. € und erstelle eine Relevanzliste“) liefert sofort Prioritäten nach Region, Branche und Umsatzpotenzial.
Investitionszyklen vorhersagen
Laden Sie historische Absatzdaten als CSV in den ChatGPT Code-Interpreter oder nutzen Sie Copilot für Zeitreihen.
Prompt: „Prognostiziere auf Basis der Jahresabsätze 2010–2024 die nächsten Absatzhochs und ‑tiefs im Maschinenbau in Deutschland.“
Ergebnis: Grafische Darstellung und tabellarische Prognose, mit der Sie Kunden proaktiv ansprechen, bevor eine Neuanschaffung ansteht.
Branchenstruktur-Insights per LLM
Ein auf Marktanalyse spezialisiertes GPT („Branchen-GPT“) bekommt per API-Zugriff Ihre bereinigten Daten und beantwortet Fragen wie „Wer sind die Top 5 Player im Bereich Halbleiter-Kühlung und in welchen Projekten sind sie aktuell aktiv?“
Mit diesen konkreten Werkzeugen heben Sie Market-Intelligence-Potenziale nicht nur schneller, sondern auch kostengünstiger als mit klassischen Dienstleistern und gewinnen handfeste, datengestützte Entscheidungsgrundlagen für Ihre Go-to-Market-Strategie. Die spätere Auswertung auf der Basis der Informationen erfolgt in Teamarbeit und auf Basis von langjährigen Erfahrungen.
🎯Strategische Positionierung & Go-to-Market
In vielen mittelständischen Unternehmen entscheidet der Vertriebsmitarbeiter mit Blick auf seine persönlichen Ziele und Provisionen individuell, welchen Märkten/Kunden er den Vorrang gibt. Dadurch entstehen unterschiedliche Einschätzungen, ob ein neuer Markt als M1, M2 oder M3 einzustufen ist und selbst Partnerprofile werden oft auf Basis inkonsistenter Kriterien definiert. Das führt zu uneinheitlichen Strategien und verpassten Synergien. Die Markterfahrungen der Vertriebsmitarbeiter sollten auf der Basis quantitativer Marktinformationen einen Mehrwert bringen.
Mit LLM-gestützten Workflows lässt sich dieser Wildwuchs eindämmen:
Dynamische Markt-Scoring-Matrix in Google Sheets + Gemini
Importieren Sie Markt-KPIs (Marktgröße, Wettbewerberzahl, Eintrittsbarrieren, politische Stabilität) in Google Sheets.
Starten Sie Gemini über das Sheets-Sidebar-Add-on und prompten: „Vergib jedem Markt auf einer Skala von 1–10 Punkte für Attraktivität basierend auf Spalten A–D und gib eine sortierte Liste aus.“
Ergebnis: Eine Heatmap, in der M1-Märkte klar hervorgehoben sind, ohne manuelle Gewichtung.
Einheitliche Partner-Profile mit ChatGPT API + Copilot in PowerPoint
Sammeln Sie Partner-Daten (Umsatz, Branchenerfahrung, Netzwerkgröße) in einer Tabelle.
Rufen Sie über Copilot in VS Code ein kurzes Python-Skript auf, das die Daten per API an ChatGPT schickt.
Die Ausgabe fügen Sie direkt in eine PowerPoint-Folie ein, einheitlich und handlungsorientiert.
Automatisierte Value Proposition Canvas via ChatGPT im Browser
Öffnen Sie ChatGPT und laden Sie Ihr CRM-Segmentexport (CSV oder JSON).
Prompten Sie: „Erstelle mir eine Value Proposition Canvas für Produkt X im Markt Y basierend auf diesen Kundendaten: {Daten}.“
ChatGPT liefert ein vollständiges Canvas mit Kundenbedürfnissen, Schmerzpunkten und passenden Nutzenargumenten.
Verhandlungssimulation als Online-Training mit Claude AI
Stellen Sie Ihren Vertriebsmitarbeitern die Canvas-Ergebnisse und Partnerprofile zur Verfügung.
Starten Sie in Claude AI | ChatGPT eine simulierte Verhandlung: „Spiele den Einkaufspartner aus Markt Z, nenne Einwände und nutze die Value Proposition Canvas aus Schritt 3.“
Claude oder ChatGPT liefert anschließend individuelle Tipps, welche Argumente mit welchen Nutzenpunkten am stärksten sind.
Mit diesem Ansatz haben Sie nicht nur eine einheitliche Entscheidungsgrundlage für Märkte und Partner, sondern schaffen gleichzeitig eine skalierbare, datengetriebene Basis für anschließende Trainings und Verhandlungen, ganz ohne unklare Incentivierungseffekte und manuelle Matrixpflege.
🚦Risiko- und Chancenbewertung
In vielen KMU basieren Projektentscheidungen nach wie vor auf subjektiven Einschätzungen, was für etablierte Vorhaben vielleicht ausreicht, bei neuen, dynamischen Marktanforderungen aber schnell zu Fehlinvestitionen führt. Ungenaue ROI‑, Payback- oder NPV-Berechnungen verzögern Entscheidungen, binden Ressourcen unnötig und bringen oft nicht den erwarteten Ertrag.
Mit konkreten KI-Tools lässt sich dieser Prozess deutlich professionalisieren:
Szenario-Berechnungen mit ChatGPT Code Interpreter
CSV-Exports aus CRM und ERP (Budget, Kosten, Umsätze) laden Sie direkt in den Code Interpreter hoch.
Prompt: „Berechne NPV, IRR und Payback für Best- und Worst-Case-Szenarien auf Basis der Daten in Spalten A–D und gib eine Vergleichstabelle aus.“
Das Ergebnis: Eine strukturierte Excel-Tabelle mit allen Kennzahlen und automatisierten Kommentaren zu den kritischsten Parametern.
Abschlusswahrscheinlichkeiten per ChatGPT-API
Über ein kurzes Python-Skript (VS Code + Copilot) lesen Sie historische Abschlussraten und aktuelle Marktsignale ein.
ChatGPT liefert eine prozentuale Wahrscheinlichkeit plus Textbegründung („hohe Eintrittsbarrieren, aber starke Referenzprojekte“).
Visuelle Heatmaps & Utility-Analysen in Power BI Copilot
Laden Sie alle Kennzahlen (NPV, Risiko-Score, Abschlusswahrscheinlichkeit) in Power BI.
Mit dem integrierten Copilot-Chat erzeugen Sie per Prompt: „Erstelle eine 2×2‑Heatmap, bei der Achsen X = Risiko-Score und Y = NPV sind und markiere die Top‑3 Projekte für sofortige Freigabe.“
Ergebnis: Ein interaktives Dashboard, das auf einen Blick zeigt, welche Vorhaben Priorität haben.
Durch diese kombinierten KI-Schritte, von der automatisierten Kennzahlberechnung über das Risiko-Mapping bis zur interaktiven Visualisierung, werden Chancen- und Risikobewertungen nicht nur präziser, sondern auch deutlich schneller und für alle Beteiligten nachvollziehbar.
🌐Stakeholder- und Beziehungsmanagement
In meiner Praxis erlebe ich immer wieder, wie unvollständige oder fragmentierte Stakeholder-Daten zu halbherziger Verhandlungsvorbereitung führen, besonders bei internationalen Projekten können kulturelle Missverständnisse schnell Reputation und Geschäftsbeziehungen gefährden.
Mit dem Code-Interpreter von ChatGPT lade ich Excel-Listen oder PDF-Organigramme in den Chat, gebe ihm den Auftrag, alle internen und externen Entscheider samt Einflussstärke und Eskalationspfaden aufzulisten und erhalte binnen Sekunden eine übersichtliche Tabelle sowie eine einfache ASCII-Visualisierung, die ich direkt in Tools wie Miro oder Kumu importiere.
Für simulierte Preis- und Service-Level-Gespräche öffne ich in Microsoft Teams den Copilot-Chat, formuliere einen passenden Prompt: „Du bist der CFO bei Kunde X in Japan. Führe jetzt ein Verhandlungsgespräch über unsere Lieferkonditionen und stelle kritische Fragen.“
Copilot übernimmt die Rolle des Gegenübers, liefert typische Einwände („Ihre Garantie ist unzureichend“) und gibt mir live Tipps, wie ich mit Verweisen auf Total-Cost-of-Ownership oder Referenzprojekte kontern kann direkt im Team-Chat, ohne dass ich eigene Rollenspielpartner brauche.
Bevor ich in eine internationale Verhandlung gehe, bitte ich ChatGPT im Browser um eine kurze Kultur-Checkliste, auch unter Berücksichtigung der Kulturdimensionen von Hofstede oder Meyer:
„Nenne mir die fünf wichtigsten Do’s & Don’ts für Verhandlungen mit japanischen Geschäftspartnern.“
So entstehen präzise Hinweise zu Visitenkarten-Übergabe, Sitzordnung und Small Talk, die ich als Meeting-Agenda nutze.
Schließlich habe ich in Power Automate oder n8n einen Flow eingerichtet, der bei jedem neuen CRM-Eintrag automatisch ChatGPT per Connector füttert:
„Fasse die letzten drei E‑Mail- und Meeting-Protokolle mit Kunde X zusammen und liste die aktuellen Pain-Points auf.“
Das Ergebnis landet direkt als PDF in dem Teams-Kanal, ein standardisiertes Briefing, das die Kollegen ohne langes Suchen sofort nutzen können.
Auf diese Weise schließen sich Datenlücken und stärkt sich die Verhandlungssicherheit, zudem wird dafür gesorgt, dass alle Beteiligten kulturell und fachlich optimal vorbereitet in jedes Gespräch gehen.
⚙️Instrumente und Controlling
In meinen Trainings fällt mir immer wieder auf, dass Vertriebs- und Projektteams oft ohne einheitliche Kennzahlen arbeiten, das führt zu verzögerten Reaktionen auf Marktveränderungen und verpassten Chancen. Dabei lässt sich genau hier mit KI-gestützten Mini-Workflows schnell Abhilfe schaffen.
Ein einfaches Beispiel ist der ChatGPT Code Interpreter: Ich lade täglich die aktuellen CRM- und ERP-Exporte als CSV in den Chat hoch und bitte ChatGPT per Prompt, die wichtigsten KPIs zu berechnen – etwa Umsatz pro Kunde, durchschnittliche Projektlaufzeit und Budgetabweichung. ChatGPT erstellt mir automatisch eine Tabelle und ein kleines Balkendiagramm, das ich direkt als PNG herunterladen und in meine Management-Präsentation übernehmen kann.
Für ein automatisches Frühwarnsystem setze ich in n8n folgenden Flow auf:
Trigger: Jeden Morgen um 7 Uhr startet ein Zeitplan-Node.
Datenabruf: Ein HTTP-Request-Node holt die letzten Verkaufszahlen aus unserem internen System als JSON.
Analyse: Ein OpenAI-Node sendet die Daten mit dem Prompt
„Prüfe, ob der Auftragseingang der letzten sieben Tage 15 % unter dem Monatsdurchschnitt liegt, und gib eine Warnung aus, wenn ja.“
Ausgabe: Ein E‑Mail-Node verschickt mir und meinem Vertriebsteam automatisch eine kurze Zusammenfassung („Achtung: Auftragseingang um 18 % unter Soll, vor allem in Produktgruppe X“).
Mit solchen leicht umsetzbaren KI-Bausteinen stellen Vertriebs- und Projektmannschaften sicher, dass alle relevanten KPIs täglich transparent zur Verfügung stehen und man frühzeitig auf Abweichungen reagieren kann. Die einzelnen Mitarbeiter werden somit ermächtigt, fundiertere und schnellere Entscheidungen zu treffen.
