In fast jedem Erstgespräch mit Interessenten taucht dasselbe Thema auf: KI. Die Frage ist selten ob man KI einsetzen will, sondern warum es noch nicht passiert ist. Meistens folgt dann eine Pause.
Das ist kein Zufall. Ich sehe in meiner Beratungspraxis ein klares Muster: Mittelständische Unternehmen haben echtes Interesse an KI, aber sie stehen vor strukturellen Hürden, die kaum jemand offen benennt. Dieser Artikel benennt sie.
Was die Zahlen sagen
Die Lage ist klar dokumentiert. Laut dem DIHK-Digitalisierungsbarometer 2025 nutzen nur 18 Prozent der mittelständischen Unternehmen in Deutschland KI-Anwendungen produktiv. 42 Prozent befinden sich in der Evaluierungsphase. Der Rest hat das Thema noch nicht ernsthaft angefasst.
Im CRM-Bereich sieht es nicht besser aus. Salesforce berichtet, dass unter europäischen Kunden weniger als ein Drittel die verfügbaren KI-Funktionen aktiviert hat. Nicht weil die Funktionen schlecht sind, sondern weil sie nie eingerichtet wurden. Die Lizenz ist da, die Features sind da, aber niemand hat den Schalter umgelegt.
In meiner eigenen Beratungspraxis bestätigt sich das Bild. Von den letzten 20 Salesforce-Kunden, die ich betreut habe, hatten genau drei Einstein-Features im Einsatz. Nicht weil die anderen es nicht wollten. Sondern weil niemand den Anfang gemacht hat.
Die echten Gründe für das Zögern
Wenn Kunden sagen, sie seien "noch nicht bereit" für KI, meinen sie selten die Technologie. Meistens meinen sie etwas anderes. Hier sind die vier Muster, die ich am häufigsten sehe.
1. Die Datenbasis fehlt
KI funktioniert nur so gut wie die Daten, auf denen sie trainiert oder betrieben wird. Im Mittelstand ist das CRM oft der schwächste Punkt: doppelte Kontakte, veraltete Firmenadressen, Deals ohne Close-Datum, Aktivitäten die niemand pflegt. Wer das weiß, ahnt: wenn wir jetzt KI draufsetzen, bekommt man schlechte Vorhersagen auf schlechten Daten. Schneller und automatisierter.
Das ist keine Ausrede, sondern eine berechtigte Beobachtung. Die Antwort ist aber nicht "erst alles sauber machen und dann KI". Die Antwort ist: KI und Datenqualität parallel angehen. KI-Tools zeigen oft schneller als jede manuelle Prüfung, wo die Datenlücken wirklich liegen.
2. Die gefühlte Komplexität schreckt ab
KI klingt nach Datenwissenschaft, nach Algorithmen, nach einem Projekt das Monate dauert und ein eigenes Team braucht. Das Bild ist falsch, aber es hält sich hartnäckig. Tatsächlich gibt es heute in Salesforce KI-Funktionen, die ein erfahrener Admin in wenigen Stunden aktivieren kann: Einstein Lead Scoring, Opportunity Insights, automatische Zusammenfassungen von E-Mail-Verläufen.
Das größere Projekt, Agentforce, ist komplexer. Aber auch dort gilt: man muss nicht sofort mit autonomen Agenten starten. Mehr dazu im Artikel Salesforce Agentforce erklärt.
3. Der ROI bleibt unklar
"Was bringt uns das konkret?" ist die Frage, die ich in jedem Entscheider-Gespräch höre. Und sie ist berechtigt. Das Problem: KI-ROI ist selten direkt messbar wie ein klassisches Software-Projekt. Man spart nicht einfach 3 FTE, man beschleunigt Prozesse, reduziert Fehler, verbessert Entscheidungsqualität.
Ich empfehle deshalb immer einen konkreten Use Case mit messbarem Outcome als Einstieg: zum Beispiel die Priorisierung von Leads durch Einstein Scoring. Man kann vorab definieren, was Erfolg bedeutet, und nach 90 Tagen nachmessen. Das macht den ROI greifbar, ohne in abstrakten Versprechungen stecken zu bleiben.
KI-ROI entsteht nicht durch ein großes Projekt, sondern durch viele kleine Entscheidungen, die schneller und besser getroffen werden. Das summiert sich.
4. Es gibt keinen Verantwortlichen
Das ist der am wenigsten besprochene, aber am häufigsten auftretende Grund. Wer treibt KI im Unternehmen voran? IT sagt, das ist ein Thema für den Vertrieb. Der Vertriebsleiter sagt, das ist Technik. Der Geschäftsführer erwartet einen konkreten Vorschlag, den niemand macht. So bleibt KI im Zustand des "wir schauen uns das mal an".
Ohne eine klare Verantwortung passiert nichts. Das muss kein dedizierter KI-Manager sein. Aber jemand muss das Thema besitzen, priorisieren und intern vorantreiben. In mittelständischen Unternehmen ist das oft der Salesforce-Admin, wenn er oder sie das Mandat dazu hat.
Was das Zögern kostet
KI ist keine statische Technologie. Die Wettbewerber, die heute anfangen, bauen einen Vorsprung auf, der schwerer wird aufzuholen als er erscheint. Nicht weil die Tools so viel besser werden, sondern weil die Daten, die Erfahrungen und die internen Prozesse rund um KI mit der Zeit wachsen.
Konkret: wer jetzt anfängt, Lead Scoring sauber einzurichten, hat in 12 Monaten ein Modell das funktioniert und verfeinert wurde. Wer in 12 Monaten anfängt, startet bei null. Der Abstand wächst nicht linear, sondern exponentiell, weil KI-Modelle mit mehr Daten besser werden.
Rechnen wir das einmal durch. Ein Vertriebsteam mit zehn Mitarbeitern verbringt ohne KI-gestütztes Lead Scoring im Schnitt 30 Prozent seiner Zeit mit Leads, die nie konvertieren. Bei einem durchschnittlichen Vertriebsgehalt von 65.000 Euro pro Jahr sind das 195.000 Euro an verschwendeter Kapazität. Einstein Lead Scoring allein kann diesen Anteil auf 15 bis 20 Prozent senken. Das sind 65.000 bis 100.000 Euro, die Sie in echte Abschlüsse umleiten.
Die Kosten des Abwartens sind nicht nur die verlorene Effizienz. Es sind die Deals, die Ihr Wettbewerber schneller bearbeitet, weil sein CRM automatisch priorisiert. Es sind die Servicefälle, die bei Ihnen manuell geroutet werden, während andere Unternehmen das in Sekunden erledigen. Und es sind die internen Reibungsverluste zwischen Vertrieb, Marketing und Service, die ein gut konfiguriertes KI-System reduziert.
Der richtige erste Schritt
Meine Empfehlung für Unternehmen, die Salesforce bereits nutzen: fangen Sie mit den KI-Funktionen an, die schon in Ihrer Lizenz enthalten sind. Einstein Activity Capture, Einstein Lead Scoring (ab Sales Cloud Enterprise), Opportunity-Prognosen. Das erfordert keine neue Infrastruktur, kein zusätzliches Budget, nur die Bereitschaft anzufangen.
Wenn Sie ernsthaft skalieren wollen, ist Agentforce der nächste logische Schritt. Meine Erfahrungen aus den ersten Kundenprojekten habe ich im Artikel Agentforce: Erfahrungen, Tipps und Best Practices zusammengefasst.
Für Unternehmen, die noch kein CRM haben oder ein schwach genutztes System haben: das ist der eigentliche erste Schritt. Denn KI auf schlechten Prozessen bringt nichts. Aber saubere Prozesse auf Basis eines gut konfigurierten CRM sind die Grundlage, auf der KI echte Wirkung entfaltet.
Ein Vergleich der Einstiegsmöglichkeiten findet sich im Artikel Salesforce KI Tools 2025 im Überblick.
Was Unternehmen tun können, die heute starten wollen
Die Hürden sind real. Aber sie sind überwindbar. Hier sind vier konkrete Schritte, die ich meinen Kunden empfehle, wenn sie KI im Unternehmen einführen wollen, ohne ein Millionenprojekt zu starten.
Schritt 1: Ein einziges Problem identifizieren
Nicht "KI einführen" als Ziel definieren, sondern ein konkretes Geschäftsproblem benennen. "Unsere Lead-Reaktionszeit beträgt 48 Stunden, das muss auf unter zwei Stunden." Oder: "Unser Forecasting basiert auf Bauchgefühl, wir brauchen datengestützte Prognosen."
Je konkreter das Problem, desto klarer der Use Case, desto schneller der messbare Erfolg. Unternehmen, die mit "Wir wollen irgendwas mit KI machen" starten, landen in endlosen Evaluierungsphasen.
Schritt 2: Daten-Inventur machen
Bevor Sie ein KI-Tool evaluieren, schauen Sie sich Ihre Datenlage an. Nicht alles, sondern gezielt: Wie vollständig sind die CRM-Daten für den gewählten Use Case? Wenn Sie Lead Scoring wollen, brauchen Sie saubere Lead-Daten mit konsistenten Feldern. Wenn Sie Churn Prediction wollen, brauchen Sie historische Kundendaten mit klaren Abwanderungsindikatoren.
Diese Inventur dauert in der Regel eine Woche. Sie zeigt, ob Sie sofort starten können oder erst Datenqualität aufbauen müssen. Beides ist ein Ergebnis. Beides bringt Sie weiter.
Schritt 3: Klein starten, schnell messen
Der größte Fehler, den ich im Mittelstand sehe: Zu großes Scope beim Erstprojekt. Statt die gesamte Vertriebsorganisation umzubauen, starten Sie mit einem Team, einem Prozess, einem KI-Feature. Einstein Lead Scoring für das Neukundenteam. Agentforce für eingehende Webformular-Leads. Automatische E-Mail-Zusammenfassungen für den Innendienst.
Messen Sie nach vier Wochen: Hat sich die Lead-Reaktionszeit verbessert? Ist die Conversion Rate gestiegen? Spart das Team nachweislich Zeit? Wenn ja, skalieren. Wenn nein, anpassen. Aber auf Basis von Daten, nicht von Gefühl.
Schritt 4: Internen Champion benennen
Jedes erfolgreiche KI-Projekt, das ich begleitet habe, hatte einen internen Champion. Jemanden, der das Thema vorantreibt, Fragen beantwortet und die Brücke zwischen Technik und Fachabteilung schlägt. Das muss kein KI-Experte sein. Es muss jemand sein, der den Geschäftsprozess versteht und die Autorität hat, Entscheidungen zu treffen.
Ohne internen Champion versanden KI-Projekte zuverlässig nach der Pilotphase. Die Technologie funktioniert, aber niemand treibt die Adoption voran.
Warum der richtige Zeitpunkt jetzt ist
Ich höre oft: "Wir warten noch ab, bis die Technologie reifer ist." Das ist nachvollziehbar, aber es übersieht einen entscheidenden Punkt: KI-Kompetenz ist keine Technologie-Frage. Sie ist eine Organisations-Frage. Und Organisationen lernen langsam.
Wer heute mit einem kleinen KI-Projekt startet, baut internes Wissen auf, das in zwei Jahren den Unterschied macht. Wer wartet, muss dann nicht nur die Technologie einführen, sondern auch die Lernkurve der gesamten Organisation nachholen. Das ist teurer und dauert länger.
Die Unternehmen, die ich aktuell berate, sind nicht die technologisch fortschrittlichsten. Es sind die, die pragmatisch genug sind, mit einem einfachen Use Case zu starten und darauf aufzubauen. Das ist der Mittelstands-Weg. Nicht die Revolution, sondern die Evolution. Schritt für Schritt, aber jetzt.
Häufige Fragen
Brauchen wir für KI in Salesforce ein eigenes KI-Team?
Nein. Die meisten KI-Funktionen in Salesforce aktiviert ein erfahrener Admin. Für komplexere Setups wie Agentforce empfiehlt sich ein externer Berater für die initiale Konfiguration. Ein eigenes KI-Team ist erst bei sehr großem Datenvolumen oder spezifischen Eigenentwicklungen notwendig.
Welche Salesforce-Lizenz brauche ich für KI-Funktionen?
Einstein Lead Scoring und Opportunity-Prognosen sind ab Sales Cloud Enterprise verfügbar. Agentforce erfordert eine separate Lizenz, die nach genutzten Agenten-Konversationen abgerechnet wird. Für einen konkreten Lizenzvergleich lohnt sich ein kurzes Gespräch, da die Optionen sich je nach aktuellem Salesforce-Vertrag unterscheiden.
Wie lange dauert die Einführung von KI im CRM?
Das hängt stark vom Ausgangszustand ab. Einstein Lead Scoring lässt sich in gut strukturierten Orgs in wenigen Tagen aktivieren. Ein vollständiger Agentforce-Einsatz mit eigenen Agents dauert typischerweise vier bis acht Wochen, inklusive Testing und Schulung. Die Datenvorbereitung ist oft der zeitintensivste Teil.
Was, wenn unsere CRM-Daten nicht sauber genug sind?
Das ist der häufigste Einwand und er ist berechtigt. Trotzdem: warten bis alle Daten perfekt sind ist keine Strategie. Ich empfehle, mit einem klar abgegrenzten Datensatz zu starten, zum Beispiel nur Neukunden-Leads der letzten 18 Monate, und dort KI einzusetzen. Die Ergebnisse zeigen dann gezielt, wo die Datenqualität verbessert werden muss.
Wann lohnt sich KI im Mittelstand wirklich?
Ab etwa 50 aktiven CRM-Nutzern und einem klaren Vertriebsprozess sehe ich in der Praxis konkreten Nutzen. Darunter ist oft die manuelle Datenpflege das drängendere Problem. Der entscheidende Faktor ist nicht die Unternehmensgröße, sondern die Disziplin bei der CRM-Nutzung.
Wie viel Budget sollte ein Mittelständler für ein erstes KI-Projekt einplanen?
Für einen fokussierten Use Case (z.B. Lead Scoring oder automatische Lead-Qualifizierung) rechne ich mit 15.000 bis 30.000 Euro inklusive Beratung, Konfiguration und Schulung. Dazu kommen die laufenden Lizenzkosten, die je nach Tool zwischen 50 und 550 Euro pro Nutzer und Monat liegen. Der ROI sollte sich innerhalb von sechs Monaten zeigen.
Brauche ich einen Datenwissenschaftler im Team, um KI einzusetzen?
Nein. Moderne CRM-Plattformen wie Salesforce oder HubSpot bieten KI-Features, die ein erfahrener Admin konfigurieren kann. Für komplexere Anwendungen (Custom Models, individuelle Agenten) kann externe Beratung sinnvoll sein, aber ein Datenwissenschaftler im Team ist für den Einstieg nicht notwendig.
Was passiert, wenn das KI-Projekt scheitert?
Die meisten KI-Projekte scheitern nicht an der Technologie, sondern an unklaren Zielen, schlechter Datenqualität oder fehlender Adoption. Wenn Sie mit einem klar definierten Use Case und messbaren Zielen starten, ist das Risiko überschaubar. Im Worst Case haben Sie Ihre Datenqualität verbessert und interne KI-Kompetenz aufgebaut. Beides hat einen Wert, auch wenn der konkrete Use Case angepasst werden muss.
Wenn Sie wissen wollen, welcher konkrete erste Schritt für Ihr Unternehmen sinnvoll ist, helfe ich Ihnen dabei. Ich schaue mir Ihr CRM-Setup an, identifiziere wo KI sofort Wirkung entfalten kann und was strukturell aufgebaut werden muss, damit es auch langfristig funktioniert. Ohne Buzzwords, ohne übertriebene Versprechen.
