KI im CRM: Datenpflege, Lead Scoring und Forecast (2026)

Salesforce verlangt für ein eigenes Modell beim Opportunity Scoring mindestens 200 gewonnene und 200 verlorene Deals aus 24 Monaten. Wie viele davon hast du sauber gepflegt in deinem CRM? Fast jedes CRM wirbt 2026 mit KI, mit Agenten, die Felder ausfüllen, mit Lead-Scores und genaueren Forecasts. Das eigentliche Problem vieler Vertriebsteams liegt aber eine Ebene tiefer, bei den Daten.

Im State of Sales Report 2026 von Salesforce sagen 51 Prozent der Vertriebsleitungen, dass getrennte Systeme ihre KI-Vorhaben bremsen. 74 Prozent der Befragten arbeiten an der Datenbereinigung, und unter den leistungsstärksten Vertrieblern achten 79 Prozent auf saubere Daten, bei den schwächeren nur 54 Prozent.

Ich gehe die KI-Funktionen deshalb in der Reihenfolge durch, in der sie aufeinander aufbauen: erst Datenpflege, dann Scoring, dann Deal-Risiken und Forecast. Zu jeder Funktion steht dabei, in welchem Tool und Tarif sie steckt, und es gibt eine Prompt-Vorlage, mit der du ohne Zusatzlizenz anfangen kannst. Die Herstellerangaben stammen aus den Hilfeseiten von HubSpot, Salesforce, Pipedrive und Gong, abgerufen am 2. Oktober 2026, weitere Vertriebs-Tools zeigt der Vergleich KI-Tools für den Vertrieb. Wie du ohne Zusatzlizenz deine offenen Deals auf sechs Warnsignale prüfst, steht im Risiko-Check in Abschnitt 5.

Sieben KI-Funktionen, die aufeinander aufbauen

Die Aufwandsangaben sind Einschätzungen für die Einrichtung, keine Messwerte.

Ohne diese Grundlagen rechnet keine KI richtig

Das Minimum sind Pflichtfelder für Deal-Phase, Betrag, Abschlussdatum, Verantwortlichen und nächsten Schritt. Fehlen sie, kann keine KI etwas vorhersagen. Jede Deal-Phase braucht außerdem ein überprüfbares Kriterium, etwa „Angebot verschickt“ statt „Kunde interessiert“, sonst lernt ein Modell aus Bauchgefühl.

Unterschätzt werden die verlorenen Deals. Gewonnene und verlorene Abschlüsse gehören mit Verlustgrund ins CRM, denn für jedes Modell zählen die Verluste genauso viel wie die Gewinne.

Für Auswertungen von Exporten brauchst du einen KI-Assistenten im Business-Tarif, etwa ChatGPT Business, Claude Team oder Microsoft 365 Copilot. CRM-Exporte enthalten personenbezogene Daten und gehören nur in freigegebene Tarife. Und jemand muss für die Datenqualität zuständig sein, in kleinen Teams die Vertriebsleitung, in größeren RevOps. Ohne Zuständigkeit verfällt jede Bereinigung nach drei Monaten.

1. Dubletten und Formatfehler bereinigen

Dieselbe Firma steht als „Müller GmbH“, „Mueller GmbH“ und „Müller GmbH & Co. KG“ im CRM, mit drei Verantwortlichen und drei halben Historien. Berichte zählen doppelt, Kunden bekommen doppelte Mails.

Exakte Treffer gleichen CRMs automatisch ab. HubSpot dedupliziert Kontakte über die E-Mail-Adresse und Firmen über die Domain. Für ähnliche Einträge gibt es Dublettenvorschläge im Bereich Datenqualität, dazu werden Formatfehler wie uneinheitliche Schreibweisen erkannt.

Massenkorrekturen und Automatisierung für Formatfehler gibt es laut HubSpot ab Data Hub Starter, Warnungen bei Auffälligkeiten in Eigenschaften erst ab Data Hub Professional. Ähnliche Funktionen haben Pipedrive und Salesforce. Fehlen sie in deinem Tarif, nimm einen KI-Assistenten und einen Export. Er findet Schreibvarianten, die eine exakte Suche übersieht.

Hier ist ein Export unserer Firmendatensätze als CSV mit den Spalten ID, Firmenname, Domain, PLZ, Ort, Verantwortlicher, Anzahl Deals: [Datei hochladen].
Finde mögliche Dubletten. Berücksichtige: Schreibvarianten (ae/ä, ue/ü, ss/ß), Rechtsformen (GmbH, GmbH & Co. KG, AG), Abkürzungen, gleiche Domain bei unterschiedlichem Namen, gleiche Adresse.
Gib eine Tabelle aus mit: Gruppen-Nr., IDs der Kandidaten, Grund für den Verdacht, Sicherheit (hoch, mittel, niedrig), Vorschlag, welcher Datensatz der Hauptdatensatz bleibt (der mit den meisten Deals).
Führe nichts zusammen. Nenne Fälle, in denen es sich um verschiedene Standorte oder Tochterfirmen handeln könnte, getrennt.

Zusammenführen lässt sich oft nicht rückgängig machen. Prüf die Vorschläge also, vor allem bei Konzernen mit Tochterfirmen und mehreren Standorten. Bei großen Dateien zählt KI ungenau, Stichproben im CRM sind Pflicht.

2. Daten anreichern

Ein Kontakt kommt über ein Formular mit Name, E-Mail und Firma. Branche, Mitarbeiterzahl und Standort fehlen, und damit die Grundlage für Fit-Scoring und Gebietsaufteilung.

Anreicherungs-Funktionen ergänzen Firmendaten anhand der Domain. In HubSpot verbraucht die Datenanreicherung laut HubSpot keine Credits und lässt sich für neue Datensätze automatisch einschalten. Für Merkmale, die in keiner Datenbank stehen, gibt es Smart Properties: Sie füllen Felder per Websuche, aus der Website der Firma, aus anderen Feldern oder aus Gesprächen und Notizen. Jeder Lauf verbraucht HubSpot Credits, auch wenn kein Wert gefunden wird.

Für den DACH-Markt liefert Leadfeeder (ehemals Dealfront) Firmendaten auf Basis von Handelsregistern, Clay kombiniert viele Datenquellen mit einem KI-Rechercheagenten. Für Einzelfälle reicht ein KI-Assistent mit Websuche.

Recherchiere zur Firma [Firmenname, Domain] diese Angaben für unser CRM:
Branche (eine Kategorie aus dieser Liste: [eure Branchenliste]), Mitarbeiterzahl als Spanne, Hauptsitz, weitere Standorte in DACH, Rechtsform, eingesetzte Software in [für euch relevanter Bereich], falls öffentlich.
Gib das Ergebnis als Tabelle mit den Spalten Feld, Wert, Quelle (Link), Stand der Quelle.
Wenn du eine Angabe nicht findest, schreib „nicht gefunden“. Schätze keine Mitarbeiterzahlen. Recherchiere nur das Unternehmen, keine Privatpersonen.

Angereicherte Daten veralten, also leg fest, wie oft sie aktualisiert werden. Bei Personendaten aus Datenbanken musst du die Herkunft kennen und eine Rechtsgrundlage haben. Die Unterschiede zwischen den Datenanbietern stehen im Vergleich KI-Tools für den Vertrieb.

3. Gesprächsnotizen automatisch in Felder schreiben

Nach dem Call soll der Vertriebler Budget, Zeitplan, Entscheider, Wettbewerber und nächsten Schritt ins CRM tippen. Vollständig passiert das selten. Das CRM zeigt dann einen Stand von vor zwei Wochen, und jede Prognose darauf ist falsch.

Meeting-Assistenten schreiben Zusammenfassungen und nächste Schritte ins CRM. HubSpot Smart Properties können Werte aus Anrufprotokollen, E-Mails, Meeting-Transkripten und Notizen ziehen. Salesforce hat mit dem Pipeline Management Agent einen Agenten, der laut Salesforce nach jedem Kundenkontakt Felder aktualisiert und nächste Schritte vorschlägt. Auch tl;dv und Gong übertragen Gesprächsinhalte in HubSpot oder Salesforce. Welche Meeting-Assistenten es gibt und was sie kosten, steht im Vergleich der KI-Meeting-Assistenten.

Hier ist das Transkript eines Vertriebsgesprächs mit [Firma]: [Transkript einfügen].
Fülle diese CRM-Felder. Nutze nur Informationen, die im Gespräch genannt wurden:

Budget (Betrag oder Spanne, sonst „nicht genannt“)
Entscheidungszeitpunkt
Entscheider und weitere Beteiligte mit Rolle
Aktuelle Lösung oder Wettbewerber
Wichtigstes Problem des Kunden (Zitat)
Vereinbarter nächster Schritt mit Datum und Verantwortlichem
Vorgeschlagene Deal-Phase nach unseren Kriterien: [Phasen mit Kriterien einfügen]
Gib zu jedem Feld die Stelle im Transkript an (Zeitstempel oder Zitat). Wenn eine Angabe unklar ist, schreib „unklar“ und warum.

Aufzeichnung und Transkription brauchen die Zustimmung aller Teilnehmenden. Und die KI überträgt auch Missverständnisse: Sagt der Kunde „vielleicht im Herbst“, darf daraus kein festes Abschlussdatum werden. Lass Vertriebler die vorgeschlagenen Werte bestätigen, statt sie ungeprüft zu übernehmen.

4. Lead Scoring, regelbasiert oder prädiktiv

Der Vertrieb bekommt mehr Leads, als er sinnvoll bearbeiten kann, und arbeitet sie in der Reihenfolge des Eingangs ab. Gute Leads warten, schwache fressen Zeit.

Für die Priorisierung gibt es zwei Ansätze, die sich stärker unterscheiden, als es die Werbung vermuten lässt:

In HubSpot baust du Fit-Scores (Merkmale wie Branche, Größe, Rolle) und Engagement-Scores (Aktionen wie Website-Besuche, Klicks, Downloads) mit Punkten. Mit Marketing Hub Enterprise kann die KI aus deinen Kontaktdaten Kriterien und Punkte vorschlagen, die du vor dem Aktivieren prüfst und änderst. Vollständig prädiktiv ist die Eigenschaft „Likelihood to close“: die Wahrscheinlichkeit, dass ein Kontakt innerhalb von 90 Tagen Kunde wird, berechnet aus Website- und Mail-Aktivität, CRM-Interaktionen und Firmendaten. Dazu kommt die Eigenschaft „Contact priority“, die Kontakte in Stufen einteilt. Beides gibt es nur mit Marketing Hub Enterprise oder Sales Hub Enterprise.

Unser Rat: Starte regelbasiert, auch wenn dein Tarif mehr kann. Einen Score, den Vertrieb und Marketing gemeinsam festgelegt haben, nutzt das Team. Einen, den niemand erklären kann, ignoriert es. Zum prädiktiven Modell wechselst du, wenn du genug Abschlüsse hast und den regelbasierten Score mit echten Ergebnissen vergleichen kannst. Den ersten Entwurf der Kriterien kann dir ein KI-Assistent aus einer Auswertung deiner gewonnenen Kunden ableiten.

Hier ist ein Export unserer Leads der letzten 12 Monate mit den Spalten Branche, Mitarbeiterzahl, Rolle, Quelle, Anzahl Website-Besuche, Downloads, Webinar-Teilnahme, Ergebnis (Kunde geworden ja/nein): [Datei hochladen].
Unser Zielkundenprofil: [ICP in drei Sätzen].

Vergleiche Leads, die Kunde wurden, mit denen, die es nicht wurden. Welche Merkmale und Aktivitäten kommen bei Kunden deutlich häufiger vor? Nenne die Anteile in beiden Gruppen.
Schlage ein Scoring mit maximal 100 Punkten vor: höchstens 6 Fit-Kriterien und 6 Engagement-Kriterien, jeweils mit Punkten und Begründung aus den Daten.
Schlage einen Schwellenwert für die Übergabe an den Vertrieb vor.
Nenne Kriterien, die verzerrt sein könnten, etwa weil eine Quelle nur in einem Zeitraum lief.
Rechne nachvollziehbar und kennzeichne, wo die Datenmenge für eine Aussage zu klein ist.

Jeder Score bildet die Vergangenheit ab. Hat dein Team bisher vor allem in einer Branche gewonnen, bevorzugt das Modell diese Branche, auch wenn du gerade eine neue erschließt. Prüf den Score deshalb jedes Quartal gegen die tatsächlichen Abschlüsse.

5. Deal-Risiken erkennen

In der Pipeline stehen Deals, die seit Wochen keine Aktivität haben. Bei anderen wurde das Abschlussdatum dreimal verschoben, oder es hat nie jemand mit einem Entscheider gesprochen. Im Pipeline-Review fallen sie erst auf, wenn es zu spät ist.

Deal-Scores bewerten offene Deals laufend. Die Tools rechnen aber unterschiedlich, und das musst du beim Lesen wissen:

HubSpot zeigt im Deal die fünf wichtigsten Faktoren und den Verlauf des Scores.

Hast du keine Lizenz für Deal-Scores im CRM oder in Gong, reicht für den Anfang ein Export mit klaren Warnregeln.

Hier ist ein Export unserer offenen Deals mit den Spalten Deal, Betrag, Phase, Tage in Phase, ursprüngliches und aktuelles Abschlussdatum, letzte Aktivität, Anzahl Kontakte beim Kunden, Entscheider bekannt (ja/nein), nächster Schritt mit Datum: [Datei hochladen].
Unsere übliche Verweildauer pro Phase: [Phase und Tage].
Markiere jeden Deal mit diesen Warnsignalen:

Länger in der Phase als üblich.
Abschlussdatum mindestens einmal verschoben.
Keine Aktivität seit mehr als 14 Tagen.
Nur ein Kontakt beim Kunden.
Kein Entscheider bekannt.
Kein nächster Schritt mit Datum.
Gib eine Tabelle aus, sortiert nach Betrag mal Anzahl der Warnsignale. Formuliere für die zehn wichtigsten Deals je eine konkrete Frage an den Verantwortlichen für das Pipeline-Review.

HubSpot schreibt selbst, dass Deal-Scores nur zur Information dienen und nicht der einzige Faktor für Geschäftsentscheidungen sein sollen. Ein niedriger Score heißt nicht, dass ein Deal verloren ist. Er ist ein Anlass für eine Frage.

Und Scores über Deals werden schnell zu Scores über Vertriebler. Dazu mehr im Abschnitt Recht.

6. Forecast

Der Forecast entsteht aus Phasen-Wahrscheinlichkeiten und dem Bauchgefühl der Vertriebler. Optimisten melden zu viel, Vorsichtige zu wenig, und am Quartalsende überrascht die Zahl alle.

KI liefert hier eine zweite, datenbasierte Sicht. Das Forecast-Tool von HubSpot rechnet standardmäßig mit den Wahrscheinlichkeiten der Deal-Phasen. Zusätzlich gibt es eine KI-Projektion aus den gewonnenen Deals der letzten drei Monate. Sie ist laut HubSpot im Beta-Status, erfordert Sales Hub oder Service Hub Professional oder Enterprise und soll nur eine zusätzliche Perspektive liefern.

Gong gibt an, mit über 300 Signalen Deal-Ergebnisse 20 Prozent genauer vorherzusagen als Algorithmen, die nur auf CRM-Daten beruhen. Das ist eine Herstellerangabe ohne unabhängige Prüfung. Für größere Teams bietet Salesloft nach der Fusion mit Clari Forecasting aus einer Hand. Plausibilisieren kannst du jeden Forecast auch mit einem KI-Assistenten.

Hier sind drei Dateien:

Unser Forecast für [Quartal] pro Vertriebler mit Commit, Best Case und Pipeline: [Datei].
Die offenen Deals mit Betrag, Phase, Abschlussdatum und letzter Aktivität: [Datei].
Die Forecasts und tatsächlichen Abschlüsse der letzten vier Quartale pro Vertriebler: [Datei].
Berechne:
a) Den gewichteten Pipeline-Wert nach unseren Phasen-Wahrscheinlichkeiten: [Phase und Prozent].
b) Pro Vertriebler die Abweichung zwischen Forecast und Ergebnis in den letzten vier Quartalen.
c) Deals im Commit, bei denen das Abschlussdatum im Quartal liegt, die aber seit 14 Tagen keine Aktivität haben.
Fasse zusammen: Wo liegen Forecast und Daten am weitesten auseinander, und welche fünf Fragen sollte die Vertriebsleitung vor der Meldung klären? Zeige alle Rechenwege.

Eine KI-Prognose aus drei Monaten erfasst keine Saisoneffekte und keine großen Einzeldeals. Rechnungen prüfst du in einer Tabelle nach. Und denk daran: Wer den Forecast pro Person mit dem Ergebnis vergleicht, macht eine Leistungsauswertung.

7. Pipeline-Reviews vorbereiten

Im wöchentlichen Pipeline-Review geht jeder Vertriebler alle Deals durch. Das dauert, und die wichtigen Deals bekommen nicht mehr Zeit als die unwichtigen.

Lass die KI das Review vorbereiten. Sie zeigt, was sich seit letzter Woche verändert hat und welche Deals eine Entscheidung brauchen. Das Review wird kürzer und dreht sich um die Ausnahmen. Dafür reichen zwei Exporte (diese Woche und letzte Woche) und ein KI-Assistent, oder du nutzt den Assistenten im CRM, etwa Breeze in HubSpot oder Ask Attio in Attio.

Hier sind zwei Exporte unserer offenen Deals: Stand letzte Woche und Stand heute. Spalten: Deal, Verantwortlicher, Betrag, Phase, Abschlussdatum, nächster Schritt.
Erstelle eine Vorlage für das Pipeline-Review mit diesen Abschnitten:

Bewegung: Deals, die eine Phase vor- oder zurückgegangen sind, neu hinzugekommen, gewonnen oder verloren wurden.
Veränderungen: Betrag oder Abschlussdatum geändert, mit alt und neu.
Stillstand: Deals ohne Änderung, deren nächster Schritt in der Vergangenheit liegt.
Entscheidungen: Deals über [Betrag], bei denen das Team diese Woche etwas entscheiden muss.
Pro Verantwortlichem maximal drei Fragen. Bewerte keine Personen, nur Deals.

Ein Export zeigt nur Felder, die Zusammenhänge kennt das Team. Das Gespräch im Review bleibt also, es wird nur gezielter.

CRM-Assistenten im Vergleich: HubSpot, Salesforce, Pipedrive

Angaben laut Herstellerdokumentation, Stand 2. Oktober 2026. Preise und Tarifdetails für HubSpot Sales Hub, Pipedrive und Attio stehen im Vergleich KI-Tools für den Vertrieb. Für Salesforce nennt der Hersteller die Preise auf salesforce.com.

Von der Datenpflege zur Prognose in sieben Schritten

1. Miss deinen Datenbestand: Wie viele Dubletten gibt es, wie viele Deals ohne Betrag, ohne Abschlussdatum, ohne nächsten Schritt? Das ist deine Ausgangslage.
2. Leg Pflichtfelder und Phasen fest, jede Phase mit einem prüfbaren Kriterium und Pflichtfeldern beim Phasenwechsel.
3. Bereinige einmal gründlich. Dubletten zusammenführen, alte Deals schließen, Verlustgründe nachtragen. Danach schaltest du die automatische Dublettenprüfung und Anreicherung ein.
4. Automatisiere die Notizen mit einem Meeting-Assistenten mit CRM-Anbindung, mit Einwilligung der Gesprächspartner und, falls vorhanden, nach Abstimmung mit dem Betriebsrat.
5. Führ ein regelbasiertes Scoring ein. Kriterien legen Marketing und Vertrieb gemeinsam fest, dazu einen Schwellenwert, und nach einem Quartal prüft ihr gegen die Abschlüsse.
6. Nutze Deal-Scores und Forecast-Projektionen als zweite Meinung. Spannend sind im Review die Deals, bei denen Score und Einschätzung des Vertriebs auseinanderliegen.
7. Teste prädiktive Modelle erst, wenn genug Abschlüsse mit sauberen Daten vorliegen, und vergleiche sie mit dem regelbasierten Modell.

Wo CRM-KI-Projekte kippen

Der häufigste Fehler ist, mit dem Forecast anzufangen. Prognosen auf schlechten Daten sind präzise falsch, also kommt erst die Datenpflege, dann die Vorhersage. Dazu gehört, verlorene Deals zu schließen: Ein Modell, das nur Gewinne kennt, kann nichts unterscheiden.

Scores ohne Erklärung scheitern am Vertrieb. Versteht dort niemand, warum ein Lead 80 Punkte hat, arbeitet das Team weiter nach Gefühl. Ähnlich bei KI-Werten, die ungeprüft ins CRM wandern, denn aus „vielleicht im Herbst“ wird schnell ein festes Abschlussdatum.

Behalte außerdem die Credits im Blick. Agenten und Smart Properties verbrauchen bei jedem Lauf welche, teste also erst mit einer kleinen Auswahl. Und nutz Deal-Scores nie als Leistungsbewertung. Das ist arbeitsrechtlich heikel und zerstört das Vertrauen in die Daten.

Recht und Datenschutz

Ein CRM enthält personenbezogene Daten von Kunden, Interessenten und den eigenen Vertriebsleuten, und KI-Funktionen werten diese Daten neu aus. Darauf kommt es an:

Bleibt die Frage, wann Art. 22 DSGVO beim Lead Scoring greift. Der Artikel schützt vor Entscheidungen, die ausschließlich automatisiert fallen und rechtliche Wirkung haben oder die Person ähnlich erheblich beeinträchtigen. Der EuGH hat am 7. Dezember 2023 entschieden, dass schon ein automatisch berechneter Score eine solche Entscheidung sein kann, wenn er für das Ergebnis maßgeblich ist (C-634/21, SCHUFA). Nach unserer Einschätzung erreicht ein typischer B2B-Lead-Score, der nur die Reihenfolge der Anrufe bestimmt, diese Schwelle meist nicht.

Anders kann es aussehen, wenn ein Score automatisch festlegt, wer welche Preise, Zahlungsbedingungen oder überhaupt einen Vertrag bekommt, besonders gegenüber Verbrauchern oder Einzelunternehmern. Dann muss ein Mensch die Entscheidung wirklich prüfen und davon abweichen können.

Heikel sind auch die Daten deiner Beschäftigten. Deal-Scores, Aktivitätsberichte und Forecast-Abweichungen lassen sich pro Vertriebler auswerten, und nach ständiger Rechtsprechung des Bundesarbeitsgerichts reicht für die Mitbestimmung schon die objektive Eignung zur Überwachung. Gibt es einen Betriebsrat, binde ihn vor der Einführung ein und regle Zweck, Zugriff und Auswertungen in einer Betriebsvereinbarung.

Saubere CRM-Daten sind auch die Grundlage für bessere Angebote und gezieltes Coaching. Wie KI beim Schreiben von Angeboten hilft, zeigt der Ratgeber Angebote und Proposals mit KI erstellen. Wie Teams Gesprächsanalysen für Einwandbehandlung und Onboarding nutzen, steht im Ratgeber Einwandbehandlung und Sales-Coaching mit KI. Und die Frage vom Anfang beantwortest du mit dem ersten der sieben Schritte: Miss deinen Datenbestand, bevor du einer Prognose traust.