Lead- und Account-Recherche mit KI: 7 Use Cases für den Vertrieb (2026)

Bevor ein Vertriebler die erste Nachricht schreibt, steht Recherche: Passt die Firma zu uns, was passiert dort gerade, wer entscheidet, und womit arbeitet sie heute? Genau hier spart KI laut Salesforce am meisten Zeit. Im State of Sales Report 2026 mit 4.050 befragten Vertriebsprofis erwarten die Befragten durch KI-Agenten 34 Prozent weniger Zeitaufwand für Recherche. Gleichzeitig verbringen Vertriebler laut derselben Studie nur 40 Prozent ihrer Arbeitszeit mit Verkaufen.

Dieser Ratgeber zeigt sieben Use Cases von der Zielkundendefinition bis zur priorisierten Liste. Pro Use Case findest du das Problem, die Rolle der KI, passende Werkzeuge, eine Prompt-Vorlage und die Grenzen. Am Ende steht, was die DSGVO bei B2B-Daten verlangt. Wie du die recherchierten Firmen dann rechtssicher ansprichst, erklärt der Ratgeber zu Kaltakquise und E-Mail-Sequenzen mit KI.

Die Use Cases im Überblick

Der Aufwand ist eine Einschätzung für die Einrichtung, kein Messwert. Für die Use Cases 1, 2 und 5 reicht ein KI-Assistent im Business-Tarif. Welcher zu deiner Umgebung passt, steht im Vergleich der KI-Assistenten.

1. ICP schärfen: Wer ist eigentlich dein idealer Kunde?

Problem: Viele Teams arbeiten mit einem Zielkundenbild wie „Mittelstand, 50 bis 500 Mitarbeitende, DACH“. Das trifft auf Zehntausende Firmen zu und hilft bei der Auswahl kaum. Die Folge: Recherche und Ansprache verteilen sich auf Firmen, die nie kaufen werden.

So hilft KI: Ein KI-Assistent wertet deine gewonnenen und verlorenen Deals aus und sucht Muster. Welche Branchen schließen schneller ab, bei welcher Größe ist der Deal-Wert am höchsten, welche Auslöser standen am Anfang? Daraus entsteht ein ICP mit klaren Ein- und Ausschlusskriterien. Die KI ersetzt dabei nicht dein Wissen über den Markt, sie macht es aber sichtbar und prüfbar.

Werkzeuge: Ein CRM-Export als Tabelle, etwa aus HubSpot Sales Hub oder Pipedrive, und ein KI-Assistent wie Claude Team oder ChatGPT Business, die beide Tabellen auswerten können. Entferne vorher Namen und E-Mail-Adressen von Ansprechpartnern, für die Analyse brauchst du nur Firmendaten.

Vorlage:

Du bist RevOps-Analyst. Im Anhang ist ein CRM-Export unserer Deals der letzten 24 Monate mit diesen Spalten: Branche, Mitarbeiterzahl, Land, Deal-Wert, Status (gewonnen/verloren), Dauer bis Abschluss in Tagen, Verlustgrund, Lead-Quelle.
Unser Angebot in einem Satz: [Angebot].
Schritt 1: Vergleiche gewonnene und verlorene Deals. Welche Merkmale kommen bei gewonnenen Deals deutlich häufiger vor? Nenne jeweils die Anzahl, nicht nur Prozentwerte.
Schritt 2: Formuliere daraus ein Ideal Customer Profile mit fünf bis acht Kriterien, getrennt in Muss-Kriterien und Kann-Kriterien.
Schritt 3: Nenne drei Ausschlusskriterien, also Merkmale, bei denen wir fast nie gewinnen.
Schritt 4: Kennzeichne jede Aussage, die auf weniger als zehn Deals beruht, als unsicher.
Gib das Ergebnis als Tabelle aus: Kriterium, Ausprägung, Beleg aus den Daten, Sicherheit.

Grenzen: Mit 20 Deals findet die KI eher Zufälle als Muster. Bei kleinen Datenmengen ergänze das Ergebnis um Interviews mit deinen besten Kunden. Außerdem bildet ein ICP aus der Vergangenheit nur die Märkte ab, in denen du schon unterwegs warst. Neue Segmente musst du bewusst testen.

2. Account-Research vor dem Erstkontakt

Problem: Wer eine Firma ansprechen will, klickt sich durch Website, Pressebereich, Stellenanzeigen, LinkedIn und Nachrichten. Das dauert pro Account schnell eine halbe Stunde, und am Ende steht trotzdem kein klares Bild, warum die Firma gerade jetzt interessant ist.

So hilft KI: Ein KI-Assistent mit Websuche sammelt die öffentlichen Informationen und verdichtet sie zu einem Briefing: Geschäftsmodell, Größe, jüngste Veränderungen, vermutete Herausforderungen. Wichtig ist, dass du Quellen verlangst und Fakten von Vermutungen trennen lässt. Dann prüfst du in zwei Minuten, was sonst eine halbe Stunde dauert.

Werkzeuge: Perplexity Enterprise zeigt Quellen standardmäßig an. ChatGPT Business, Claude Team und Gemini in Google Workspace haben eine Websuche und Recherche-Modi für ausführlichere Berichte. Im CRM übernimmt das der Prospecting Agent von HubSpot Sales Hub: Laut HubSpot erkennt er passende Firmen anhand von Auslösern, findet Ansprechpartner und erstellt personalisierte Entwürfe auf Basis der CRM-Daten. Für viele Accounts gleichzeitig eignet sich Clay mit dem Recherche-Agenten Claygent, der pro Zeile einer Tabelle eine Frage im Web beantwortet.

Vorlage:

Recherchiere das Unternehmen [Firmenname, Website] für ein mögliches Erstgespräch. Unser Angebot: [Angebot in einem Satz]. Unsere typischen Kunden: [ICP in zwei Sätzen].
Erstelle ein Briefing mit diesen Abschnitten:
Geschäftsmodell: was, für wen, in welchen Ländern, ungefähre Größe.
Veränderungen der letzten zwölf Monate: Führungswechsel, neue Standorte, Produkte, Übernahmen, Finanzierung, auffällige Stellenanzeigen.
ICP-Abgleich: Welche unserer Kriterien sind erfüllt, welche nicht, welche unklar?
Drei Hypothesen, welches Problem wir dort lösen könnten, jeweils mit dem Hinweis, auf welche Beobachtung sie sich stützt.
Regeln: Gib zu jeder Tatsache die Quelle mit Link und Datum an. Schreib „nicht gefunden“, wenn du etwas nicht belegen kannst. Trenne Fakten und Vermutungen sichtbar. Recherchiere keine privaten Informationen über einzelne Personen.

Grenzen: KI-Suchen finden nicht alles und verwechseln gelegentlich Firmen mit ähnlichem Namen. Prüfe deshalb die Website-Adresse und mindestens die Quellen zu den Aussagen, auf die du deine Ansprache stützen willst. Bei kleinen Firmen ohne Pressearbeit bleibt das Briefing dünn, dort sind Handelsregister-Bekanntmachungen und Stellenanzeigen oft die besten Quellen.

3. Kaufsignale und Trigger-Events finden

Problem: Eine Firma kann perfekt zum ICP passen und trotzdem gerade keinen Bedarf haben. Wer ohne Anlass anspricht, trifft meist den falschen Moment. Gute Vertriebler achten deshalb auf Ereignisse, die einen Bedarf wahrscheinlicher machen.

So hilft KI: Trigger-Events sind Veränderungen in einem Unternehmen, die zu deinem Angebot passen. Typische Beispiele:

• Personal: neue Geschäftsführung, neue Leitung im Fachbereich, viele offene Stellen in einer Abteilung.
• Wachstum: neuer Standort, Expansion in ein neues Land, Finanzierungsrunde, Übernahme.
• Technik: Wechsel des ERP- oder CRM-Systems, Stellenanzeigen, die ein bestimmtes Tool nennen.
• Interesse: wiederholte Besuche auf deiner Preisseite, Downloads, Webinar-Teilnahme.

Signal-Tools überwachen solche Ereignisse automatisch. Leadfeeder (ehemals Dealfront) nennt mehr als 40 Echtzeit-Kaufsignale und erkennt, welche Firmen deine Website besuchen. Der Prospecting Agent von HubSpot Sales Hub achtet laut Hersteller auf Unternehmensnachrichten wie Finanzierungen oder Produktstarts und auf Hinweise, dass sich eine Firma mit deinen Themen beschäftigt. Apollo.io und Clay liefern Signale wie Jobwechsel, Einstellungen und Finanzierungen. Ohne Budget reicht für den Anfang ein KI-Assistent mit Websuche, den du einmal pro Woche über deine Top-Accounts schauen lässt.

Vorlage:

Hier ist eine Liste von zehn Firmen mit Website: [Liste].
Unser Angebot: [Angebot]. Für uns sind diese Ereignisse relevant: [z. B. neue Vertriebsleitung, Eröffnung eines Standorts, Stellenanzeigen für Vertriebsinnendienst, ERP-Wechsel].
Prüfe für jede Firma, ob eines dieser Ereignisse in den letzten 90 Tagen öffentlich belegt ist. Nutze Pressemitteilungen, Stellenanzeigen auf der Firmenwebsite und Nachrichtenseiten.
Ausgabe als Tabelle: Firma, Ereignis, Datum, Quelle mit Link, warum das für unser Angebot relevant sein könnte (ein Satz).
Wenn du für eine Firma nichts findest, schreib „kein Signal gefunden“. Erfinde keine Ereignisse und schätze keine Daten.

Grenzen: Signale sind Wahrscheinlichkeiten. Eine neue Vertriebsleitung kann ein Anlass sein, sie kann aber auch erst einmal alle Projekte stoppen. Website-Besuche zeigen Firmen, keine Personen, und sagen nichts darüber, wer gesucht hat. Nutze Signale für die Reihenfolge deiner Recherche und als Gesprächsanlass, nie als Beweis für Kaufabsicht.

4. Buying Center ermitteln

Problem: Im B2B kauft selten eine einzelne Person. Wer nur mit dem ersten Kontakt spricht, erfährt oft zu spät, dass Einkauf, IT oder Geschäftsführung ein Veto haben. Das klassische Modell von Webster und Wind aus dem Jahr 1972 unterscheidet fünf Rollen im Buying Center: Nutzer, Beeinflusser, Einkäufer, Entscheider und Gatekeeper, der den Informationsfluss steuert. In vielen Darstellungen kommt der Initiator dazu, der den Bedarf zuerst erkennt.

So hilft KI: Die KI kann aus Angebot und Firmengröße ableiten, welche Rollen bei einem typischen Kauf beteiligt sind, welche Interessen sie haben und welche Fragen sie stellen werden. Das ist eine Hypothese, die du im Gespräch überprüfst. Welche konkreten Personen diese Rollen haben, recherchierst du selbst, etwa über die Team-Seite der Website oder LinkedIn. Lass die KI keine Profile einzelner Personen zusammentragen. Eine Rollenlandkarte reicht.

Werkzeuge: Ein KI-Assistent wie Claude Team oder ChatGPT Business. Der Prospecting Agent von HubSpot Sales Hub stellt laut HubSpot auch eine Buying Group zusammen. Datenbanken wie Cognism, Lusha oder Apollo.io liefern Namen und Funktionen, die du dann gegen die Website prüfst.

Vorlage:

Wir verkaufen [Angebot, Preisrahmen, Laufzeit] an Unternehmen wie [Firma oder Branche, Mitarbeiterzahl].
Erstelle eine Rollenlandkarte des typischen Buying Centers mit den Rollen Initiator, Nutzer, Beeinflusser, Einkäufer, Entscheider und Gatekeeper.
Für jede Rolle: typische Funktion oder Abteilung bei dieser Firmengröße, was diese Rolle gewinnen oder verlieren kann, zwei Fragen oder Einwände, die sie typischerweise hat, welche Information sie von uns braucht.
Markiere, welche Rollen bei dieser Firmengröße wahrscheinlich dieselbe Person sind.
Zum Schluss: drei Fragen, mit denen wir im Erstgespräch herausfinden, wer tatsächlich entscheidet und wie der Entscheidungsweg aussieht.

Grenzen: Organigramme bilden informelle Macht nicht ab. Die einflussreichste Person ist manchmal die Assistenz der Geschäftsführung oder ein langjähriger Fachexperte. Nur das Gespräch zeigt, wer wirklich entscheidet. Wie du das im Discovery-Call systematisch abfragst, steht im Ratgeber zur Call-Vorbereitung mit KI.

5. Wettbewerbs-Check: Womit arbeitet der Account heute?

Problem: Fast jeder Interessent löst sein Problem heute schon irgendwie: mit einem Wettbewerber, einer Eigenentwicklung, Excel oder gar nicht. Wer das vor dem Gespräch nicht weiß, argumentiert ins Leere.

So hilft KI: Öffentliche Hinweise auf die heutige Lösung sind oft verstreut. Stellenanzeigen nennen eingesetzte Software, Referenzseiten von Anbietern zeigen Kundenlogos, Pressemitteilungen berichten von Einführungen. Ein KI-Assistent mit Websuche sammelt diese Spuren und bereitet daraus eine Einschätzung samt Argumentationshilfe vor.

Werkzeuge: Perplexity Enterprise, ChatGPT Business oder Claude Team mit Websuche. Interne Informationen wie verlorene Deals gegen bestimmte Wettbewerber liegen in deinem CRM.

Vorlage:

Finde öffentliche Hinweise darauf, wie [Firma, Website] das Thema [Problem, z. B. Angebotserstellung im Vertrieb] heute löst.
Suche in Stellenanzeigen der Firma (genannte Software und Kenntnisse), auf Referenz- und Kundenseiten von Anbietern, in Pressemitteilungen und Fachartikeln.
Ausgabe: Tabelle mit Hinweis, Quelle mit Link, Datum, wie sicher der Hinweis ist (hoch, mittel, niedrig).
Danach: Wenn die Firma wahrscheinlich [Wettbewerber oder Lösung] nutzt, welche drei Fragen sollten wir im Erstgespräch stellen, um Zufriedenheit und Wechselbereitschaft zu verstehen, ohne den Wettbewerber schlechtzumachen?

Grenzen: Eine Stellenanzeige von vor zwei Jahren ist kein Beleg für den heutigen Stand. Achte auf das Datum der Quelle. Vergleichende Aussagen über Wettbewerber in Werbung sind nach § 6 UWG nur unter Bedingungen zulässig. Nutze die Erkenntnisse für deine Fragen im Gespräch. Behauptungen über andere Anbieter gehören nicht in die Ansprache.

6. Datenanreicherung mit Clay, Apollo und Leadfeeder

Problem: Im CRM fehlen Branche, Mitarbeiterzahl, Website oder die passende Ansprechperson. Händisch nachzupflegen dauert ewig, und ohne diese Felder funktionieren Filter und Scoring nicht.

So hilft KI: Anreicherungs-Tools ergänzen fehlende Felder automatisch und lassen KI zusätzliche Fragen beantworten. Die drei bekanntesten Ansätze unterscheiden sich stark:

Ein Hinweis zu Leadfeeder: Der Anbieter tritt inzwischen wieder unter dem früheren Namen Leadfeeder auf, die Website dealfront.com leitet dorthin weiter (Stand Oktober 2026). Preise und Datenschutz-Details aller Anbieter vergleicht der Überblick KI-Tools für den Vertrieb.

Vorlage: Für Clay und ähnliche Tools formulierst du pro Spalte eine Frage, die die KI für jede Firma beantwortet. So sieht ein guter Spalten-Prompt aus:

Besuche die Website [Website der Zeile] und, falls vorhanden, die Karriereseite.
Beantworte drei Fragen, jeweils mit „ja“, „nein“ oder „unklar“ und einem Beleg-Link:
Frage 1: Verkauft das Unternehmen an andere Unternehmen (B2B)?
Frage 2: Gibt es aktuell offene Stellen im Vertrieb?
Frage 3: Wird auf der Website ein CRM- oder ERP-System namentlich erwähnt? Wenn ja, welches?
Antworte im Format: Frage 1: Antwort, Link. Frage 2: Antwort, Link. Frage 3: Antwort, Link.
Wenn die Website nicht erreichbar ist, antworte bei allen drei Fragen mit „unklar“.

Grenzen: Anreicherung kostet Credits, und bei Wasserfall-Abfragen fällt die Rechnung schwer vorherzusagen. Teste deshalb erst mit 50 Datensätzen und prüfe stichprobenartig, wie viele Felder stimmen. Bei Kontaktdaten zählt außerdem, woher sie stammen. Modelle, bei denen Nutzer Kontaktdaten aus ihren Postfächern teilen, solltest du mit deinem Datenschutzbeauftragten besprechen, bevor du kaufst.

7. Lead-Priorisierung: Wen rufst du zuerst an?

Problem: Am Montagmorgen liegen 200 Leads im CRM. Ohne Reihenfolge arbeitet jeder Vertriebler nach Bauchgefühl ab, und die Accounts mit dem höchsten Potenzial warten.

So hilft KI: Bewährt hat sich ein einfaches Modell mit zwei Achsen: Fit (wie gut passt die Firma zum ICP) und Signal (wie wahrscheinlich ist ein Bedarf gerade jetzt). Accounts mit hohem Fit und starkem Signal kommen zuerst. Die KI kann eine Liste nach diesen Regeln bewerten, jede Bewertung begründen und dir zeigen, welche Information fehlt. Viele CRMs haben ein eingebautes Lead Scoring, etwa HubSpot Sales Hub.

Werkzeuge: Lead Scoring in HubSpot Sales Hub oder Pipedrive, für eine schnelle Bewertung einer exportierten Liste ein KI-Assistent wie Claude Team oder ChatGPT Business.

Vorlage:

Hier ist eine Liste von Accounts als Tabelle mit den Spalten Firma, Branche, Mitarbeiterzahl, Land, letzte Website-Besuche, bekannte Signale, letzter Kontakt: [Tabelle].
Unser ICP: [Muss-Kriterien und Kann-Kriterien aus Use Case 1].
Bewerte jeden Account:
Fit von 0 bis 3 (0 = Ausschlusskriterium erfüllt, 3 = alle Muss-Kriterien und mindestens zwei Kann-Kriterien).
Signal von 0 bis 3 (0 = kein Signal, 3 = mindestens zwei aktuelle, passende Signale aus den letzten 30 Tagen).
Gib eine Tabelle aus: Firma, Fit, Signal, Priorität (A = Fit und Signal mindestens 2, B = eines von beiden mindestens 2, C = Rest), Begründung in einem Satz, fehlende Information.
Sortiere nach Priorität. Bewerte nur auf Basis der Tabelle, ergänze keine Annahmen.

Grenzen: Ein Scoring ist nur so gut wie die Daten im CRM. Fehlen Branche oder Größe, rutschen gute Accounts nach unten. Lass die Regeln von den Vertrieblern mitgestalten, sonst ignorieren sie die Liste. Und prüfe nach drei Monaten, ob A-Accounts tatsächlich häufiger abschließen als C-Accounts.

Schritt für Schritt einführen

1. ICP festlegen (Woche 1). Exportiere deine Deals, lass die KI Muster suchen und diskutiere das Ergebnis mit zwei erfahrenen Vertrieblern. Schreib Muss-, Kann- und Ausschlusskriterien auf eine Seite.
2. Briefing-Vorlage einführen (Woche 1). Speichere den Prompt aus Use Case 2 als Projekt oder geteilte Vorlage im KI-Assistenten. Jeder Erstkontakt bekommt ein Briefing mit Quellen.
3. Signale definieren (Woche 2). Lege fest, welche fünf bis acht Ereignisse für dein Angebot wirklich relevant sind. Prüfe sie zuerst manuell für deine 50 wichtigsten Accounts.
4. Datenquellen prüfen (Woche 3). Bevor du ein Anreicherungs-Tool kaufst, kläre mit dem Datenschutzbeauftragten Datenherkunft, Auftragsverarbeitung und Informationspflichten. Teste mit einem kleinen Datensatz.
5. Priorisierung einführen (Woche 4). Starte mit dem Fit-und-Signal-Modell als Tabelle. Erst wenn die Regeln sich bewährt haben, baust du sie als Scoring ins CRM.
6. Messen. Vergleiche nach einem Quartal: Wie lange dauert die Recherche pro Account, wie viele Erstgespräche entstehen aus A-Accounts, wie viele aus C-Accounts?

Typische Fehler

• Ungeprüfte Fakten in der Ansprache. Eine erfundene Finanzierungsrunde in der ersten Nachricht zerstört Vertrauen sofort. Verlange Quellen und prüfe sie.
• Personen statt Rollen recherchieren. Private Social-Media-Profile, Familienstand oder Hobbys haben in deiner Recherche nichts zu suchen. Das ist datenschutzrechtlich heikel und wirkt beim Gegenüber übergriffig.
• Tool vor Strategie. Wer Clay oder Apollo kauft, bevor das ICP steht, füllt das CRM mit Kontakten, die nie kaufen.
• Signale als Kaufabsicht deuten. Ein Besuch auf der Preisseite kann auch von einem Wettbewerber oder einer Studentin stammen. Sprich nie so an, als wüsstest du, wer auf deiner Website war.
• Kundendaten in private KI-Konten. CRM-Exporte gehören nur in einen KI-Assistenten mit Business-Tarif und Auftragsverarbeitungsvertrag.

Recht und Datenschutz

Auch berufliche Kontaktdaten sind personenbezogene Daten. Name, Funktion, dienstliche E-Mail und Telefonnummer einer Ansprechperson fallen unter die DSGVO, egal ob du sie selbst recherchierst oder kaufst. Diese Punkte solltest du kennen:

Die DSGVO-Abwägung und das Wettbewerbsrecht hängen zusammen. Das Bundesverwaltungsgericht hat am 29. Januar 2025 (Az. 6 C 3.23) entschieden, dass öffentlich auffindbare Telefonnummern allein nicht für Werbeanrufe reichen und dass § 7 UWG in die Interessenabwägung nach der DSGVO einfließt. Wer Daten für eine Ansprache sammelt, die nach UWG unzulässig wäre, kann sich also kaum auf berechtigtes Interesse stützen. Die Recherche zu einer Firma ist dagegen unproblematischer als der Kontakt zu einer Person. Mehr Hintergrund liefert die KI-Recht-FAQ 2026.