Lead-Scoring mit KI: Leads automatisch priorisieren

Dein Vertrieb arbeitet Anfragen meist in der Reihenfolge ab, in der sie eintreffen, nicht in der Reihenfolge ihres Werts. Wer jede Woche 150 Leads bekommt und davon vielleicht 15 wirklich kaufen können, verbrennt so den größten Teil seiner Vertriebszeit an den falschen Kontakten, während die guten Anfragen kalt werden. Lead-Scoring mit KI dreht diese Logik um: Erst wird bewertet, dann wird angerufen.

Lead-Scoring mit KI bewertet jede Anfrage automatisch nach Passung (Fit) und Kaufsignalen (Verhalten) und gibt ihr eine Priorität, bevor ein Mensch Zeit investiert. Prädiktive Modelle lernen dafür aus deinen gewonnenen und verlorenen Leads im CRM, ein Sprachmodell kann zusätzlich Freitext aus Formularen einordnen. Wirklich wertvoll wird das Scoring erst, wenn es Routing, Follow-up und die Gebotsstrategie deiner Ads steuert.

Klassisches vs. prädiktives Lead-Scoring: Wo liegt der Unterschied?

Klassisches Lead-Scoring ist ein Punktesystem, das du selbst definierst. Jobtitel „Geschäftsführung“ gibt 15 Punkte, ein Besuch der Preisseite 10, eine Freemail-Adresse zieht 10 ab. Das ist transparent und schnell gebaut, hat aber einen Haken: Die Gewichte sind Bauchgefühl. Niemand prüft, ob der Besuch der Preisseite in deinem Markt tatsächlich mit Abschlüssen zusammenhängt.

Prädiktives Lead-Scoring geht den umgekehrten Weg. Ein Modell schaut sich an, welche Merkmale historisch bei Leads auftraten, die zu Kunden wurden, und welche bei denen, die versandet sind. Daraus leitet es eine Wahrscheinlichkeit oder einen Score ab. Salesforce beschreibt Einstein Lead Scoring zum Beispiel so, dass Leads von 1 bis 99 danach bewertet werden, wie gut sie zu deinen bisherigen Konversionsmustern passen. HubSpot geht einen Mittelweg: Die KI wertet vergangene Kontakte aus und schlägt Kriterien und Punktwerte vor, die du vor dem Aktivieren noch anpassen kannst.

Die dritte, neuere Variante ist die Klassifizierung mit einem Sprachmodell. Sie ersetzt kein statistisches Modell, löst aber ein Problem, das Punktesysteme nie gut konnten: Freitext. Ob jemand im Feld „Ihr Anliegen“ ein konkretes Projekt mit Zeitrahmen beschreibt oder nur eine Bewerbung schickt, erkennt ein LLM zuverlässig genug, um Anfragen vorzusortieren.

Fit- und Verhaltenssignale: Was gehört in den Score?

Ein brauchbarer Score trennt zwei Fragen. Erstens: Passt dieser Kontakt grundsätzlich zu uns? Zweitens: Zeigt er gerade Kaufabsicht? HubSpot bildet genau das in seinem Scoring-Tool ab, mit getrennten Scores für Fit und Engagement und einem kombinierten Score, der beide in einer Matrix von A1 bis C3 zeigt. Der Buchstabe steht für die Passung, die Zahl für das Engagement. Ein A1-Lead passt und ist aktiv, ein C1-Lead ist aktiv, aber nicht deine Zielgruppe.

Typische Fit-Signale im B2B sind Branche, Unternehmensgröße, Rolle der Ansprechperson, Land und eingesetzte Technologie. Im E-Commerce mit Großkunden-Anteil kommen Bestellvolumen und Kundentyp dazu. Verhaltenssignale sind Besuche von Preis- und Vergleichsseiten, Demo-Anfragen, wiederholte Rückkehr innerhalb weniger Tage, Antworten auf E-Mails und die Kampagne, über die der Lead kam. Wichtig ist der Zeitfaktor: Ein Whitepaper-Download vor acht Monaten sagt wenig über heute. HubSpot bietet dafür einen Punkteverfall für Engagement-Gruppen an, der in Intervallen von 1, 3, 6 oder 12 Monaten linear wirkt.

Negative Signale sind mindestens so wichtig wie positive. Bewerbungen, Dienstleister, die dir etwas verkaufen wollen, Studierende mit Rechercheanfragen und Wettbewerber verzerren jeden Score, wenn du sie nicht aktiv herausrechnest.

Die Datengrundlage im CRM: ohne saubere Stufen kein Modell

Jedes prädiktive Modell braucht ein klares Ergebnis, aus dem es lernen kann. Das ist der häufigste Engpass. Wenn in deinem CRM nicht sauber gepflegt ist, welche Leads qualifiziert, welche gewonnen und welche verloren wurden, lernt das Modell aus Rauschen.

Die Anbieter nennen konkrete Mindestmengen. HubSpot verlangt für KI-gestützte Kontakt-Scores Marketing Hub Enterprise und mindestens 50 Kontakte, davon 25 konvertierte und 25 nicht konvertierte. Salesforce nennt in seinem Einstein-Implementierungsleitfaden für ein eigenes Modell mindestens 1.000 Leads, die in den letzten 200 Tagen angelegt wurden, von denen mindestens 120 konvertiert sein müssen. Reicht die Datenbasis nicht, nutzt Einstein ein globales Modell aus anonymisierten Daten vieler Salesforce-Kunden und wechselt auf dein eigenes Modell, sobald dieses besser abschneidet. Laut Leitfaden werden die Scores etwa alle zehn Tage neu analysiert.

Pipedrive arbeitet anders. Die Funktion „Scores“ bewertet laut Hilfecenter ausschließlich Deals, ist ab dem Premium-Tarif verfügbar und regelbasiert: Kriterien bringen +25, +10 oder −10 Punkte, pro Pipeline ist ein Score aktiv. Eine KI-Komponente beschreibt die Dokumentation nicht. Wer in Pipedrive prädiktiv scoren will, braucht also eine externe Lösung oder baut die Bewertung über ein Automations-Tool.

So setzt du KI-Lead-Scoring in fünf Schritten um

Schritt 1: Zielereignis festlegen. Definiere, was ein „guter Lead“ ist, und zwar messbar. Für die meisten B2B-Teams ist das nicht der Formular-Eingang, sondern ein Sales Qualified Lead oder ein Deal ab einer bestimmten Stufe. Dieses Ereignis ist das, worauf das Modell trainiert und worauf später deine Ads optimieren.

Schritt 2: Daten aufräumen. Prüfe für die letzten 6 bis 12 Monate, ob jeder Lead eine Lifecycle-Stufe und einen Verlustgrund hat. Ergänze fehlende Firmendaten, vereinheitliche Branchen- und Größenfelder. Ohne diesen Schritt sind alle folgenden Zahlen wertlos.

Schritt 3: Basismodell im CRM aktivieren. Nutze, was dein CRM kann. In HubSpot ab Enterprise die KI-Vorschläge, in Salesforce Einstein Lead Scoring, in Pipedrive die regelbasierten Scores als Startpunkt. Schreib die Schwellen fest, zum Beispiel: Score ab 70 geht innerhalb einer Stunde an den Vertrieb, 40 bis 69 in eine Nurturing-Strecke, darunter in den Newsletter.

Schritt 4: LLM-Klassifizierung für Freitext ergänzen. In n8n gibt es dafür den Text-Classifier-Knoten. Du legst Kategorien mit kurzer Beschreibung an, etwa „Projektanfrage mit Budget“, „allgemeine Frage“, „Bewerbung“, „Vertriebsangebot an uns“. Nicht eindeutige Fälle kannst du in einen eigenen Zweig „Other“ leiten, statt sie zu verwerfen. In Make funktioniert das Gleiche über die OpenAI-Integration. Das Ergebnis schreibst du als eigenes Feld ins CRM, nicht direkt in den Score, damit du seine Treffsicherheit getrennt prüfen kannst. Wie die anschließende Nachfass-Strecke aussieht, haben wir in Lead-Follow-up automatisieren beschrieben.

Schritt 5: Score in die Werbekonten zurückspielen. Hier entsteht der eigentliche Performance-Hebel. Google empfiehlt für Leadgenerierung, Offline-Conversions möglichst täglich hochzuladen, Werte pro Lead-Stufe zu hinterlegen und wertbasiert zu bieten, wenn sich Leads unterschiedlich bewerten lassen. Erweiterte Conversions für Leads gleichen dabei gehashte Daten wie die E-Mail-Adresse ab. Achtung: Laut Google-Hilfe laufen diese Uploads ab dem 15. Juni 2026 über die Data Manager API statt über die Google Ads API. Bei Meta verbindet die Conversions API für CRM deine Lead-Stufen mit dem Leistungsziel „Conversion-Leads“. Die Voraussetzungen laut Meta: mindestens 200 Leads pro Monat, mindestens ein Upload pro Tag, die Zielstufe wird innerhalb von 28 Tagen erreicht und hat eine Conversion-Rate zwischen 1 und 40 Prozent. Das Leistungsziel funktioniert derzeit nur mit Lead Ads über Instant Forms.

Rechenbeispiel: Was Priorisierung in Zahlen bedeutet

Ein vereinfachtes Beispiel für ein B2B-Softwareunternehmen: 400 Leads pro Monat, 5 Prozent werden Kunden, also 20 Abschlüsse. Ohne Scoring verteilt das Team seine Zeit gleichmäßig, jeder Lead bekommt rund 20 Minuten Erstqualifizierung, zusammen etwa 133 Stunden.

Trennt der Score die Leads in drei Gruppen, sieht die Rechnung anders aus. Angenommen, das obere Viertel (100 Leads) enthält 14 der 20 späteren Kunden. Dann liegt die Abschlussquote dort bei 14 Prozent, im Rest bei 2 Prozent. Bekommen die Top-Leads 40 Minuten und die übrigen 300 eine automatisierte Strecke plus 5 Minuten Prüfung, sinkt der Aufwand auf etwa 92 Stunden, und die Zeit fließt dorthin, wo 70 Prozent des Umsatzes entstehen.

Die Formeln dahinter sind einfach: Konzentration = Anteil der Abschlüsse im Top-Segment ÷ Anteil der Leads im Top-Segment. Im Beispiel 70 % ÷ 25 % = 2,8. Ein Wert um 1 heißt, der Score trennt nicht besser als Zufall. Je deutlicher der Wert darüber liegt, desto mehr bringt die getrennte Behandlung der Gruppen.

Kennzahlen: Woran du erkennst, ob dein Scoring funktioniert

Miss nicht, ob der Score „gut aussieht“, sondern ob er Entscheidungen verbessert. Fünf Kennzahlen reichen:

Die Konversionsrate je Score-Band zeigt, ob hohe Scores wirklich häufiger abschließen. Die Konzentration aus dem Rechenbeispiel zeigt, wie stark der Score trennt. Die Zeit bis zum Erstkontakt für Top-Leads zeigt, ob das Routing greift. Die Vertriebsakzeptanz, also der Anteil der übergebenen Leads, die der Vertrieb als qualifiziert bestätigt, zeigt, ob Marketing und Sales dieselbe Sprache sprechen. Und der Cost per Qualified Lead in deinen Kampagnen zeigt, ob die Rückkopplung in die Ads wirkt.

Prüfe diese Werte monatlich und vergleiche sie mit einer Kontrollperiode vor dem Start. Kippt die Konversionsrate im oberen Band, haben sich meist Zielgruppe, Angebot oder Kampagnen-Mix verschoben. Dann muss das Modell neu lernen oder die Regeln müssen angepasst werden.

DSGVO: Was beim Scoring von Personen zu beachten ist

Auch B2B-Kontakte sind natürliche Personen, deren Daten du verarbeitest. Lead-Scoring ist damit in aller Regel Profiling im Sinne von Art. 4 Nr. 4 DSGVO. Art. 22 DSGVO gibt Betroffenen das Recht, keiner ausschließlich automatisierten Entscheidung unterworfen zu werden, die rechtliche Wirkung entfaltet oder sie in ähnlicher Weise erheblich beeinträchtigt. Der EuGH hat im SCHUFA-Urteil vom 7. Dezember 2023 (C-634/21) entschieden, dass schon das Erstellen eines Scores eine solche Entscheidung sein kann, wenn die Entscheidung eines Dritten maßgeblich davon abhängt.

Für die Praxis heißt das: Ein Score, der nur die Reihenfolge der Bearbeitung festlegt, ist etwas anderes als ein Score, der Anfragen automatisch ablehnt. Halte eine Person im Prozess, die Grenzfälle sieht, dokumentiere die Logik und nimm die Verarbeitung in Datenschutzhinweise und Verarbeitungsverzeichnis auf. Art. 13 verlangt Informationen über automatisierte Entscheidungsfindung, Art. 21 gibt ein Widerspruchsrecht, das bei Direktwerbung ausdrücklich auch Profiling umfasst. Das ist keine Rechtsberatung. Stimme das Setup mit deinem Datenschutzbeauftragten ab, bevor du produktiv gehst.

Wenn du Scoring, Routing und Ads-Rückkopplung als ein System aufbauen willst, schau dir unsere Leistung AI-Automation an. Für die saubere Messung der Offline-Conversions hilft Tracking & Analytics.

Häufige Fragen

Ab wie vielen Leads lohnt sich prädiktives Lead-Scoring?

Die Anbieter nennen Mindestmengen: HubSpot mindestens 50 Kontakte mit je 25 konvertierten und nicht konvertierten, Salesforce für ein eigenes Einstein-Modell 1.000 Leads in 200 Tagen, davon 120 konvertiert. Darunter ist ein gut gepflegtes Regelmodell plus LLM-Klassifizierung für Freitext meist die ehrlichere Lösung.

Kann ein Sprachmodell den Score komplett übernehmen?

Nicht sinnvoll. Ein LLM ist stark darin, Freitext einzuordnen, aber es lernt nicht automatisch aus deinen Abschlussdaten. Nutze es als zusätzliches Merkmal neben Fit- und Verhaltenssignalen und prüfe seine Treffsicherheit getrennt.

Wie bringe ich den Score in Google Ads und Meta?

Über Offline-Conversions mit Werten je Lead-Stufe. Bei Google über erweiterte Conversions für Leads, ab dem 15. Juni 2026 über die Data Manager API. Bei Meta über die Conversions API für CRM in Verbindung mit dem Leistungsziel „Conversion-Leads“ für Instant-Forms-Kampagnen.

Quellen

Du willst, dass aus mehr Blicken bei dir Kunden werden? Lass uns 15 Minuten auf dein Setup schauen, kostenlos und ohne Pitch-Deck. Jetzt Erstgespräch buchen

Lead-Scoring mit KI: Anfragen automatisch priorisieren, bevor dein Vertrieb Zeit verliert