Zhenya BankouskiKI-Transformation verläuft in B2B-Unternehmen ungleich. Sie kommt in umkämpften Märkten mit geringen Margen am schnellsten voran und dort am langsamsten, wo der Wettbewerbsdruck niedrig ist. Innerhalb jedes Unternehmens tragen sie einige Power User, während alle anderen so arbeiten wie 2021. Die Unternehmen, die Ergebnisse erzielen, behandeln KI als System mit einem Verantwortlichen, einer Umsatzkennzahl und einem Wartungsplan, nicht als Sammlung persönlicher Tools.
Der unbequeme Teil ist dieser. Die meisten Unternehmen transformieren sich nicht. Einige Menschen in ihnen schon.
Bei Revenue Wizards arbeiten wir auf der kommerziellen Seite von B2B-Unternehmen (Sales, Marketing, Customer Success und die Systeme darunter). Im letzten Jahr ist KI in fast jedes Kundengespräch gerutscht. Manchmal ist sie die ganze Agenda. Manchmal spricht der CEO sie in den letzten fünf Minuten des Calls an.
Und das Bild, das wir sehen, ist nicht das aus den Vendor-Präsentationen. Es ist lückenhaft. Ungleich. Teuer auf eine Weise, die noch niemand misst. Unsere eigene Studie RevOps in 2026 unter 123 Fachleuten in Mid-Market-B2B-SaaS-Unternehmen zeigte dieselbe Lücke: 73% haben einen KI-Auftrag, aber nur 38% verfügen über die einheitlichen Daten, um ihn zu stützen.
Hier ist also, was wir tatsächlich beobachten, wo die Forschung es bestätigt und welche Fragen wir inzwischen stellen, bevor wir einen einzigen Agent bauen.
KI-Transformation im B2B in sechs Zahlen
| Zahl | Was sie misst | Quelle |
|---|---|---|
| Etwa 5% | GenAI-Pilotprojekte, die zu schnellem Umsatzwachstum führten | MIT NANDA, 2025 |
| 78% | KI-Nutzer, die eigene KI-Tools zur Arbeit mitbringen | Microsoft und LinkedIn, 2024 |
| 52% | KI-Nutzer, die ungern zugeben, KI für ihre wichtigsten Aufgaben zu nutzen | Microsoft und LinkedIn, 2024 |
| Etwa 6% | Unternehmen, die als KI-High-Performer gelten | McKinsey, 2025 |
| 16% auf 43% | Logistikunternehmen mit aktivem KI-Ansatz, innerhalb eines Jahres | Annual Study of Logistics and Transportation Trends, 2026 |
| Etwa 205% | Wachstum der Stellenanzeigen für GTM Engineers, 2024 auf 2025 | Onfire |
Jede Zahl ist in dem Abschnitt, in dem wir sie verwenden, mit ihrer Quelle verlinkt.
KI-Adoption hängt davon ab, wie stark Ihr Markt Sie unter Druck setzt
KI-Transformation sieht bei unseren Kunden nicht gleich aus. Nicht einmal annähernd.
Unternehmen in Branchen mit hartem Wettbewerb und dünnen Margen setzen KI besser ein. Sie müssen es. Wenn Ihr Wettbewerber schnelleres Outbound, schärferes Targeting oder einen günstigeren Support hat, spüren Sie das innerhalb eines Quartals in Ihrer Pipeline. An der Spitze der Technologie zu stehen ist für sie kein Nice to have, sondern eine Frage des Überlebens.
Dann gibt es Branchen wie Logistik und Fertigung. Auch hier spreche ich von der kommerziellen Seite, nicht von der Fabrikhalle. Die Adoption verläuft dort langsamer, und soweit ich sehe, liegt das an zwei Dingen.
- Weniger Druck. Weniger neue Anbieter, längere Kundenbeziehungen, langsamere Sales-Zyklen. Niemand wird bis Freitag disruptiert.
- Geringere Mobilität von Talenten. Menschen bleiben länger in ihren Rollen. Weniger neue Mitarbeitende bringen frische Gewohnheiten aus einem KI-nativen Unternehmen mit.
Laut Forschung ignorieren diese Branchen KI nicht, sie stecken zwischen Ausprobieren und Skalieren fest. Die Annual Study of Logistics and Transportation Trends 2026 zeigte, dass der Anteil der Logistikunternehmen mit aktivem KI-Ansatz in einem Jahr von 16% auf 43% stieg, während nur 7% den Empfehlungen der KI stark vertrauen (Supply Chain 24/7). In der Fertigung kommt eine Umfrage von Parsec auf 72% Adoption, wobei nur 10% KI über ihr gesamtes Netzwerk skaliert haben (Parsec).
Viele Pilotprojekte. Sehr wenig Rollout. Das deckt sich mit dem, was wir sehen.
KI-Power-User und alle anderen in einem Unternehmen
Sehen Sie sich einen einzelnen Kunden genauer an, und dieselbe Ungleichheit taucht wieder auf.
Es gibt Champions. Menschen, die KI jeden Tag nutzen und still einen großen Teil ihrer eigenen Arbeit automatisiert haben. Und es gibt Menschen, die ihren Job genau so machen wie 2021.
Dies ist die Ära des stark befähigten Einzelnen. Ein neugieriger Account Executive mit guten Prompts und ein paar Automatisierungen erledigt heute die Recherche, Vorbereitung und das Follow-up, für das früher ein kleines Team nötig war.
Was sie unterscheidet, ist weder Seniorität noch technisches Können. Es ist Neugier. Die Menschen, die immer wieder fragen "Wie könnte dieser Teil meiner Woche schneller gehen?", holen fast den gesamten Nutzen heraus und verbrauchen die meisten Tokens, für die das Unternehmen bezahlt.
Vieles davon passiert außerhalb offizieller Programme. Der Work Trend Index 2024 von Microsoft und LinkedIn ergab, dass 78% der KI-Nutzer eigene KI-Tools zur Arbeit mitbringen (Fortune).
Warum KI-Champions ihr Wissen für sich behalten
Das ist die größte Herausforderung, die wir bei Kunden sehen.
Wissen wandert nicht von den Champions zu den anderen. Wer herausgefunden hat, wie man die Vorbereitung eines Calls von einer Stunde auf zehn Minuten verkürzt, behält das oft für sich. Es gibt keine Lunch-Session. Es wird nicht aufgeschrieben.
Ich halte das nicht für Böswilligkeit. Es geht um Jobsicherheit. Im selben Work Trend Index sagten 52% der KI-Nutzer, dass sie ungern zugeben, KI für ihre wichtigsten Aufgaben zu nutzen, und 53% befürchteten, dadurch ersetzbar zu wirken. Nur 39% hatten von ihrem Arbeitgeber eine KI-Schulung erhalten (Virtualization Review).
So entsteht ein Unternehmen, in dem die KI-Kompetenz in einer Handvoll persönlicher Accounts steckt. Wenn eine dieser Personen geht, geht die Kompetenz mit.
Warum KI eine Sammlung persönlicher Hacks bleibt statt eines Systems
Trotz Enablement, Workshops und Lizenzen fällt es Menschen schwer, die Zusammenhänge herzustellen.
Stellen Sie sich eine typische Sales-Organisation vor (eine Illustration, kein bestimmter Kunde). Ein Rep hat einen starken Prompt für Call-Zusammenfassungen. Jemand im Marketing betreibt einen Enrichment-Flow. Eine Führungskraft hat ein Custom GPT für Angebote gebaut. Alle drei sind nützlich. Keines spricht mit den anderen, und keines schreibt zuverlässig ins CRM zurück.
Das ist keine Transformation. Das ist eine Sammlung persönlicher Produktivitäts-Hacks.
In Systemen zu denken heißt zu fragen, wo Daten hereinkommen, was mit ihnen passiert, wo sie landen und wer auf ihrer Basis handelt. Und dann zu entscheiden, wo KI in diese Kette gehört. Die meisten Teams haben nie gelernt, ihre Arbeit so zu betrachten, und KI macht diese Lücke sichtbarer, nicht kleiner. Unser KI-Playbook für Sales und RevOps zeigt Workflow für Workflow, wie das aussieht.
Warum noch niemand die Kosten von KI misst
Das hat mich überrascht. Im Moment macht sich fast niemand, mit dem wir arbeiten, Gedanken darüber, was KI kostet.
Das Budget ist nicht das Problem. Im Gegenteil, alle versuchen, so viel wie möglich für KI auszugeben. Wir sind im Aufbaumodus, mit Experimenten, Trials, Pilotprojekten und noch mehr Pilotprojekten. Die Hoffnung ist, dass Effizienz und Produktivität später kommen und Optimierung ein Problem für später ist.
Die Daten zeigen, dass diese Hoffnung viel tragen muss. Der MIT-NANDA-Bericht von 2025 ergab, dass nur etwa 5% der generativen KI-Pilotprojekte zu schnellem Umsatzwachstum führten und dass mehr als die Hälfte der GenAI-Budgets in Sales und Marketing fließt, obwohl die größten Erträge in der Automatisierung des Backoffice lagen (Fortune). Es war eine frühe Studie mit umstrittener Stichprobe, daher betrachte ich die genaue Zahl als Richtwert. Die Richtung ist kaum zu bestreiten.
Meine Einschätzung ist, dass die Optimierungsphase kommt und die Unternehmen am härtesten trifft, die am meisten gebaut haben, ohne etwas zu messen. Das ist meine Schlussfolgerung, keine Statistik. Wenn sie kommt, zählt die Art, wie Ihre Anbieter KI abrechnen, genauso viel wie das, was Sie bauen. Deshalb haben wir beschrieben, wie KI-Preismodelle und Credits funktionieren.
Wer betreut die KI-Agents, wenn das Projekt endet?
Darüber denken wir am meisten nach, wenn wir KI in die Revenue-Engine eines Kunden einbauen.
KI ist immer noch ein System. Agents, Orchestratoren, Prompts, Wissensdatenbanken, Integrationen. Jemand muss all das übernehmen, wenn das Projekt endet. Und bei den meisten Kunden kann das niemand im Team.
Das größere Problem ist, dass es in der Branche noch keine etablierten Muster gibt. Jedes Team nutzt andere Tools, andere Wissensdatenbanken und andere Wege, Daten und Kontext zu speichern. Es gibt keinen Standard, um diese Systeme zu bauen, zu warten, zu verbessern und zu betreiben. Jedes KI-Setup ist also ein Einzelstück, und Einzelstücke sind teuer in der Wartung.
Diese Wartungskosten müssen Sie vom ersten Tag an einplanen. Nicht erst, wenn das erste Teil ausfällt.
Die Unternehmen, die Ergebnisse erzielen, gehen KI ernsthaft an, mit echter Entwicklungs- und Deployment-Kompetenz. McKinseys State of AI 2025 zählt etwa 6% der Befragten zu den KI-High-Performern (5% oder mehr des EBIT werden KI zugeschrieben) und nennt die Neugestaltung von Workflows als einen der deutlichsten Unterschiede (McKinsey). Neugestaltung, nicht einen Chatbot an den alten Prozess anhängen.
Warum die Führung bei der KI-Transformation zurückliegt
Leider liegt die Führung in vielen Start-ups noch zurück. Nicht überall, und es unterscheidet sich stark zwischen den Gruppen von Unternehmen, mit denen wir arbeiten. Aber das Muster ist real.
Manche Führungskräfte verstehen nicht ganz, was KI für ihr Unternehmen leisten kann. Andere verstehen es im Prinzip, haben aber nicht die Zeit, tief in ihre eigenen Prozesse einzusteigen und zu sehen, wo sie passt. So oder so wird KI an die Person delegiert, die am meisten Begeisterung zeigt, und damit sind wir wieder beim Problem der Champions.
Es ist noch ein weiter Weg, bis KI in den Workflows der meisten Unternehmen verankert ist, geschweige denn in ihrer Denkweise.
Warum RevOps die KI-Transformation auf der kommerziellen Seite verantworten sollte
Eine der größten Hürden für die KI-Adoption sind Talente. Weil es noch keinen Standard für den Einsatz von KI gibt, muss vieles noch von Hand zusammengefügt werden. Deshalb ist die Nachfrage nach GTM Engineers explodiert. Eine Analyse von mehr als 1.000 Stellenanzeigen ergab einen Anstieg von etwa 205% von 2024 auf 2025 (Onfire). Die meisten dieser Daten stammen von Anbietern aus diesem Markt, lesen Sie sie also als Richtung, nicht als Zählung.
Der Haken am GTM-Engineer-Ansatz ist einfach. Sie können jedes Tool verbinden, jeden Agent bauen und alle orchestrieren. Sie brauchen trotzdem jemanden, der sicherstellt, dass das Ganze zu Umsatz führt. Neue Umsatzquellen oder bessere aus den bestehenden.
Und denken Sie daran, dass Optimierung noch niemanden beschäftigt. Es fließt also viel Geld in den Aufbau, ohne dass jemand prüft, wie es sich in den Zahlen zeigt.
Deshalb halte ich Revenue Operations für am besten aufgestellt, um KI auf der kommerziellen Seite zu orchestrieren, mit GTM Engineering als Umsetzungsfunktion darunter. RevOps verantwortet bereits den Prozess, das Datenmodell und die Kennzahlen. Dort sollte entschieden werden, welche Agents es überhaupt geben soll. Wir haben die beiden Rollen ausführlich in GTM Engineer vs Revenue Operations verglichen.
Der eigentliche Engpass sind Menschen, die beide Seiten beherrschen. Sie müssen die Landschaft der KI-Tools verstehen und die Geschäftssprache der Organisation gut genug sprechen, um sie in Systeme und Agents zu übersetzen. Einfach gesagt wissen die meisten Menschen noch nicht, was machbar ist oder wie sich ihr Arbeitsalltag tatsächlich verändern könnte.
Sieben Fragen vor dem Bau eines KI-Agents
Das ist die Checkliste, die wir heute bei Kunden einsetzen. Übernehmen Sie sie gern.
- Welche Umsatzkennzahl bewegt das? Wenn niemand eine nennen kann, ist es ein Spielzeug. Vielleicht ein nettes.
- Wer übernimmt es? Eine namentlich benannte Person auf Kundenseite, die erklären kann, wie es funktioniert, ohne dass wir im Raum sind.
- Wo liegt das Wissen? An einem dokumentierten Ort, nicht in fünf persönlichen Accounts.
- Gestalten wir den Workflow neu oder dekorieren wir ihn? KI auf einem kaputten Prozess ergibt einen schnelleren kaputten Prozess.
- Wer sind die Champions, und was würde sie zum Teilen bewegen? Anerkennung, Zeit in der Woche, eine Rolle im Rollout. Die Angst, ersetzbar zu sein, verschwindet nicht von allein.
- Was kostet es pro Monat bei voller Nutzung? Auch wenn heute niemand fragt. Jemand wird es tun.
- Kann die Führung es in einem Budget-Review verteidigen? Wenn der CEO nicht erklären kann, warum es existiert, übersteht es die erste Kostensenkung nicht.
Wo Sie diese Woche mit Ihrer KI-Transformation anfangen
Beginnen Sie nicht mit mehr Agents. Beginnen Sie mit einer Landkarte.
Finden Sie heraus, wer in Ihrem kommerziellen Team KI tatsächlich nutzt, wofür und wo dieses Wissen liegt. Wahrscheinlich finden Sie zwei oder drei Champions, die das meiste tragen, und um sie herum einen Haufen unverbundener Experimente. Wählen Sie dann einen Umsatz-Workflow (Lead Routing, Call-Vorbereitung, Verlängerungen) und gestalten Sie ihn von Anfang bis Ende neu, mit einem Verantwortlichen, einer Kennzahl und einem Kostenrahmen.
Die Tokens sind gerade günstig. Das System, das Sie warten müssen, ist es nicht.
Wenn Sie einen zweiten Blick auf diese Landkarte möchten, vereinbaren Sie ein Gespräch mit uns. Herauszufinden, wo KI in eine Revenue-Engine passt und wer sie danach verantwortet, ist genau die Arbeit, die wir bei Revenue Wizards machen.
FAQ zur KI-Transformation
Was ist KI-Transformation in einem B2B-Unternehmen?
KI-Transformation ist der Wandel von einzelnen Menschen, die KI-Tools nutzen, hin zu KI, die fest in die Workflows des Unternehmens eingebaut ist, mit Verantwortlichen, Kennzahlen und Wartung. Auf der kommerziellen Seite bedeutet das, Sales-, Marketing- und Customer-Success-Prozesse rund um KI neu zu gestalten, statt einen Chatbot an den alten Prozess anzuhängen.
Warum verläuft die KI-Adoption zwischen Unternehmen so ungleich?
Marktdruck treibt sie. Unternehmen in umkämpften Märkten mit geringen Margen müssen schnell handeln und setzen KI daher früher und konsequenter ein. Branchen mit weniger Wettbewerbsdruck oder geringerer Mobilität von Talenten, wie Logistik und Fertigung auf der kommerziellen Seite, bewegen sich langsamer. Viele von ihnen testen KI in Pilotprojekten, aber deutlich weniger haben sie über Experimente hinaus skaliert.
Warum zeigen die meisten KI-Pilotprojekte keine geschäftlichen Ergebnisse?
Meist ist es ein Umsetzungsproblem, kein Modellproblem. Laut MIT NANDA führten 2025 nur etwa 5% der generativen KI-Pilotprojekte zu schnellem Umsatzwachstum. Häufige Ursachen sind fragile Workflows, keine klare Umsatzkennzahl, über viele Tools verstreutes Wissen und niemand im Unternehmen, der das Gebaute warten kann.
Was ist der Unterschied zwischen einem GTM Engineer und RevOps in KI-Projekten?
Ein GTM Engineer verbindet Tools, darunter Enrichment, Agents, Automatisierungen und Orchestrierung. RevOps verantwortet das Revenue-System, an das diese Teile angeschlossen werden, einschließlich Prozess, Datenmodell und Kennzahlen. GTM Engineers bauen die Teile, und RevOps entscheidet, welche Teile es geben soll, und sorgt dafür, dass sie zu Pipeline und Umsatz führen.
Wie bleiben KI-Agents wartbar, wenn der Berater geht?
Planen Sie die Übergabe, bevor Sie bauen. Benennen Sie einen internen Verantwortlichen, halten Sie Wissen und Prompts an einem dokumentierten Ort, verknüpfen Sie jeden Agent mit einer Umsatzkennzahl und schätzen Sie die monatlichen Kosten bei voller Nutzung. Wenn niemand im Team erklären kann, wie ein Agent funktioniert, fällt er innerhalb weniger Monate unbemerkt aus.
