Produkte, Technologien, Verfahren, Lieferketten und Investitionen
Noch vor wenigen Jahren war Unternehmensrecherche im Vertrieb vor allem eine Frage strukturierter Daten. Wer nach neuen Zielkunden suchte, arbeitete mit Branche, Region, Mitarbeiterzahl, Umsatz oder einzelnen Technologiemerkmalen. Alles, was darüber hinausging, musste ein Vertriebsmitarbeiter selbst recherchieren. Er öffnete Webseiten, las Produktbeschreibungen, suchte nach Referenzen, prüfte technische Dokumente, Stellenanzeigen und Pressemitteilungen und versuchte daraus ein möglichst vollständiges Bild zu entwickeln.
Das eigentliche Problem bestand dabei selten darin, dass die Informationen nicht existierten. Viel häufiger waren sie über unterschiedliche Quellen verteilt, anders formuliert und nicht dafür gedacht, von einem Vertriebssystem ausgewertet zu werden. Gerade bei industriellen Unternehmen entstehen dadurch große Informationslücken zwischen dem, was eine Firmendatenbank über ein Unternehmen weiß, und dem, was sich aus dessen Produkten, Technologien und Aktivitäten tatsächlich ableiten lässt.
Künstliche Intelligenz verändert genau diesen Teil der Arbeit. Moderne KI kann nicht nur vorhandene Datenfelder durchsuchen, sondern große Mengen unstrukturierter Informationen lesen, Bedeutungszusammenhänge erkennen und Informationen aus unterschiedlichen Quellen miteinander in Beziehung setzen. Damit wird im größeren Maßstab möglich, Unternehmen nicht nur danach zu klassifizieren, wer sie sind, sondern besser zu verstehen, was sie tun, wie sie arbeiten und in welche Richtung sie sich entwickeln.
Stellen wir uns einen Hersteller vor, der in einer Datenbank als Maschinenbauunternehmen mit rund 300 Mitarbeitern geführt wird. Für eine erste Marktsegmentierung ist diese Information durchaus hilfreich. Für einen Vertriebsmitarbeiter, der entscheiden möchte, ob dieses Unternehmen tatsächlich ein interessanter Kunde ist, reicht sie jedoch kaum aus.
Erst die Inhalte des Unternehmens liefern den eigentlichen Kontext. Auf der Website könnte beispielsweise sichtbar werden, dass komplette Anlagen für die Lebensmittelindustrie entwickelt werden. Produktbeschreibungen zeigen, dass darin erhitzt, dosiert, transportiert und gekühlt wird. Technische Unterlagen nennen bestimmte Temperaturbereiche, während Stellenanzeigen gleichzeitig nach SPS-Programmierern und Inbetriebnehmern suchen. Eine aktuelle Meldung berichtet zusätzlich über die Erweiterung der Montagefläche.
Jede dieser Informationen beschreibt nur einen kleinen Ausschnitt. Zusammengenommen entsteht jedoch ein wesentlich detaillierteres Bild des Unternehmens. Wir beginnen zu verstehen, welche Produkte angeboten werden, welche Technologien wahrscheinlich relevant sind und an welchen Stellen sich möglicherweise gerade etwas verändert.
Genau darin liegt die Stärke KI-gestützter Unternehmensanalyse. Sie betrachtet Informationen nicht mehr ausschließlich isoliert, sondern versucht, daraus einen gemeinsamen geschäftlichen und technischen Kontext zu entwickeln.
Besonders ergiebig sind Produktportfolios, weil Unternehmen ihre eigenen Produkte in der Regel sehr genau beschreiben. Kunden müssen schließlich verstehen, welche Funktionen, Eigenschaften und Einsatzmöglichkeiten angeboten werden. Dadurch enthalten Produktseiten, Broschüren und technische Datenblätter häufig Informationen, die für eine Vertriebsrecherche ausgesprochen wertvoll sind.
KI kann aus solchen Inhalten zunächst erkennen, welche Produktgruppen ein Unternehmen anbietet und für welche Anwendungen sie bestimmt sind. Interessant wird die Analyse aber erst, wenn daraus technische Zusammenhänge abgeleitet werden. Ein Hersteller von Batteriesystemen benötigt andere Komponenten und Technologien als ein Hersteller von Verpackungsmaschinen. Ein Anbieter von Laborgeräten besitzt wiederum andere Anforderungen als ein Produzent industrieller Pumpen.
Das Produktportfolio kann dadurch Hinweise darauf geben, welche Materialien, Komponenten oder technischen Lösungen im Unternehmen grundsätzlich relevant sein könnten. Daraus folgt noch nicht, dass ein bestimmter Lieferant dort tatsächlich im Einsatz ist. Es entsteht aber eine nachvollziehbare Hypothese darüber, welche Lieferbeziehungen technisch sinnvoll wären.
Für den Vertrieb ist genau das interessant. Er bekommt nicht nur einen Firmennamen, sondern einen möglichen Grund dafür, warum dieses Unternehmen zum eigenen Angebot passen könnte.
Ähnlich funktioniert es bei der Analyse von Fertigungsverfahren. Manche Unternehmen nennen Verfahren wie CNC-Fräsen, Spritzguss, Laserschneiden oder automatisiertes Schweißen direkt auf ihrer Website. Andere beschreiben ihre Produktion indirekter, beispielsweise über Maschinenlisten, technische Referenzen oder gesuchte Qualifikationen in Stellenanzeigen.
Eine KI kann solche Hinweise zusammenführen und versuchen, daraus ein Bild der tatsächlichen Produktionslandschaft zu entwickeln. Wenn ein Unternehmen beispielsweise komplexe Präzisionsbauteile aus Titan anbietet, mehrere CAM-Programmierer sucht und auf seiner Website automatisierte Bearbeitungszentren zeigt, ergibt sich daraus ein wesentlich genaueres Bild als aus der Branchenbezeichnung „Metallverarbeitung“.
Dasselbe gilt für Technologien. Stellenanzeigen nennen häufig konkrete Steuerungen, Softwarelösungen oder Maschinenplattformen. Produktunterlagen beschreiben Schnittstellen, während Partnerseiten oder Referenzprojekte zusätzliche Hinweise auf eingesetzte Systeme geben. Aus diesen Informationen lässt sich zumindest teilweise erkennen, welche technologische Umgebung in einem Unternehmen vorhanden sein könnte.
Für viele B2B-Anbieter ist genau diese Information entscheidend. Ein Unternehmen kann ein grundsätzlich passendes Problem besitzen und trotzdem als Kunde ungeeignet sein, wenn die vorhandene technische Infrastruktur nicht mit der eigenen Lösung zusammenpasst. Umgekehrt kann eine bestehende Technologie zeigen, dass ein Unternehmen organisatorisch und technisch bereits auf bestimmte nächste Schritte vorbereitet ist.
Noch interessanter wird die Analyse bei Lieferketten. Unternehmen veröffentlichen in der Regel keine vollständigen Listen ihrer Lieferanten und Einkaufsbeziehungen. Trotzdem hinterlassen Lieferketten Spuren, weil Produkte, Produktionsverfahren, Zertifizierungen und technische Anforderungen Rückschlüsse darauf zulassen, welche Arten von Komponenten oder Materialien benötigt werden.
Ein Hersteller komplexer Anlagen wird beispielsweise bestimmte Steuerungs-, Antriebs- oder Sensortechnik benötigen. Ein Produzent hochwertiger Elektronikgehäuse benötigt andere Materialien und Fertigungsverfahren als ein Hersteller chemischer Prozessanlagen. Produktdaten, Partnerseiten, technische Dokumentationen und öffentlich bekannte Kooperationen können zusätzliche Hinweise liefern.
KI kann aus diesen Informationen eine plausible Struktur entwickeln, sollte diese aber nicht mit bestätigtem Wissen verwechseln. Der Unterschied ist wichtig. Eine seriöse Analyse sollte nicht behaupten, ein Unternehmen kaufe definitiv eine bestimmte Komponente, wenn dafür keine belastbare Quelle existiert. Sie kann jedoch erläutern, warum eine bestimmte Komponentenkategorie aufgrund des Produktaufbaus und der technischen Anforderungen wahrscheinlich relevant ist.
Gerade diese Trennung zwischen belegter Information und plausibler Ableitung wird in Zukunft zu einem wichtigen Qualitätsmerkmal von KI-gestützter Vertriebsrecherche.
Bis hierhin haben wir überwiegend betrachtet, was ein Unternehmen heute ist und welche technischen Voraussetzungen vorhanden sind. Für den Vertrieb wird es jedoch besonders spannend, wenn KI zusätzlich erkennen kann, was sich verändert.
Ein Unternehmen erweitert einen Standort, sucht gleichzeitig zusätzliche Produktionsingenieure und kündigt wenig später eine neue Produktgeneration an. Jede dieser Informationen könnte isoliert betrachtet relativ unspektakulär sein. In Kombination entsteht jedoch eine Entwicklung, die auf neue Kapazitäten, veränderte Prozesse oder zusätzlichen Technologiebedarf hindeuten kann.
Ähnlich kann eine Serie von Stellenanzeigen zeigen, dass ein Unternehmen neue Fähigkeiten aufbaut. Wenn über Monate zusätzliche Automatisierungs-, Entwicklungs- oder Inbetriebnahmerollen gesucht werden, könnte dies auf eine technologische Veränderung hindeuten. Werden parallel Produktionsflächen erweitert oder neue Produkte angekündigt, gewinnt diese Interpretation an Gewicht.
Damit wird Zeit zu einer eigenen Dimension der Unternehmensanalyse. Nicht nur der aktuelle Zustand ist relevant, sondern auch die Frage, wie sich das Unternehmen über Wochen und Monate hinweg verändert.
Für Commercial Intelligence ist diese Dynamik häufig entscheidender als ein statisches Unternehmensprofil.
Diese zeitliche Perspektive verändert die Vorstellung eines Zielmarktes grundlegend. In klassischen Datenbanken wirkt ein Unternehmen häufig über Jahre nahezu unverändert. Branche, Standort und Mitarbeiterzahl ändern sich vergleichsweise langsam.
Die tatsächliche Geschäftssituation kann sich dagegen innerhalb weniger Monate vollständig verändern. Ein Unternehmen gewinnt einen Großauftrag, führt eine neue Produktgruppe ein, baut eine zusätzliche Produktionshalle auf oder verändert seine technologische Ausrichtung. Plötzlich entsteht ein Bedarf, der vorher nicht vorhanden war.
Damit reicht es nicht mehr, Zielkunden einmalig zu bestimmen und anschließend dauerhaft mit derselben Liste zu arbeiten. Ein Account, der heute nicht zu unserem Need Profile passt, kann sich innerhalb kurzer Zeit in eine hochinteressante Opportunity verwandeln.
KI kann deshalb langfristig nicht nur bei der Suche helfen, sondern auch bei der kontinuierlichen Beobachtung eines Commercial Space. Die eigentliche Frage lautet dann nicht mehr ausschließlich, welche Unternehmen heute passen, sondern welche Unternehmen sich gerade in eine für uns relevante Richtung entwickeln.
Bei all diesen Möglichkeiten ist eine Grenze besonders wichtig. KI hat keinen geheimen Zugang zu einem Unternehmen. Sie kennt keine Informationen, die weder veröffentlicht noch aus belastbaren Quellen ableitbar sind.
Wenn ein Unternehmen seine Lieferanten nicht nennt, kann KI sie nicht sicher kennen. Wenn eine Produktionslinie nicht beschrieben wird, bleibt ihre genaue technische Ausstattung unbekannt. Und wenn eine Stellenanzeige mehrere Jahre alt ist, kann daraus nicht zuverlässig auf die heutige Situation geschlossen werden.
Das klingt selbstverständlich, wird in der Praxis aber schnell vergessen. Gerade weil KI sehr überzeugend formulieren kann, entsteht leicht der Eindruck, eine plausible Interpretation sei eine bestätigte Tatsache.
Deshalb sollten gute Commercial-Intelligence-Systeme konsequent zwischen Beobachtung und Interpretation unterscheiden. Die Aussage, dass ein Unternehmen eine neue Produktionshalle angekündigt hat, ist eine beobachtbare Information. Die Annahme, dass daraus Bedarf an Automatisierung entstehen könnte, ist eine Interpretation. Die Behauptung, das Unternehmen werde in Kürze eine bestimmte Automatisierungslösung kaufen, wäre dagegen ohne weitere Evidenz nicht gerechtfertigt.
Diese Trennung schafft Vertrauen in die Ergebnisse.
Genau deshalb halte ich reine Scores für problematisch, wenn sie nicht erklärt werden.
Ein Vertriebsmitarbeiter gewinnt wenig Erkenntnis daraus, dass ein Unternehmen einen Fit Score von 87 Prozent besitzt. Entscheidend ist, warum dieses Unternehmen interessant bewertet wurde.
Eine gute KI-gestützte Analyse sollte deshalb nachvollziehbar machen, welche Informationen gefunden wurden, aus welchen Quellen sie stammen und welche Schlussfolgerungen daraus gezogen wurden. Wenn ein Unternehmen seine Produktionsfläche erweitert, mehrere Automatisierungsingenieure sucht und gleichzeitig eine neue Produktgeneration ankündigt, entsteht daraus eine deutlich nachvollziehbarere Begründung als aus einer abstrakten Zahl.
Der Vertriebsmitarbeiter kann diese Informationen anschließend prüfen, bewerten und entscheiden, ob daraus ein Gespräch entstehen sollte.
Genau hier zeigt sich erneut, dass KI den Vertrieb nicht ersetzt. Sie übernimmt vor allem die aufwendige Suche und Strukturierung von Informationen. Die kommerzielle Bewertung bleibt eine Aufgabe, für die das Wissen über Kunden, Markt und eigenes Angebot entscheidend ist.
Eine neue Produktionshalle ist nicht automatisch für jeden Anbieter interessant. Ein neues Produkt kann für einen Materialhersteller hochrelevant sein und für einen Softwareanbieter völlig bedeutungslos. Auch eine Stellenanzeige für einen Automatisierungstechniker sagt wenig, wenn das eigene Angebot mit Automatisierung überhaupt nichts zu tun hat.
Deshalb braucht KI ein klares Need Profile. Sie muss wissen, welche Produkte, Fertigungsverfahren, Technologien, Probleme und Veränderungen für das eigene Angebot relevant sind. Erst dann kann sie öffentliche Informationen sinnvoll einordnen.
Das ist ein wichtiger Unterschied zur klassischen Leadgenerierung. Es geht nicht darum, möglichst viele Unternehmensinformationen zu sammeln. Es geht darum, diejenigen Informationen zu identifizieren, die eine geschäftliche Beziehung zum eigenen Angebot besitzen.
Damit wird aus Unternehmensanalyse Commercial Intelligence.
KI kann heute bereits deutlich mehr über Unternehmen erkennen, als klassische Firmendatenbanken abbilden können. Sie kann Produktportfolios verstehen, technische Zusammenhänge erkennen, Hinweise auf Fertigungsverfahren und Technologien zusammenführen, mögliche Lieferstrukturen ableiten und Veränderungen beobachten, aus denen später Investitionen entstehen könnten.
Ihr Wissen ist dabei jedoch nicht vollständig. KI arbeitet mit öffentlich sichtbaren Spuren und muss zwischen bestätigter Information, plausibler Interpretation und unbekannten Sachverhalten unterscheiden.
Der eigentliche Fortschritt liegt deshalb nicht darin, dass KI plötzlich alles über ein Unternehmen weiß. Er liegt darin, dass sie große Mengen verteilter Informationen miteinander verbinden kann, deren manuelle Analyse bislang kaum skalierbar war.
Damit verändert sich die zentrale Frage des Vertriebs erneut. Wir fragen nicht mehr nur, welche Unternehmen heute zu uns passen.
Wir können zunehmend untersuchen, welche Unternehmen sich gerade in eine Situation entwickeln, in der unser Angebot relevant werden könnte.
Und genau an diesem Punkt beginnt die nächste Entwicklungsstufe.
Bisher haben wir KI als Werkzeug verstanden, das Unternehmen analysiert und Veränderungen sichtbar macht. Wenn diese Informationen jedoch nicht nur einmalig gesammelt, sondern kontinuierlich über längere Zeit beobachtet werden, entsteht eine neue Möglichkeit.
Dann sehen wir nicht mehr nur Zustände, sondern Entwicklungen. Wir können beobachten, welche Veränderungen typischerweise aufeinander folgen und welche Kombinationen in der Vergangenheit häufig zu Investitionen oder Projekten geführt haben.
Damit verschiebt sich die Frage ein weiteres Mal.
Nicht mehr nur:
„Was passiert gerade bei diesem Unternehmen?“
Sondern:
„Welche Entwicklung zeichnet sich ab und was könnte daraus als Nächstes entstehen?“
Genau darum geht es im nächsten Artikel:
CI-027: Von der Suche zur Vorhersage.
Denn die nächste Stufe von Commercial Intelligence besteht nicht darin, immer schneller Unternehmen zu finden. Sie besteht darin, früher zu erkennen, bei welchen Unternehmen sich der nächste Bedarf gerade erst entwickelt.
Neben der manuellen Recherche haben wir Automatismen für Dich entwickelt:
bloo.research - Finde in Minuten die richtigen B2B-Unternehmen
bloo.radar - Erfahre, was Dein Wettbewerb als nächstes tut
bevor er es tut.
Wenn du KI nicht nur verstehen, sondern strukturiert in deinem Unternehmen einsetzen willst, dann:
👉 Informiere dich über unsere KI-Weiterbildung:
https://bloo.school
👉 Informiere dich über unsere Smart Market Fit Angebote:
https://bloola.com/smf - Der Smart Market Fit Kurs
https://bloola.com/smf-system - Das Smart Market Fit System für Unternehmen
👉 Oder erfahre mehr über unsere Beratungs- und Automatisierungslösungen:
https://bloola.com