KI-gestütztes Forecasting: Schluss mit Bauchgefühl

Freitagnachmittag, 16 Uhr. Der VP Sales braucht den Forecast für nächstes Quartal. Was passiert? Jeder Account Executive öffnet seine Pipeline, schätzt Wahrscheinlichkeiten nach Gefühl und meldet eine Zahl. Der VP addiert alles, zieht pauschal 20% ab („weil die immer zu optimistisch sind“) und präsentiert das dem Board. Das ist der Stand der Technik in den meisten B2B-Unternehmen. Im Jahr 2026.

Warum manuelles Forecasting systematisch versagt

Laut Gartner liegen weniger als 25% aller Sales-Forecasts innerhalb einer Abweichung von 10%. Das bedeutet: Drei von vier Forecasts sind so ungenau, dass sie für strategische Entscheidungen praktisch wertlos sind.

Die Gründe sind menschlich und vorhersehbar:

• Optimismus-Bias: Vertriebler überschätzen systematisch ihre Pipeline. Der Deal, der „sicher“ kommt, hat in Wahrheit eine 40%-Chance. Aber wer gibt das schon gerne zu?
• Sandbagging: Das Gegenteil — erfahrene Vertriebler melden konservativ, um am Ende „überliefern“ zu können. Gut fürs Ego, schlecht für die Planung.
• Recency Bias: Der letzte große Deal beeinflusst die Einschätzung aller anderen. Gewonnen? Plötzlich sind alle Deals „auf gutem Weg“. Verloren? Plötzlich ist alles unsicher.
• Statische Phasen: Ein Deal in Phase „Verhandlung“ wird mit 80% gewertet — egal ob er dort seit 2 Tagen oder seit 2 Monaten steckt. Ein Deal, der seit 60 Tagen verhandelt wird, hat aber eine fundamental andere Wahrscheinlichkeit als einer, der seit gestern in dieser Phase ist.

Wie KI-Forecasting funktioniert

KI-basiertes Forecasting eliminiert nicht den menschlichen Faktor — aber es ergänzt ihn durch datenbasierte Objektivität. Statt subjektiver Einschätzungen analysiert die KI:

• Historische Win-/Loss-Daten: Welche Deals mit ähnlichen Eigenschaften haben in der Vergangenheit gewonnen oder verloren?
• Engagement-Muster: Wie aktiv ist der Kontakt? Antwortet er schnell? Öffnet er E-Mails? Besucht er die Website? Sinkendes Engagement ist ein zuverlässiger Indikator für sinkende Deal-Wahrscheinlichkeit.
• Zeitliche Muster: Wie lange dauern Deals in deiner Pipeline durchschnittlich? Ein Deal, der doppelt so lange braucht wie üblich, hat ein Problem — auch wenn der Vertriebler „alles gut“ meldet.
• Externe Signale: Hat das Unternehmen des Leads gerade einen Einstellungsstopp verkündet? Hat der Ansprechpartner das Unternehmen gewechselt? Diese Signale fließen in die Prognose ein.

Konkretes Beispiel

Statt „Forecast Q2: 480.000 EUR (Schätzung des Teams)“ bekommst du:

„Forecast Q2: 420.000 EUR (KI-Konfidenz: 78%). Risiken: Deal Müller GmbH (80.000 EUR) stagniert seit 45 Tagen in Phase Verhandlung — historische Win-Rate bei ähnlicher Dauer: 22%. Deal Schneider AG zeigt abnehmende E-Mail-Interaktion. Empfehlung: VP-Level-Eskalation bei Müller, neuer Stakeholder-Kontakt bei Schneider.“

Das ist der Unterschied: Nicht nur eine Zahl, sondern eine Zahl mit Erklärung, Risiken und konkreten Handlungsempfehlungen.

Die 4 Stufen des KI-Forecastings

• Stufe 1 — Deskriptiv: „So sieht deine Pipeline aus.“ (Das kann jedes CRM.)
• Stufe 2 — Diagnostisch: „Warum stecken diese Deals fest?“ (KI identifiziert Muster.)
• Stufe 3 — Prädiktiv: „Dieser Deal wird mit 73% Wahrscheinlichkeit abgeschlossen.“ (KI prognostiziert Ergebnisse.)
• Stufe 4 — Präskriptiv: „Ruf morgen den CFO an und biete 10% Rabatt bei Quartalsabschluss.“ (KI empfiehlt Handlungen.)

Die meisten traditionellen CRM-Systeme stecken auf Stufe 1 fest. KI-native Tools wie DealAI arbeiten auf Stufe 3 und 4.

Was du sofort tun kannst

Auch ohne KI-Tool kannst du dein Forecasting verbessern:

• Verweildauer tracken: Wie lange steckt ein Deal in einer Phase? Alles über dem 1,5-fachen Durchschnitt braucht Aufmerksamkeit.
• Engagement messen: Zähle die Interaktionen pro Deal. Weniger als 2 Touchpoints im letzten Monat? Rotes Flag.
• Bauchgefühl vs. Realität: Führe 3 Monate lang parallele Forecasts — einmal nach Gefühl, einmal datenbasiert. Die Differenz wird dich überraschen.