CRO teilt seine agentischen Arbeitsabläufe und erklärt, wo KI im Umsatzlebenszyklus an ihre Grenzen stößt

André Magrini ist CRO bei OGI. Mit 20 Jahren Erfahrung im Bereich Umsatz vertieft er sich aktuell in agentenbasierte Workflows, die Entscheidungen mit hohem Einsatz unterstützen.

Wir haben uns mit André getroffen, um zu erfahren, wo er seine Agenten einsetzt – und wo KI für überraschende Probleme sorgt. Hier ist, was er uns erzählt hat.

KI-Systeme für Entscheidungen mit hohem Einsatz

Ich bin André Magrini, Chief Revenue Officer bei OGI, dem internationalen Arm der Objective Group. Mein Schwerpunkt liegt auf Umsatz, aber meine Leidenschaft gilt der Frage, wie wir über Umsatz entscheiden – das menschliche Urteil hinter jeder qualifizierten Pipeline, jedem Forecast-Call, jedem Gespräch über die Frage: "Ist dieser Deal echt?"

Mein Weg dorthin war nicht geradlinig. Ich habe jahrelang Go-to-Market-Strategien aufgebaut und gesteuert, die bewusst netzwerkbasiert und diszipliniert statt durch reine Masse geprägt waren – kleine Teams, vertrauensvolle Beziehungen, rigorose Qualifikation. Dabei habe ich etwas gelernt, das in den meisten KI-Diskussionen zu kurz kommt: Das Nadelöhr im Umsatz ist nicht Aktivität, sondern die Qualität der Entscheidungen unter Unsicherheit. Vertriebsmitarbeiter und Führungskräfte ersticken im Datenrauschen und raten trotzdem noch.

Das hat mich zur KI gebracht. Parallel zu meiner CRO-Rolle habe ich mich tiefgehend mit dem Aufbau von KI-Systemen beschäftigt, die Entscheidungen mit hohem Risiko unterstützen – dort, wo eine selbstbewusste, aber falsche Antwort teuer werden kann.

Der Moment, in dem ich mich jetzt befinde, ist weniger "KI-Tools einführen" als vielmehr "das Umsatzmodell für bessere Entscheidungen neu gestalten". Nicht KI, die einfach mehr E-Mails schreibt – sondern KI, die sagt, welche Deals wirklich deine Aufmerksamkeit verdienen, wo die Prognose wackelt und wann die ehrliche Antwort lautet: "Wir wissen es noch nicht." Diese Transformation ist mir wichtig.

Digitale Transformation vorantreiben

Bei OGI beraten und unterstützen wir Unternehmen bei der digitalen Transformation – wir empfehlen nicht nur Strategien, sondern liefern Ergebnisse. Unsere Go-to-Market-Strategie setzt auf Land-and-Expand und ist auf klaren, direkten ROI ausgerichtet. Das erste Engagement gewinnen wir durch nachweisbaren Mehrwert; von dort aus werden die Accounts weiter ausgebaut.

Wir sind ein internationales Team mit Standorten in Nordamerika, Südamerika und Europa. Dadurch können wir große multinationale Unternehmen aus verschiedensten Branchen betreuen – von Lebensmittel und Konsumgütern bis zu großen, staatlichen Banken – und uns an unterschiedlichste Einkaufskulturen und Entscheidungszyklen anpassen.

Unser Partner-Ökosystem ist ein zentraler Bestandteil unseres Leistungsversprechens. Wir arbeiten eng mit Plattformen wie Databricks, Snowflake und Liferay sowie mit großen Cloud-Anbietern wie Azure und AWS zusammen. Dadurch können wir unsere Unternehmenskunden dort abholen, wo sie auf technischer Ebene bereits investieren.

So unterstützen Agenten die Account-Vorbereitung

Unsere Engstelle war nie das Lead-Volumen, sondern die Vorbereitung. Bevor ein Vertriebsmitarbeiter ein Account übernahm, investierte ein erfahrener Kollege viele Stunden in die Recherche: Wer kontrolliert das Budget, wer ist nur Teilnehmer? Gibt es einen glaubwürdigen Anknüpfungspunkt für einen Erstkontakt? Durchlief der Kontakt BANT und lohnt sich der Aufwand überhaupt?

Mit einem kleinen, erfahrenen Team über drei Regionen verteilt lag diese Aufgabe bei den wenigen, die eigentlich vor Kunden stehen sollten. Die Recherche war langsam und uneinheitlich. Zwei von uns konnten bei gleichen Account-Typen ganz unterschiedliche Rechercheergebnisse und Einschätzungen liefern.

Ich habe das, was ich unseren "CRO Squad" nenne, aufgebaut: Ein System von KI-Agenten, das die Vorarbeit übernimmt. Dazu gehören tiefe Account-Recherche, Organigramme der echten Entscheider, Handlungsindikatoren und Einstiegspunkte sowie strukturierte Erstqualifikation. Wenn ein Mensch den Account übernimmt, liegt bereits eine fundierte Go/No-Go-Entscheidung vor – statt eines leeren Blatts Papier.

Vorbereitungen, die früher 5 Stunden dauerten, benötigen jetzt nur noch 15 Minuten. Jeder Account durchläuft den gleichen Prozess, und was wir ablehnen ist ebenso bewusst wie das, was wir verfolgen.

In einem schlanken Team ist unsere knappste Ressource weder Personalbestand noch Pipeline, sondern die Aufmerksamkeit derjenigen, die einen Deal wirklich richtig einschätzen können. Jede Stunde, die jemand mit dem Zusammentragen von Unternehmensdaten verbrachte, war eine Stunde weniger für die Entscheidung, was mit diesen Daten zu tun ist.

Ein praxisnaher Workflow für die Account-Vorbereitung

Hier ist der Workflow, den wir für ganz neue Zielkunden nutzen.

Alles beginnt mit einem Auslöser. Auslöser sind Marktsignale, Partner-Initiativen (z. B. meldet Databricks oder Snowflake Aktivitäten im Account), bestehende Kunden, die eine Erweiterung wünschen, oder ein Vorschlag eines Teammitglieds. Unabhängig von der Quelle durchläuft das Konto den Workflow und das CRO Squad startet seine Arbeit.

Agenten erstellen ein Dossier, das die Geschäftsabläufe, die eingesetzte Technologie, aktuelle Signale (wie Führungskräftewechsel, Transformationsinitiativen, Finanzierungsrunden, Presse) und eine Organisationsübersicht enthält, die Entscheider von Meeting-Teilnehmern unterscheidet. Jede Aussage im Dossier enthält ihre Quelle. Kann ein Agent keine Quelle angeben, darf er die Behauptung nicht aufstellen.

Im Anschluss folgt ein strukturierter BANT-geführter erster Check, der das Konto anhand unserer Qualifikationskriterien bewertet. Besonders wichtig: Die KI kennzeichnet Bereiche, in denen sie sich nicht sicher ist. Ist das Budget-Signal schwach oder die Entscheidungsträger nur geschätzt, gibt die KI das explizit an, statt eine unsichere Vermutung als Fakt darzustellen. Mir sind zehn ehrliche „geringe Zuversicht“-Markierungen lieber als ein selbstsicherer Satz, dem ich nicht trauen kann.

Danach folgt der menschliche Kontrollpunkt, ein oft übersehener Schritt. Bevor der Vertriebsmitarbeiter die KI-Auswertung liest, verfasst er zunächst seine eigene Einschätzung des Accounts. Er dokumentiert seine Intuition, Perspektive und sein Go/No-Go-Gefühl. Erst dann vergleicht er mit dem Dossier. Stimmt beides überein, geht es weiter; bei Abweichungen beginnt eine Diskussion, in der gezielt die von der KI als unsicher markierten Punkte im Mittelpunkt stehen. Die Go/No-Go-Entscheidung liegt komplett beim Menschen.

Viele Konten enden hier ganz bewusst. Wir disqualifizieren früh, um die Zeit der Senior-Kräfte nicht mit unrealistischen Möglichkeiten zu verschwenden.

Für die Kandidaten, die übrig bleiben, unterstützt die KI bei der Ausarbeitung des Ansatzes: der Wert- und ROI-These für das spezifische Konto, dem Einstiegspunkt und der Frage, welcher Partner und welche Lösung am besten passt. Die Nachricht und das Gespräch aber formuliert der Vertriebsmitarbeiter selbst: Mensch-zu-Mensch und nicht als Massenansprache.

Von dort läuft der Prozess als Schleife weiter. Während sich der Deal entwickelt, scannen Agenten kontinuierlich nach neuen Signalen – etwa Risiken für eine Abkühlung, Abwanderung oder neue Auslöser für Expansion – und informieren uns, wenn die Prognose schwach wirkt. Die Forecast-Verantwortung und die Kundenbeziehung bleiben menschlich.

Wie KI die GTM-Metriken verändert

André berichtet

Mehr Abdeckung ist nicht immer besser. Als KI den Engpass bei Recherche und Qualifizierung beseitigte, habe ich mit der offensichtlichen Konsequenz gerechnet: Das Gegenteil war der Fall.

Mehr Abdeckung ist nicht immer besser. Als KI den Engpass bei Recherche und Qualifizierung aufhob, erwartete ich den klaren Vorteil: Mein Team würde deutlich mehr Konten abdecken und die Pipeline explodieren.

Das Gegenteil war der Fall. Zwar konnten wir plötzlich eine riesige Anzahl an Konten qualifizieren, aber das meiste, was zurückkam, war qualifizierter Müll. Mehr Abdeckung sorgte nur für mehr Lärm. Auswahl und Tiefe der Beziehung waren wichtiger als die reine Menge.

Also änderte ich, was ich messe. Ich hörte auf, Gesundheit und Erfolg von GTM anhand von Volumen und Abdeckung zu messen. Stattdessen bemesse ich sie an der Qualität der Auswahl und daran, wo meine Senior-Leute ihre Stunden verbringen. Der eigentliche Hebel war Subtraktion, nicht Addition. Schneller Nein sagen, das Senior-Team auf weniger Konten konzentrieren und tiefgehender agieren, statt breiter.

Das zuzugeben, fiel mir schwer – weil es im Widerspruch zu allem steht, wie ich meine Teams zwanzig Jahre lang geführt habe.

Was menschlich bleiben sollte – und was KI übernehmen kann

Sobald man KI nicht mehr als Produktivitätsmultiplikator sieht, sondern als Instrument, um die Aufmerksamkeit eines kleinen Teams zu schützen, wird die Aufgabenteilung klar.

KI recherchiert und priorisiert – Account-Recherche, die Organisationsübersicht, den ersten BANT-Check. Außerdem informiert sie die Priorisierung in der Pipeline, übernimmt die Deal-Bewertung und -Triage, sodass nicht alle auf dieselben vierzig Möglichkeiten mit derselben Oberflächlichkeit blicken, und scannt nach Signalen dafür, ob ein Konto bereit zur Expansion ist oder ob es langsam kalt wird. Für das Forecasting sammelt sie Daten und, für mich besonders nützlich, markiert schwache Prognosegebiete. Sie teilt mir mit, welchen Zahlen sie nicht vertraut.

Die Entscheidungen treffen Menschen. Ich verantworte die finale Forecast-Zahl. Menschen bestimmen Preise und kommerzielle Strategie. Menschen pflegen die Beziehung und verhandeln – Punkt. Wir überlassen niemals eine kritische Kundenentscheidung – etwa Zusagen zur Rendite oder besonders vertrauenssensible Entscheidungen – einem Modell. Nicht aus sentimentalen Gründen. Solche Entscheidungen fallen unter echter Unsicherheit, mit Kontextwissen, das nur in Gesprächen und in der realen Beziehung zum Kunden existiert – nicht in Daten. Genau hier ist ein Modell am schwächsten, und genau dort wären Fehler am teuersten.

Ein Beispiel, warum menschliches Urteilsvermögen bei neuen Deals unverzichtbar ist

Im letzten Jahr hatten wir einen Deal mit einem globalen Hersteller, der vom System bevorzugt wurde. Jeder Messwert war grün: dutzende E-Mails pro Woche, regelmäßige Anrufe und sechs oder sieben aktive Stakeholder im Thread. Das CRO-Team stufte ihn nahe an der Spitze der Pipeline ein und sagte mir, ich solle mich reinknien, prognostizieren und auf den Abschluss drängen. Auf dem Papier war es unser gesündester Deal.

Meine Senior-Vertreterin auf dem Account sah das Gegenteil – und sie hatte recht. All diese Aktivität war kein Schwung, sondern Reibung. Sieben Leute waren im Raum, weil keiner von ihnen Ja sagen konnte. Die Meetings wiederholten sich, weil der Deal immer wieder zur gleichen unbeantworteten Frage zurückkam. Unser begeistertster Kontakt, der für den meisten E-Mail-Verkehr sorgte, hatte keinerlei Budgetverantwortung. Die KI interpretierte das Volumen als Kaufabsicht. In Wirklichkeit waren interne Politik und eine Einkaufsgruppe, die zu ängstlich war, eine Entscheidung zu treffen, der Grund.

Die Maschine konnte das Schweigen des einen entscheidenden Executives nicht sehen, noch den flachen Ton, der jedes Mal herrschte, wenn der Preis zur Sprache kam. Metadaten zur Interaktion zeigen diesen Subtext nicht. Unsere Vertreterin wusste es, weil sie die Menschen kannte.

Wir vertrauten ihr, stuften den Deal herunter und hörten auf, Senior-Stunden hineinzustecken. Damit lagen wir richtig und sparten uns ein Vierteljahr vergebene Mühe. Das festigte eine Regel, die wir bis heute befolgen: KI bringt die Fakten, Menschen lesen zwischen den Zeilen.

Wie KI Effizienz, Disziplin und Erfolgsquoten steigert

Insgesamt ist die Zeitersparnis der offensichtlichste Gewinn durch KI. Bereits die Account-Vorbereitungsagenten ermöglichen es uns, denselben Prozess auf etwa dreimal so viele Accounts mit derselben Personaldecke anzuwenden. Wir haben keine Leute hinzugefügt; wir haben unserem bestehenden Team Zeit zurückgegeben, und diese Stunden verbringen sie nun mit Kunden statt in Tabellenkalkulationen.

Ein weiterer stiller Vorteil ist Disziplin. Wir qualifizieren jetzt früher ab. Wir sagen schneller Nein zu den falschen Deals, was vielleicht negativ klingt, aber eine der gesündesten Entwicklungen für unsere Pipeline ist.

Ich werde keine saubere Erfolgsquote angeben, weil ich nicht glaube, dass diese Zahl schon ehrlich wäre. Was ich aber bestätigen kann: Wir sehen einen messbaren Anstieg der Conversion bei den Deals, die wir tatsächlich verfolgen, und es gibt weniger Überraschungen in der Prognose. Ein Teil davon ist, dass wir bessere Deals verfolgen. Ein anderer Teil ist, dass die KI zeigt, wo die Prognose auf wackeligen Beinen steht und die Faktenlage sie nicht wirklich stützt. Eine Überraschung, die man drei Wochen vorher kommen sieht, ist letztlich keine Überraschung mehr. Das ist, mehr als jede einzelne Kennzahl, die Veränderung, wie wir das Quartal angehen.

Warum KI-Ergebnisse als Entwurf behandelt werden sollten

Am Anfang vertrauten wir den Ergebnissen zu sehr. Die Auswertungen sahen sauber, gut geschrieben und selbstbewusst aus und waren so aufbereitet wie ein guter Analystenbericht. In manchen Fällen waren sie an entscheidenden Stellen jedoch falsch.

In einer Account-Map wurde die falsche Entscheidungsperson identifiziert. In einem anderen Fall wurde auf einen längst veralteten Indikator gebaut. Beinahe hätte es eine dieser Fehlinfos bis in ein echtes Gespräch mit einem Kunden geschafft, bevor ein Teammitglied es bemerkte. Das hat uns mehr erschreckt als jede verfehlte Kennzahl, denn selbstbewusst und falsch ist die teuerste Form des Scheiterns.

Es entstand auch interne Reibung. Meine Leute sind erfahren. Das Letzte, was ein guter Verkäufer möchte, ist eine Maschine, die ihm einen Score übergibt und unterstellt, sie kenne den Account besser als er selbst.

Wir hörten auf, die KI-Ergebnisse als Wahrheit zu behandeln, und begannen, sie als Entwurf zu sehen. Das System signalisiert jetzt, wenn es unsicher ist, und gibt die Entscheidung dann an einen Menschen zurück, statt zu raten. Sobald das Team verstanden hat, dass die KI dafür da ist, die Fleißarbeit zu übernehmen und ihre eigene Einschätzung zu schützen, nicht sie zu ersetzen, ließ auch der Widerstand schnell nach. Sie begannen, ihr Vertrauen zu schenken, weil sie dieses Vertrauen verdient hatte – und auch zugab, wenn sie es nicht wusste.

Drei Bereiche, in denen KI im Vertriebsprozess versagt

Die größte Enttäuschung mit KI war wahrscheinlich das Outreach. Wir hatten erwartet, dass die KI die Pipeline für uns aufbaut, indem sie personalisierte Nachrichten in großem Maßstab an Hunderte von Accounts so verschickt, dass es sich wie Einzelfallansprache anfühlt. Das hat nicht funktioniert.

In komplexen Enterprise-Deals mit erheblichem Wert führen mehr Nachrichten nicht zu mehr Pipeline. Die Käufer, an die ich verkaufe, erkennen KI-basierte Kontaktaufnahme sofort – und löschen sie ebenso schnell. Wir konnten die Rücklaufquote also nicht erhöhen; sie blieb konstant niedrig. KI ist hervorragend darin, einen Menschen auf ein Gespräch vorzubereiten, scheitert aber daran, das Gespräch selbst zu ersetzen.

Die Prognose war ein weiterer Fehlschlag, und das hat mich noch mehr überrascht. Die Präsentation versprach, dass KI den Umsatz besser vorhersagen könnte als eine erfahrene Fachkraft, die dieselben Geschäfte analysiert. Das hat sich nicht bewahrheitet. Was die Zahlen in Unternehmen wirklich beeinflusst, sind Informationen, die nicht in den Daten zu finden sind. Ein Fürsprecher verlässt das Unternehmen. Ein Budget wird zwei Wochen vor dem Abschluss eingefroren. Eine stille politische Verschiebung innerhalb des Kunden sorgt plötzlich dafür, dass Ihr Unterstützer keinen Rückhalt mehr hat. Das Modell kann all das nicht erkennen. Es erkennt tatsächlich Fragilität gut und zeigt mir, welche Geschäfte wackelig sind, aber es kann das Quartal nicht vorhersagen. Die Einschätzung erfahrener Menschen ist hier immer noch überlegen.

Und der letzte Fehlschlag war die Verkürzung des Verkaufszyklus. Er wurde kaum beeinflusst. Ein Unternehmensverkauf läuft nach dem Zeitplan des Kunden, nicht nach unserem: Einkauf, Rechtsabteilung, Gremium, Haushaltskalender. Wir können die Seite des Verkäufers deutlich beschleunigen – und das haben wir getan – aber wir können die Seite des Käufers, die den Zeitplan bestimmt, nicht beschleunigen.

Warum Umsatzverantwortliche der menschlichen Seite der KI-Implementierung Aufmerksamkeit schenken müssen

André teilt seine Erfahrungen

Erzwungene Einführung ist stille Sabotage — nur höflicher verpackt.

Ich habe die menschliche Seite völlig falsch eingeschätzt. Ich behandelte es wie die Einführung eines Werkzeugs, nicht wie eine Verhaltensänderung. Ich entwickelte etwas, übergab es fertig und erwartete, dass die Akzeptanz automatisch folgen würde.

Ich stieß auf Widerstand. Die Leute benutzten es nur, weil sie dazu aufgefordert wurden. Andere ignorierten es stillschweigend. Erzwungene Einführung ist stille Sabotage — nur höflicher verpackt.

Wenn ich es noch einmal machen könnte, würde ich das Team von Anfang an in die gemeinsame Entwicklung einbeziehen, statt es mit einer fertigen Lösung zu konfrontieren.

Das hätte mir monatelange Suche nach dem perfekten Tool erspart, während das eigentliche Problem in ungeschriebenen Kriterien und einem nicht überzeugten Team lag. Ich hätte kleiner angefangen, mit einem Workflow und dem Team im Raum, und ich hätte die Kriterien zuerst festgelegt. Das hätte mir einen teuren Fehlstart und das Vertrauen, das ich danach wieder aufbauen musste, erspart.

Vier Ratschläge für Umsatzverantwortliche

Hier sind meine Empfehlungen:

1. Starten Sie mit einer Frage, nicht mit einem Tool. Fragen Sie sich, was die knappste Ressource in Ihrem Team ist. Für fast jeden, der einen komplexen Verkauf steuert, sind es Urteilsvermögen und Aufmerksamkeit, nicht Aktivität. Ihre besten Leute haben nur begrenzt Zeit, in der sie sich klar mit einem Deal beschäftigen können, und genau daran mangelt es. Richten Sie die KI darauf aus, das zu schützen.
2. Seien Sie ehrlich zu sich selbst bezüglich Eitelkeitsmetriken. Mehr E-Mails, mehr Kontakte, mehr Inhalte, mehr Aktivität im System. Im komplexen Verkauf ist das meistens nur Lärm, der wie Fortschritt aussieht. KI kann sehr gut Aktivitäten erzeugen, die wie Arbeit wirken, aber nichts bewirken. Wenn Ihr einziger Beweis dafür, dass KI hilft, darin besteht, dass Ihr Team mehr beschäftigt ist, haben Sie das Falsche gekauft.
3. Verlangen Sie von Ihren KI-Systemen, dass sie sagen können: „Ich weiß es nicht“ und an Menschen weiterleiten. Betrachten Sie jede Ausgabe als Entwurf, der überprüft werden muss, niemals als Wahrheit.
4. Fangen Sie klein an und messen Sie den Erfolg der KI ehrlich. Lagern Sie Ihre Disziplin beim Umsatz nicht an ein Modell aus und nennen Sie das Transformation. Der Vorteil in diesem Wandel wird nicht an denjenigen gehen, der am meisten KI einsetzt, sondern an denjenigen, der menschliches Urteilsvermögen auf das Richtige lenkt und sich weigert, das Werkzeug über Entscheidungen bestimmen zu lassen, die nur Menschen treffen sollten.

Bleiben Sie auf dem Laufenden

Sie können die Arbeit von André Magrini auf LinkedIn verfolgen oder seine persönliche Website besuchen.

Weitere Experteninterviews folgen im CRO Club!