Tech-CRO sagt: KI macht Prognosen robuster – und CRO-Verantwortung schwerer zu umgehen

George Storm ist seit 23 Jahren im Vertrieb tätig. Derzeit ist er CRO bei einer B2B-ABM-Plattform namens N.Rich, wo er die Bereiche Vertrieb, Marketing, Customer Success, Partner und Produktsupport leitet.

Wir haben uns mit George zusammengesetzt, um zu erfahren, wie er Prognosen und Reporting mit KI neu aufgebaut hat. Das hat er uns erzählt.

Verantwortung für den gesamten Funnel

Ich bin George Storm, CRO bei N.Rich, einer B2B-ABM-Plattform. Wir befinden uns im Wandel von einem ABM-Single-Product-Unternehmen zu einer Plattform, die wir als Composable GTM vermarkten. Unser aktuelles Umsatzmodell ist ein jährliches SaaS-Abonnement mit zugehörigen Services. Mit dem Launch von GTM OS führen wir ein modulares Modell ein: modulbasierte Abos und erfolgsbasierte Preisgestaltung.

Ich verantworte die gesamte Umsatzorganisation, von Anfang bis Ende: Vertrieb, Marketing, Customer Success, Partner und Produktsupport. Ich bin zuständig für die gesamte Nachfragegenerierung bis zur Nettoumsatzbindung – den gesamten Funnel, nicht nur einen Teilbereich. Unsere GTM-Struktur besteht aus einem schlanken, EMEA-orientierten Vertriebsteam, einer Marketingorganisation, die Nachfrage und ABM generiert, einer CS-Organisation für Verlängerungen und Expansion sowie einer parallelen Partnerbewegung.

Wir bedienen in erster Linie europäische B2B-Unternehmen vom Mittelstand bis zum Enterprise-Bereich: konkret Umsatz- und Marketingverantwortliche, die Account-basierte Go-to-Market-Strategien fahren.

Wie KI die Genauigkeit der Umsatzprognose verändert hat

Ich bin seit 23 Jahren im Vertrieb tätig, aber die letzte Zeit war härter als die ersten zwanzig Jahre zusammen.

Zur KI kam ich nicht aus Neugier, sondern nach einem Fehlgriff. Ich habe prognostiziert, wie jeder CRO prognostiziert – basierend auf historischen Conversion-Rates – und das Modell hat mir immer das erzählt, was ich hören wollte, bis zu dem Quartal, in dem es nicht mehr passte. Der Mechanismus der Selbsttäuschung war das Modell selbst. Und ich war derjenige, der es gebaut hatte.

Also habe ich unsere Forecasts komplett neu aufgestellt. Wir haben uns vom Point-Estimate-Modell auf Basis historischer Conversion abgewandt. Es hatte einen Monte-Carlo-Wrapper, der den Anschein von Strenge vermittelte – aber das war es nicht. Ein Punkt ist und bleibt ein Punkt, selbst wenn man drei davon im Durchschnitt nimmt.

Wir sind auf ein regimespezifisches, vierstufiges Wahrscheinlichkeitsmodell umgestiegen: Win Rate, Capture, NRR und Zykluslänge, jeweils kalibriert an externen Benchmarks von WEF, IWF und McKinsey. KI steuert nun kontinuierlich die Modellierung, statt dass ich quartalsweise eine Kalkulationstabelle aktualisieren muss. Dafür nutzen wir Claude für Makrosignale sowie Fathom, Hubspot und unsere eigene Plattform.

Regime-bewusst. Wahrscheinlichkeitsbasiert. Kontinuierlich. Dieser Neuaufbau hat mich endgültig zu KI gebracht, nicht als reine Produktivitätsschicht, sondern als Instrument, das es ermöglicht, die Mathematik zu erledigen, den Markt zu lesen und innerhalb einer Woche zu handeln. Genau das macht die Arbeit heute aus.

Durch diese Veränderung ist der Forecast eine Einschätzung geworden, kein Bericht. Die Lücke unterhalb des Commit wurde sichtbar, bevor das Quartal vorbei war – nicht danach. Der Vorstand war nicht mehr überrascht. Und genau darum geht es.

Warum KI liest, aber der Mensch handeln muss

Was die Aufgabenverteilung zwischen KI und Mensch angeht: Die KI liefert die "Read"-Ebene:

• Verteilung der Regimeprognose
• Pipeline-Priorisierung
• Bewertung der Account-Gesundheit
• Churn-Risiko-Flags
• Wöchentlicher funktionsübergreifender Read über Vertrieb, Marketing, CS und Partner hinweg

All das wird mittlerweile von KI übernommen, weil hier Muster in mehr Signalen erkannt werden, als ein Mensch im Kopf halten kann.

Explizit menschliche Tätigkeiten betreffen die Reaktion:

• Die Entscheidung zu einem einzelnen Deal
• Preisgestaltung bei einem strategischen Account
• Wer an welcher Position sitzt
• Die Darstellung gegenüber dem Vorstand.

Der Grund ist einfach: KI erweitert meinen Handlungsspielraum, aber wir können die Verantwortung nicht an ein Modell abgeben. Einfluss als Input fürs Modell – nicht als Entscheider. Das Modell liest. Der Mensch handelt.

Wie KI Arbeitsabläufe verbessert, aber zu Selbstüberschätzung verleiten kann

Hier sind die positiven Ergebnisse:

• Der wöchentliche CRO-Report, der früher fast einen ganzen Tag beanspruchte, erstellt sich jetzt von selbst und ich nutze die Zeit, um Entscheidungen zu treffen statt Informationen zu sammeln.
• Das Health Scoring erkennt gefährdete Accounts ein bis zwei Quartale, bevor das nachgelagerte Kennzahlensystem reagiert.
• Die Prognose hält auch im Boardroom stand – das ist der einzige Genauigkeitstest, der zählt.

Aber es läuft nicht alles rund. Die ersten Modelle waren zu optimistisch. Eines zeigte eine Wahrscheinlichkeit von 97 % und war strukturell zu optimistisch, weil ich saubere Annahmen in schmutzige Eingabedaten gefüttert hatte.

Adversarische Kalibrierung stellte sich als die eigentliche Aufgabe heraus, nicht nur als ein Schritt darin – ich habe mein eigenes Modell mit einem Senior-Analysten-Prompt herausgefordert, dessen einzige Aufgabe es ist, den Optimismus auszutreiben. Ich hätte ein Quartal sparen können, wenn ich das früher gewusst hätte.

KI hat mir diese Arbeit nicht abgenommen. Sie hat sie nur verlagert.

Ein reales Reporting-Workflow

Georges Gedanken

Die Prognose ist die Auswertung. Der Plan ist die Reaktion. Die Schleife ist das Betriebssystem.

Schauen wir uns den wöchentlichen Auswertungs-Workflow an.

Am Montag zieht die KI die Daten aus HubSpot für Pipeline und Erneuerungen, Amplitude für Produktnutzung, Pylon für Support, Fathom für Gesprächsstimmung sowie Slack für interne und Kundensignale. Daraus entsteht eine zentrale und geprüfte Datenbasis. Sie bewertet die Account-Gesundheit, markiert gefährdete Accounts, sendet automatisch Slack-Benachrichtigungen an die zuständigen Personen und aktualisiert die regime-konditionierte Prognoseverteilung.

Dann lese ich die Auswertung, treffe die Reaktion und wir schließen den Zyklus bis Freitag ab. Beobachten, auswerten, handeln – im einwöchigen Rhythmus und mit nur einer verantwortlichen Person, die bewusst nicht der Manager ist. Das System übernimmt das Sammeln und Bewerten. Die Rolle übernimmt die Entscheidungen.

Die Prognose füttert den Zyklus. Der Zyklus justiert, wo Kapital und Aufwand eingesetzt werden. Und die gesamte Organisation agiert im Wochen- statt im 90-Tages-Takt: Prognose als Auswertung, Plan als Reaktion, Schleife als Betriebssystem.

Wie KI Revenue Leadership schwieriger macht

KI hat keine neue Nachfrage erzeugt. Sie verdichtet und beschleunigt deinen existierenden Vertriebsprozess, aber sie weckt keine Kaufabsicht bei potenziellen Kunden, die sich noch nicht am Markt orientieren. Wer KI als Wunderwaffe für Lead-Generierung verkauft, verkauft das falsche Versprechen.

Sie hat auch Urteilsvermögen in späten Enterprise-Deals nicht ersetzt und Datenmüll nicht beseitigt. Fehlerhafte Daten werden durch KI nicht besser. Sie werden deutlicher.

KI hat mein Leben auch durch Rollenverdichtung auf der Käuferseite erschwert. Unternehmen bündeln inzwischen drei Jobs in einer Rolle, die Champion-Person, die uns vor einem Jahr gekauft hat, ist vielleicht jetzt nicht mehr zuständig, hat die Verantwortung verloren oder die Organisation verlassen. KI hat diese Dynamik geschaffen – aber sie löst sie für mich nicht.

Wo CROs anfangen sollten – und was sie vermeiden sollten

Mein Tipp: Nicht einfach KI als Produktivitätswerkzeug an die bestehende Rolle hängen. Die Rolle darum herum neu gestalten.

Beginnen Sie mit Ihrer Prognose, denn daran misst Sie der Vorstand – und die Messlatte wurde auf 2026 verschoben. Sie werden nicht mehr dafür entlassen, dass Sie das Ergebnis verfehlen. Sie werden für die Überraschung entlassen. Ein Modell, das das Verfehlen nicht kommen sieht, ist das Problem, nicht das Verfehlen selbst.

Und seien Sie selbst in der Mathematik. Die CROs, die dies an ein Tool abgeben und wegsehen, bekommen die Antwort, für die das Tool gebaut wurde. Stellen Sie sicher, dass Sie das System so einrichten, dass es Sie warnt, wenn Sie falsch liegen.

Bleiben Sie dran

Sie können die Arbeit von George Storm auf LinkedIn und georgestorm.io verfolgen.

Weitere Experteninterviews folgen im CRO Club!