Vizepräsident für Vertrieb teilt mit, wie Umsatzteams zu den 6 % gehören können, die KI erfolgreich eingeführt haben

Byron Munson ist Vizepräsident für Vertrieb für JAPAC bei Supermetrics.

Wir haben uns mit Byron zusammengesetzt, um zu erfahren, warum nur 6 % der Teams KI erfolgreich implementiert haben – und wie er dies für sein Team umsetzt. Das hat er uns erzählt.

Kommerzielle Strukturen von Grund auf aufbauen

Ich bin Byron Munson, Vizepräsident für Vertrieb für JAPAC bei Supermetrics, einem globalen MarTech-Unternehmen in der Wachstumsphase. Unsere Kundenbasis reicht von kleinen und mittleren Unternehmen bis hin zu den größten Konzernmarken. Unsere Markteinführungsstruktur basiert auf einem schlanken Modell mit Key-Account-Managern und Kundenbetreuern sowie einer Partnerorganisation.

Ich habe mehr als zwanzig Jahre in APAC und EMEA verbracht und dabei kommerzielle Strukturen von Grund auf bis zur regionalen Größe aufgebaut. Meine Karriere begann in der Werbung bei DDB und McCann in Sydney. Danach wechselte ich zu Adconion London und Videology SEA in die Werbetechnologie und später zu Datorama in den Bereich MarTech. Ich half dabei, das APAC-Geschäft von Datorama zu führen, und begleitete die Übernahme durch Salesforce in der Region.

Eine Übernahme zweimal von innen zu erleben, hat mir vieles beigebracht, was ich aus einer Strategiepräsentation nicht gelernt hätte: Was in einer größeren Organisation Bestand hat, was neu aufgebaut wird und was stillschweigend verschwindet.

Ich habe außerdem mein eigenes Unternehmen gegründet, ein Klimatechnologie-Start-up namens Climagap. Dadurch habe ich beim Entwickeln von Ideen, bei der Finanzierungssuche und bei der Markteinführung einer Idee von Grund auf eine gesunde Portion Demut gelernt. Letztlich konnte das Unternehmen aus verschiedenen Gründen nicht skaliert werden, daher beschloss ich, den Betrieb einzustellen.

Bei Supermetrics leite ich ein regionales Team aus etwa 20 funktionsübergreifend arbeitenden Mitarbeitenden. Wir haben JAPAC von einer Region ohne eigene Präsenz vor Ort zu einem bedeutenden regionalen Geschäft aufgebaut. Dazu gehört ein Partnerökosystem, das Zugang zu leistungsstarken Implementierungs- und Technologieexperten vor Ort bietet – ein wesentlicher Faktor für nachhaltiges Wachstum und den langfristigen Erfolg unserer Kunden.

Eine durch KI in zweierlei Hinsicht beeinflusste Umsatzorganisation

In jüngerer Zeit erstreckte sich dies in zweierlei Hinsicht auch auf KI. Intern haben wir unsere eigene KI-gestützte Umsatzinfrastruktur aufgebaut – für die Überwachung der Pipeline-Gesundheit, des Kundenrisikos und des Geschäftsabschluss-Coachings – und dabei unsere eigenen Daten als Grundlage verwendet. Dadurch habe ich aus erster Hand gelernt, dass die Einführung von KI in erster Linie ein Problem des Vertrauens und des Veränderungsmanagements ist, nicht der Technologie.

Und extern habe ich dieselbe Entwicklung bei unseren Kunden beobachtet: Marken und Agenturen, die in einer Datenflut untergehen. Der eigentliche Durchbruch bestand nicht in mehr Daten, sondern darin, ihnen zu helfen, schneller Entscheidungen zu treffen.

Unsere LLM-Partnerschaften, einschließlich unserer jüngeren Rolle als Einführungspartner von Googles Gemini Enterprise in der Region, liegen genau an dieser Schnittstelle – sie bringen KI-gestützte Marketingintelligenz direkt in die Hände von Marketern. Ehrlich gesagt habe ich gelernt, dass es nicht um die Technologie geht. Menschen handeln nur nach Erkenntnissen, denen sie vertrauen – ganz gleich, ob ein Vertriebsmitarbeiter einem Coaching-Hinweis vertraut oder ein Kunde einer Empfehlung so weit vertraut, dass er seine Marketing-Investitionspläne ändert.

Wo KI besonders leistungsfähig ist und wo ihre Einsatzmöglichkeiten enden

KI unterstützt Entscheidungen, indem sie Erkenntnisse liefert. Die Wahrscheinlichkeit eines Upgrades ist das klarste Beispiel: In einem Selbstbedienungsmodell können Nutzungs-, Abrechnungs- und Interaktionssignale in voneinander getrennten Systemen liegen, ohne natürliche Verbindung zueinander. KI führt diese Datenquellen zusammen und macht so eindeutig erkennbar, welche Kunden bereit für eine Erweiterung sind.

Aber KI ist niemals der alleinige Antrieb. Was vollständig menschlich bleibt, umfasst die Preisgestaltung, Verhandlungen und alles, was auf Vertrauen und zwischenmenschlicher Interaktion beruht. KI kann mir sagen, dass ein Kundenkonto bereit ist. Sie kann das Gespräch jedoch nicht führen.

Es ist außerdem wichtig zu beachten, dass nicht jede KI-Investition so schnell zu Umsatz führt, wie die Begeisterung für KI vermuten lässt. Manche binden erhebliche Kapazitäten, bevor sie nennenswerte Ergebnisse liefern.

Deshalb ist das Risiko, das ich besonders genau beobachte, falsche Sicherheit. KI-Ergebnisse können ausgefeilt und endgültig wirken, selbst wenn sie auf einer dünnen Datenbasis beruhen. Ich behandle sie wie den ersten Entwurf eines Junior-Analysten: nützlich, aber ich handle nicht ungeprüft danach.

Zwei Bereiche, in denen AI in Umsatzorganisationen ihr Ziel verfehlt

Ich beobachte zwei gefährliche Fehlentwicklungen beim Einsatz von AI im Umsatzbereich.

Am deutlichsten zeigt sich das bei der von AI generierten Personalisierung im Outbound-Vertrieb. Bei jeder Aktivitätskennzahl ist sie effizient, aber die Erfolgsquote hat sich nicht verbessert, weil Käufer künstlich erzeugte Personalisierung sofort erkennen.

Hier ist ein subtileres Beispiel: ein Modell automatisch das Risiko eines Geschäfts bewerten zu lassen. Es lag oft genug richtig, um Vertrauen zu schaffen, und genau dort falsch, wo es darauf ankam – bei Beziehungen, die abkühlen und in strukturierten Daten nie auftauchen.

In beiden Fällen ist ein Mensch im Prozess erforderlich.

Wie der Einsatz von AI im Performance-Management und in der Marktstrategie Entscheidungen verbessert

Ich habe kürzlich zwei große Veränderungen vorgenommen:

1. Performance-Management: Wir machen jetzt individuelle und teambezogene Risiken sichtbar, bevor sie zu einer Herausforderung für die Leistung werden, nicht erst danach. Proaktive Lösungsentwicklung statt eines nachträglichen Analyseansatzes. Dafür führen wir Gesprächstranskripte, Pipeline-Verlauf, CRM-Notizen, Umsatz nach Produktlinie und Kundenfeedback zusammen – und AI macht zugrunde liegende Verhaltensmuster sichtbar.
2. Marktstrategie: Die Auswertung von vier Jahren Betriebsdaten aus der gesamten Region machte einen spezifischen Trend in Thailand sichtbar, der uns dazu veranlasste, mit einer Partner-zuerst-Strategie zu expandieren. Wir bauten vor Ort ein leistungsfähiges Netzwerk von Lösungspartnern auf, statt selbst unmittelbar mit eigenen Teams präsent zu sein.

Das erreichten wir, indem wir all unsere internen Daten und Drittanbieterplattformen mit unserer Claude-Umgebung verbunden haben. Letztlich bildet dies die Grundlage, um wiederholbare und kommerziell wirkungsvolle Entscheidungen im großen Maßstab zu treffen. Nicht als einmalige Tiefenanalyse, sondern als langfristiger, konsistenter Ansatz.

Byron teilt

Wir haben vor Ort ein leistungsfähiges Netzwerk von Lösungspartnern aufgebaut, statt selbst unmittelbar mit eigenen Teams präsent zu sein.

Wie kundenorientierte Zusammenarbeit mit AI möglich wird

Vertrieb und Kundenerfolg liefen schon immer nebeneinanderher: derselbe Kunde, zwei Funktionen, zwei Systeme der Datenerfassung, zwei Versionen der Wahrheit. Das ist keine Partnerschaft. Es ist paralleles Arbeiten.

Die Branche hat diese Diagnose inzwischen bestätigt. Führende Verantwortliche im Umsatzbereich sind sich heute einig: „Eine Zahl, eine Vorgehensweise, eine Quelle der Wahrheit.“ GTM als vernetztes System, nicht als Weitergabe von Übergaben.

Diese Idee ist nicht länger umstritten. Doch die meisten bleiben bei der Struktur stehen: gemeinsame Quoten, einheitliche Dashboards, Konsolidierung des CRM. Das ist die technische Infrastruktur. Sie beantwortet nicht die Frage: „Wie können zwei Funktionen, die auf zwei unterschiedlichen Systemen arbeiten, denselben Kunden jemals auf dieselbe Weise beschreiben?“

Hier liegt der Mechanismus: Wenn die Sprache aus jedem Kundenkontaktpunkt (Vertrieb, Onboarding und Verlängerung) in einem LLM vorliegt, das auf Ihre Daten ausgerichtet ist, gibt es nicht länger eine Vertriebsversion des Kunden und eine Kundenerfolgsversion.

So werden Zusammenarbeit und Transparenz in der Praxis sichtbar. Nicht als Wert auf einer Folie, sondern als Struktur, die es Teams unmöglich macht, den Kunden aus dem Blick zu verlieren. Und genau so sieht kundenorientierte Zusammenarbeit aus.

Wie AI erfolgreich in Umsatzorganisationen eingeführt wird

89 % der Teams spüren den Druck, AI einzuführen. Nur 6 % haben sie tatsächlich implementiert. Diese Lücke ist die Chance (Supermetrics, Marketingdatenbericht 2026).

So lässt sich diese Lücke schließen:

1. Prüfe deine Lücken und Bedürfnisse. Lege deine Ziele fest und ordne A/B-Tests zu, um die tatsächliche langfristige Richtung zu erkennen. Ordne anschließend deine Daten zu. Wenn du sie nicht verknüpfst, fehlt dem LLM der Kontext. Die meisten ins Stocken geratenen „KI-Initiativen“ haben ihre Ursache in Problemen mit der Datenhygiene. Wenn du den Eingaben nicht vertraust, kannst du auch den Ausgaben nicht vertrauen.
2. Führe KI nicht am ersten Tag unternehmensweit ein. Finde die Aufgabe deines Teams, die den größten Aufwand verursacht: Zusammenfassungen von Geschäftsabschlüssen, Vorbereitung auf QBRs oder Pflege der Pipeline. Baue genau diesen Workflow mit seinem vollständigen Kontext neu auf. Belege die Effizienzgewinne, bevor du skalierst.
3. Halte die Regeln schriftlich fest. Deine Vertriebsmitarbeitenden nutzen undokumentierte Einschätzungen – wie ein gesunder Geschäftsabschluss aussieht, was „ins Stocken geraten“ im neunten Monat bedeutet und wie sie Verlängerungen von Up-Sells unterscheiden. Wenn du es nicht aufschreibst, kann dein LLM es nicht nutzen – und neue Mitarbeitende können es ebenfalls nicht.
4. Miss die Akzeptanz anhand veränderter Entscheidungen, nicht anhand aktivierter Lizenzen. Lizenzzahlen und Anmeldestatistiken sagen dir nichts. Verfolge, ob von der KI hervorgehobene Erkenntnisse die Einschätzung von Prognosen, Geschäftsabschlussstrategien oder Coaching-Gespräche verändern. Das ist das einzige Signal, das eine echte Implementierung von jenen unterscheidet, die nie über ein Pilotprojekt hinauskommen.

Byron teilt

\u003cstrong\u003eSo überbrückst du diese Lücke: Prüfe deine Lücken und Bedürfnisse. Führe KI nicht am ersten Tag unternehmensweit ein. Halte die Regeln schriftlich fest. Miss die Akzeptanz anhand veränderter Entscheidungen, nicht anhand aktivierter Lizenzen.\u003c/strong\u003e

Warum LLMs wie neue Mitarbeitende eingearbeitet werden müssen

Und noch etwas: Führe dein LLM so ein, wie du eine neue Mitarbeiterin oder einen neuen Mitarbeiter einarbeiten würdest. Überspringst du diese Einarbeitung, erhältst du Selbstvertrauen ohne Kompetenz.

Eine neue Mitarbeiterin oder ein neuer Mitarbeiter erhält keinen Zugriff auf das CRM oder dein Playbook, ohne die Rollen und Verantwortlichkeiten zu kennen und zu verstehen, wie „gut“ aussieht. Ein LLM benötigt dieselben vier wichtigen Elemente, bevor es mit Live-Daten arbeitet:

• Deine Ziele: Was „gesund“ für diese Pipeline, dieses Quartal und diese Region bedeutet
• Deine Definitionen: Was „gefährdet“ bedeutet und wie eine gesunde Pipeline aussieht
• Deine Leitplanken: Was es niemals allein entscheiden darf – zum Beispiel eine Geschäftsabschlussphase nicht neu einzustufen oder keinen Abwanderungsgrund zu bestimmen, ohne dass ein Mensch eingebunden ist.
• Deine Historie: Der Kontext, der verändert, was eine Zahl bedeutet – zum Beispiel liest sich „die Pipeline-Abdeckung ist niedrig“ ganz anders, sobald du weißt, dass wir gerade eine wichtige Verlängerung um ein Quartal vorgezogen haben.

Überspringst du diese Einarbeitung, versagt das Modell nicht unbemerkt – es versagt überzeugend.

Bleib auf dem Laufenden

Du kannst die Arbeit von Byron Munson auf LinkedIn verfolgen.

Weitere Experteninterviews folgen im The CRO Club!