Dein Lead-Scoring misst die falsche Phase des Funnels
Vor einigen Wochen saß ich mit einem Kollegen zusammen, der verantwortet das Lead-Scoring für ein mittelständisches Industrieunternehmen. Gutes Setup: Salesforce, Marketing Cloud, sauber aufgesetzte Nurturing-Strecken, ordentliche Datenbasis. Er zeigte mir ein Score-Modell, das ich in dieser Form schon viele Male gesehen habe. Seitenbesuche, Content-Downloads, E-Mail-Öffnungen, Formulareinsendungen – alles sauber gewichtet, alles sauber automatisiert.
Ich fragte ihn: „Wo entscheidet sich eigentlich, ob ein Anbieter auf die Shortlist kommt?“ Er überlegte kurz. „Wahrscheinlich sehr früh. Bevor jemand auf unsere Website geht.“ Er sagte das, als wäre es eine Randnotiz.
Es war keine Randnotiz.
Was auf dem B2B Marketing Summit in Singapur gesagt wurde – und was es bedeutet
Beim B2B Marketing Summit in Singapur formulierte Twilio gestern eine Beobachtung, die ich so direkt selten höre: Käufer „go dark“. Sie recherchieren über KI-Tools – außerhalb jedes Tracking-Pixels, außerhalb jeder Analytics-Infrastruktur, die du dir in den letzten Jahren aufgebaut hast. Die Zahlen dahinter sind eindeutig: 84 Prozent der CMOs nutzen inzwischen KI-Tools wie ChatGPT oder Perplexity für Vendor Discovery. 68 Prozent dieser Gruppe starten ihre Suche dort, bevor sie überhaupt eine Google-Suche durchführen.
Was das konkret heißt: Die Phase, in der ein Käufer entscheidet, welche Anbieter er sich überhaupt näher ansieht, findet zunehmend in einem Chat-Fenster statt. Kein UTM-Parameter. Kein Session-Cookie. Kein Heatmap-Treffer. Und damit kein einziger Datenpunkt in deinem CRM.
Für mich als jemand, der seit Jahren Lead-Scoring-Modelle konzipiert und implementiert, ist das kein Trend, den man beobachtet. Das ist ein strukturelles Problem, das heute schon existiert.
Das eigentliche Problem ist nicht das Tracking. Es ist die Modelllogik.
Verhaltensbasiertes Lead-Scoring basiert auf einer impliziten Annahme: Der Interessent tritt zuerst mit deinen Inhalten in Kontakt, bevor er sich entscheidet, ob du relevant bist. Das war lange Zeit eine akzeptable Vereinfachung. Sie stimmt nicht mehr.
Was heute tatsächlich passiert: Ein Einkäufer bei einem Maschinenbauunternehmen sucht eine neue Lösung für seine Fertigungssteuerung. Er öffnet kein Google. Er fragt ein LLM. Er beschreibt sein Problem. Das Modell nennt ihm vier oder fünf Anbieter, formuliert in zwei Sätzen, was die jeweils können, und gibt eine erste Einschätzung. In diesem Moment hat sich die Shortlist geformt – ohne dass du auch nur einen einzigen dieser Schritte gesehen hast. Wenn der Einkäufer danach auf deine Website kommt, ist er kein Early-Stage-Lead mehr. Er ist jemand, der dich bereits eingeordnet hat.
Dein Score-Modell sieht das nicht. Es behandelt ihn wie einen Erstkontakt.
Attribution war schon vorher ein Problem – aber ein beherrschbares
Ich kenne diesen Moment. Man sitzt im Reporting-Meeting, schaut auf die First-Touch- oder Last-Touch-Daten, und irgendwer sagt: „Aber wir wissen nicht, was davor war.“ Das war immer wahr. Messen und Offline-Touchpoints, Messen und Direktgespräche, Messen und Weiterempfehlungen – das Tracking-Bild war nie vollständig.
Der Unterschied: Diese blinden Flecken lagen außerhalb des digitalen Kanals. Man konnte sie zumindest theoretisch durch Befragungen, CRM-Notizen oder Vertriebsgespräche teilweise kompensieren. Was jetzt passiert, ist anders: Die unsichtbare Phase des Funnels ist digital – sie findet in einem Kanal statt, der strukturell nicht für Tracking ausgelegt ist. Und sie wächst schnell.
Das ist keine Frage mehr, ob man das Tracking verbessern kann. Man kann es nicht. Die Frage ist, was man stattdessen tut.
Was das für bestehende Scoring-Modelle bedeutet
Nehmen wir ein konkretes Beispiel. Ein Anbieter von Prüftechnik-Lösungen für die Automobilindustrie hat ein Scoring-Modell im Einsatz, das auf folgenden Signalen aufbaut: drei oder mehr Seitenbesuche innerhalb von 14 Tagen, Download eines technischen Datenblatts, Öffnung von mindestens zwei E-Mails aus der Nurturing-Strecke. Ab einem Score von 70 wird der Lead an den Vertrieb übergeben.
Ein Einkäufer bei einem OEM hat diesen Anbieter bereits über ein LLM identifiziert, intern kurz vorgestellt und eine erste positive Rückmeldung bekommen. Er besucht jetzt die Website, um spezifische technische Informationen zu verifizieren. Er lädt ein Datenblatt herunter – nicht weil er sich orientiert, sondern weil er eine interne Entscheidung vorbereitet. Er ist weit fortgeschrittener im Kaufprozess als sein Score suggeriert.
Das Modell behandelt ihn wie jemanden, der sich gerade zum ersten Mal informiert. Der Vertrieb bekommt ihn mit einem Mid-Funnel-Skript. Der Lead ist irritiert. Der erste Kontakt ist suboptimal. Das passiert nicht, weil der Vertrieb schlecht ist. Es passiert, weil das Modell die falsche Annahme über den Zeitpunkt trifft.
Drei Ansätze, die heute schon funktionieren – ohne perfektes Tracking
Der erste Ansatz ist verhaltensbasiertes Scoring um kontextuelle Qualifikatoren zu erweitern. Wenn jemand direkt auf eine spezifische Produktseite kommt, ohne vorher durch generische Content-Seiten gegangen zu sein, ist das ein anderes Signal als eine typische Discovery-Journey. Ein hoher Direkteinstieg auf einer technischen Seite kann ein Zeichen sein, dass der Kontakt bereits weiß, was er sucht. Das lässt sich modelltechnisch abbilden – nicht als Beleg für vorherige LLM-Recherche, aber als Korrektiv für falsche Score-Annahmen.
Der zweite Ansatz betrifft den Vertrieb. Wenn die erste Phase des Funnels zunehmend unsichtbar ist, wird das erste direkte Gespräch noch wichtiger für die Qualifizierung. Das bedeutet nicht, dass Vertrieb mehr fragen soll – es bedeutet, dass die Übergabe-Logik zwischen Marketing und Vertrieb die Möglichkeit vorsehen muss, dass ein Kontakt bereits in einer anderen Phase ist als sein Score andeutet. BANT-Abfragen im Erstgespräch, die voraussetzen, dass der Lead noch in der Orientierungsphase ist, werden das Problem nicht lösen.
Der dritte Ansatz ist der grundlegendste: Sichtbarkeit in LLM-Antworten als eigenständiges Marketingziel zu behandeln. Wenn Käufer LLMs fragen, welche Anbieter für ein bestimmtes Problem relevant sind, dann ist die Frage, ob und wie dein Unternehmen in diesen Antworten auftaucht, keine SEO-Frage mehr. Es ist eine Frage der Positionierung, der Sichtbarkeit in öffentlich indizierten Quellen und der Klarheit, mit der du dein Angebot und deine Kompetenz kommunizierst. Dieser Aspekt ist in den meisten Marketing-Setups, die ich sehe, noch nicht als operatives Ziel definiert.
Die eigentliche Frage ist keine Technologiefrage
Nach mehr als 20 Jahren in Führungspositionen im B2B-Marketing sehe ich immer wieder dasselbe Muster: Wenn sich etwas fundamental ändert, suchen Teams zuerst nach einem Tool, das die Lücke schließt. Für das Problem der LLM-gestützten Recherche gibt es im Moment kein solches Tool. Es gibt erste Ansätze für AI-Search-Monitoring, es gibt Experimente mit strukturierten Daten für LLM-Indizierung, es gibt vereinzelte Anbieter, die Sichtbarkeit in KI-Antworten als Service verkaufen. Aber es gibt keinen Automation-Stack, der das grundlegende Problem löst: dass ein relevanter Teil der Kaufentscheidung außerhalb jedes messbaren Kanals stattfindet.
Was das erfordert, ist keine neue Software. Es ist eine Anpassung des Denkrahmens. Scoring-Modelle, die auf der Annahme basieren, dass man den vollständigen Weg eines Leads nachverfolgen kann, haben eine Prämisse verloren, die lange als selbstverständlich galt. Wer das jetzt anerkennt und die Modelllogik entsprechend anpasst, wird bessere Übergaben bauen, weniger Leads falsch qualifizieren und den Vertrieb mit realistischeren Erwartungen ausstatten.
Wer wartet, bis es ein Tool gibt, das das Problem löst, wartet auf etwas, das es in dieser Form nicht geben wird.
Fazit
Mein Kollege mit dem Scoring-Modell hat die richtige Beobachtung gemacht: Die entscheidende Phase passiert bevor jemand auf die Website kommt. Nur hat er es behandelt, als wäre es eine unveränderliche Tatsache, mit der man leben muss. Das stimmt nicht ganz. Man kann die unsichtbare Phase nicht sichtbar machen. Aber man kann aufhören, Modelle zu bauen, die so tun, als existiere sie nicht.