Warum Ihr bester Vertriebsingenieur Ihr größter Engpass ist

Ein Kunde aus der Automobilindustrie schickt eine Anfrage: Welche Ihrer Dichtungen ist beständig gegen Schwefeldioxid bei 200 Grad Dauertemperatur und einem Betriebsdruck von 6 bar? Er braucht die Antwort bis Freitag. Es ist Mittwoch.

Der einzige, der das sicher weiß, ist gerade auf einer Messe in Hannover. Sein Kollege durchsucht drei interne Laufwerke, zwei SharePoint-Ordner und schreibt eine E-Mail an den Produktmanager. Am Donnerstagabend kommt die Antwort. Der Kunde hat inzwischen woanders angefragt.

Das ist kein Ausnahmefall. Das ist der Alltag im technischen Vertrieb mittelständischer Maschinenbauer. Und die Lösung ist nicht ein weiterer Applikationsingenieur – die werden ohnehin immer schwerer zu finden. Die Lösung ist, das vorhandene Wissen so aufzustellen, dass es nicht schläft, wenn sein Träger gerade beschäftigt ist.

Laut Gartner werden bis 2027 bereits 95 Prozent aller Vertriebsrecherchen mit KI beginnen – heute sind es weniger als 20 Prozent [1]. Und bis 2028 werden 90 Prozent aller B2B-Käufe über KI-Agenten abgewickelt [9]. Wer dann keine strukturierte, durchsuchbare Wissensbasis hat, taucht in diesen Prozessen schlicht nicht auf. Wer heute wartet, startet morgen mit demselben Rückstand.

Der Experte, der alles weiß – und nicht skaliert

Die meisten Hidden Champions haben über Jahrzehnte etwas aufgebaut, das kaum zu kopieren ist: tiefes, spezifisches Produktwissen. Ein Applikationsingenieur mit 15 Jahren Erfahrung kennt die Anwendungshistorie eines Produkts, die Grenzfälle aus zurückliegenden Projekten und die ungeschriebenen Regeln bei der Konfiguration für genau diesen Kunden in genau dieser Branche. Dieses Wissen ist real. Es schafft Vertrauen, schützt vor teuren Fehlern und ist der eigentliche Kern des Wettbewerbsvorsprungs.

Und es lebt in einem einzigen Kopf.

Das taucht in keiner Risikobetrachtung auf. Aber es ist eines der größten operativen Risiken, die ein Hidden Champion hat. Wissen, das nicht strukturiert zugänglich ist, ist keine Ressource. Es ist eine Abhängigkeit – mit einer Berufsbezeichnung und einem Urlaubsanspruch.

Engpass: Eine Anfrage, ein Experte, ein Flaschenhals

Wenn jede komplexe Anfrage durch dieselben zwei oder drei Experten muss, entsteht ein Engpass, den keine Vertriebsstrategie löst – weil er kein Vertriebsproblem ist. Er ist ein Wissensorganisationsproblem.

Die demografische Dimension verschärft das erheblich: Innerhalb der nächsten zehn Jahre werden im deutschen Maschinenbau laut VDMA-Daten rund 296.000 Beschäftigte in den Ruhestand treten. Gleichzeitig kommen nur etwa 118.000 neue Fachkräfte nach – eine strukturelle Lücke von 178.000 Personen [2]. Das betrifft nicht nur die Produktion. Es betrifft jeden, der Applikationswissen trägt. Wer das nicht antizipiert, verliert nicht nur einen Mitarbeitenden. Er verliert 20 Jahre Projekterfahrung, die nirgendwo aufgeschrieben ist.

Und der Markt wartet nicht: Laut Gartner verbringen B2B-Käufer heute nur noch 17 Prozent ihrer Kaufzeit damit, aktiv mit Lieferanten zu sprechen [3]. Das Entscheidungsfenster, in dem Ihr Experte überhaupt gefragt werden kann, wird kleiner. Wer in diesem Fenster keine präzise Antwort liefert, landet oft gar nicht erst auf der Shortlist.

Ausweg: Wissen, das nicht schläft

Die Antwort ist kein weiterer Applikationsingenieur, den Sie auf einem angespannten Arbeitsmarkt suchen müssen. Die Antwort ist, das vorhandene Wissen so aufzustellen, dass es nicht mehr an einzelne Personen gebunden ist.

Was das konkret bedeutet: Statt Expertise in zwei oder drei Köpfen zu konzentrieren, entsteht eine Wissensinfrastruktur, die das Wissen abrufbar macht – unabhängig davon, wer gerade im Büro sitzt, auf welcher Messe ist oder in drei Jahren in Rente geht. Der Experte bleibt unverzichtbar: für Grenzfälle, für Vertrauen, für alles, was Erfahrungsurteil erfordert. Aber er ist nicht mehr der einzige Zugangspunkt zu dem Wissen, das er trägt.

Die Reaktionszeit entscheidet früher als der Preis

Der Einkäufer, der morgen eine komplexe technische Anfrage stellt, hat die Antwort von einem Ihrer Wettbewerber möglicherweise bereits gestern bekommen. Nicht weil dieser Wettbewerber bessere Produkte hat. Sondern weil er schneller war.

B2B-Käufer verhalten sich heute nicht mehr wie Industriekunden des letzten Jahrzehnts. 84 Prozent der B2B-Einkäufer betrachten Self-Service-Informationen inzwischen als entscheidendes Kriterium bei der Lieferantenauswahl [4]. Sie recherchieren, bevor sie ein Gespräch anfordern. Wer in dieser Recherchephase keine verlässlichen, spezifischen Antworten liefert, wird oft gar nicht erst angerufen.

Engpass: Das Rennen läuft – meistens ohne Sie

Die Zahlen sind eindeutig, werden aber im technischen Vertrieb selten ernst genommen: 78 Prozent der B2B-Käufer kaufen beim Anbieter, der zuerst antwortet – unabhängig vom Preis [5]. Wer nach den ersten fünf Minuten reagiert, hat seine Qualifizierungschance um 80 Prozent verringert [5]. Die durchschnittliche Reaktionszeit im B2B-Bereich liegt bei 42 bis 47 Stunden [6].

Für den technischen Vertrieb im Maschinenbau ist das besonders schmerzhaft. Die Anfragen, bei denen Reaktionszeit entscheidet, sind oft nicht die kompliziertesten. Es sind die halbkomplexen Routinefälle: Werkstoffverträglichkeiten, Temperatur- und Druckbereiche, Konfigurationsmöglichkeiten – Fragen, die ein erfahrener Mitarbeitender in drei Minuten beantwortet. Die aber niemand beantworten kann, weil dieser Mitarbeitende gerade nicht erreichbar ist.

Das Paradox: Genau diese Anfragen – häufig, klar abgrenzbar, mit bekannten Antworten – sind der ideale Einstiegspunkt für ein KI-gestütztes Wissenssystem.

Ausweg: Sofortantwort mit Unternehmensqualität

KI kann diese Lücke schließen – aber nur, wenn sie mit dem richtigen Wissen aufgebaut ist. Kein generisches Sprachmodell kennt die Konfigurationsregeln Ihrer Produktlinie. Ein KI-System, das auf Ihre technische Dokumentation, Ihre Applikationsberichte und Ihre Produktdatenbank zugreift, kann das – und es beantwortet Routineanfragen sofort, mit Quellennachweis, rund um die Uhr.

Forrester belegt: In rund der Hälfte aller B2B-Kaufentscheidungen gewinnt der erste Anbieter, der antwortet [6]. Das ist kein Marketing-Insight. Das ist ein struktureller Vorteil, der für diejenigen entsteht, die ihr Wissen zugänglich gemacht haben – und für alle anderen nicht.

Das Wissen schläft im Unternehmen

Hidden Champions haben in der Regel keine Wissenslücken. Sie haben ein Zugangsproblem.

Jahrzehnte an technischer Dokumentation, Applikationsberichten, Fehlerprotokollen und Konfigurationsentscheidungen liegen verteilt über Netzlaufwerke, SharePoint-Strukturen, ERP-Module und E-Mail-Postfächer. Manche Dokumente sind so alt, dass nur noch eine Person im Unternehmen weiß, dass es sie gibt. Und manche Antworten existieren überhaupt nicht in schriftlicher Form – sie sind einfach im Kopf von jemandem, der seit 22 Jahren dabei ist.

Das ist kein Versagen. Es ist die natürliche Konsequenz davon, dass Wissen jahrzehntelang in Projekten entstanden ist, nicht in Systemen. Für KI ist es trotzdem ein Problem: Ein System kann nur das abrufen, was strukturiert vorliegt.

Engpass: Informationssuche als stiller Produktivitätskiller

Eine IDC-Studie belegt, dass Führungskräfte und Teams bis zu einem Viertel ihrer Arbeitswoche damit verbringen, nach Informationen zu suchen [7]. Auf ein Vertriebsteam von zehn Mitarbeitenden mit einem Jahresgehalt von durchschnittlich 75.000 Euro hochgerechnet: rund 190.000 Euro pro Jahr werden für die Suche nach Informationen aufgewendet, die im Unternehmen bereits vorhanden sind.

Das ist keine KI-Argumentation. Das ist eine Rechnung, die jeder Geschäftsführer sofort nachvollziehen kann – und die zu einer anderen Frage führt als «Sollen wir KI einführen?». Die Frage lautet: Wie lange können wir es uns noch leisten, diese Kosten zu ignorieren?

Ausweg: Wissensstruktur vor Wissenstechnologie

Der erste Schritt ist nicht, ein KI-Tool zu kaufen. Es ist zu verstehen, welches Wissen wo liegt, in welcher Form und mit welchen Zugriffsrechten. Das klingt nach einer Dokumentationsaufgabe. Es ist tatsächlich die Voraussetzung für alles andere.

In der Praxis beginnt das mit einer Kartierung: Welche Dokumenttypen existieren – technische Datenblätter, Applikationsberichte, Konfigurationsprotokolle, Schulungsmaterialien? Was liegt in Ordnern, was in ERP, was nur in E-Mails? Wer darf auf was zugreifen?

Diese Strukturierungsarbeit bestimmt die Qualität jeder späteren KI-Antwort. Modelle, die auf schlecht strukturierten Daten operieren, halluzinieren. Modelle, die auf einer sauberen, berechtigungsbasierten Wissensbasis aufsetzen, liefern Antworten mit Quellennachweis – überprüfbar, verlässlich, auditierbar. Der Aufwand liegt nicht in der Technologie. Er liegt in der Vorbereitung.

Wie ein KI-Vertriebsingenieur in der Praxis aussieht

Stellen Sie sich vor, Ihr gesamtes technisches Wissen – 30.000 Datenblätter, 15 Jahre Applikationsberichte, CRM-Historien aus 2.000 Projekten – stünde Ihrem Vertriebsteam in Microsoft Teams zur Verfügung. Nicht als Suchmaske. Als Gesprächspartner, der die Frage versteht, die richtigen Dokumente findet und eine Antwort formuliert, die sich auf die Quelle zurückführen lässt.

Genau das ist ein KI-Vertriebsingenieur.

Technisch basiert das auf Retrieval Augmented Generation (RAG): Statt ein Modell auf Unternehmensdaten zu trainieren – was teuer, langsam und datenschutzrechtlich komplex wäre – verbindet RAG ein bestehendes Sprachmodell mit einer durchsuchbaren Wissensdatenbank. Bei jeder Anfrage zieht das System relevante Dokumente als Kontext, generiert eine Antwort und weist die Quelle aus. Die Wissensbasis bleibt aktuell, weil sie jederzeit erweitert oder korrigiert werden kann, ohne das Modell anzufassen.

In einem MORGEN-Projekt bearbeitet ein solches System heute Anfragen auf Basis von mehr als 100.000 technischen Dokumenten – und gibt zu jeder Antwort genau an, aus welchem Dokument sie stammt. Ein Vertriebsmitarbeitender, der früher drei interne Systeme durchsucht und einen Rückruf abgewartet hat, hat jetzt eine Antwort in dreißig Sekunden.

Engpass: Wann ein KI-Vertriebsingenieur scheitert

Der häufigste Fehler beim Aufbau eines KI-Vertriebsingenieurs ist, ihn als Software-Projekt zu behandeln. Ein Modell wählen, Daten hochladen, hoffen. Das Ergebnis sind Systeme, die ungenaue Antworten liefern, Mitarbeitende frustrieren und nach drei Monaten nicht mehr genutzt werden.

Was funktioniert, sieht anders aus: Die Wissensbasis ist sauber strukturiert und berechtigungsbasiert aufgebaut. Mitarbeitende sehen nur, was sie sehen dürfen – gesteuert über die bestehende Verzeichnisstruktur, nicht über separate Regeln. Das System läuft in der eigenen IT-Infrastruktur des Unternehmens, im Microsoft-Ökosystem, auf europäischen Servern, DSGVO-konform. Jede Antwort trägt einen Quellennachweis – nicht damit der Nutzer nachschlägt, sondern damit er dem System vertrauen kann.

Und die Ownership liegt bei der IT. Das System gehört dem Unternehmen, nicht dem Dienstleister.

Ausweg: Was das für Ihr Vertriebsergebnis bedeutet

KI im Vertrieb ist kein strategisches Versprechen. Es ist ein messbarer Hebel. Vertriebsteams mit KI sind laut Salesforce im Schnitt 47 Prozent produktiver und sparen 12 Stunden pro Woche und Mitarbeitendem [8]. 83 Prozent der Vertriebsteams, die 2024 KI nutzten, verzeichneten Umsatzwachstum – gegenüber 66 Prozent ohne KI [8]. Gartner belegt: Unternehmen, die KI-gestützte Handlungsempfehlungen im Vertrieb einsetzen, erzielen mit 2,6-facher Wahrscheinlichkeit kommerzielles Wachstum [1].

Die Frage ist nicht mehr, ob KI im technischen Vertrieb funktioniert. Sie ist, wer früh genug anfängt, um den Vorsprung aufzubauen – und wer später nachzieht.