Predictive Lead Scoring mit KI: Wie du deinen Vertrieb automatisch priorisierst

Predictive Lead Scoring ist die Vorhersage der Abschlusswahrscheinlichkeit eines Leads durch ein Machine-Learning-Modell, das aus deinen historischen Vertriebsdaten lernt — also aus vergangenen Gewinnen und Verlusten im CRM. Daneben existiert ein jüngerer Ansatz: LLM-basiertes Scoring, das ganz ohne Trainingsdaten auskommt, weil ein Sprachmodell wie Claude die Passung zwischen Lead und Zielkundenprofil direkt bewertet. Dieser Guide grenzt beide Ansätze sauber voneinander ab und zeigt, wann welcher der richtige ist — ohne Data-Science-Team und ohne monatelanges Setup.

Falls du zuerst verstehen willst, wie KI-Scoring im Alltag konkret abläuft — vom Zielkundenprofil bis zur sortierten Lead-Liste —, findest du das Schritt für Schritt in unserem Einsteiger-Artikel zu KI Lead Scoring. Dieser Guide hier geht eine Ebene tiefer und beantwortet die Frage, die hinter dem Suchbegriff Predictive Lead Scoring steckt: Brauchst du wirklich ein trainiertes Vorhersagemodell — oder reicht ein moderner LLM-Ansatz?

Was ist Predictive Lead Scoring?

Predictive Lead Scoring ist ein statistisches Verfahren, bei dem ein Machine-Learning-Modell aus historischen Vertriebsdaten lernt, welche Merkmale gewonnene Kunden von verlorenen unterscheiden, und daraus für neue Leads eine Kaufwahrscheinlichkeit ableitet. Das Modell erkennt Muster, die ein Mensch übersehen würde — etwa dass Firmen einer bestimmten Größenklasse in einer bestimmten Region überdurchschnittlich oft abschließen.

Der Begriff „predictive" ist dabei wörtlich zu nehmen: Das Modell sagt etwas vorher, und Vorhersagen brauchen Vergangenheit. Ein Predictive-Modell ist immer nur so gut wie die Historie, mit der es trainiert wurde. Typische Datenbasis sind hunderte bis tausende abgeschlossene Deals — mit sauber gepflegten Feldern zu Branche, Größe, Quelle, Verlauf und Ergebnis. Genau hier liegt die praktische Hürde: Die meisten kleinen und mittleren Vertriebsteams haben diese Datenmenge schlicht nicht, oder die CRM-Daten sind zu lückenhaft, um daraus ein verlässliches Modell zu bauen.

Im Gegensatz zu klassischem Regel-Scoring („Branche passt = +10 Punkte") analysiert Predictive Scoring eine Vielzahl von Faktoren gleichzeitig und lernt aus vergangenen Erfolgen. Wie klassisches KI-Scoring in der Praxis aussieht, erklärt unser Einsteiger-Artikel zu KI Lead Scoring.

Wie funktioniert Predictive Lead Scoring technisch?

Predictive Lead Scoring läuft in vier Schritten ab: Daten sammeln, Merkmale aufbereiten, Modell trainieren, neue Leads bewerten. Das Ergebnis ist eine Wahrscheinlichkeit oder ein Score, der angibt, wie ähnlich ein neuer Lead deinen bisherigen Gewinner-Deals ist.

1. Datensammlung: Historische CRM-Daten werden exportiert — gewonnene und verlorene Deals inklusive Firmendaten, Verhaltenssignalen (Website-Besuche, E-Mail-Öffnungen) und Deal-Ausgang.
2. Feature Engineering: Aus Rohdaten werden Merkmale, die das Modell verarbeiten kann — etwa Branchencodes, Mitarbeiterklassen oder die Anzahl der Touchpoints vor dem Abschluss. Dieser Schritt entscheidet über die Modellqualität und ist der arbeitsintensivste.
3. Training und Validierung: Ein statistisches Modell (häufig logistische Regression oder Gradient Boosting) lernt die Zusammenhänge zwischen Merkmalen und Abschluss. Ein Teil der Daten bleibt als Testmenge zurück, um die Trefferquote ehrlich zu messen.
4. Scoring neuer Leads: Jeder neue Lead wird durch das Modell geschickt und erhält eine Abschlusswahrscheinlichkeit — die aber nur so verlässlich ist, wie der neue Lead den Trainingsdaten ähnelt.

Zwei Eigenschaften dieses Ansatzes solltest du kennen. Erstens: Das Modell ist eine Blackbox — es liefert eine Zahl, aber selten eine nachvollziehbare Begründung. Zweitens: Es veraltet. Ändert sich dein Produkt, dein Markt oder dein Zielsegment, bewertet das Modell weiter nach der alten Welt, bis es neu trainiert wird.

Was ist LLM-basiertes Lead Scoring?

LLM-basiertes Lead Scoring ist die Bewertung von Leads durch ein großes Sprachmodell, das die öffentlich verfügbaren Firmendaten eines Leads liest und ihre Passung zu einem in normaler Sprache beschriebenen Zielkundenprofil einschätzt — ohne Trainingsphase und ohne historische Daten. Statt aus tausenden alten Deals zu lernen, versteht das Modell den Kontext direkt: Es liest die Unternehmensbeschreibung, erkennt Branche, Größenordnung und Signale wie Wachstum oder veraltete Technik und begründet seine Bewertung in Textform.

Der entscheidende konzeptionelle Unterschied: Predictive Scoring beantwortet die Frage „Wie ähnlich ist dieser Lead meinen bisherigen Kunden?" — LLM-Scoring beantwortet die Frage „Wie gut passt dieser Lead zu dem, was ich laut meiner eigenen Beschreibung suche?". Für Outbound-Leads, die frisch recherchiert wurden und zu denen es naturgemäß keinerlei Historie gibt, ist die zweite Frage die einzig beantwortbare.

Eine Kernaussage lässt sich festhalten: Predictive Lead Scoring benötigt hunderte bis tausende historischer Abschlüsse als Trainingsdaten, während LLM-basiertes Lead Scoring ab dem ersten Lead funktioniert, weil es die Passung zwischen öffentlichen Firmendaten und einem beschriebenen Zielkundenprofil direkt bewertet.

Predictive Scoring vs. LLM-Scoring: Was ist der Unterschied?

Beide Ansätze automatisieren die Lead-Priorisierung, unterscheiden sich aber grundlegend in Datenbedarf, Aufwand, Nachvollziehbarkeit und Einsatzgebiet. Die Tabelle zeigt die Abgrenzung im Detail:

Wichtig: Die Ansätze schließen sich nicht aus. Ein großes Team kann Inbound-Leads mit einem trainierten Predictive-Modell bewerten und frisch recherchierte Outbound-Listen per LLM vorsortieren — jede Methode dort, wo ihre Datenbasis existiert.

Wann lohnt sich klassisches Predictive Lead Scoring?

Klassisches Predictive Lead Scoring lohnt sich, wenn drei Bedingungen gleichzeitig erfüllt sind: eine große, sauber gepflegte CRM-Historie, ein stabiles Geschäftsmodell und genug Lead-Volumen, damit sich der Aufbau amortisiert. Fehlt eine der drei, liefert das Modell entweder unzuverlässige Scores oder rechnet sich schlicht nicht.

• Datenhistorie: Du hast hunderte bis tausende dokumentierte Wins und Losses mit konsistent gepflegten Feldern — nicht nur Firmennamen, sondern Branche, Größe, Quelle und Verlauf.
• Stabilität: Produkt, Zielgruppe und Preismodell ändern sich selten. Nach jedem Pivot müsste das Modell neu lernen, hat dafür aber noch keine Daten.
• Volumen: Es kommen laufend so viele Leads herein (typischerweise Inbound), dass eine automatische Vorhersage spürbar Arbeitszeit spart.
• Verhaltensdaten: Du trackst Website-Besuche, Content-Downloads oder Produkt-Nutzung — Signale, die ein Predictive-Modell besonders gut verwerten kann.

Das beschreibt in der Praxis vor allem größere Organisationen mit etablierten Inbound-Funnels. Für ein fünfköpfiges Vertriebsteam, das aktiv neue Kunden recherchiert, sind diese Voraussetzungen fast nie gegeben — und das ist der Grund, warum Predictive Scoring lange als Enterprise-Thema galt.

Wann ist LLM-Scoring der bessere Ansatz?

LLM-Scoring ist die bessere Wahl, wenn du Leads bewerten willst, zu denen es noch keine Historie gibt — also bei Outbound-Recherche, neuen Märkten, neuen Produkten oder schlicht einem jungen Unternehmen ohne gefülltes CRM. Genau dort spielt der Ansatz seine Stärken aus:

• Kein Kaltstart-Problem: Der erste Lead wird genauso fundiert bewertet wie der tausendste, weil kein Training nötig ist.
• Kontextverständnis: Das Modell liest die Unternehmensbeschreibung wirklich. Eine Steuerkanzlei, die laut Website gerade zwei neue Standorte eröffnet, wird anders bewertet als eine identisch große ohne Wachstumssignal — eine Nuance, die ein Merkmalskatalog nicht erfasst.
• Transparenz: Jede Bewertung kommt mit einer Begründung in zwei bis drei Sätzen. Dein Team kann jeden Score überprüfen und die Begründung direkt als inhaltlichen Aufhänger für die Ansprache verwenden — wie das geht, zeigt unser Artikel zur E-Mail-Personalisierung mit KI im B2B-Outreach.
• Anpassbarkeit: Ändert sich deine Zielgruppe, änderst du einen Absatz Text — kein Retraining, kein Data-Science-Projekt.

Die Grenze des Ansatzes gehört ebenfalls dazu: LLM-Scoring bewertet die Passung auf Basis öffentlich sichtbarer Firmendaten. Es sagt nicht vorher, ob ein konkreter Ansprechpartner gerade Budget hat oder kaufbereit ist. Es sorgt dafür, dass die richtigen Gespräche zuerst stattfinden — die Qualifizierung im Gespräch ersetzt es nicht.

Wie setzt anilead.io LLM-Scoring mit Claude AI um?

anilead.io ist eine B2B-Leadgenerierungs-Software für den DACH-Markt, die Unternehmen über Google Places findet, E-Mail-Adressen extrahiert und jeden Lead mit Claude AI bewertet. Das Scoring ist dabei kein nachgelagerter Extra-Schritt, sondern läuft in Batches direkt nach jeder Suche automatisch mit — jeder Lead hat Score, Begründung und Priorität, bevor dein Team ihn zum ersten Mal sieht.

Input für jeden Lead

• Firmenname und Branche
• Unternehmenswebsite (wenn verfügbar)
• Geografische Lage
• Google-Bewertungen und deren Anzahl (Indikator für Aktivität und Größenordnung)
• Deine Produkt- und Zielkundenbeschreibung aus dem Projekt als Bewertungsmaßstab

Output für jeden Lead

• Score von 0 bis 100: die Passung zum Zielprofil als vergleichbare Zahl
• Priorität: Hoch, Mittel oder Niedrig — für die schnelle Sortierung im Alltag
• Begründung: zwei bis drei Sätze, warum der Lead gut oder schlecht passt

Beispiel-Bewertungen (illustrativ)

• Score 91/100: „Mittelständische IT-Agentur mit aktivem Google-Profil und mehreren Bewertungen. Website zeigt Wachstum in Cloud-Themen. Hohe Relevanz für B2B-Software-Angebote. Empfohlen für zeitnahe Ansprache."
• Score 34/100: „Einzelunternehmen ohne Website, Geschäftstätigkeit unklar. Zu klein für das beschriebene Angebot, kein erkennbares B2B-Budget. Niedrige Priorität."

Alle Daten stammen ausschließlich aus öffentlichen Quellen (Google Places und Firmenwebsites), die Verarbeitung läuft auf EU-Servern in Frankfurt. Das Claude-AI-Scoring ist in jedem Plan enthalten, auch im kostenlosen Free-Plan mit 50 Lead-Credits pro Monat — gegated sind nur Credits, Projekte, gleichzeitige Suchen und Team-Funktionen. Wie du die priorisierten Leads anschließend in einen durchgängigen Workflow bringst, zeigt unser Guide zur B2B-Vertriebsautomatisierung.

Welche Faktoren erhöhen oder senken den Lead Score?

Den Score erhöht alles, was die Passung zum beschriebenen Zielkundenprofil belegt; ihn senkt alles, was dagegen spricht oder Zweifel an der Geschäftsaktivität weckt. Da das Modell frei formulierte Beschreibungen versteht, sind das keine starren Regeln, sondern gewichtete Signale im Kontext:

• Score-Treiber: Branche und Unternehmensgröße im Zielbereich, aktive und gepflegte Webpräsenz, viele aktuelle Google-Bewertungen, erkennbare Wachstumssignale, geografische Nähe zum Zielmarkt.
• Score-Senker: Branchenfremdes Geschäftsfeld, deutlich zu große oder zu kleine Unternehmen, fehlende oder verwaiste Webpräsenz, kaum Bewertungen, falscher regionaler Markt oder als dauerhaft geschlossen markierte Einträge.

Der wichtigste Hebel liegt dabei bei dir: Je präziser deine Zielkundenbeschreibung, desto trennschärfer die Scores. „Steuerkanzleien mit 5 bis 50 Mitarbeitern ohne digitale Belegverarbeitung" liefert bessere Ergebnisse als „Unternehmen, die Software brauchen".

Häufige Fragen zu Predictive Lead Scoring

Ist LLM-Scoring dasselbe wie Predictive Lead Scoring?

Nein. Predictive Lead Scoring im engeren Sinn ist ein Machine-Learning-Verfahren, das aus historischen Vertriebsdaten eine Abschlusswahrscheinlichkeit vorhersagt. LLM-Scoring bewertet stattdessen die inhaltliche Passung zwischen Lead und Zielkundenprofil — ohne Trainingsdaten. Beide automatisieren die Priorisierung, beantworten aber unterschiedliche Fragen und brauchen völlig unterschiedliche Voraussetzungen.

Brauche ich für Predictive Lead Scoring ein Data-Science-Team?

Für ein eigenes ML-Modell realistisch ja — Datenaufbereitung, Feature Engineering und Validierung sind Facharbeit, auch wenn CRM-Suiten Teile davon als Funktion anbieten. Für LLM-basiertes Scoring brauchst du dagegen niemanden mit Statistik-Hintergrund: Du beschreibst dein Zielprofil in normaler Sprache, die Bewertung übernimmt das Sprachmodell automatisch.

Wie viele historische Daten braucht ein Predictive-Modell?

Eine feste Untergrenze gibt es nicht, aber als Faustregel gelten mehrere hundert abgeschlossene Deals je Ausgang (gewonnen und verloren) mit konsistent gepflegten Merkmalen. Mit weniger Daten lernt das Modell Zufallsmuster statt echter Zusammenhänge. Wer diese Historie nicht hat, fährt mit regelbasiertem oder LLM-basiertem Scoring besser.

Kostet das Claude-AI-Scoring bei anilead.io extra?

Nein. Das Scoring ist in allen Plänen enthalten, auch im Free-Plan mit 50 Lead-Credits pro Monat ohne Kreditkarte. Abgerechnet wird ausschließlich über Lead-Credits: 1 Credit entspricht 1 gespeichertem Lead, typische Suchen liefern 20 bis 60 Leads pro Abfrage. Credits gelten pro Abrechnungsmonat und verfallen am Monatsende ohne Rollover.

Kann ich beide Ansätze kombinieren?

Ja, und für größere Teams ist das oft sinnvoll: LLM-Scoring priorisiert frisch recherchierte Outbound-Leads ab dem ersten Tag, während ein Predictive-Modell die Inbound-Pipeline bewertet, sobald genug CRM-Historie vorhanden ist. Die per LLM vorsortierten Leads kannst du per CSV- oder HubSpot-Export in dein CRM übernehmen und dort weiterqualifizieren.

Fazit: Die Frage ist nicht ob, sondern welcher Ansatz

Automatische Lead-Priorisierung ist kein Enterprise-Luxus mehr — die eigentliche Entscheidung lautet: Predictive-Modell auf historischen Daten oder LLM-Bewertung ohne Trainingsphase. Hast du tausende saubere CRM-Datensätze und stabile Prozesse, kann sich ein klassisches Predictive-Setup lohnen. Für Outbound-Leads, junge Teams und den Mittelstand ist LLM-Scoring der praktikablere Weg: sofort einsatzbereit, nachvollziehbar begründet und ohne Pflegeaufwand.

anilead.io integriert diesen Ansatz direkt in die Lead-Generierung: Claude AI bewertet jeden gefundenen Lead automatisch mit Score 0–100, Begründung und Priorität — in Batches direkt nach der Suche. Starte kostenlos mit 50 Lead-Credits pro Monat und prüfe die Score-Qualität an deiner eigenen Zielbranche, ohne Kreditkarte.