Wer ein KI-Produkt verkauft, erlebt in den ersten Monaten eine Überraschung, die im Business-Case nicht stand: der Sales-Cycle ist nicht kürzer als bei klassischer Software, sondern länger. Die Gründe sind strukturell, nicht situativ, und sie haben mit der Natur des Produkts zu tun, nicht mit der Qualität des Verkaufsteams. Wer diese Verschiebung versteht, baut einen Sales-Prozess, der zur Realität passt. Wer sie ignoriert, hat nach sechs Monaten eine Pipeline, die nicht konvertiert, und ein Team, das nicht weiss, warum. Diese Lücke zwischen Produkt und Sales ist das Thema dieses Beitrags. Wer die ökonomische Seite noch nicht kennt, dem hilft Pricing-Modelle für KI-Produkte weiter, wer die Beschaffungsseite kennt, der findet sie in KI-Beschaffung ohne Lock-in, und wer über Investitions-Reporting nachdenkt, dem hilft Wann eine KI-Investition sich rechnet weiter. Was fehlt, ist die Bewegung zwischen diesen Punkten.
Auf den Punkt
Wer die nächsten fünf Minuten nicht hat: der Sales-Cycle eines KI-Produkts hat drei Phasen, die sich nicht überlagern. Phase eins: Use-Case-Validierung mit dem Kunden. Phase zwei: Pilot mit echtem Datensatz. Phase drei: Verhandlung mit Risiko-Klauseln. Wer Phase eins überspringt, weil der Kunde 'das schon verstanden hat', verliert den Deal in Phase drei, weil die Erwartungen nicht kalibriert waren. Wer Demo-Daten aus dem Marketing nutzt statt aus dem Kunden-System, verliert in Phase zwei, weil die Outputs im echten Datensatz anders aussehen.
Glossar
{% definition term="Sales-Cycle" description="Die Zeit vom ersten Kontakt mit einem potenziellen Kunden bis zum unterschriebenen Vertrag. Bei klassischer SaaS liegt der Sales-Cycle zwischen drei und neun Monaten, bei KI-Produkten zwischen sechs und achtzehn Monaten. Wer diese Verschiebung nicht kennt, plant das Team auf der falschen Skala." /}
{% definition term="Demo-Daten" description="Die Eingaben, die im Verkaufsgespräch gezeigt werden, um die Fähigkeit des Produkts zu demonstrieren. Demo-Daten aus dem Marketing sind sauber, aber irreführend, weil sie nicht zeigen, was das Produkt im echten Datensatz des Kunden leistet. Demo-Daten aus dem Kunden-System sind die ehrliche Variante, aber sie brauchen Vorbereitung, die klassische Sales-Prozesse nicht vorsehen." /}
{% definition term="Pilot" description="Eine zeitlich begrenzte Nutzung des Produkts im echten Datensatz des Kunden, typischerweise zwischen vier und zwölf Wochen. Ein Pilot ist kein Verkaufsgespräch, sondern ein gemeinsames Lernprojekt. Wer den Pilot als Verkaufsgespräch führt, bekommt einen Pilot, der keine Aussage hat." /}
{% definition term="Use-Case-Validierung" description="Die Phase, in der Verkauf und Kunde gemeinsam klären, welcher konkrete Use-Case mit dem Produkt gelöst werden soll. Use-Case-Validierung ist die teuerste Phase im Sales-Cycle, weil sie zwischen Vertrieb und Kunde eine Sprache erfordert, die beide Seiten erst lernen müssen." /}
{% definition term="Risk-Clause" description="Eine Vertragsklausel, die das Risiko des Kunden im Pilot oder in der ersten Produktionsphase reduziert. Risk-Clauses sind im KI-Verkauf nicht optional, sondern strukturell, weil der Kunde ein Produkt kauft, dessen Verhalten er nicht vorhersagen kann." /}
{% definition term="Customer Success" description="Die Disziplin, den Kunden nach dem Vertragsabschluss so zu begleiten, dass das Produkt im Workflow des Kunden ankert und nicht in der Schublade verschwindet. In KI-Produkten ist Customer Success die teuerste Funktion im Unternehmen, weil sie zwischen Verkauf und Engineering sitzt." /}
Warum klassisches SaaS-Go-to-Market scheitert
Die meisten SaaS-Vertriebsmethoden, die in den letzten fünfzehn Jahren funktioniert haben, basieren auf einer Annahme: das Produkt ist deterministisch. Wer eine Funktion kauft, bekommt eine Funktion. Wer ein Feature kauft, bekommt ein Feature. Wer eine Lizenz kauft, bekommt eine Lizenz. Die Annahme stimmt für klassische Software, und sie stimmt nicht für KI-Produkte.
In einem KI-Produkt kauft der Kunde kein Feature, sondern ein Verhalten. Das Verhalten ist nicht garantierbar, weil das Modell aus Daten lernt, die der Anbieter nicht kontrolliert. Wer diese Verschiebung im Sales-Gespräch ignoriert, hat einen Deal, der nach drei Monaten kippt, weil der Kunde merkt, dass die Outputs nicht so sind, wie sie im Demo-Termin waren.
Die Konsequenz ist strukturell. Der Sales-Cycle eines KI-Produkts ist zwischen 30 und 100 Prozent länger als der Sales-Cycle eines vergleichbaren SaaS-Produkts. Wer das in der Pipeline-Planung nicht abbildet, hat nach sechs Monaten ein Team, das die Zahlen nicht erreicht, und nach zwölf Monaten ein Team, das ausgewechselt wird.
Die drei Phasen, die sich nicht überlagern
Phase eins: Use-Case-Validierung
In dieser Phase treffen sich Verkauf und Kunde, ohne dass das Produkt gezeigt wird. Das klingt absurd, ist aber die strukturelle Antwort auf das Risiko, das im KI-Verkauf steckt. Wer zu früh das Produkt zeigt, kalibriert die Erwartung des Kunden an den Demo-Daten, nicht an den echten Daten, und der Kunde kauft das Produkt der Demo-Daten.
Die Use-Case-Validierung hat drei Aufgaben. Erstens: den konkreten Use-Case so scharf zu definieren, dass beide Seiten wissen, welches Ergebnis am Ende steht. Zweitens: die Akzeptanzkriterien zu definieren, an denen das Produkt gemessen wird. Drittens: die Risiken zu identifizieren, die der Kunde sieht, und die Antworten, die der Verkauf darauf hat.
Wer diese Phase in zwei Terminen abschliessen will, hat die Phase nicht verstanden. In den meisten Deals, die ich gesehen habe, dauert die Use-Case-Validierung zwischen drei und sechs Wochen, mit drei bis fünf Terminen. Wer schneller ist, hat eine Validierung, die nicht validiert hat.
Phase zwei: Pilot mit echtem Datensatz
Der Pilot ist der teuerste Teil des Sales-Cycles, weil er das Produkt in der Realität des Kunden zeigt. Wer den Pilot mit Demo-Daten aus dem Marketing führt, hat einen Pilot, der aussagt, was das Marketing versprochen hat, nicht was das Produkt leistet. Wer den Pilot mit echten Daten des Kunden führt, hat einen Pilot, der aussagt, was der Kunde nach dem Kauf bekommen wird.
Der Pilot hat drei Bedingungen, die erfüllt sein müssen, damit er eine Aussage hat. Erstens: die Daten des Kunden müssen in der gleichen Form vorliegen, in der sie nach dem Kauf vorliegen werden. Wer dem Kunden erlaubt, die Daten vor dem Pilot zu bereinigen, hat einen Pilot, der die Realität nicht abbildet. Zweitens: die Akzeptanzkriterien aus Phase eins müssen im Pilot gemessen werden, ohne dass sie nachträglich angepasst werden. Wer die Kriterien im Pilot anpasst, hat einen Pilot, der nichts bewiesen hat. Drittens: die Zeitdauer des Pilots muss so gewählt sein, dass mindestens eine realistische Volatilität im Datensatz aufgetreten ist. Ein Pilot, der nur ruhige Daten sieht, hat keine Aussage über das Verhalten unter Last.
In den Projekten, die ich gesehen habe, dauert ein Pilot zwischen sechs und zehn Wochen. Wer kürzer plant, hat zu wenig Daten gesehen. Wer länger plant, hat den Kunden verloren, weil das Commitment gesunken ist.
Phase drei: Verhandlung mit Risk-Clauses
Die Verhandlungsphase im KI-Verkauf unterscheidet sich von der klassischen SaaS-Verhandlung in einem Punkt: der Kunde verlangt Klauseln, die in Standardverträgen nicht stehen. Diese Schritte sind nicht das Ergebnis eines schwachen Verkäufers, sondern die Folge der Natur des Produkts.
Drei Risk-Clauses, die in den meisten KI-Verträgen stehen sollten: erstens, eine Exit-Klausel, die es dem Kunden erlaubt, den Vertrag in den ersten drei Monaten zu beenden, wenn die Pilot-Ergebnisse nicht in den Vertrag werden. Zweitens, eine Modell-Substitutions-Klausel, die es dem Anbieter erlaubt, das Modell zu wechseln, ohne den Vertrag neu zu verhandeln (siehe KI-Beschaffung ohne Lock-in). Drittens, eine Preisanpassungsklausel, die an die tatsächlichen Token-Kosten gekoppelt ist, nicht an einen Listenpreis (siehe Pricing-Modelle für KI-Produkte).
Wer auf diese Klauseln nicht vorbereitet ist, hat in der Verhandlung Positionen, die der Kunde besetzt. Wer vorbereitet ist, hat Verhandlungen, die in einem Vertrag enden, der für beide Seiten funktioniert.
{% flow caption="Der Sales-Cycle eines KI-Produkts. Die drei Phasen dauern in der Praxis zwischen sechs und achtzehn Monaten." data="{"steps":[{"label":"Validierung","description":"3-6 Wochen"},{"label":"Pilot","description":"6-10 Wochen"},{"label":"Verhandlung","description":"4-8 Wochen"}]}" /}
Customer Success als teuerste Funktion
Wer ein KI-Produkt verkauft, hat nach dem Vertragsabschluss eine Aufgabe, die in klassischer SaaS nicht existiert: das Produkt muss im Workflow des Kunden verankert werden. In klassischer Software ist die Adoption selbstverständlich, weil das Produkt deterministisch ist und der Kunde genau weiss, was er bekommt. In KI-Produkten ist die Adoption ein gemeinsames Projekt zwischen Anbieter und Kunde, und sie scheitert häufiger, als die meisten Anbieter zugeben.
Customer Success in KI-Produkten hat drei Aufgaben, die nicht trivial sind. Erstens: der Anbieter muss den Kunden in den ersten Wochen so begleiten, dass die ersten Outputs die Akzeptanzkriterien erfüllen. Wer den Kunden in den ersten Wochen allein lässt, hat einen Kunden, der nach zwei Monaten kündigt. Zweitens: der Anbieter muss die Drift im Verhalten des Modells im Kunden-System beobachten und mit dem Kunden kommunizieren (siehe Modell-Drift). Drittens: der Anbieter muss die Use-Cases im Kunden-System weiterentwickeln, weil die ersten Use-Cases selten die Use-Cases sind, die nach sechs Monaten den Wert produzieren.
In den Unternehmen, die ich gesehen habe, ist Customer Success die teuerste Funktion im KI-Geschäft, teurer als Engineering, teurer als Sales. Wer diese Funktion nicht besetzt, hat ein Produkt, das verkauft wird, aber nicht genutzt wird. Wer sie besetzt, hat ein Produkt, das im Workflow des Kunden ankert und im dritten Jahr verlängert wird.
{% comparison caption="Klassische SaaS und KI-Produkte im Vergleich: Customer Success ist im KI-Geschäft nicht nur grösser, sondern strukturell anders." data="{"rows":[{"metric":"Sales-Cycle","a":4,"b":10},{"metric":"Pilot-Dauer","a":2,"b":8},{"metric":"Customer Success","a":3,"b":9},{"metric":"Verhandlungsdauer","a":4,"b":7}],"aLabel":"SaaS","bLabel":"KI"}" /}
Drei Fehler, die ich in Sales-Teams gesehen habe
Drei Fehler, die in den letzten zwölf Monaten immer wieder aufgetaucht sind. Sie sind alle vermeidbar, wenn man weiss, dass sie kommen.
Fehler eins: Demo-Daten aus dem Marketing. Wer im Demo-Termin die gleichen Daten benutzt, die auf der Website stehen, hat einen Termin, der das Marketing bestätigt, nicht den Kunden überzeugt. Wer im Demo-Termin die Daten des Kunden benutzt, hat einen Termin, der den Kunden überzeugt, weil er die Realität sieht. Die Vorbereitung der Demo-Daten kostet zwischen einem halben und zwei Tagen pro Termin. Wer das nicht investiert, hat eine Pipeline, die nicht konvertiert.
Fehler zwei: Pilot ohne Akzeptanzkriterien. Wer einen Pilot startet, ohne dass die Akzeptanzkriterien aus Phase eins im Pilot gemessen werden, hat nach Ende des Pilots eine Diskussion darüber, was gut war und was nicht. Wer mit Kriterien startet, hat nach Ende des Pilots eine Zahl, die entscheidet, ob der Deal zustande kommt. Wer ohne Kriterien startet, hat einen Pilot, der kein Pilot war.
Fehler drei: Customer Success nicht eingepreist. Wer ein KI-Produkt verkauft, ohne die Customer-Success-Kosten im Preis abzubilden, hat nach sechs Monaten ein Customer-Success-Team, das die Marge auffrisst. Wer die Customer-Success-Kosten im Preis abbildet, hat eine Marge, die auch nach zwölf Monaten noch stimmt.
Drei Signale, dass der Deal kippt
Wer ein KI-Produkt verkauft, erkennt am Verhalten des Kunden, ob der Deal kippt. Drei Signale, die in den letzten Monaten immer wieder aufgetaucht sind.
Signal eins: Der Kunde verschiebt den Pilot-Termin. Wer den Pilot-Termin verschiebt, hat ein Commitment-Problem, kein Kalender-Problem. Wer an dieser Stelle nachfragt, hat die Chance, das Commitment zu stärken. Wer es ignoriert, hat nach vier Wochen einen Kunden, der den Pilot absagt.
Signal zwei: Der Kunde will die Use-Cases im Pilot wechseln. Wer in der Mitte des Pilots die Use-Cases wechseln will, hat erkannt, dass die ursprünglichen Use-Cases nicht das liefern, was erwartet wurde. Das ist ein Warnsignal, kein Drama. Wer hier offen diskutiert, kann den Pilot retten. Wer den Wechsel ablehnt, verliert den Kunden.
Signal drei: Der Kunde fragt nicht mehr nach Daten. Wer im Pilot nicht mehr nach Daten fragt, hat das Interesse verloren. Wer an dieser Stelle selbst nach Daten schickt und aktiv nachfragt, hat eine Chance, das Gespräch wiederzubeleben. Wer abwartet, hat einen Deal, der in der Pipeline bleibt, aber nicht konvertiert.
Was am Ende zählt
Ein KI-Produkt verkauft sich nicht von selbst, weil das Produkt kein Feature ist, sondern ein Verhalten. Wer das Verhalten verkauft, hat einen Sales-Cycle, der länger ist, einen Pilot, der echter ist, und eine Customer-Success-Funktion, die grösser ist. Wer das ignoriert, hat eine Pipeline, die nicht konvertiert, und ein Produkt, das verkauft wird, aber nicht genutzt wird.
Die drei Phasen, die oben stehen, sind nicht optional. Sie sind die Phasen, die zwischen einem KI-Produkt und einem klassischen SaaS-Produkt den Unterschied ausmachen. Wer die Phasen versteht, hat einen Sales-Prozess, der zur Realität passt. Wer sie ignoriert, hat einen Sales-Prozess, der zur Pipeline-Planung passt, aber nicht zum Kunden.
Weiterführend
- Pete Kazanjy: Founding Sales, wer den Aufbau eines Sales-Teams in einem frühen Produkt versteht, findet hier die Methodik, die in den letzten zehn Jahren am häufigsten funktioniert hat.
- OpenView: Product Benchmarks 2025, wer Sales-Cycles und Customer-Success-Kosten benchmarken will, findet hier die Zahlen, mit denen sich eigene Programme vergleichen lassen.
- Lenny's Newsletter: The SaaS Playbook, wer das Verhältnis zwischen Sales und Customer Success verstehen will, findet hier die Diskussion, die in vielen KI-Unternehmen noch fehlt.