KI für Account-Based Marketing: Account-Auswahl, Intent und Personalisierung

Von Camellia · Aktualisiert am 10. Oktober 2026

KI für Account-Based Marketing (ABM) bedeutet, maschinelles Lernen und generative KI einzusetzen, damit ein B2B-Team entscheiden kann, welche Accounts Aufmerksamkeit verdienen, welche davon Kaufinteresse zeigen und wie sich die Ansprache auf jeden einzelnen zuschneiden lässt. Modelle übernehmen das Sortieren und Entwerfen. Menschen wählen weiterhin die Strategie, geben die Botschaften frei und sprechen mit dem Käufer.

ABM behandelt ein benanntes Unternehmen als eigenen Markt. Wenn Sie zuerst die Grundlagen brauchen, erklärt Account-Based Marketing die drei ABM-Stufen und die Abstimmung zwischen Vertrieb und Marketing dahinter. Dieser Beitrag setzt dort an, wo jener endet, und beantwortet eine engere Frage: Welche Teile eines ABM-Programms verbessert KI tatsächlich, und welche verschlechtert sie unbemerkt, wenn Sie sie gewähren lassen?

Die Kurzfassung: KI ist stark bei drei Aufgaben. Sie modelliert, welche Accounts zu Ihrem idealen Kunden passen, fasst Signale zu einer Prioritätsreihenfolge zusammen und erstellt erste Entwürfe für accountspezifische Inhalte in einem Umfang, den kein Team von Hand schreiben könnte. Schwach ist sie bei der Beurteilung interner Machtverhältnisse in einem Buying Committee (Einkaufsgremium), beim richtigen Zeitpunkt für ein heikles Gespräch und bei der Frage, wann ein Signal nur Rauschen ist.

Warum Accounts, und warum jetzt

ABM gibt es, weil B2B-Käufe von Gruppen getroffen werden, über Monate hinweg und überwiegend, bevor ein Verkäufer eingeladen wird. Der 6sense B2B Buyer Experience Report von 2025, eine weltweite Studie mit knapp 4.000 B2B-Käufern, stellte fest, dass der Zeitpunkt des ersten Kontakts mit einem Anbieter von etwa 69 % auf 61 % der Kaufreise vorgerückt ist. Außerdem berichtet er, dass vier von fünf Abschlüssen weiterhin an den „Favoriten vor dem Kontakt“ gehen, also an den Anbieter, dem ein Käufer schon zuneigte, bevor er mit irgendjemandem gesprochen hat, und dass Käufer in 95 % der Fälle aus einer der vier Anbieter auf ihrer Shortlist vom ersten Tag auswählen.

Lesen Sie das als Marketingproblem. Wenn die Shortlist entsteht, bevor Ihre Vertriebsmitarbeiter vom Deal erfahren, fällt die entscheidende Arbeit früher an: bei den richtigen Personen in den richtigen Unternehmen bekannt zu sein. Das ist die ABM-These, und deshalb verdient KI ihren Platz bei der Account-Auswahl und der frühen Signalerkennung.

Die Verbreitung ist bereits groß. Im sechsten jährlichen ABM-Benchmark von Momentum ITSMA und der ABM Leadership Alliance (Veröffentlichung vom 13. Dezember 2022) wurden rund 300 ABM-Verantwortliche und Praktiker befragt, und 72 % sagten, ABM liefere einen höheren ROI als andere Marketingarten. Verstehen Sie das als Umfrage zur Wahrnehmung von Praktikern, nicht als geprüfte Erträge. Es zeigt aber, warum Führungsteams ABM weiter finanzieren und warum sie fragen werden, was KI hinzufügt.

Wichtige Fakten: KI im ABM

• Der erste Kontakt von Käufern mit Anbietern rückte laut dem 6sense-Report 2025 mit knapp 4.000 B2B-Käufern von etwa 69 % auf 61 % der Kaufreise vor (6sense).
• Derselbe Report besagt, dass vier von fünf Abschlüssen an den Favoriten des Käufers vor dem Kontakt gehen und Käufer in 95 % der Fälle aus ihrer Shortlist vom ersten Tag wählen (6sense).
• Im sechsten jährlichen ABM-Benchmark von Momentum ITSMA sagten 72 % von rund 300 befragten Praktikern, ABM liefere einen höheren ROI als anderes Marketing, eine selbst berichtete Einschätzung (Pressemitteilung).
• Die besten KI-Aufgaben im ABM: Fit-Modellierung, Zusammenführung von Signalen, Zusammenfassungen von Account-Recherchen und erste Entwürfe zur Personalisierung.
• Die Schwächen der KI: Machtverhältnisse im Buying Committee, Timing und die Entscheidung, ob ein Signal echt ist.

Schritt eins: KI-gestützte Account-Auswahl und ICP-Fit

Jedes ABM-Programm beginnt mit einer Liste, und schlechte Listen sind der häufigste Grund, warum Programme hinter den Erwartungen zurückbleiben. KI hilft auf zwei Arten.

Fit-Modellierung. Nehmen Sie Ihre gewonnenen Bestandskunden, besonders diejenigen, die geblieben sind, ihren Einsatz ausgebaut und andere empfohlen haben. Vergleichen Sie sie mit Accounts, die abgewandert sind oder nie konvertiert haben. Ein Modell findet Muster in Firmografik (Branche, Größe, Region), Technografik (eingesetzte Tools) und strukturellen Merkmalen (Wachstumsphase, Einstellungsmuster), die beide Gruppen trennen. Das Ergebnis ist ein Fit-Score für jeden Account in Ihrem Markt. Das ist eine datengestützte Version eines Idealen Kundenprofils, und sie widerspricht oft dem Profil, das der Vertrieb im Kopf hat. Das ist eine nützliche Information.

Lookalike-Erweiterung. Sobald Sie ein Profil Ihrer besten Kunden haben, durchsucht das Modell ein größeres Universum von Unternehmen und markiert solche, die ihnen ähneln, die aber niemand in Ihrem Team bemerkt hat. So wächst eine Liste mit 200 handverlesenen Logos zu einer priorisierten Liste mit 2.000 plausiblen Kandidaten.

Zwei Warnungen gelten. Erstens reproduziert ein Modell, das auf Ihren bisherigen Kunden trainiert wurde, Ihre Vergangenheit. Wenn Sie bisher nur an mittelgroße Softwarefirmen verkauft haben, empfiehlt es weiter mittelgroße Softwarefirmen und übersieht ein neues Segment, das Sie erschließen wollen. Ergänzen Sie die Segmente, die Sie wollen, nicht nur die, die Sie haben. Zweitens ist Fit kein Interesse. Ein Account mit perfektem Fit, der mit seinem aktuellen Anbieter zufrieden ist, bleibt ein schwaches kurzfristiges Ziel.

Menschen sollten die endgültige Auswahl für Tier eins treffen, die kleine Gruppe strategischer Accounts mit vollständig maßgeschneiderten Programmen. Nutzen Sie KI, um die lange Liste zu erstellen und zu erklären, warum jeder Account so bewertet wurde, und lassen Sie dann Vertriebs- und Marketingleiter darüber diskutieren.

Schritt zwei: Intent-Daten und Kombination von Signalen

Fit sagt Ihnen, wer kaufen könnte. Signale sagen Ihnen, wer bald kaufen könnte. Intent-Daten gibt es in zwei Varianten: First-Party (Ihre eigenen Website-Besuche, Content-Downloads, E-Mail-Antworten, Produktnutzung) und Third-Party (Recherche-Aktivität auf anderen Seiten, eingekauft bei Datenanbietern oder Co-ops).

Die Aufgabe der KI ist, diese Signale zusammenzuführen. Ein einzelner Besuch der Preisseite bedeutet wenig. Ein Besuch der Preisseite, drei Besuche verschiedener Personen desselben Unternehmens innerhalb einer Woche und eine Stellenanzeige für eine Rolle, die Software Ihrer Kategorie nutzt, bedeuten deutlich mehr. Modelle können diese Faktoren gemeinsam gewichten und den Score aktualisieren, sobald neue Ereignisse eintreffen. Das ist das Gegenstück zum Lead-Scoring auf Account-Ebene.

Einige praktische Regeln:

• Bewerten Sie den Account, nicht nur die Person. Im ABM ist es stärker, wenn drei Kontakte aus einem Unternehmen jeweils eine kleine Handlung vornehmen, als wenn ein Kontakt eine große vornimmt.
• Trennen Sie eigene Daten von zugekauften Daten. Ihre First-Party-Signale sind meist zuverlässiger und datenschutzkonformer. Der Beitrag über First-Party-Daten für KI-Marketing erklärt, wie Sie diese Basis aufbauen.
• Behandeln Sie Third-Party-Intent als Hinweis. Interesse auf Themenebene kann ein Rechercheprojekt, einen Studenten oder einen Berater bedeuten. Nutzen Sie es, um ein Gespräch zu priorisieren, nicht um zu behaupten, ein Deal existiere.
• Prüfen Sie die Datenschutzgrundlage. Das Zuordnen anonymer Besucher zu Unternehmen und Einzelpersonen ist je nach Region unterschiedlich reguliert. Lassen Sie die Rechtsabteilung prüfen, was Sie erheben und wie Sie es nutzen, bevor Sie Plays darauf aufbauen.

Schritt drei: Account-Priorisierung

Führen Sie nun Fit und Intent zu einer Arbeitsliste zusammen. Die meisten Teams einigen sich auf ein einfaches Raster, bei dem Fit die eine Achse ist und Engagement oder Intent die andere:

KI aktualisiert dieses Raster laufend, und darin liegt der eigentliche Gewinn. Eine statische Liste, die jeden Januar erstellt wird, ist im März veraltet. Ein Modell kann einen Account am selben Tag auf „Jetzt handeln“ hochstufen, an dem drei seiner Mitarbeiter Ihre Preisseite lesen und ein Champion die Stelle wechselt, und es kann einen Account herabstufen, der 90 Tage lang still geblieben ist.

Halten Sie die Routing-Regeln für Menschen lesbar. Vertriebsmitarbeiter vertrauen einem Score, den sie hinterfragen können („hoher Fit, vier Stakeholder engagiert, neue VP of Revenue Operations“), weit mehr als einer nackten Zahl. Lassen Sie das eingesetzte System die wichtigsten Gründe hinter jeder Platzierung anzeigen.

Schritt vier: Recherche und Account-Einblicke

Vor der Ansprache muss jemand den Account kennenlernen. Das kostete früher einen Vertriebsmitarbeiter 30 bis 60 Minuten. Generative KI kann aus öffentlichen Quellen und Ihrem CRM ein Account-Briefing zusammenstellen: was das Unternehmen tut, aktuelle Ankündigungen, Wechsel in der Führung, erklärte Prioritäten aus Telefonkonferenzen zu Quartalszahlen oder Pressemitteilungen, eingesetzte Tools und bisherige Kontakte mit Ihrem Unternehmen.

Das Briefing sollte mit Hypothesen enden, nicht mit Schlussfolgerungen: „Das Unternehmen hat die Expansion in zwei neue Märkte angekündigt, daher könnte die Geschwindigkeit des Onboardings wichtig sein.“ Ein Vertriebsmitarbeiter oder Marketer prüft die Hypothese dann in echten Gesprächen. Gleichen Sie Fakten im Briefing immer mit der Quelle ab, denn Modelle können eine Aussage der falschen Person zuschreiben oder ein plausibel klingendes Detail erfinden. Dasselbe Halluzinationsrisiko, das jeden generierten Text betrifft, gilt hier, und ein falsches Detail in einer Nachricht an einen Executive kostet Vertrauen, das sich nicht leicht zurückgewinnen lässt.

Schritt fünf: Personalisierte Plays im großen Maßstab

Bei der Personalisierung passen ABM und generative KI am natürlichsten zusammen, und hier passieren die peinlichsten Fehler. Denken Sie in Ebenen:

1. Segmentebene (eins zu vielen). Inhalte, zugeschnitten auf eine Branche oder einen Anwendungsfall, mit KI-Hilfe erstellt und von einem Spezialisten bearbeitet.
2. Cluster-Ebene (eins zu wenigen). Botschaften für eine Gruppe von 5 bis 15 ähnlichen Accounts, aufgebaut auf gemeinsamen Schmerzpunkten.
3. Account-Ebene (eins zu eins). Inhalte, E-Mails und Landingpages für einen einzelnen Account, wobei die KI entwirft und ein Mensch die finale Version verantwortet.

Passen Sie den Aufwand an die Stufe an. Vollständige Eins-zu-eins-Arbeit gehört zu den wenigen Accounts, die sie rechtfertigen. Für die breite Masse der übrigen Accounts schlägt ein gut gebautes Cluster-Play vierzig dünne „Hallo “-E-Mails.

Wo KI am meisten hilft:

• E-Mails und Sequenzen. Entwerfen Sie erste Versionen, die sich auf die reale Situation eines Accounts beziehen, und lassen Sie den Verkäufer sie bearbeiten. Leitplanken für Tonalität, Volumen und Prüfung finden Sie unter KI im E-Mail-Marketing.
• Paid Media. Bauen Sie auf Accounts ausgerichtete Zielgruppen auf und wechseln Sie Botschaften je Segment. KI in der bezahlten Werbung behandelt die Mechanik.
• Web-Erlebnisse. Tauschen Sie Überschriften, Belege und Handlungsaufforderungen je nach Branche oder Unternehmen des Besuchers aus.
• Sales Enablement. Machen Sie aus einem Briefing ein maßgeschneidertes One-Pager-Dokument, den Entwurf eines gemeinsamen Aktionsplans oder eine Reihe von Discovery-Fragen.
• Kontaktpunkte auf Führungsebene und bei Events. Bereiten Sie Gesprächspunkte und Nachfassaktionen für ein Abendessen, ein Briefing oder ein Konferenzgespräch vor.

Der Test für jedes personalisierte Asset ist einfach: Würde der Empfänger denken, dass jemand es geschrieben hat, der sein Geschäft versteht? Wenn die einzige Personalisierung aus Name und Unternehmen besteht, ist es ein Serienbrief, und Käufer erkennen das sofort.

Die KI-im-ABM-Sicht: Aufgaben, Eingaben und menschliche Prüfungen

So führen Sie KI in Ihrem ABM-Programm ein: Schritt für Schritt

1. Einigen Sie sich auf Ziel und Kennzahl. Pipeline aus Zielaccounts, Deal-Geschwindigkeit oder Expansionsumsatz. Nicht „Anzahl versendeter E-Mails“.
2. Bereinigen Sie die Account-Daten. Führen Sie doppelte Unternehmen zusammen, korrigieren Sie Beziehungen zwischen Mutter- und Tochtergesellschaften und vereinheitlichen Sie Branchen. Modelle verstärken schlechte Daten. Sehen Sie sich den KI-Marketing-Stack an, um zu erkennen, welche Systeme einander speisen müssen.
3. Definieren Sie Erfolg gemeinsam mit dem Vertrieb. Dokumentieren Sie, wie ein guter Account aussieht, was als Kaufsignal zählt und wer was nachfasst. ABM scheitert, wenn das Marketing Accounts bewertet, die der Vertrieb ignoriert.
4. Bauen Sie das Fit-Modell mit einem Holdout. Trainieren Sie auf einem Teil Ihrer Kundenhistorie und testen Sie auf dem Rest. Wenn es aus ungesehenen Daten keine Gewinner erkennt, setzen Sie es nicht ein.
5. Starten Sie mit einer Stufe oder einem Segment. Ein Pilotprojekt mit 50 bis 100 Accounts reicht zum Lernen.
6. Kombinieren Sie Signale mit transparenten Regeln. Halten Sie schriftlich fest, welche Signale zählen und wie stark. Prüfen Sie wöchentlich die Gründe hinter den am höchsten platzierten Accounts.
7. Richten Sie menschliche Prüfung für ausgehende Nachrichten ein. Jede Nachricht an einen Tier-eins-Account prüft eine Person. Bei Cluster-Plays genügt eine Stichprobenprüfung.
8. Pflegen Sie eine Bibliothek freigegebener Aussagen. Geben Sie dem Modell die Fakten, Kundenreferenzen und Positionierungen, die es verwenden darf, und nichts darüber hinaus. Das begrenzt erfundene Belege.
9. Messen Sie gegen eine Vergleichsgruppe. Halten Sie ähnliche Accounts zurück, die die Standardbehandlung erhalten. Nur so sehen Sie sauber, was der KI-gestützte Ansatz bringt.
10. Überprüfen Sie quartalsweise. Aktualisieren Sie das Modell mit neuen Gewinnen und Verlusten, streichen Sie Signale, die nichts mehr vorhersagen, und prüfen Sie die Stufenzuordnung neu.

Häufige Fallstricke

• Den Score für die Wahrheit halten. Ein Fit- oder Intent-Score ist eine Hypothese darüber, wo Sie Aufmerksamkeit einsetzen. Nutzen Sie ihn, um Gespräche anzustoßen, nicht um Umsatz zu prognostizieren.
• Third-Party-Intent überschätzen. Recherche-Aktivität ist keine Kaufentscheidung. Teams, die jeden markierten Account „im Markt“ nennen, verspielen Wohlwollen beim Vertrieb.
• Personalisierung, die unheimlich wirkt. Wer sich auf private Aktivitäten einer Person bezieht oder auf etwas, das sie nie mit Ihnen geteilt hat, wirkt wie Überwachung. Verwenden Sie Informationen, von denen ein Käufer erwartet, dass Sie sie kennen.
• Die KI Fakten erfinden lassen. Ein ungeprüftes Detail über einen Kunden, Wettbewerber oder Executive kann eine Beziehung beenden. Prüfen Sie vor dem Versand.
• Volumen statt Relevanz skalieren. Der Sinn von ABM sind weniger, besser gezielte Interaktionen. Wenn KI es Ihnen erlaubt, zehnmal mehr Nachrichten an dieselbe Liste zu senden, haben Sie das Gießkannenprinzip mit besserem Vokabular neu gebaut.
• Die Abstimmung mit dem Vertrieb überspringen. Modelle lösen kein Übergabeproblem. Wenn Vertriebsmitarbeiter die Prioritätsliste nicht nutzen, ist die Rangfolge Dekoration.
• Ein Modell, das nur aus der Vergangenheit lernt. Wer es nur mit dem bestehenden Kundenmix füttert, verengt den Markt. Beziehen Sie gezielt die Segmente ein, die Sie gewinnen wollen.
• Keine Datenschutzprüfung. Das Zuordnen anonymen Traffics zu Unternehmen und Personen kann unter Datenschutzvorschriften fallen, die je nach Region variieren. Holen Sie früh rechtlichen Rat ein.
• Aktivität statt Ergebnisse messen. Öffnungen und Klicks bei Account-E-Mails sagen wenig aus. Verfolgen Sie Account-Fortschritt, Meetings mit den richtigen Rollen und Pipeline.