KI an skeptische Käufer verkaufen

Von Brian Tr · Aktualisiert am 6. Oktober 2026

KI an skeptische Käufer zu verkaufen heißt anzuerkennen, dass der Zweifel berechtigt ist, und ihn mit Belegen statt mit Begeisterung zu beantworten. Die meisten B2B-Käufer sind KI nicht feindlich gesinnt. Sie haben große Versprechen gehört, einige davon scheitern sehen und gelernt, dass eine flüssige Antwort nicht dasselbe ist wie eine richtige. Ein Anbieter, der das als Einstellungsproblem abtut, über das man hinwegreden müsse, verliert gegen einen, der darin einen Satz konkreter Fragen sieht, die es zu beantworten gilt.

Diese Seite zerlegt „Skepsis“ in ihre unterschiedlichen Einwandtypen, zeigt, welche Art von Nachweis jeweils antwortet, und erklärt, wie sich der Vertriebsansatz dadurch verschiebt. Zur Mechanik von Demos und Evaluierungssets lesen Sie warum Demos bei KI-Produkten wichtiger sind. Zur Botschaft lesen Sie Positionierung von KI-Produkten.

Warum Käufer skeptisch sind

Skepsis gegenüber KI ist weit verbreitet und messbar, und sie besteht neben intensiver Nutzung. Die globale Studie 2025 zum Vertrauen in KI von KPMG und der University of Melbourne, die mehr als 48.000 Menschen in 47 Ländern umfasste, ergab, dass 46 Prozent bereit sind, KI-Systemen zu vertrauen, während 66 Prozent KI regelmäßig nutzen. Menschen nutzen sie und halten dennoch Vertrauen zurück.

Dieselbe Studie fand, dass 70 Prozent Regulierung für nötig halten. Die Umfrage von Pew Research unter US-Erwachsenen, durchgeführt im August 2024, ergab, dass 51 Prozent über den zunehmenden Einsatz von KI im Alltag eher besorgt als begeistert waren und 59 Prozent wenig oder gar kein Vertrauen hatten, dass US-Unternehmen KI verantwortungsvoll entwickeln und einsetzen.

Das sind Zahlen der Allgemeinbevölkerung, keine Einkaufsdaten. Lesen Sie sie also nicht als exakte Sicht Ihres Käufers. Sie zeigen die Ausgangslage: Ein Käufer im Meeting ist auch eine Person, die sich diese Meinungen anderswo gebildet hat.

Die unterschiedlichen Einwandtypen

„Wir sind uns bei KI nicht sicher“ bündelt mehrere getrennte Sorgen. Jede braucht eine andere Antwort. Der Fehler ist, auf alle mit derselben Demo zu antworten.

Genauigkeit und Halluzination. „Was, wenn es falsch liegt?“ Der Käufer fürchtet selbstsichere, flüssige Fehler, die niemand bemerkt. Die KPMG-Studie gibt dieser Furcht einen Anhaltspunkt: 66 Prozent der befragten Beschäftigten gaben an, sich auf KI-Output zu verlassen, ohne seine Richtigkeit zu prüfen, und 56 Prozent sagten, sie hätten bei der Arbeit wegen KI Fehler gemacht. Käufer müssen das nicht gelesen haben, um das Risiko zu spüren.

Übertreibung oder „AI Washing“. „Ist das wirklich KI, und kann es das wirklich?“ Aufsichtsbehörden handeln hier inzwischen, siehe unten.

Daten und Datenschutz. „Wohin gehen unsere Daten, und trainieren sie Ihr Modell?“ Dieser Einwand entscheidet oft, ob ein Deal überhaupt weitergehen kann, weil er Rechts- und Sicherheitsprüfung trifft.

Gescheiterte frühere Piloten. „Wir haben etwas Ähnliches versucht, und es ist im Sand verlaufen.“ Der Käufer zweifelt weniger an der Technologie als an der Fähigkeit des Anbieters, in einem realen Workflow ein Ergebnis zu liefern.

Mitarbeitende und Veränderung. „Wird unser Team es nutzen, und bedroht es ihre Jobs?“ Der Economic Buyer mag einverstanden sein, während die Menschen, die es annehmen müssen, besorgt oder abwehrend sind.

Anbieterstabilität. „Gibt es Sie in zwei Jahren noch?“ KI-Startups sind jung, und die Kategorie bewegt sich schnell. Käufer fürchten, auf einem Produkt sitzen zu bleiben, das eingestellt, übernommen oder neu gebaut wird.

Aufsichtsbehörden haben Übertreibung zum Rechtsrisiko gemacht

Das Misstrauen der Käufer gegenüber aufgeblasenen KI-Versprechen ist nicht nur Stimmung. Zwei US-Aufsichtsbehörden sind dagegen vorgegangen.

Im März 2024 gab die SEC Vergleiche bekannt mit zwei Anlageberatern, Delphia (USA) Inc. und Global Predictions Inc., wegen falscher und irreführender Aussagen über ihren Einsatz von KI. Die SEC verhängte Bußgelder von $225.000 und $175.000, zusammen $400.000. SEC-Chef Gary Gensler sagte, Anlageberater dürften die Öffentlichkeit nicht täuschen, indem sie behaupteten, ein KI-Modell zu nutzen, obwohl sie das nicht tun. Hier liegt der Ursprung von „AI Washing“ als Begriff der Rechtsdurchsetzung.

Im September 2024 kündigte die FTC Operation AI Comply an, eine Aktion gegen irreführende KI-Aussagen, in der DoNotPay, Ascend Ecom, Ecommerce Empire Builders, Rytr und FBA Machine genannt wurden. Die Mitteilung stellt fest, dass es keine KI-Ausnahme von den geltenden Gesetzen gibt.

Für Gründer ist die Konsequenz praktisch. Jede Fähigkeitsbehauptung in einem Sales-Deck, auf einer Website oder in einer E-Mail kann von den Juristen eines Käufers genau gelesen werden, und Sie sollten sie mit einem Testergebnis belegen können. Wenn Sie nicht zeigen können, dass das Produkt etwas leistet, sagen Sie nicht, dass es das tut.

Welcher Nachweis welchen Einwand beantwortet

Behauptungen bewegen keinen Skeptiker, ein konkretes Artefakt kann es. Die Tabelle ordnet jedem Einwand den Nachweis zu, der ihn tendenziell adressiert. Die rechte Spalte beschreibt Kategorien von Belegen, kein Ergebnisversprechen.

Ehrliche Grenzen schaffen mehr Vertrauen als Selbstsicherheit

Der Instinkt unter Skepsis ist, sicherer zu klingen. Das schlägt meist fehl, denn Sicherheit ist genau das, was der Käufer anzweifelt.

Nennen Sie zuerst die Grenzen. Sagen Sie, worin das Produkt gut ist, was es schlecht beherrscht und woher Sie das wissen. „Bei dieser Art von Input erreicht es diese Genauigkeit, bei jener Art tut es sich schwer, und diese Fälle gehen an einen Menschen“ gibt dem Käufer etwas zum Prüfen. „Es ist hochgenau“ gibt ihm etwas zum Bezweifeln.

Beschreiben Sie die Kontrollen, nicht nur die Fehler. Eine Grenze mit Schutzmaßnahme (Outputs mit niedriger Konfidenz gehen in die Prüfung, ein Audit Trail, eine einfache Möglichkeit zum Übersteuern) ist ein Risiko, das der Käufer steuern kann. Eine Grenze ohne Schutzmaßnahme ist ein Grund zu warten.

Nutzen Sie das Vokabular der Risikoteams Ihrer Käufer. Das NIST AI Risk Management Framework nennt als Merkmale vertrauenswürdiger KI: valide und verlässlich, sicher, geschützt und widerstandsfähig, rechenschaftspflichtig und transparent, erklärbar und interpretierbar, datenschutzfördernd sowie fair bei gesteuertem schädlichem Bias. Es sagt auch, dass der Aufbau vertrauenswürdiger KI eine Abwägung dieser Merkmale im Kontext des Einsatzes erfordert. Es ist ein freiwilliges Framework und keine Zertifizierung, behaupten Sie also keine „NIST-Konformität“. Aber wenn Sie Ihre Antworten auf einen Sicherheits- oder Risikofragebogen an diesen Überschriften ausrichten, zeigen Sie, dass Sie wissen, was ein sorgfältiger Käufer prüft.

Menschliche Aufsicht als Produktfunktion

Für die meisten skeptischen Käufer lautet die Frage nicht, ob KI einen Schritt ersetzen kann, sondern ob eine Person dafür verantwortlich bleibt. Das Produkt so zu gestalten und zu verkaufen, dass die Aufsicht sichtbar ist, verändert das Gespräch.

• Zeigen Sie, wo ein Mensch entscheidet. Abläufe mit Entwurf und Freigabe, Konfidenzschwellen und Eskalationswege machen die menschliche Rolle konkret.
• Führen Sie einen Audit Trail. Käufer in regulierten oder kundennahen Umfeldern müssen im Nachhinein sehen, was das System getan hat und warum.
• Lassen Sie den Käufer die Autonomiestufe bestimmen. Wer im Vorschlagsmodus startet und mit wachsendem Vertrauen zur Automatisierung wechselt, ermöglicht einem vorsichtigen Käufer, früher Ja zu sagen.
• Nennen Sie, wer verantwortlich ist. „Der Prüfer gibt frei“ ist eine klarere Antwort als „die KI übernimmt das“.

Das spricht auch den Einwand zu Mitarbeitenden und Veränderung an. Ein Tool, das als Unterstützung für das Urteil eines Teams dargestellt wird, trifft auf weniger Widerstand als eines, das als Ersatz auftritt, und meist ist diese Darstellung auch zutreffender, da die meisten Einführungen den Menschen im Prozess behalten.

Referenzen und Belege von Peers

Skeptiker vertrauen Peers mehr als Anbietern. Ein Referenzgespräch mit einem Kunden in ähnlicher Rolle, Größe und ähnlichem Workflow gehört zu den stärksten Assets, die Sie bieten können, weil der Käufer Antworten von jemandem erhält, der am Verkauf nichts verdient.

Einige Praktiken machen Referenzen wirksamer:

• Passen Sie die Referenz zum Einwand. Ein Käufer, der sich um Daten sorgt, sollte mit einem Kunden sprechen, der die Sicherheitsprüfung durchlaufen hat. Ein Käufer, der von einem früheren Pilotprojekt enttäuscht wurde, sollte mit einem sprechen, der vom Pilotprojekt in die Produktion kam.
• Bereiten Sie Referenzen auf ehrliche Antworten vor. Wenn eine Referenz nur lobt, wirkt das einstudiert. Eine Referenz, die sagt „es brauchte drei Wochen Feinabstimmung, und dann funktionierte es“, ist glaubwürdiger.
• Erfinden Sie keine Belege. Nennen Sie nur Ergebnisse, die Sie mit der dahinterstehenden Methode untermauern können, im Einklang mit den oben genannten Durchsetzungsmaßnahmen.

Junge Unternehmen ohne viele Referenzen können kleinere Formen des Nachweises bieten: einen Design Partner, der bereit ist zu sprechen, eine öffentliche Evaluierungsmethode oder ein Pilotprojekt, das so aufgebaut ist, dass der Käufer die Belege sieht, bevor er sich bindet. Wie Sie diese Käufer in einen Entscheidungsprozess bringen, behandelt das KI-Einkaufsgremium.

Vertragliche Zusagen schließen die Lücke

Manchen Zweifel kann kein Nachweis ausräumen, weil er die Zukunft betrifft. Vertragsbedingungen können dieses Restrisiko tragen. Käufer können die Leistung von morgen nicht überprüfen, aber sie können Sie bitten, sich dazu zu verpflichten.

Bedingungen, die bei skeptischen Käufern oft zur Sprache kommen:

• Datenverarbeitung: kein Training mit Kundendaten ohne Erlaubnis, definierte Aufbewahrung, Löschung bei Vertragsende
• Leistungs- oder Servicezusagen, gekoppelt an die gemessenen Kriterien aus dem Pilotprojekt
• Ein Ausstiegsweg: das Recht, Daten zu exportieren und den Vertrag zu beenden, wenn vereinbarte Kriterien nicht erfüllt werden
• Mitteilung über wesentliche Änderungen an Modellen oder Unterauftragsverarbeitern
• Sicherheitsdokumentation und Auditrechte, angemessen zu den betroffenen Daten

Sie müssen nicht alles zugestehen. Sie müssen wissen, welche Zusagen Sie ehrlich halten können, diese anbieten und den Rest klar ablehnen. Eine Zusage, die Sie nicht erfüllen können, ist schlimmer als keine. Wie Sie den Weg von einem erfolgreichen Test zu diesen Bedingungen gestalten, behandelt Von KI-Piloten zu Verträgen, und den begleitenden finanziellen Nachweis behandelt der Business Case für den ROI von KI-Produkten.

Wie sich der Vertriebsansatz ändert

Der Verkauf an Skeptiker ist kein anderer Funnel, verschiebt aber an jedem Punkt die Gewichtung.

1. Diagnostizieren Sie den Einwand, bevor Sie antworten. Fragen Sie, welche Sorge die Zurückhaltung antreibt. Die Fragen in der Tabelle oben sind eine Startliste. Die klassische Disziplin des Einwandbehandlungs-Frameworks gilt: zuhören, nachfragen, dann mit einem Nachweis antworten.
2. Beginnen Sie mit Belegen, nicht mit Behauptungen. Eröffnen Sie mit einem Testergebnis, einem Fehlerfall oder einer Referenz, nicht mit einer Funktionsliste.
3. Sagen Sie, was Sie nicht tun. Wer früh eine Grenze benennt, wechselt vom „Anbieter“ zu jemandem, der darüber nachgedacht hat.
4. Holen Sie die Risikoverantwortlichen früh ins Boot. Recht, Sicherheit und die Menschen, die das Produkt nutzen werden, entscheiden oft, ob ein Deal überlebt. Warten Sie nicht, bis sie spät auftauchen. Wie Sie einen internen Fürsprecher ausstatten, damit er Ihren Fall trägt, lesen Sie unter Champion-basierter Vertrieb.
5. Vermitteln Sie Wissen, wo es hilft. Ein Käufer, der noch nicht weiß, wie gut aussieht, profitiert vielleicht von einer klaren Haltung dazu, wie KI zu bewerten ist. Der Challenger Sale zeigt, wie Sie diese Haltung einnehmen, ohne aufdringlich zu sein.

Ein kurzer Selbsttest vor Ihrem nächsten Gespräch

• Können wir jede Fähigkeitsbehauptung mit einem Test oder einem Kunden belegen?
• Kennen wir unsere gemessene Fehlerquote und wissen, wie wir sie gemessen haben?
• Können wir in einfachen Worten erklären, wohin die Daten des Käufers gehen?
• Wo prüft oder übersteuert ein Mensch den Output?
• Welche Referenzen passen zum konkreten Anliegen dieses Käufers?
• Welche vertraglichen Zusagen können wir tatsächlich halten?

Wichtige Fakten

• Vertrauen hinkt der Nutzung hinterher: Eine Studie von KPMG und der University of Melbourne 2025 mit über 48.000 Menschen in 47 Ländern fand 46 Prozent, die KI-Systemen vertrauen würden, 66 Prozent, die KI regelmäßig nutzen, und 70 Prozent, die Regulierung für nötig halten.
• Ungeprüfter Output ist verbreitet: Dieselbe Studie fand, dass 66 Prozent der Beschäftigten sich auf KI-Output verlassen, ohne ihn zu prüfen, und 56 Prozent bei der Arbeit wegen KI Fehler gemacht haben.
• Vorsicht in der US-Öffentlichkeit: Eine Umfrage von Pew Research vom August 2024 fand 51 Prozent, die über KI im Alltag eher besorgt als begeistert sind, und 59 Prozent mit wenig oder keinem Vertrauen, dass US-Unternehmen KI verantwortungsvoll einsetzen.
• AI Washing wird geahndet: Im März 2024 verhängte die SEC Bußgelder gegen Delphia ($225.000) und Global Predictions ($175.000) wegen falscher Aussagen zum KI-Einsatz.
• Keine KI-Ausnahme: Die Operation AI Comply der FTC vom September 2024 nannte fünf Unternehmen und stellte fest, dass es keine KI-Ausnahme vom geltenden Recht gibt.
• Ein gemeinsames Vokabular existiert: Das NIST AI RMF 1.0 nennt sieben Merkmale vertrauenswürdiger KI, von valide und verlässlich bis fair bei gesteuertem schädlichem Bias.

Weiterführende Lektüre

• Vertrauen und Evaluierung als Vertriebsargument
• KI-Sicherheitsprüfungen erklärt
• Warum Demos bei KI-Produkten wichtiger sind
• Positionierung von KI-Produkten
• Von KI-Piloten zu Verträgen
• Das KI-Einkaufsgremium
• Framework zur Einwandbehandlung