Einsatz von Künstlicher Intelligenz im B2B Customer-Relationship-Management: Identifikation von Herausforderungen und Einsatzpotenzialen in produzierenden kleinen und mittleren Unternehmen

Im Jahr 2021 betrug der Anteil der kleinen und mittleren Unternehmen (KMU) an allen Unternehmen in Deutschland ca. 99,3 %; sie bilden damit das Rückgrat der deutschen Wirtschaft (Statistisches Bundesamt 2021). In einer zunehmend dynamischen und herausfordernden Geschäftsumgebung stehen Unternehmen, insbesondere kleine und mittlere produzierende Business-to-Business Unternehmen (B2B KMU), vor komplexen Herausforderungen. Produzierende B2B KMU sind hierbei häufig mit spezifischen Herausforderungen wie komplexen Lieferketten, langen Verkaufszyklen und spezialisierten Kundensegmenten konfrontiert.

Der Einsatz von Künstlicher Intelligenz (KI) in unternehmensweite Anwendungssysteme kann für B2B KMU eine vielversprechende Rolle spielen, um beispielsweise bei der Verbesserung von Qualität, Effizienz und Kostenstruktur beizutragen, aber auch um neue Produkte oder Nutzen für Kunden zu schaffen (Lundborg et al. 2023). Vor allem der Einsatz von KI in der Kundenkommunikation innerhalb eines Customer-Relationship-Management (CRM) Systems kann KMUs helfen, zielgerichteter und effizienter auf die Bedürfnisse der Kunden einzugehen, um sich dadurch im Wettbewerb durchzusetzen (Deutsch und Pingel 2023). Das Potenzial von KI wird laut einer Bitkom Studie vom Jahr 2023 auch von Unternehmern in Deutschlang erkannt, bei der 68 % der beteiligten angaben, dass KI die wichtigste Zukunftstechnologie ist. Gleichzeitig ergab dieselbe Studie, dass nur 15 % dieser Unternehmen KI derzeitig einsetzt (Bitkom 2023). Genau in diesem Spannungsfeld setzt die vorliegende Forschungsarbeit an: obwohl Unternehmen KI als wichtigste Zukunftstechnologie identifizieren, ist die Implementierung zögerlich. Zudem kann ein zielgerichteter Einsatz von KI im CRM KMUs Wettbewerbsvorteile durch effizientere und stärker kundenzentrierte Kommunikation geben (Deutsch und Pingel 2023).

Zahlreiche aktuelle Forschungsarbeiten setzen sich mit den Einsatzmöglichkeiten, den Herausforderungen und den notwendigen Schritten bezüglich der Integration von KI in die Geschäftsprozesse von KI in KMUs auseinander, wie beispielsweise Wangermann (2020), Ulrich und Frank (2021), Bunte et al. (2021), Rammer (2021), Ulrich et al. (2021) und Chui et al. (2023). Bislang konzentrierten sich Forschungen hauptsächlich auf die allgemeinen Einsatzmöglichkeiten, Herausforderungen und Chancen von KI in Unternehmen. Deutsch und Pingel (2023) gehen intensiv auf die Einflüsse von KI auf den Alltag der Konsumenten ein. Trotz der positiven Wahrnehmung des Mehrwerts, den KI-Systeme bieten, erfahren Unternehmen häufig Schwierigkeiten bei der erfolgreichen Implementierung von KI. Besonders hervorzuheben ist, dass bisher keine Forschungen existieren, die sich spezifisch auf produzierende B2B KMU konzentrieren. Dies führt zu einer Unklarheit über die konkreten Potenziale von KI in diesem Kontext. Deshalb besteht das Ziel dieses Beitrags darin, aktuelle Herausforderungen im CRM in produzierenden B2B KMU zu untersuchen und darauf aufbauend Einsatzmöglichkeiten und Handlungsempfehlungen für den Einsatz von KI zu geben, um die identifizierten Herausforderungen zu lindern. Vor diesem Hintergrund soll in diesem Artikel die folgende Forschungsfrage behandelt werden: Welche Einsatzmöglichkeiten und Handlungsempfehlungen lassen sich aus praktischer Perspektive für den Einsatz von künstlicher Intelligenz im B2B Customer-Relationship-Management identifizieren?

Zur Beantwortung dieser Frage werden in dieser Arbeit in Kapitel 2 zunächst grundlegende Aspekte zu KMUs und KI eingeführt. Hierbei wird erläutert, inwiefern KI-Technologien als Mittel zur Verbesserung der Kundenkommunikation dienen und somit die bestehenden Herausforderungen der produzierenden B2B-KMUs mindern können. Dazu werden unter anderem die Werke von Paschen et al. (2020), Rainsberger (2021) und Singh et al. (2019) herangezogen. Diese bilden bereits mögliche Anwendungen für Künstliche Intelligenz (KI) im Vertrieb und der damit verbundenen Kundenkommunikation ab. Durch eine umfassende Analyse basierend auf qualitativen Interviews werden anschließend die spezifischen Herausforderungen identifiziert, die Angestellte im Vertrieb und Marketing von produzierenden B2B KMUs in ihrer Kundenkommunikation erleben. Das Forschungsdesign (Datengrundlage, Datenerhebung und Datenanalyse) wird in Kapitel 3 erläutert. In Kapitel 4 werden die Ergebnisse aus den Interviews mit den Praktikern vorgestellt und dabei insbesondere auf die identifizierten Herausforderungen eingegangen. Auf Grundlage der gesammelten Erkenntnisse werden im Anschluss in Kapitel 5 allgemeine Handlungsmöglichkeiten sowie spezifische Empfehlungen für den Einsatz von KI in produzierenden B2B KMU abgeleitet, um deren Kundenkommunikation zu optimieren.

Laut dem Institut für Mittelstandforschung werden Kleinstunternehmen, Kleinunternehmen und mittlere Unternehmen unter der Abkürzung KMU gebündelt (Institut für Mittelstandsforschung Bonn o.J.). In dieser Arbeit werden Unternehmen als KMU bezeichnet, welche weniger als 250 Angestellte haben und einen Jahresumsatz von 50 Mio. € nicht überschreiten (Bundesministerium für Wirtschaft und Klimaschutz o.J.). Ein häufiges Kennzeichen von KMU ist die geringe Diversifizierung ihres Produkt- oder Dienstleistungsportfolios, was zu einer starken Abhängigkeit von einzelnen Märkten und damit zu einem erhöhten Geschäftsrisiko führen kann. Zusätzlich sind KMU oft durch begrenzte finanzielle Ressourcen gekennzeichnet, die auf eine weniger diversifizierte Finanzstruktur zurückzuführen sind. Diese resultiert teilweise aus den eingeschränkten Möglichkeiten zur Kapitalbeschaffung, die KMU im Vergleich zu großen Unternehmen besitzen (Bergmann und Crespo 2009; Ihlau und Duscha 2019). Zusätzlich zu diesen finanziellen Einschränkungen sind KMU oft mit begrenzten personellen Ressourcen konfrontiert, was teilweise auf den demografischen Wandel zurückzuführen ist. Besonders der Mittelstand sieht sich dadurch zunehmend mit Herausforderungen konfrontiert (Brink et al. 2020).

Das Gebiet der KI beschäftigt sich mit der Entwicklung und dem Einsatz von Intelligenten Systemen. Allgemein kann Künstliche Intelligenz verstanden werden als Systeme, die ihre Umgebung wahrnehmen und basierend darauf Handlungen ausführen können (Russell und Norvig 2016). KI kann unterteilt werden zwischen starker KI und schwacher KI. Starke KI versucht menschliche Denkprozesse vollständig abzubilden, um bewusste Systeme zu schaffen die komplexen Fähigkeiten wie die Entscheidungsfindung unter Unsicherheit, Kreativität und Empathie besitzen. Schwache KI dagegen konzentriert sich hauptsächlich auf das Lösen spezifischer Aufgaben in festgelegten Anwendungsdomänen. (Harwardt und Köhler 2023; Hecker et al. 2017).

In Studien zum Einsatz von Künstlicher Intelligenz in Unternehmen wurde festgestellt, dass der Einsatz in KMUs deutlich niedriger ausfällt als der in großen Unternehmen. Das liegt unter anderem daran, dass KI bestimmte Voraussetzungen erfordert (Dukino et al. 2019). Dazu gehören vor allem die Notwendigkeit von Daten, welche KI als Basis für Entscheidungen benötigt, aber in KMU häufig nicht strukturiert und nachhaltig gesammelt werden. Außerdem bestehen Bedenken bezüglich des Datenschutzes und unzureichende Kenntnisse im Umgang mit den Daten (Rammer 2021). Hinzu kommen personelle und finanzielle Ressourcen, die für den Einsatz notwendig sind, jedoch bei kleinen und mittleren Unternehmen oftmals nur eingeschränkt verfügbar sind (Dukino et al. 2019). Durch die begrenzten personellen und finanziellen Ressourcen hat das rentable Tagesgeschäft meist Priorität und der Einführung von neuen Technologien wie KI wird keine Zeit zugeschrieben (Lindner 2019). Aufgrund der geringen Beschäftigung mit der Technologie sehen KMUs häufig keinen erkennbaren Bedarf für KI in ihrem Unternehmen, oder wissen kaum über mögliche Anwendungen Bescheid (Rammer 2021).

3.1 Datengrundlage

Um die Herausforderungen im Bereich der Kundenkommunikation und -interaktion zu analysieren und darauf aufbauend allgemeine Handlungsmöglichkeiten sowie praxisrelevante Handlungsempfehlungen für den produzierenden B2B-Vertrieb von KMU abzuleiten, wurde ein qualitatives Forschungsdesign gewählt. Der Fokus lag dabei auf der Exploration der individuellen Erfahrungen, Herausforderungen und Bewältigungsstrategien der Teilnehmer im Kontext der Kundenkommunikation, um tiefere Einblicke in die spezifischen Ressourcen, die Flexibilität und die Dynamik der Vertriebs- und Marketingprozesse kleiner und mittlerer Unternehmen zu gewinnen. Das Ziel bestand darin, die Herausforderungen und Chancen im Kundenkontakt zu identifizieren sowie den potenziellen Einsatz von Künstlicher Intelligenz in diesen Bereichen zu identifizieren.

Daher wurde – den Grundprinzipien explorativer qualitativer Sozialforschung entsprechend – im Rahmen eines Purposeful Sampling (Patton 2015) eine gezielte Fallauswahl vorgenommen, wobei sich die Fälle im Hinblick auf das Erkenntnisinteresse zwar ähneln, aber nicht durchgängig homogen sind (Döring und Bortz 2016). Damit konnte sichergestellt werden, dass verschiedene Perspektiven und Erfahrungen berücksichtigt werden, die spezifische Herausforderungen produzierender B2B-KMU widerspiegeln. Die Auswahl der Teilnehmer beschränkte sich auf Fachkräfte aus produzierenden B2B-Unternehmen im Bereich Vertrieb oder Marketing mit mindestens drei Jahren Berufserfahrung und direktem oder indirektem Kundenkontakt, um authentische Einblicke in die spezifischen Herausforderungen und Trends der Kundenkommunikation zu erhalten. Die Merkmale, welche zum Sampling genutzt wurden, sind in Tab. 1 zusammenfassend dargestellt.

Insgesamt wurden zehn Personen interviewt, die hinsichtlich der Position, Unternehmensgröße und Bereichserfahrung eine relativ breite Varianz aufweisen. Detaillierte Informationen hierzu können Tab. 2 entnommen werden. Die Teilnehmer wurden im Vorfeld des Forschungsprojekts umfassend über die Ziele der Studie, den Ablauf der Interviews sowie die Aufzeichnung der Gespräche informiert. Dabei wurde deutlich kommuniziert, dass die Teilnahme freiwillig ist, das Interview jederzeit abgebrochen werden kann und die erhobenen Daten vertraulich behandelt und ausschließlich in anonymisierter Form veröffentlicht werden.

3.2 Datenerhebung

Die Erhebung der Daten erfolgte auf der Grundlage eines halbstrukturierten Interviewleitfadens, wobei der Leitfaden in zehn Hauptfragen gegliedert war. Diese bezogen sich auf den beruflichen Hintergrund der Interviewpartner, ihre aktuellen Herausforderungen, die Prozesse im Kundenkontakt sowie die Wahrnehmung und Nutzung von KI im Unternehmen. Der Leitfaden wurde flexibel gestaltet, um auf spontane Antworten und unvorhergesehene Themen eingehen zu können (Helfferich 2011). Die Durchführung der zehn Interviews erfolgte im Zeitraum von Ende Februar bis Anfang April 2024. Alle Interviews wurden mit Zoom geführt und aufgezeichnet. Vor Beginn der Aufzeichnung wurden die Teilnehmenden über die Aufzeichnung informiert und um ihr Einverständnis gebeten. Während der Interviews diente der Leitfaden als Orientierungshilfe, wobei den Interviewpartnern Raum für ausführliche und individuelle Antworten gegeben wurde (Helfferich 2011). Vor der eigentlichen Datenerhebung wurde der Leitfaden in einem Testinterview erprobt. In Folge dieses Pretests ergaben sich aber nur kleine strukturelle Änderungen in Bezug auf die Effizienz der Interviewführung bzw. Interviewleitfadenhandhabung. Zur Transkription wurde die einfache Transkription nach Dresing und Pehl (2018) verwendet.

3.3 Datenanalyse

Für die anschließende Analyse der Interviews wurde eine qualitative Datenanalysesoftware (QDA-Software) sowie die Inhaltsanalyse nach Mayring und Fenzl (2019) genutzt. Die Durchführung der qualitativen Inhaltsanalyse orientierte sich an den Empfehlungen von Döring und Bortz (2016).

Zunächst wurden induktiv Hauptkategorien entwickelt, um Themen, Muster und Schlüsselbegriffe in den Interviews zu identifizieren. Der Interviewleitfaden diente dabei allerdings als deduktive Orientierungshilfe, um sicherzustellen, dass alle relevanten Themenbereiche abgedeckt wurden. Anschließend wurden die relevanten Aussagen diesen Hauptkategorien zugeordnet. Danach erfolgte eine induktive Kategorienbildung innerhalb dieser Hauptkategorien. Es wurden präzise Unterkategorien gebildet, die spezifische Aussagen und Erkenntnisse innerhalb der Hauptkategorien gruppierten. Dadurch konnten Muster und Themen innerhalb der Hauptkategorien identifiziert werden. Beispielsweise konnten ähnliche Herausforderungen unter einer Kategorie zusammengefasst werden. Für jede Kategorie wurde ein Beispielzitat aus dem Material und eine Definition festgelegt. Die Analyse wurde fallübergreifend durchgeführt, um Gemeinsamkeiten, Unterschiede und Muster zwischen den verschiedenen Interviews in Bezug auf Kundenkommunikation und -interaktion herauszuarbeiten. Dies ermöglichte eine ganzheitliche Betrachtung der Thematik über verschiedene Unternehmenskontexte hinweg.

Die zehn durchgeführten Interviews mit Praktikern lieferten Ergebnisse zu den Herausforderungen, Bedarfen und Lösungsansätzen in der Kundenkommunikation von produzierenden B2B KMUs.

4.1 Herausforderungen

In den Interviews wurden acht wesentliche Herausforderungen identifiziert, die den Arbeitsalltag von Vertriebs- und Marketingmitarbeitenden in produzierenden B2B-KMU prägen. Die Schwerpunkte variieren je nach spezifischer Unternehmenssituation, doch ergeben sich einige übergreifende Problemfelder. Im Folgenden werden diese Herausforderungen mit ersten Hinweisen auf mögliche KI-gestützte Lösungsansätze dargestellt, die im anschließenden Kapitel weiter ausgeführt werden.

4.1.1 Langfristige Kommunikation

Eine zentrale Schwierigkeit stellt die langfristige Kommunikation mit Leads und bestehenden Kunden dar. Da im B2B-Bereich die Kundenbetreuung oft projektbezogen und zeitlich begrenzt ist, bleibt es herausfordernd, während längerer Projektunterbrechungen in Erinnerung zu bleiben und den Kontakt aufrechtzuerhalten. Gerade in der dynamischen digitalen Geschäftswelt besteht das Risiko, dass Kunden sich abwenden, wenn nicht regelmäßig kommuniziert wird. Die Nutzung KI-basierter Kommunikationssysteme könnte hier helfen, um dem Kunden langfristig relevante Inhalte zur Verfügung stellen.

4.1.2 Personalisierte Kommunikation

Die personalisierte Ansprache von Kunden ist ein weiterer Bereich, der für viele Vertriebs- und Marketingmitarbeitende herausfordernd ist. Kunden individuell und mit einem erkennbaren Mehrwert anzusprechen, wird zunehmend als Erfolgsfaktor angesehen, insbesondere im Wettbewerb mit größeren Unternehmen. Die Schwierigkeit liegt darin, die Bedürfnisse und Interessen der Kunden präzise zu erfassen und Inhalte zu erstellen, die diesen spezifischen Anforderungen gerecht werden. Dabei stellt der Aufwand, personalisierte Nachrichten zu verfassen und passende Inhalte auszuwählen, eine erhebliche zeitliche Belastung dar. Ein KI-gestütztes System könnte hierbei durch die Analyse vorhandener Daten über Kundenpräferenzen und Verhaltensmuster unterstützend sein.

4.1.3 Kommunikation mit Buying Centern

Im B2B-Bereich ist die Kommunikation mit Buying Centern von hoher Bedeutung, da Kaufentscheidungen oft von mehreren Personen oder Abteilungen getroffen werden. Die Herausforderung liegt darin, die relevanten Entscheidungsträger zu identifizieren und diese gezielt anzusprechen, um das volle Potenzial der Verkaufschance auszuschöpfen. Häufig besteht zudem das Problem, dass zwar Interesse signalisiert wird, jedoch nicht die notwendige Entscheidungsbefugnisse vorliegen. Eine gezielte Analyse von Kontaktpersonen durch KI-gestützte Tools könnte das Erkennen relevanter Entscheidungsträger in Unternehmen erleichtern.

4.1.4 Neukundenakquise und Sichtbarkeit

Neukundenakquise und die Steigerung der Sichtbarkeit des Unternehmens zählen zu den größten Herausforderungen. In einem stark umkämpften Markt ist es besonders schwer, sich von der Konkurrenz abzuheben und die Aufmerksamkeit potenzieller Kunden zu gewinnen. Gerade für kleine und mittlere Unternehmen ohne große Marketingbudgets stellt dies eine Herausforderung dar. KI-gestützte Strategien wie die Nutzung von SEO-Optimierungen könnten eine effektive Unterstützung bieten.

4.1.5 Ressourcen

Der Mangel an Ressourcen, insbesondere an qualifiziertem Personal, Zeit und Budget, stellt viele KMU vor Herausforderungen. Eine intensive, individualisierte Kundenansprache ist im B2B-Bereich oft nur mit erheblichen personellen und zeitlichen Aufwendungen möglich, was für kleine Unternehmen besonders schwierig ist. Zur Ressourcenschonung könnten repetitive Aufgaben von einer KI übernommen werden.

4.1.6 USP kommunizieren

Eine klare und überzeugende Kommunikation des Unique Selling Points (USP) ist essenziell, um sich im Markt zu positionieren und Kunden vom Mehrwert eines Produkts zu überzeugen. Gerade in einem kompetitiven Marktumfeld fällt es jedoch schwer, die eigenen Produkte oder Dienstleistungen differenziert und prägnant darzustellen, sodass sich potenzielle Kunden für einen Wechsel entscheiden.

4.1.7 Inhalte erstellen

Die Erstellung und Bereitstellung relevanter Inhalte für Marketing und Vertrieb ist besonders in produzierenden Unternehmen eine Herausforderung, da die Produkte oft technisch komplex sind. Diese Inhalte müssen zielgruppengerecht und verständlich vermittelt werden, was eine intensive inhaltliche und sprachliche Anpassung erfordert. KI-Tools zur Content-Generierung könnten hier unterstützend wirken.

4.1.8 Leads qualifizieren

Schließlich stellt die Qualifizierung von Leads eine bedeutende Herausforderung dar, da nicht jeder Kontakt auch ein potenzieller Kunde ist. Insbesondere die Einschätzung, ob ein Lead tatsächlich Interesse an einem Abschluss hat oder die Ressourcen des Unternehmens bindet, ohne eine realistische Kaufabsicht zu verfolgen, ist zeitaufwendig. KI-basierte Lead-Scoring-Modelle könnten Leads automatisiert bewerten und priorisieren.

4.2 Verwaltung von Kundendaten

Da die Verfügbarkeit von Kundendaten eine wichtige Rolle für den Einsatz von Künstlicher Intelligenz in der Kundenkommunikation spielt, wurden die Teilnehmer gefragt, wie die Datenaufnahme und Pflege im Unternehmen gehandhabt werden. Insgesamt wurden der Wert und die Bedeutung gut gepflegter Kundendaten anerkannt. Es wurden verschiedene Methoden zur Sammlung und Pflege der Daten genannt. Die Vorteile von digitalisierten und automatisierten Ansätzen wurden nicht durchgängig umgesetzt. Teilweise werden Kunden in CRM-Systemen verwaltet, teilweise werde diese noch in einzelnen Dateien geführt. Wenn es keine Vorgaben zur Nutzung eines CRMs gibt, resultiert eine inkonsistente Nutzung bei den Teilnehmern.

4.3 Bedarfe zur Bewältigung und Lösungsstrategien

Die Ergebnisse zeigen, dass zur Bewältigung der Herausforderungen in der Kundenkommunikation neben personellen Ressourcen, auch finanzielle und zeitliche Ressourcen erforderlich sind. Die Teilnehmer betonten den Bedarf an Investitionen in Mitarbeiter sowie die Notwendigkeit, Zeit und Geld in die Einführung und aktive Nutzung von neuen Technologien, Tools und Plattformen zu investieren, welche den Prozess der Kommunikation erleichtern könnten. Die Analyse der bereits implementierten Maßnahmen und Strategien zeigte, dass die Teilnehmer verschiedene Lösungsansätze verfolgen. Durch die Aussagen wurde jedoch deutlich, dass Künstliche Intelligenz bisher kaum bis nie als Lösungsstrategie eingesetzt wird, jedoch als potenzielle Lösung wahrgenommen wird.

Basierend auf den im vorherigen Kapitel identifizierten Herausforderungen, Bedarfen und Lösungsansätzen in der Kundenkommunikation von produzierenden B2B-KMU werden in diesem Kapitel KI-Einsatzmöglichkeiten und konkrete Handlungsempfehlungen abgeleitet. Die hier beschriebenen Anwendungen sind zwar auf die typischen Anforderungen von KMU zugeschnitten, jedoch nicht exklusiv für sie geeignet. Viele der beschriebenen Einsatzmöglichkeiten finden auch in größeren Unternehmen Anwendung. Im Anschluss folgen schließlich konkrete Handlungsempfehlungen, die KMU gezielt bei der praktischen Umsetzung und Integration von KI in ihre Kundenkommunikation unterstützen.

Die Einsatzmöglichkeiten von KI hängen stark von der Verfügbarkeit und Qualität der Kundendaten ab. Gleichzeitig stehen in der Praxis bei KMU diese Daten in unterschiedlichem Umfang zur Verfügung. Daher werden die Einsatzmöglichkeiten in drei Stufen entlang der Customer Journey dargestellt, wobei die Verfügbarkeit und Qualität der Kundendaten berücksichtigt wird:

• Stufe 1: Es bestehen nur minimale Daten, KI kann für grundlegende Inhalte und Ideen genutzt werden.

• Stufe 2: Es bestehen umfassendere, nicht vollständige Daten, KI kann Inhalte personalisieren und einfache Analysen durchführen.

• Stufe 3: Es bestehen umfangreiche, gut strukturierte Daten, KI ermöglicht detaillierte Analysen und Vorhersagen.

Folgend werden die Einsatzmöglichkeiten für das CRM entlang der Customer Journey in den jeweiligen Stufen dargestellt. Eine übergeordnete Empfehlung, die vorab gegeben wird, ist die Nutzung eines CRM-Systems, um eine intensive und detaillierte Datengrundlage zu schaffen, auf Basis derer die Kontakte zielgerichtet und personalisiert angesprochen werden können (Rainsberger 2021).

5.1 Customer Journey Phase 1: Bewusstseinsphase

5.1.1 Inhalte erstellen

• Stufe 1: KI-Tools erstellen grundlegende Inhalte wie Bilder, Texte und Präsentationen. Sie helfen bei der Ideengenerierung und Trendanalyse, um passende Inhalte zu finden.

• Stufe 2: KI erstellt personalisierte Inhalte für spezifische Kundensegmente. Die Inhalte können auf Websites, in sozialen Medien oder in Mailings genutzt werden und sind an die Markenidentität angepasst (Chui et al. 2023).

• Stufe 3: KI nutzt predictive Analytics, um zukünftige relevante Inhalte basierend auf historischen Daten vorherzusagen und zu erstellen. A/B-Tests ermitteln die effektivsten Inhalte (Ennemann und Lurtz 2019; Campbell et al. 2020).

5.1.2 Marktanalyse

• Stufe 1: KI sammelt und analysiert öffentlich zugängliche Daten über Wettbewerber und den Markt. Eine grundlegende Zielgruppensegmentierung basierend auf verfügbaren Kontaktdaten ist möglich (Campbell et al. 2020).

• Stufe 2: Mit zusätzlichen Daten wie Kundeninteressen und -verhalten wird die Segmentierung verfeinert. Dies ermöglicht die Erstellung von zielgerichteten, wertvollen Inhalten für verschiedene Segmente.

• Stufe 3: KI erstellt detaillierte Zielgruppenprofile und liefert präzise Einblicke in individuelle Bedürfnisse und Verhaltensweisen. Predictive Analytics ermöglicht es, zukünftige Marktentwicklungen und Anforderungen vorherzusagen (Al Khaldy et al. 2023).

5.1.3 Sichtbarkeit

Für B2B-KMU ist die SEO eine zentrale Herausforderung. KI-Tools werden empfohlen, um die Online-Sichtbarkeit zu verbessern:

• Stufe 1: KI-Tools analysieren die Website und schlagen Optimierungen zur Verbesserung der SEO vor (Chui et al. 2023).

• Stufe 2: KI unterstützt die Keyword-Recherche und erstellt SEO-optimierte Inhalte basierend auf Kundendaten.

• Stufe 3: KI personalisiert Inhalte für Nutzer und erkennt zukünftige Trends mittels predictive Analytics, um die Sichtbarkeit weiter zu steigern (Al Khaldy et al. 2023).

5.2 Customer Journey Phase 2: Erwägungsphase

5.2.1 E-Mail-Automatisierung

Langfristige und personalisierte Kommunikation ist eine Herausforderung für produzierende B2B-KMU. KI-gestützte E‑Mail-Automatisierung wird empfohlen.

• Stufe 1: KI-Tools ermöglichen das Versenden von automatisierten Standard-E-Mails, wie Begrüßungs- und Bestellbestätigungen, ohne umfangreiche Kundendaten.

• Stufe 2: Segmentierte E‑Mail-Listen basierend auf Verhaltensdaten und Interessen erlauben personalisierte und relevante Inhalte für verschiedene Kundensegmente (Lammenett 2019).

• Stufe 3: KI mit predictive Analytics personalisiert Inhalte dynamisch und passt sie an zukünftige Bedürfnisse der Kunden an, was höhere Öffnungs- und Klickraten fördert (Deutsch und Pingel 2023).

5.2.2 Leadgenerierung und Verwaltung

Die Leadgenerierung und Qualifizierung ist eine zentrale Herausforderung für den Vertrieb von B2B-KMU. KI-Tools werden zur Unterstützung empfohlen:

• Stufe 1: KI sammelt und analysiert grundlegende Informationen über potenzielle Leads. Einfache Kriterien wie Branchenzugehörigkeit und Standort werden für das Lead-Scoring verwendet.

• Stufe 2: KI analysiert zusätzliche Daten wie Interaktionen und Social-Media-Aktivitäten, verfeinert das Lead-Scoring und identifiziert potenzielle Kunden im digitalen Raum, z. B. durch die Entschlüsselung von Website-Besuchern (Rainsberger 2021).

• Stufe 3: KI verwendet historische Daten und predictive Analytics, um zukünftiges Verhalten potenzieller Kunden vorherzusagen und Leads präziser zu bewerten (Artun und Levin 2015).

5.2.3 Chatbots

Die Ressourcenknappheit in Zeit und Personal stellt eine Herausforderung für KMU dar. KI-gestützte Chatbots werden empfohlen, um diese zu adressieren:

• Stufe 1: Chatbots beantworten grundlegende oder wiederkehrende Fragen zu Produkten oder Dienstleistungen und unterstützen potenzielle Kunden auf der Website (Hoyer et al. 2020; Prajwal et al. 2019). Bei komplexeren Fragen erfolgt eine Weiterleitung an menschliche Mitarbeiter (Rainsberger 2021).

• Stufe 2: Chatbots bieten personalisierte Produktempfehlungen basierend auf früheren Interaktionen oder Kaufverhalten an (Ennemann und Lurtz 2019).

• Stufe 3: KI nutzt predictive Analytics, um Produktempfehlungen auf Basis der Suchhistorie zu generieren und gezielt Kunden in der Consideration-Phase anzusprechen (Al Khaldy et al. 2023).

5.3 Customer Journey Phase 3: Verhandlungsphase

5.3.1 Preisgestaltung

Für produzierende Unternehmen sind Faktoren wie Wettbewerbspreise und Lieferantenabhängigkeiten entscheidend für die Preisgestaltung. KI-gestützte Tools bieten folgende Vorteile:

• Stufe 1: KI überwacht externe Faktoren wie Wettbewerbspreise und Nachfrageänderungen und passt die Preise entsprechend an (Rainsberger 2021).

• Stufe 2: KI segmentiert Kunden und entwickelt spezifische Preisstrategien basierend auf Merkmalen wie Demografie oder Kaufpräferenzen (Deutsch und Pingel 2023).

• Stufe 3: Dynamische Preisstrategien basieren auf individuellen Kundenprofilen und historischen Daten, um personalisierte Preise anzubieten und Marktveränderungen zu antizipieren (Bharadiya 2023).

5.3.2 Intelligente Meeting-Assistenten

Um Zeit zu sparen und Online-Meetings effizienter zu gestalten, wird der Einsatz intelligenter Meeting-Tools empfohlen. Diese bieten Funktionen wie automatische Aufzeichnung, Transkription, Live-Übersetzung, Meeting-Notizen, Zusammenfassungen und Kalenderverwaltung (Cardon et al. 2023). Diese Tools erfordern jedoch die Beachtung der DSGVO-Bestimmungen hinsichtlich der Zustimmung der Teilnehmer.

5.3.3 Präsentationen erstellen

In Verhandlungen und Verkaufsgesprächen ist ein professioneller Auftritt entscheidend. Um die Herausforderung der Inhaltserstellung zu bewältigen, wird B2B KMU empfohlen, KI-gestützte Tools zu nutzen:

• Stufe 1: Erstellung standardisierter Präsentationsvorlagen, die grundlegende Informationen enthalten, unterstützt durch einfache Designtools zur Verbesserung des Layouts.

• Stufe 2: Personalisierung der Präsentationen basierend auf Kundendaten, um spezifische Bedürfnisse und Interessen anzusprechen.

• Stufe 3: Einsatz von predictive Analytics zur Vorhersage zukünftig benötigter Inhalte und deren Integration in Präsentationen mittels KI-Tools.

5.4 Customer Journey Phase 4: Nachkaufphase

5.4.1 Automatisierte Mailings

Um langfristige Kundenbeziehungen aufrechtzuerhalten, sollten KMU automatisierte Mailings einsetzen:

• Stufe 1: Automatisierte, standardisierte Follow-up-E-Mails und Willkommensnachrichten zur Begrüßung neuer Kunden oder Dank für Teilnahme an Meetings. Implementierung von Newslettern für allgemeine Informationen (z. B. Neuigkeiten und Angebote).

• Stufe 2: Personalisierte Follow-up-Nachrichten basierend auf individuellen Interaktionen und Präferenzen, unterstützt durch intelligente Meeting-Assistenten. Automatisierte Feedback-Anfragen zur Sammlung von Kundenmeinungen.

• Stufe 3: Automatisierte Kampagnen zur Reaktivierung inaktiver Kunden und Wiederbelebung des Interesses an Produkten oder Dienstleistungen.

5.4.2 Sentiment-Analyse

Zur Verbesserung der Kundenkommunikation sollten B2B KMU KI-gestützte Sentiment-Analysen einsetzen:

• Stufe 1: Durchführung grundlegender Sentiment-Analysen zur Identifikation von positiven und negativen Stimmungen in Kundenfeedback, wie Bewertungen oder Online-Kommentaren.

• Stufe 2: Fortgeschrittene Sentiment-Analysen mit umfassenderen Daten, um Emotionen und Stimmungen in Support-Tickets, E‑Mails und Social-Media-Beiträgen zu verstehen (Rainsberger 2021).

• Stufe 3: Personalisierung von Angeboten und Kommunikation basierend auf detaillierten Sentiment-Analysen, um individuelle Bedürfnisse und Vorlieben zu berücksichtigen und proaktiv auf Unzufriedenheit zu reagieren (Ennemann und Lurtz 2019).

5.4.3 Service-Chatbots

Service-Chatbots können B2B KMU unterstützen, indem sie Ressourcen schonen und den Kundenservice verbessern:

• Stufe 1: Einsatz von Chatbots zur Beantwortung grundlegender Fragen nach dem Kauf (z. B. Rücksendungen) und zur Unterstützung bei der Einreichung von Support-Anfragen durch Erfassung grundlegender Kundeninformationen (Deutsch und Pingel 2023).

• Stufe 2: Personalisierung des Supports basierend auf Kundendaten, einschließlich spezifischer Lösungen und Unterstützung bei Rücksendungen oder Umtauschprozessen.

• Stufe 3: Verwendung von predictive Analytics, um zukünftige Supportbedarfe vorherzusagen und proaktiv Service anzubieten, was die Kundenzufriedenheit und Loyalität steigert (Deutsch und Pingel 2023).

Speziell für KMU ergeben sich abschließend folgende Handlungsempfehlungen, um KI gezielt und ressourcenschonend in der Kundenkommunikation einzusetzen. Die Empfehlungen basieren auf den Erkenntnissen aus den Interviewergebnissen und dem vorangegangenen Kapitel:

5.4.4 Fokus auf Datenqualität und -verfügbarkeit

Für KMU ist die Schaffung einer soliden Datengrundlage von entscheidender Bedeutung, bevor sie KI-Tools einsetzen. Es wird empfohlen, in die Strukturierung und Konsolidierung der vorhandenen Kundendaten zu investieren und eine Datenstrategie zu entwickeln, die sowohl aktuelle als auch zukünftige KI-Anwendungen unterstützt. Dies bedeutet, dass Datenquellen wie CRM-Systeme, kontinuierlich gepflegt und erweitert werden sollten, um die Basis für fundierte KI-gestützte Entscheidungen zu gewährleisten.

5.4.5 Klein anfangen und Erfahrungen schrittweise ausbauen

Da Ressourcen in KMU oft begrenzt sind, ist ein gradueller Einstieg in den KI-Einsatz ratsam. Unternehmen sollten zunächst KI-Tools in einfachen Anwendungsbereichen, wie z. B. der E‑Mail-Automatisierung oder der Marktanalyse, testen und daraus resultierende Erkenntnisse nutzen, um weitere, komplexere KI-Anwendungen umzusetzen. Diese „Test-and-Learn“-Strategie ermöglicht es KMU, Risiken zu minimieren und KI langfristig gewinnbringend zu integrieren.

5.4.6 Integration von KI in den Kundenservice zur Entlastung des Personals

Der Einsatz von Chat- und/oder Voicebots und intelligenten Meeting-Assistenten kann eine erhebliche Entlastung im Kundenservice darstellen, besonders für häufig wiederkehrende Anfragen. KMU sollten daher gezielt Chat- und/oder Voicebots implementieren, die sich auf Standardfragen und einfache Problemlösungen fokussieren. Dies ermöglicht den Mitarbeitenden, sich auf komplexere Kundenbedürfnisse zu konzentrieren, und steigert die Effizienz im Kundenservice.

5.4.7 Personalisierte Ansprache und gezielte Nachkaufaktivitäten

Die Personalisierung der Kundenkommunikation ist besonders im B2B-Bereich relevant. Es wird empfohlen, KI-gestützte Tools zu verwenden, die personalisierte Inhalte und Angebote entlang der Customer Journey generieren und damit gezielte Nachkaufaktivitäten fördern. KMU können durch automatisierte und personalisierte Follow-up-E-Mails sowie gezielte Reaktivierungskampagnen die Kundenbindung erhöhen, ohne den Aufwand für das Vertriebsteam signifikant zu steigern.

Auf Basis der aufgeführten Einsatz- und Handlungsmöglichkeiten wurde in Abb. 1 eine exemplarische Übersicht von KI-Tools oder Tools mit KI-Integration erstellt, welche die KMU entlang der Customer Journey für ihre Kundenkommunikation nutzen könnten.

Übersicht an Einsatz- und Handlungsmöglichkeiten mit exemplarischen KI-Tools Entlang der Customer Journey für die Kundenkommunikation von B2B KMUs innerhalb ihres CRM

Full size image

Dieser Beitrag hat gezeigt, dass die Integration von Künstliche Intelligenz in unternehmensweite Anwendungssysteme ein erhebliches Potenzial bietet, um die Herausforderungen in der Kundenkommunikation zu bewältigen, insbesondere durch die Personalisierung und Optimierung von CRM-Systemen. Voraussetzung hierfür ist eine strukturierte Datensammlung, die es ermöglicht, die vollen Vorteile der KI auszuschöpfen. Die Einführung eines leistungsstarken CRM-Systems ist dabei unumgänglich, um datenbasierte Entscheidungen zu treffen und personalisierte Kommunikation zu ermöglichen. Die Zukunft der Kundenkommunikation liegt in der intelligenten Nutzung von Daten und Technologie. Die identifizierten Potenziale können zusammen mit den Handlungsempfehlungen KMU einen Überblick und eine Orientierung bieten, wie ein CRM anhand konkreter Beispielwerkzeuge und -systeme je nach Verfügbarkeit und Qualität der Kundendaten erweitert werden kann.

Die Potenziale wurden anhand eines qualitativen Ansatzes basierend auf zehn Praktiker-Interviews identifiziert. Ein limitierender Aspekt dieses Forschungsdesigns liegt in der beschränkten Anzahl der teilnehmenden produzierenden B2B-KMU, die basierend auf festgelegten Kriterien ausgewählt wurden. Es besteht die Möglichkeit, dass die Erkenntnisse nicht ohne weiteres auf die allgemeine Population produzierender B2B-KMU generalisierbar sind. Eine weitere Limitation liegt in der hohen Entwicklungsdynamik der KI-Technologie, welche die Rolle und Anwendungsgebiete von KI in der Kundenkommunikation in produzierenden B2B-KMU seit der Durchführung dieser Untersuchung beeinflussen könnte.

In aufbauenden Studien könnte die relative Relevanz der einzelnen Potenziale anhand einer quantitativen Befragung bestimmt werden. Außerdem wurden geeignete Tools beispielhaft pro Anwendungspotenzial und pro Verfügbarkeit der Kundendaten basierend auf der Erfahrung und Einschätzung der Autorinnen und Autoren ausgewählt. Zukünftige Arbeiten könnten Kriterien für die Toolauswahl und konkrete Toolvorschläge basierend auf einem systematischeren Ansatz herleiten.