KI im Elektronikvertrieb: Wenn die Chance zur Bedrohung wird

Datengestützte Vertriebsunterstützung ist im Elektronikvertrieb auf dem Weg vom Wettbewerbsvorteil zum Marktstandard. Für Hersteller und Distributoren lautet die Frage daher weniger, ob sie KI im Vertrieb einsetzen, sondern wann, auf welchem Weg – und mit wem.

Jim Collins hat in seinem Managementklassiker Good to Great ein Prinzip formuliert, das auf den ersten Blick selbstverständlich wirkt: Die besten Leute gehören auf die größten Chancen, nicht auf die größten Probleme. Im Alltag ist es erstaunlich schwer umzusetzen, denn Probleme sind laut und dringend, während sich Chancen scheinbar problemlos auf das nächste Quartal verschieben lassen.

Weniger bekannt ist ein zweites Kapitel desselben Buches, das sich mit Technologie befasst. Collins beobachtete, dass die Unternehmen, denen der Sprung an die Spitze gelang, weder Nachzügler noch Trendjäger waren: Sie hielten sich von Hypes fern, wurden aber zu Pionieren in der Anwendung einer Technologie, sobald diese klar zu ihrem Kerngeschäft passte – aus Überzeugung, nicht aus Angst, abgehängt zu werden. Beide Lektionen zusammen beschreiben recht genau die Situation, in der sich viele Elektronikhersteller und -distributoren beim Einsatz von KI im Vertrieb heute befinden.

Wie aus einer Chance eine Pflicht wird

Neue Fähigkeiten beginnen fast immer als Vorteil für wenige. Datengestützte Design-In-Unterstützung ist dafür ein gutes Beispiel: Systeme, die auf Basis von Design-Win-Historie, BOM-Daten und Expertenwissen passende Begleitbausteine und Alternativen vorschlagen, waren lange vor allem Unternehmen vorbehalten, die sich eigene Data-Science-Teams und mehrjährige Entwicklungsprojekte leisten konnten. Für sie zahlte sich die Investition in schnelleren, vollständigeren Antworten auf Design-In-Anfragen aus. Wie groß das Potenzial ist, zeigt die Attach Rate: In vielen Organisationen gehen im Schnitt nur ein bis drei aktive Komponenten in ein Projekt, obwohl die Portfolios zehntausende Produkte umfassen (Sell One More).

Mit der Verbreitung eines solchen Ansatzes verschiebt sich die Dynamik. Kunden, die sich bei einem Lieferanten an eine bestimmte Geschwindigkeit und Tiefe der Beratung gewöhnt haben, erwarten sie bald auch von anderen – und eine Fähigkeit, über die alle verfügen, verschafft keinen Vorsprung mehr. ISG Research beschreibt diesen Effekt am Beispiel generischer Standardfunktionen: Meeting-Zusammenfassungen oder KI-gestützte E-Mail-Entwürfe sind nützlich, bringen aber kaum einen Wettbewerbsvorteil, sobald alle sie einsetzen. Was für den Vorreiter ein optionaler Vorsprung war, wird so für den Nachzügler zur Pflicht. Pflichten schaffen jedoch selten Wachstum; sie verhindern lediglich den Verlust von Marktanteilen.

Im Elektronikvertrieb hat dieser Mechanismus eine besondere Schärfe. Ein Design-In-Zyklus dauert bei Komponenten typischerweise zwölf bis achtzehn Monate, und ist ein Bauteil erst einmal auf dem Board, bleibt es dort in der Regel über die gesamte Produktionslaufzeit. Ein Design-In, das an einen schneller und vollständiger beratenden Wettbewerber geht, ist daher kein einzelner verlorener Auftrag, sondern ein über Jahre verlorener Sockel. Der Wandel vollzieht sich dabei selten abrupt, sondern schleichend, während die Aufmerksamkeit bei den Themen des Tages liegt – und wenn er sich in den Zahlen zeigt, ist der Lernrückstand bereits beträchtlich.

Zu früh oder zu spät?

Wann also ist der richtige Zeitpunkt für den Einstieg? Beide Extreme bergen ein reales Risiko, und beide verdienen eine ehrliche Betrachtung.

Ein zu früher Einstieg bedeutet, in etwas zu investieren, das die Anwender noch nicht annehmen. Der Vertrieb gilt nicht als Early Adopter neuer Technologien, und eine Gartner-Umfrage unter 1.026 B2B-Vertriebsmitarbeitern zeigt, was geschieht, wenn Werkzeuge schneller hinzukommen, als Teams sie verarbeiten können: Die Hälfte der Befragten fühlte sich von der Menge an Technologie im Job überfordert, und diese Gruppe erreichte ihre Quote mit einer um 45 % geringeren Wahrscheinlichkeit (Gartner, 2024). Die Zurückhaltung vieler Vertriebsorganisationen in den vergangenen Jahren war vor diesem Hintergrund nachvollziehbar.

Dieselbe Umfrage zeigt allerdings auch die Gegenseite: Vertriebsmitarbeiter, die effektiv mit KI-Werkzeugen arbeiten, erreichten ihre Quote mit 3,7-mal höherer Wahrscheinlichkeit. Die Zahl belegt einen Zusammenhang, keine Kausalität – aber sie zeigt, wo der Unterschied liegt: nicht im Besitz eines Werkzeugs, sondern in der Fähigkeit, es gut zu nutzen. Genau diese Fähigkeit lässt sich nicht kaufen. Wer spät einsteigt, trifft auf Wettbewerber, die die entscheidenden Lernschritte bereits hinter sich haben, von der Datenaufbereitung über die Einbettung von Empfehlungen in den Arbeitsalltag bis zur Frage, wann ein Vorschlag trägt und wann nicht. Diese Lernkurve lässt sich mit Budget allenfalls glätten, aber nicht überspringen.

Wo steht der Markt heute? Predictive AI wird seit rund einem Jahrzehnt in Vertriebsanwendungen eingesetzt, das reine Technologierisiko ist damit weitgehend verschwunden. Aktuelle Gartner-Zahlen zeigen, wohin sich der Abstand verlagert: In einer Befragung von 227 Vertriebsleitern aus dem Herbst 2025 erzielten Organisationen, die ihren Vertriebsmitarbeitern KI-gestützte Next Best Actions bereitstellen, mit 2,6-mal höherer Wahrscheinlichkeit kommerzielles Wachstum (Gartner, 2026). Gartner beschreibt zugleich eine wachsende Lücke zwischen dem, was KI inzwischen leisten kann, und der Fähigkeit von Vertriebsteams, diese Möglichkeiten im Tagesgeschäft wirksam zu nutzen. Das verbleibende Risiko liegt damit weniger in der Frage, ob die Technologie funktioniert, als darin, ob die eigene Organisation lernbereit ist – und dieses Risiko lässt sich nur durch den Einstieg selbst verringern.

Den eigenen Zeitpunkt bestimmen

Marktzahlen beschreiben den Durchschnitt; die Entscheidung hängt vom einzelnen Unternehmen ab. Vier Fragen helfen bei der Einordnung:

• Gibt es erprobte Lösungen und Referenzen in der eigenen Branche? Wenn ja, ist das Technologierisiko gering. Wenn nicht, wird das Unternehmen selbst zum Pionier – im Sinne von Collins kein Ausschlussgrund, sofern der Anwendungsfall klar zum Kerngeschäft passt.

• Sind die eigenen Daten nutzbar? Transaktions-, Opportunity- und BOM-Daten müssen nicht perfekt sein, aber als Export verfügbar und einer verantwortlichen Stelle zugeordnet. Fragmentierte Daten sind eher ein Argument, mit der Datenarbeit zu beginnen, als abzuwarten, denn Daten werden erst durch Nutzung besser.

• Verändern sich die Kundenerwartungen? Vergleichen Kunden Antwortzeiten und Beratungstiefe verschiedener Lieferanten, ist der Übergang vom Vorteil zur Pflicht bereits im Gang.

• Investieren Wettbewerber sichtbar? Datenteams, öffentliche KI-Initiativen oder spürbar schnellere Design-In-Antworten zeigen, wie weit der Markt ist.

Die ersten beiden Fragen bestimmen, ob ein Einstieg möglich ist, die letzten beiden, wie dringend er ist.

Make, Buy oder beides?

Ist der Zeitpunkt geklärt, verschiebt sich die Frage zum Wie – und damit meist zu Make or Buy. Die entscheidende Frage dahinter ist einfach gestellt und schwerer ehrlich zu beantworten: Liegt der Wettbewerbsvorteil im Werkzeug selbst oder in dem, was die Organisation damit macht?

Eine Eigenentwicklung ist der richtige Weg, wenn keine Marktlösung das Problem adressiert und die Entwicklung selbst einen dauerhaften Vorteil schafft – etwa wenn das Vertriebsmodell auf proprietärer Preislogik oder Datenstrukturen beruht, die kein Anbieter abbildet. Sie bietet zudem volle Kontrolle über Daten, Integrationstiefe und Roadmap, was vor allem für große Hersteller mit etablierten Datenteams relevant ist. Dem stehen eine lange Zeit bis zu ersten Ergebnissen, dauerhafter Wartungsaufwand und die Notwendigkeit gegenüber, knappe Data-Science-Kompetenz langfristig zu halten. ISG ergänzt eine Beobachtung aus der Praxis: Intern entwickelte Modelle liefern häufig Erkenntnisse, die nicht mit konkreten Handlungen im Vertriebsworkflow verknüpft sind. Ein Score, der im Data-Science-Team entsteht, hilft im Kundengespräch jedoch wenig.

Der Zukauf passt, wenn die Differenzierung weniger im Werkzeug als im Inhalt liegt: im Portfolio, in der Design-Win-Historie, im Applikations-Know-how und in der Geschwindigkeit, mit der die Organisation den Ansatz annimmt. Das trifft auf die meisten mittelständischen Distributoren zu. Ein Zukauf begrenzt das Investitionsrisiko, verkürzt die Zeit bis zu ersten Ergebnissen und bringt die Erfahrungen des Anbieters aus anderen Projekten mit. Seine Risiken verdienen vor der Vertragsunterschrift allerdings ebenso klare Antworten: Abhängigkeit von der Roadmap des Anbieters, laufende Kosten und vor allem die Datenhoheit, einschließlich des Rechts, die eigenen Daten jederzeit exportieren zu können.

Beim Zukauf lohnt zudem ein genauer Blick auf die fachliche Passung. Generische Sales-AI-Plattformen fassen Meeting-Notizen zusammen und schätzen Abschlusswahrscheinlichkeiten, kennen aber weder Design-In-Zyklen noch BOM-Logik oder EOL-Nachfolgeketten. Dieses Verständnis nachträglich hineinzukonfigurieren, ist aufwendig und selten vollständig (Im vertikalen B2B entscheidet fachliche Passung). Neben Make oder Buy steht deshalb eine zweite Frage: generisch oder branchenspezifisch?

In der Praxis liegt die realistischste Antwort für viele Unternehmen zwischen den Polen, und zwar in beide Richtungen. Mittelständische Distributoren kaufen typischerweise eine spezialisierte Lösung dort zu, wo die Funktionalität weitgehend standardisiert ist, und ergänzen sie dort, wo die eigentliche Differenzierung sitzt – etwa bei eigenen Scoring-Regeln oder kuratiertem Applikations-Content. Große Hersteller mit eigener Datenplattform können den umgekehrten Weg gehen: Plattform und Datenhaltung bleiben in eigener Hand, während gezielt Module, Modelle oder Branchenlogik zugekauft werden, deren interner Aufbau unverhältnismäßig aufwendig wäre.

Schließlich gibt es ein Kriterium, das Collins sofort wiedererkennen würde. Eine Eigenentwicklung bindet einige der stärksten technischen und kaufmännischen Köpfe an Entwicklung und Pflege von Software statt an die Gewinnung von Design-Ins. Make or Buy ist damit immer auch eine Entscheidung darüber, womit die besten Leute ihre Zeit verbringen.

Was vor dem Start geklärt sein sollte

Unabhängig vom gewählten Weg entscheiden einige elektronikspezifische Fragen darüber, ob KI-Empfehlungen im Außendienst Vertrauen gewinnen oder stillschweigend ignoriert werden.

• Linecard-Potenzial und Franchise-Logik: Neu aufgenommene Herstellerlinien bleiben häufig ungenutzt, weil der Vertrieb reflexhaft zu vertrauten Linien greift. Ein systematischer Abgleich mit bestehenden BOMs macht sie sofort verkaufbar. Gleichzeitig müssen Empfehlungen die vertraglichen Rahmenbedingungen berücksichtigen: Schlägt ein System ein Alternativbauteil eines konkurrierenden Herstellers vor, kann das mit Franchise-Vereinbarungen oder Design-Registrierungen kollidieren. Welche Empfehlungen in welchem Kontext zulässig sind, muss daher vorab festgelegt sein und darf nicht erst im Kundengespräch auffallen.

• Datenqualität und Verantwortung: Transaktions-, Opportunity- und BOM-Daten liegen selten sauber vor und verteilen sich meist auf CRM und ERP. Datenperfektion ist keine Voraussetzung für den Start, eine klare Verantwortung für die Daten dagegen schon.

• Vertrauen durch Nachvollziehbarkeit: Field Application Engineers und Vertriebsmitarbeiter prüfen die ersten Vorschläge kritisch. Empfehlungen, die ihre Begründung mitliefern – welches Bauteil, auf Basis welcher früheren Designs –, werden eher genutzt als eine bloße Wahrscheinlichkeit. Die fachliche Entscheidung bleibt beim Menschen (Expert in the Loop).

• Veränderung begleiten: KI muss im Vertrieb als Unterstützung der Kundenbeziehung erlebt werden, nicht als deren Ersatz. Das ist eine Change-Management-Aufgabe und verdient dieselbe Aufmerksamkeit wie die Technologie – zumal ein signifikanter Anteil erfahrener Experten in diesem Jahrzehnt in den Ruhestand geht und deren Wissen gesichert werden muss (Der stille Abgang).

Damit Erfolg gemessen statt gefühlt wird, sollten vor dem Start wenige, klare Kennzahlen festgelegt werden: die Attach Rate pro Design-In, die Antwortzeit auf Design-In-Anfragen und der Anteil der Vertriebsmitarbeiter, die Empfehlungen wöchentlich nutzen. Ein fokussierter Pilot auf bestehenden Design-In-Projekten, über einige Monate an diesen Kennzahlen gemessen, liefert in der Regel belastbarere Erkenntnisse als ein vorab geschriebener Business Case.

Fazit: eine Frage der Allokation

Die zögerliche Einführung von KI im B2B-Vertrieb ist selten ein Technologieproblem, sondern weit häufiger ein Allokationsproblem. Solange die stärksten Köpfe vollständig von den dringenden Themen des Tages absorbiert sind, fehlt die Kapazität, den Standard von morgen mitzugestalten – bis dieser schließlich als Problem ankommt und die besten Leute doch darauf angesetzt werden, dann allerdings im Aufholmodus.

Für das Management lautet die entscheidende Frage deshalb nicht nur, ob in KI für den Vertrieb investiert werden sollte, sondern auch, wer in der Organisation daran arbeitet – und ob es die Besten sind.