Lead-Listen mit KI erstellen: von der Zielgruppe zum anrufbaren Kontakt

Gekaufte B2B-Lead-Listen enttäuschen fast immer: zu generisch, halb veraltet, und die eigentliche Arbeit – wen rufe ich mit welchem Anlass an? – bleibt trotzdem liegen. Die bessere Nachricht: Mit KI-Agenten und offenen Datenquellen bauen Sie sich in wenigen Tagen eine eigene Liste, die genau Ihr Zielbild abbildet und pro Unternehmen eine fertige Entscheidungsvorlage liefert – bis hin zu Ansprechpartner, LinkedIn-Profil und direkter Durchwahl.

Wir haben dieses Vorgehen in den letzten zwölf Monaten in sehr unterschiedlichen Konstellationen eingesetzt: im klassischen B2B-Projektvertrieb, bei der Auswertung öffentlicher Ausschreibungen, in einer Sortimentsanalyse mit über einer Million Datensätzen und bei der Suche nach Übernahmekandidaten. Die Branche wechselt, das Vorgehen nicht – und die Werkzeuge auch nicht: KI-Agenten, die parallel recherchieren, statt Excel-Listen, die jemand am Freitagnachmittag pflegt. Dieser Artikel beschreibt die Methode Schritt für Schritt – mit echten Zahlen aus diesen Projekten.

Warum gekaufte Listen selten funktionieren

Adresshändler verkaufen Reichweite, kein Zielbild. Was ankommt, ist eine Tabelle mit Firmennamen – ohne Kaufsignal, ohne Anlass, ohne Ansprechpartner mit Verantwortung für Ihr Thema. Dazu kommt die Datenqualität: Als wir in einem Projekt sechs Einträge aus gängigen Branchenverzeichnissen nachrecherchierten, waren vier davon veraltet – falsche Adresse, geänderte Firmierung oder Geschäftszweck, der mit dem Verzeichniseintrag nichts mehr zu tun hatte. Wer auf so einer Basis anschreibt, verbrennt Porto und Reputation.

Schritt 1: Das Zielbild – schriftlich und hart formuliert

Am Anfang steht keine Datenquelle, sondern eine Entscheidung: Wen genau wollen Sie erreichen, und woran erkennt man diese Firmen? Ein brauchbares Zielbild ist eine Kriterienliste mit Ausschlusskriterien – Größenfenster, Region, Rechtsform, Leistungsschwerpunkt, und idealerweise ein Ereignis als Anlass: eine passende Ausschreibung, eine Expansionsmeldung, ein erkennbarer Generationswechsel.

Der Grund für die Schriftform ist praktisch: KI-Agenten filtern nur so gut wie die Regeln, die man ihnen gibt. In unseren Projekten ist das Briefing des Auftraggebers wörtlich Teil des Systems – jede Einstufung lässt sich später auf eine Regel zurückführen und korrigieren.

Schritt 2: Datenquellen finden und zusammenstöpseln

Die eine perfekte Quelle gibt es nie. Es gibt viele unvollständige, die sich ergänzen: öffentliche Register (Firmenbuch bzw. Handelsregister, zunehmend als Open Data), Kammer- und Branchenverzeichnisse, Ausschreibungsportale, die Firmenwebsites selbst (das Impressum muss die Geschäftsführung nennen – dieser Name kostet nichts), Stellenanzeigen, Presse und LinkedIn. In einem unserer Projekte liefen neun Portale parallel – für jede Quelle ein eigener Recherche-Agent, koordiniert von einem übergeordneten. Dubletten wurden über einen Fingerabdruck zusammengeführt, und pro Feld gewann die verlässlichste Quelle.

Zu jeder Quelle gehören zwei Fragen, bevor sie in die Pipeline darf: Wie kommt man technisch sauber an die Daten – und darf man das? Manche Verzeichnisse verbieten automatisiertes Auslesen, öffentliche Register haben Zweckbindungen. Diese Prüfung vorab ist der Unterschied zwischen einem System, das trägt, und einem, das man nach der ersten Beschwerde abschalten muss.

Schritt 3: Der Trichter – erst billig reduzieren, dann teuer anreichern

Das Prinzip: Harte, günstige Filter treffen die große Menge, echte Recherche nur noch den Rest. So skalieren die Kosten nicht mit der Rohmenge, sondern mit der Zahl der wirklich interessanten Kandidaten. Hier liegt auch der größte Abstand zur verbreiteten Praxis: Während vielerorts noch Excel-Listen von Hand abgearbeitet werden, verteilen bei uns Agenten die Stufen auf Sub-Agenten, arbeiten sie parallel ab – und alles, was über eine Firma bekannt wird, fließt in einen verknüpften Datenbestand je Unternehmen zusammen statt in verstreute Tabellen.

Drei Beispiele aus unseren Projekten: Aus 642 Verzeichnistreffern wurden über vier Stufen 5 firmengeprüfte Zielunternehmen. Aus 176 Ausschreibungstreffern wurden 10 qualifizierte A-Leads mit geschätztem Auftragsvolumen. Und in der Sortimentsanalyse wurden aus 1,3 Millionen Datensätzen rund 2.000 Kandidaten für das menschliche Review. Jede Stufe reduziert und reichert zugleich an – und jede Einstufung trägt eine Begründung im Klartext, damit der Auftraggeber die Regeln nachschärfen kann, statt einer Blackbox zu vertrauen.

Schritt 4: Vom Datensatz zum Entscheidungsbaum je Unternehmen

Das Endprodukt ist keine Liste, sondern eine Entscheidungsvorlage pro Firma: Wer ist der richtige Ansprechpartner, mit Position? Wie lautet sein LinkedIn-Profil? Gibt es eine direkte Durchwahl oder zumindest die Zentrale plus E-Mail? Und – oft der wertvollste Teil – was ist der konkrete Aufhänger für das Gespräch: eine aktuelle Meldung mit Quelle, ein Projekt, eine Veränderung im Unternehmen. Dazu Status, Zuständigkeit und nächster Schritt.

Der Unterschied im Alltag: Der Vertrieb bekommt keine Rohdaten, sondern Tagesarbeit. Öffnen, lesen, anrufen.

Schritt 5: Loops – Datenqualität entsteht in der Schleife

Kein erster Durchlauf liefert saubere Daten. Qualität entsteht durch Wiederholung: Verifikationsläufe gegen zweite Quellen, Differenzläufe, die Neues, Wiedervorlagen und Entfallenes unterscheiden, und Testiterationen am Regelwerk. In der Sortimentsanalyse lieferte die erste Stichprobe null Treffer der besten Kategorie – erst die korrigierte zweite Iteration machte das Raster brauchbar. Wer nach dem ersten Lauf aufhört, hält eine hübsche, falsche Tabelle in der Hand. Diese Schleifen laufen bei uns automatisiert – Agenten prüfen, verwerfen, ergänzen –, und genau an dieser Stelle hört klassische Listenpflege üblicherweise auf.

Ausgebaut wird daraus ein Radar: ein wiederkehrender, automatisierter Lauf mit Anbindung ans CRM, bei dem Bearbeitungsstände nie überschrieben werden. Die Liste wird vom Projekt zum Betriebssystem des Vertriebs.

Welche Conversion Sie erwarten können

Die folgenden Bandbreiten sind Erfahrungswerte aus unseren Projekten – sie hängen stark von Branche, Angebot, Enge des Zielbilds und Kanal ab und sind keine Garantie:

Jede Zeile bezieht sich auf die Stufe davor; die letzte fasst die drei Kontaktstufen zusammen.

Das klingt nach wenig – bis man rechnet: Bei einer Rohliste im mittleren dreistelligen Bereich erreichten wir in einem Projekt binnen einer Woche rund ein Viertel der Kontakte und daraus die ersten Abschlüsse. Ein einziger guter Abschluss deckt den gesamten Aufwand für Aufbau und Betrieb der Liste um ein Vielfaches.

Was das kostet

Die Datenkosten liegen oft bei null, weil öffentliche Register und Eigenrecherche die Basis sind. In einem Projekt ersetzten rund 700 Euro Einmalaufwand für eigene Auswertungslogik eine Speziallösung, die 6.500 Dollar im Jahr gekostet hätte. Der eigentliche Aufwand steckt nicht in Software, sondern in drei Dingen: dem Zielbild, dem Regelwerk und den Qualitäts-Loops. Genau dort entsteht aber auch der Vorsprung – eine gekaufte Liste hat jeder, Ihr Regelwerk hat nur Ihr Unternehmen.

Der rechtliche Rahmen: Österreich und Deutschland im Vergleich (Stand: 08/2026)

Zwei Punkte entscheiden, ob aus der schönsten Liste ein Problem wird: die Ansprache und die Daten selbst. Bei der Ansprache unterscheiden sich die beiden Märkte deutlich – wer in AT und DE gleichzeitig akquiriert, braucht je Land ein eigenes Kanalfeld in der Liste.

In Österreich ist die Lage streng und einfach zugleich: § 174 TKG 2021 verbietet Anrufe und elektronische Post zu Werbezwecken ohne vorherige Einwilligung – auch im B2B, auch beim Erstkontakt. Der rechtssichere Kaltkanal ist der personalisierte Brief – er braucht eine Rechtsgrundlage für die Daten (berechtigtes Interesse) und endet beim Widerspruch. Daneben funktionieren öffentliche LinkedIn-Beiträge und angewärmte Kontakte über Netzwerk und Empfehlungen; werbliche Direktnachrichten auf LinkedIn sind dagegen elektronische Post und brauchen dieselbe Einwilligung wie eine E-Mail.

In Deutschland regelt das § 7 UWG, und der unterscheidet nach Kanal: E-Mail-Werbung braucht auch dort eine ausdrückliche vorherige Einwilligung (mit einer engen Ausnahme für Bestandskunden). Beim Telefon ist das B2B-Geschäft aber milder gestellt – gegenüber Unternehmen genügt die mutmaßliche Einwilligung. Die Latte liegt allerdings höher, als viele glauben: Es müssen konkrete Umstände dafür sprechen, dass gerade dieser Betrieb an gerade diesem Anruf ein sachliches Interesse hat (BGH I ZR 27/08); dass das Angebot zur Branche passt, reicht nicht. Der gut vorbereitete, im Einzelfall begründete Kaltanruf ist damit in Deutschland im B2B möglich, in Österreich nicht – und genau dafür ist der Aufhänger je Firma aus Schritt 4 da. Der Brief ist in beiden Ländern zulässig, bis der Empfänger widerspricht.

Bei den Daten gilt in beiden Ländern dasselbe: Wer personenbezogene Daten aus Quellen Dritter verarbeitet, muss die Betroffenen nach Art. 14 DSGVO informieren – spätestens einen Monat nach Erhebung, bei früherem Erstkontakt oder Weitergabe schon dann –, und Registerdaten unterliegen teils einer Zweckbindung. All das ist mit überschaubarem Aufwand sauber lösbar – wenn man es von Anfang an mitplant statt nachträglich.

Vom Konzept zum laufenden System

Zielbild, Quellen, Trichter, Entscheidungsvorlage, Loops – das ist die ganze Methode. Sie ist unspektakulär, und genau deshalb funktioniert sie in jeder Branche, in der Firmenkunden gewonnen werden: Das Ergebnis ist kein Foliensatz mit einer Vertriebsstrategie, sondern ein System, das jeden Montag eine aktuelle, begründete, anrufbare Liste liefert.

Wenn Sie wissen wollen, wie das für Ihre Zielgruppe aussehen würde: Im Erstgespräch klären wir, welche Quellen es für Ihren Markt gibt und wie tief der Trichter werden muss.