Ihr nutzt KI fürs Falsche: Warum nur 2% damit mehr verkaufen (Commercial Playbook, Teil 1)Ihr nutzt KI fürs Falsche: Warum nur 2% damit mehr verkaufen (Commercial Playbook, Teil 1)
This episode is only available in German.
Wichtige Erkenntnisse
Ich war ein paar Wochen unterwegs — Keynotes bei einer Bank, vor einer Gruppe Galabauern, bei einer Private-Equity-Firma. Und alle sind in dieselbe Richtung gegangen: Ihr nutzt KI fürs Falsche. Eure ganzen KI-Projekte stecken in Content, Marketing-Texten, Social-Media-Posts — also genau dort, wo ihr nie zeigen könnt, dass ihr damit mehr Geld macht. Heute ändern wir, wie ihr eure KI-Projekte aussucht.
📍 Worum es heute geht: Die berühmte „95 Prozent aller KI-Projekte liefern keinen messbaren ROI"-Zahl macht ständig die Runde — und sie ist als Studie Bullshit (das waren Interviews, keine Studie). Aber der Kern stimmt: Firmen können den ROI ihrer KI nicht messen, weil das Budget in Low-ROI-Bereiche fließt. Es gibt einen Ausweg: alle Projekte auf Pause, und nur noch dort investieren, wo ihr mehr Umsatz macht — in Commercial und Sales. Laut Studie machen das in Deutschland nur 2 Prozent. Genau diese Lücke ist eure Chance.
🍽️ Das Restaurant, das die falsche Speisekarte poliert. Stell dir ein Restaurant vor, das die ganze Zeit in eine schönere, größere, personalisierte Speisekarte investiert. Nobody gives a shit — denn in der Küche läuft alles schlecht: Bestellungen kommen falsch raus, To-Dos werden vergessen, Offerten brauchen Wochen statt Minuten, die Reservierung ist Chaos. Genau das machen Firmen mit KI: Sie optimieren die Speisekarte (ein paar Texte, ein paar Bilder), während das operative Herzstück — der Sales — komplett unangetastet bleibt.
👨💼 Markus, Head of Sales. Mittelgroßer deutscher Maschinenbauer, 300 Mitarbeiter, 80–100 Mio. Umsatz. Der Vorstand hat „wir brauchen KI" beschlossen, Markus hat ein Budget — und keine Ahnung was er damit soll. Ich frage ihn: Wie war deine Forecast-Genauigkeit? Schweigen. Wie lange dauert ein typisches Angebot? Drei Wochen. Und die 20 anderen Angebotstypen? Schweigen. Wie viele Deals hast du verloren, weil das Angebot zu spät oder falsch konfiguriert war? Schweigen. Das ist nicht Markus' Schuld — das ist das System. Mein Prinzip: Ihr könnt keine Commercial AI fahren auf einem Prozess, der unauditiert ist. Deine CNC-Maschine kennst du aufs Hundertstel — deinen Sales-Schlamassel nicht.
📈 Die drei Zahlen für deinen Vorstand. Erstens: 2,6× höhere Wahrscheinlichkeit auf kommerzielles Wachstum (nicht Produktivität — nobody gives a shit about Produktivität) bei KI-gestützten Handlungsempfehlungen (Gartner, 250+ CSOs). Zweitens: 83 % der KI-nutzenden Vertriebsteams haben mehr Umsatz gemacht vs. 66 % ohne — fast 20 Punkte Lücke. Bei 100 Mio. Umsatz sind 17 Prozentpunkte = 17 Mio. Euro. Wollt ihr das auf dem Tisch liegen lassen? Drittens: 79 % statt 51 % Forecast-Genauigkeit. Der Vorstand fährt heute im Nebel — KI ist der Scheinwerfer, der bessere Kapitalallokation erlaubt.
🎯 Die fünf Bereiche, wo KI heute Geld macht. Das Modell ist egal — Copilot, Azure, Gemini, wurscht. Der Moat ist nicht das LLM, sondern eure Commercial Engine: (1) Forecast Intelligence, (2) Install-Base Mining — verdienst du bei ähnlichen Kunden gleich viel?, (3) CPQ / Angebotserstellung von Wochen auf Stunden (60–80 % weniger Bearbeitungszeit, höhere Win-Rate), (4) Deal Desk, (5) Rep Ramp. Alle 10 Säulen des Commercial Playbooks arbeiten zusammen — ein schnelles Angebot allein reicht nicht.
🙅 Die drei Ausreden — und warum sie nicht zählen. „Die KI halluziniert" — eure Vertriebler halluzinieren nonstop (falsche Preise, Lieferzeiten), nur sind KI-Halluzinationen nachvollziehbar und korrigierbar. „Unsere Daten sind ein Chaos" — du arbeitest schon im Chaos; fang mit den Kunden von morgen an, nicht mit 20 Jahren Altlast. KI ist der Forcing Factor, der eure Datenhygiene endlich bereinigt. „Meine Vertriebler nutzen das nie" — falsch: Vertriebler HASSEN Protokolle und CRM-Tipperei. Nimm ihnen das weg, und sie lieben es. Wer es trotzdem nicht macht, dessen Firma wird es bald nicht mehr geben.
🏎️ Hört auf, dem Modell-Krieg zuzuschauen. Fable 5 ist da, dann wieder weg, ChatGPT 5.6 kam heute raus — der Modell-Krieg ist für euch vorbei. Was zählt: eure Sales- und Revenue-Strategie mit der KI verbessern, die ihr heute schon habt. Ihr habt eine Commercial Engine, die nicht funktioniert — und euer Konkurrent hat seine aus der Garage geholt und fährt 200 km/h damit.
📌 Take-aways
- Head of Sales / CEO (jeder CEO ist Head of Sales): Auditiert euren Sales-Prozess BEVOR ihr einen Cent in KI steckt — 80-Fragen-Audit oder externe Interviews mit jedem Vertriebler.
- Vorstand: Nehmt die letzten 100 KI-Projekte und seid ehrlich — wie viele sind da, um mehr Umsatz zu machen? Stellt den Rest auf Pause und investiert nur noch in Commercial.
- CFO: Geht von 51 % auf 79 % Forecast-Genauigkeit — damit könnt ihr Kapital endlich nach Evidenz allokieren statt im Nebel.
⏱️ Timestamps
- 00:00 — Wieder da: Notre Dame, Keynotes — und „ihr nutzt KI fürs Falsche"
- 03:00 — Die 95-%-Studie ist Bullshit — aber der ROI-Kern stimmt; nur 2 % in DE verkaufen mehr mit KI
- 07:30 — Das Restaurant: die schöne Speisekarte vs. die chaotische Küche
- 10:30 — Markus, Head of Sales: das Schweigen auf die einfachen Fragen + das Audit-Prinzip
- 14:00 — Die drei Zahlen für den Vorstand: 2,6× · 83 % vs. 66 % (17 Mio.) · 79 % vs. 51 %
- 20:00 — Die fünf ROI-Bereiche: Forecast, Install-Base, CPQ, Deal Desk, Ramp
- 25:30 — Die drei Ausreden entkräftet: Halluzination, Datenchaos, „nutzt eh keiner"
- 31:00 — Schluss mit dem Modell-Krieg; die Commercial Engine in der Garage — Ausblick Teil 2
👉 Teil 2 (#146 — das Commercial Brain) kommt: Wie ihr aus den 10 Säulen einen echten Motor baut — den Beweis aus echten Engagements und ein klares „Hier fängt ihr an", ohne Buzzwords.
🎙️ ÜBER DEN HOST
Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa.
Nach über 15 Jahren bei Novartis und Schlumberger hilft er heute Führungsteams, KI-Hype von realem operativem Impact zu trennen.
Dozent an der ESADE und HSLU.
Um auf das vollständige Transkript zuzugreifen, treten Sie unserer Community bei!
Zur CommunityWichtige Erkenntnisse
Ich war ein paar Wochen unterwegs — Keynotes bei einer Bank, vor einer Gruppe Galabauern, bei einer Private-Equity-Firma. Und alle sind in dieselbe Richtung gegangen: Ihr nutzt KI fürs Falsche. Eure ganzen KI-Projekte stecken in Content, Marketing-Texten, Social-Media-Posts — also genau dort, wo ihr nie zeigen könnt, dass ihr damit mehr Geld macht. Heute ändern wir, wie ihr eure KI-Projekte aussucht.
📍 Worum es heute geht: Die berühmte „95 Prozent aller KI-Projekte liefern keinen messbaren ROI"-Zahl macht ständig die Runde — und sie ist als Studie Bullshit (das waren Interviews, keine Studie). Aber der Kern stimmt: Firmen können den ROI ihrer KI nicht messen, weil das Budget in Low-ROI-Bereiche fließt. Es gibt einen Ausweg: alle Projekte auf Pause, und nur noch dort investieren, wo ihr mehr Umsatz macht — in Commercial und Sales. Laut Studie machen das in Deutschland nur 2 Prozent. Genau diese Lücke ist eure Chance.
🍽️ Das Restaurant, das die falsche Speisekarte poliert. Stell dir ein Restaurant vor, das die ganze Zeit in eine schönere, größere, personalisierte Speisekarte investiert. Nobody gives a shit — denn in der Küche läuft alles schlecht: Bestellungen kommen falsch raus, To-Dos werden vergessen, Offerten brauchen Wochen statt Minuten, die Reservierung ist Chaos. Genau das machen Firmen mit KI: Sie optimieren die Speisekarte (ein paar Texte, ein paar Bilder), während das operative Herzstück — der Sales — komplett unangetastet bleibt.
👨💼 Markus, Head of Sales. Mittelgroßer deutscher Maschinenbauer, 300 Mitarbeiter, 80–100 Mio. Umsatz. Der Vorstand hat „wir brauchen KI" beschlossen, Markus hat ein Budget — und keine Ahnung was er damit soll. Ich frage ihn: Wie war deine Forecast-Genauigkeit? Schweigen. Wie lange dauert ein typisches Angebot? Drei Wochen. Und die 20 anderen Angebotstypen? Schweigen. Wie viele Deals hast du verloren, weil das Angebot zu spät oder falsch konfiguriert war? Schweigen. Das ist nicht Markus' Schuld — das ist das System. Mein Prinzip: Ihr könnt keine Commercial AI fahren auf einem Prozess, der unauditiert ist. Deine CNC-Maschine kennst du aufs Hundertstel — deinen Sales-Schlamassel nicht.
📈 Die drei Zahlen für deinen Vorstand. Erstens: 2,6× höhere Wahrscheinlichkeit auf kommerzielles Wachstum (nicht Produktivität — nobody gives a shit about Produktivität) bei KI-gestützten Handlungsempfehlungen (Gartner, 250+ CSOs). Zweitens: 83 % der KI-nutzenden Vertriebsteams haben mehr Umsatz gemacht vs. 66 % ohne — fast 20 Punkte Lücke. Bei 100 Mio. Umsatz sind 17 Prozentpunkte = 17 Mio. Euro. Wollt ihr das auf dem Tisch liegen lassen? Drittens: 79 % statt 51 % Forecast-Genauigkeit. Der Vorstand fährt heute im Nebel — KI ist der Scheinwerfer, der bessere Kapitalallokation erlaubt.
🎯 Die fünf Bereiche, wo KI heute Geld macht. Das Modell ist egal — Copilot, Azure, Gemini, wurscht. Der Moat ist nicht das LLM, sondern eure Commercial Engine: (1) Forecast Intelligence, (2) Install-Base Mining — verdienst du bei ähnlichen Kunden gleich viel?, (3) CPQ / Angebotserstellung von Wochen auf Stunden (60–80 % weniger Bearbeitungszeit, höhere Win-Rate), (4) Deal Desk, (5) Rep Ramp. Alle 10 Säulen des Commercial Playbooks arbeiten zusammen — ein schnelles Angebot allein reicht nicht.
🙅 Die drei Ausreden — und warum sie nicht zählen. „Die KI halluziniert" — eure Vertriebler halluzinieren nonstop (falsche Preise, Lieferzeiten), nur sind KI-Halluzinationen nachvollziehbar und korrigierbar. „Unsere Daten sind ein Chaos" — du arbeitest schon im Chaos; fang mit den Kunden von morgen an, nicht mit 20 Jahren Altlast. KI ist der Forcing Factor, der eure Datenhygiene endlich bereinigt. „Meine Vertriebler nutzen das nie" — falsch: Vertriebler HASSEN Protokolle und CRM-Tipperei. Nimm ihnen das weg, und sie lieben es. Wer es trotzdem nicht macht, dessen Firma wird es bald nicht mehr geben.
🏎️ Hört auf, dem Modell-Krieg zuzuschauen. Fable 5 ist da, dann wieder weg, ChatGPT 5.6 kam heute raus — der Modell-Krieg ist für euch vorbei. Was zählt: eure Sales- und Revenue-Strategie mit der KI verbessern, die ihr heute schon habt. Ihr habt eine Commercial Engine, die nicht funktioniert — und euer Konkurrent hat seine aus der Garage geholt und fährt 200 km/h damit.
📌 Take-aways
- Head of Sales / CEO (jeder CEO ist Head of Sales): Auditiert euren Sales-Prozess BEVOR ihr einen Cent in KI steckt — 80-Fragen-Audit oder externe Interviews mit jedem Vertriebler.
- Vorstand: Nehmt die letzten 100 KI-Projekte und seid ehrlich — wie viele sind da, um mehr Umsatz zu machen? Stellt den Rest auf Pause und investiert nur noch in Commercial.
- CFO: Geht von 51 % auf 79 % Forecast-Genauigkeit — damit könnt ihr Kapital endlich nach Evidenz allokieren statt im Nebel.
⏱️ Timestamps
- 00:00 — Wieder da: Notre Dame, Keynotes — und „ihr nutzt KI fürs Falsche"
- 03:00 — Die 95-%-Studie ist Bullshit — aber der ROI-Kern stimmt; nur 2 % in DE verkaufen mehr mit KI
- 07:30 — Das Restaurant: die schöne Speisekarte vs. die chaotische Küche
- 10:30 — Markus, Head of Sales: das Schweigen auf die einfachen Fragen + das Audit-Prinzip
- 14:00 — Die drei Zahlen für den Vorstand: 2,6× · 83 % vs. 66 % (17 Mio.) · 79 % vs. 51 %
- 20:00 — Die fünf ROI-Bereiche: Forecast, Install-Base, CPQ, Deal Desk, Ramp
- 25:30 — Die drei Ausreden entkräftet: Halluzination, Datenchaos, „nutzt eh keiner"
- 31:00 — Schluss mit dem Modell-Krieg; die Commercial Engine in der Garage — Ausblick Teil 2
👉 Teil 2 (#146 — das Commercial Brain) kommt: Wie ihr aus den 10 Säulen einen echten Motor baut — den Beweis aus echten Engagements und ein klares „Hier fängt ihr an", ohne Buzzwords.
🎙️ ÜBER DEN HOST
Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa.
Nach über 15 Jahren bei Novartis und Schlumberger hilft er heute Führungsteams, KI-Hype von realem operativem Impact zu trennen.
Dozent an der ESADE und HSLU.
Um auf das vollständige Transkript zuzugreifen, treten Sie unserer Community bei!
Zur CommunityMore episodes
Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2)Wie ich 94 Slides gebaut habe ohne zu prompten (Teil 2/2)
Teil 1 vom Montag war Theorie: Was ist ein Loop? Wie unterscheidet sich das von Agents und Workflows? Heute der konkrete Teil. Wir nehmen einen echten Use Case — meinen Workshop-Closeout bei Gärtner von Eden mit 94 Slides — und bauen ihn Schritt für Schritt mit Loops. Ihr seht, wie man konkret prompted, was die Done-Conditions…Teil 1 vom Montag war Theorie: Was ist ein Loop? Wie unterscheidet sich das von Agents und Workflows? Heute der konkrete Teil. Wir nehmen einen echten Use Case — meinen Workshop-Closeout bei Gärtner von Eden mit 94 Slides — und bauen ihn Schritt für Schritt mit Loops. Ihr seht, wie man konkret prompted, was die Done-Conditions…
Loops statt Prompts: Was sich gestern Nacht verändert hat (Teil 1/2)Loops statt Prompts: Was sich gestern Nacht verändert hat (Teil 1/2)
Codewort: Fable 5. Am 9. Juni 2026 hat Anthropic zwei neue Modelle rausgebracht — Fable 5 und das Schwestermodell Mythos 5. Wir hatten drei bis vier Tage Zugang. Dann hat Amazon-CEO Andy Jassy das US-Handelsministerium kontaktiert, ein Notfall-Export-Kontroll-Order wurde erlassen, und die Modelle wurden weltweit abgeschaltet.…Codewort: Fable 5. Am 9. Juni 2026 hat Anthropic zwei neue Modelle rausgebracht — Fable 5 und das Schwestermodell Mythos 5. Wir hatten drei bis vier Tage Zugang. Dann hat Amazon-CEO Andy Jassy das US-Handelsministerium kontaktiert, ein Notfall-Export-Kontroll-Order wurde erlassen, und die Modelle wurden weltweit abgeschaltet.…
How ChatGPT Cracked an 80-Year-Old Math Problem for $1,000Wie ChatGPT ein 80 Jahre altes Mathe-Problem für 1.000 Euro gelöst hat
Picture Dr. Katharina Hess — she runs the Computational Chemistry Group at one of the big pharma companies in the Novartis corridor. 11 postdocs and data scientists under her. Not 3 projects — 30 open projects, research cycles of 5, 10, 20 years.Stellt euch Dr. Katharina Hess vor. Sie leitet die Computational Chemistry Group bei einer der großen Pharmafirmen im Novartis-Korridor. 11 Postdocs und Data Scientists unter sich. Nicht drei Projekte — 30 offene Projekte. Forschungszyklen von 5, 10, 20 Jahren.

