Die besten KI-Tools für Vertriebsprognose und Forecasting 2026: Ein ehrlicher Vergleich

Im Januar 2026 veröffentlichte Clari Labs eine Zahl, die jede Vertriebsleitung beunruhigen sollte: 87 Prozent der Unternehmen verfehlten ihre Umsatzziele für 2025 - trotz Rekordausgaben für KI¹. Die Tools wurden intelligenter. Die Prognosen wurden nicht genauer. Diese Lücke ist die ganze Geschichte.

Nur etwa 7 Prozent der Vertriebsteams erreichen eine Prognosegenauigkeit von 90 Prozent oder besser, und der Median liegt bei wackligen 70 bis 79 Prozent². Zwei Drittel der Sales-Operations-Verantwortlichen sagen inzwischen, dass eine genaue Prognose schwerer ist als vor drei Jahren². Mehr Pipeline-Daten, mehr Dashboards, mehr KI - und die Zahl, auf die sich der Vorstand verlässt, ist immer noch oft falsch.

Dies ist ein ehrlicher Leitfaden zu den KI-Tools für die Vertriebsprognose, die tatsächlich existieren - Clari, Gong Forecast, Salesforce Einstein, Aviso, People.ai, BoostUp, Salesloft, HubSpot und andere - was jedes gut kann, wo es scheitert, und die eine Sache, die fast jeder Vergleich auslässt: Eine Prognose ist nur so gut wie die CRM-Daten darunter, und kein Dashboard hält diese Daten von allein aktuell.

Warum Vertriebsprognosen 2026 noch immer danebenliegen

Vertriebsprognose gilt theoretisch seit einem Jahrzehnt als gelöst. Jedes CRM hat einen Prognose-Tab. Jede Revenue-Plattform verkauft Vorhersage. Und trotzdem bleibt die Fehlerquote hartnäckig. Bevor Sie Geld für ein weiteres Tool ausgeben, lohnt es zu verstehen, warum - denn die meisten Fehltreffer entstehen nicht durch ein schwaches Modell.

• Ziele im großen Stil verfehlt - 87 Prozent der Unternehmen verfehlten laut Clari Labs ihre Umsatzziele 2025 trotz Rekordinvestitionen in KI¹.
• Genauigkeit ist selten - nur etwa 7 Prozent der Teams prognostizieren innerhalb von 90 Prozent des Ist-Werts, der Median liegt bei 70 bis 79 Prozent². Ein separater CSO-Insights-Benchmark fand, dass nur 15 Prozent der Unternehmen innerhalb von 5 Prozent des Ist-Umsatzes landen⁸.
• Deals rutschen ständig - knapp 60 Prozent der prognostizierten B2B-Deals rutschen ins nächste Quartal, was jede periodenbasierte Zahl zerstört⁸.
• Die Daten sind nicht bereit - 48 Prozent der Unternehmen sagen, ihre Umsatzdaten seien nicht KI-bereit, und 42 Prozent haben kein formales Governance-Rahmenwerk, um sie genau zu halten¹.
• Signale widersprechen sich - 55 Prozent der Vertriebsverantwortlichen berichten von widersprüchlichen Pipeline-Signalen aus getrennten Systemen, sodass CRM, Engagement-Tool und Prognose sich widersprechen¹.
• Neukalibrierung ist zu langsam - 39 Prozent der Teams kalibrieren ihre Prognosemodelle nur wöchentlich oder monatlich neu, sodass die Zahl veraltet ist, sobald ein Deal sich bewegt¹.
• Prognose fühlt sich schwerer an - 67 Prozent der Sales-Operations-Verantwortlichen stimmen zu, dass genaue Prognosen heute schwerer sind als vor drei Jahren, nicht leichter².

Die unbequeme Wahrheit ist: Ein Prognosemodell ist ein Spiegel. Es reflektiert den Zustand Ihres CRM. Wenn Deals in der falschen Phase mit veralteten Abschlussdaten und ohne protokollierte Aktivität liegen, liest das Modell das als Realität und prognostiziert entsprechend.

Behalten Sie diesen Rahmen für den Rest des Leitfadens im Kopf: Die folgenden Tools sind wirklich gut in der Vorhersage. Die Frage ist, ob Vorhersage allein Ihre Fehlerquote behebt oder ob zuerst die Eingabe repariert werden muss.

Was KI an der Prognose wirklich verändert hat

KI hat die Vertriebsprognose nicht erfunden - sie hat verändert, wie die Zahl entsteht. Der alte Weg war eine Führungskraft, die Deal für Deal die Pipeline durchging und jeden Verkäufer nach seiner Zuversicht fragte. Der neue Weg bewertet jeden Deal gegen tausende vergangener Ergebnisse. Der Unterschied in der Genauigkeit ist real, aber die Grenzen sind es auch.

Vom Bauchgefühl zum Mustererkennen

• Manuelle Prognose - beruht auf Verkäufer-Optimismus und Manager-Intuition, landet typischerweise bei 60 bis 75 Prozent Genauigkeit und schwankt stark von Deal zu Deal⁹.
• Maschinelles-Lernen-Prognose - bewertet Deals anhand historischer Gewinnmuster, Aktivitätssignale und Deal-Geschwindigkeit und senkt den Prognosefehler um 20 bis 50 Prozent gegenüber traditionellen Methoden⁶.
• Gesprächsbasierte Prognose - Plattformen wie Gong ergänzen Signale aus Gesprächstranskripten, sodass ein Deal, bei dem der Käufer verstummt, markiert wird, bevor der Verkäufer zugibt, dass er rutscht¹².
• Kontinuierliche Neukalibrierung - die besten Systeme aktualisieren die Prognose täglich, während Deals sich bewegen, statt sie beim Montags-Meeting einzufrieren⁷.
• Risiken sichtbar machen - KI markiert die Deals, die am ehesten rutschen oder sterben, sodass sich das Review auf die 10 wichtigen statt auf alle 200 konzentriert.

Was KI weiterhin nicht kann

Das Marketing suggeriert, KI entferne den Menschen aus der Prognose. Die Belege sagen etwas anderes, und Gartner ist da deutlich.

• Sie kann schlechte Eingaben nicht reparieren - ein Modell, das einen Deal in der falschen Phase liest, prognostiziert selbstbewusst die falsche Phase.
• Sie kann das CRM nicht aktualisieren - Vorhersage-Tools lesen Ihre Pipeline; sie protokollieren nicht das Gespräch, verschieben nicht die Phase und korrigieren nicht das Abschlussdatum.
• Sie kann Urteilsvermögen nicht ersetzen - Gartner fand, dass 69 Prozent der B2B-Käufer sich weiterhin an einen menschlichen Verkäufer wenden, um KI-generierte Erkenntnisse zu validieren⁵.
• Sie verspricht zu viel Autonomie - Gartner prognostiziert, dass KI-Agenten bis 2028 die Verkäufer um das Zehnfache übertreffen, aber weniger als 40 Prozent der Verkäufer berichten, dass diese Agenten ihre Produktivität verbessert haben⁴.

Wie Sie ein Prognose-Tool auswählen

Bevor wir Tools benennen, hilft es zu wissen, was sie wirklich unterscheidet. Die meisten Anbieter behaupten hohe Genauigkeit und CRM-Integration. Die echten Unterschiede stecken in den Details unten, und diese Details auf Ihre Situation abzustimmen zählt mehr, als den am höchsten bewerteten Namen zu wählen.

1. Zuerst CRM-Passung - das Tool muss Ihr CRM sauber lesen und schreiben. Eine Salesforce-native Umgebung und eine HubSpot-Umgebung sollten nicht dieselben Tools shortlisten. Integrationstiefe schlägt Funktionsanzahl.
2. Prognosemethode - verdichtet es von Verkäufern committete Zahlen, bewertet es Deals mit maschinellem Lernen, oder beides? Reines Roll-up ist nur eine aufgeräumtere Tabelle; ML-Scoring bringt die Genauigkeitsgewinne.
3. Datenanforderungen - jedes Modell braucht Historie. Fragen Sie, wie viele Quartale Gewonnen- und Verloren-Daten es braucht, bevor Vorhersagen vertrauenswürdig werden, und ob es mit Ihrer heutigen Datenqualität zurechtkommt.
4. Signalquellen - manche Tools prognostizieren nur aus CRM-Feldern; andere beziehen E-Mail, Kalender und Gesprächsaktivität ein. Mehr Signal hilft, bedeutet aber auch mehr Integrationen zu pflegen und mehr Datenschutzfragen zu beantworten.
5. Wer es betreibt - eine Plattform, die eine Vollzeit-RevOps-Analyse braucht, ist eine andere Verpflichtung als eine native CRM-Funktion, die eine Führungskraft einschaltet.
6. Gesamtkosten - Preis pro Platz, Plattform-Mindestgebühren und Implementierungskosten summieren sich. Ein 100-Platz-Team auf einer 150-Euro-Plattform ist eine jährliche Position von 180.000 Euro vor Dienstleistungen.
7. Realität der Datenhygiene - stellen Sie die härteste Frage zuletzt: Wenn unsere CRM-Daten veraltet sind, behebt dieses Tool das, oder prognostiziert es nur aus dem Chaos? Fast jedes Tool antwortet mit dem Zweiten.

Mit diesen Kriterien in der Hand folgen hier die Tools, die man kennen sollte, gruppiert nach der Art von Käufer, zu der jedes am besten passt.

10 echte KI-Tools für die Vertriebsprognose

Dies sind echte Produkte mit echten Kunden, keine erfundenen Beispiele. Genauigkeitszahlen sind Anbieter- und Drittschätzungen und variieren stark mit der Datenqualität, behandeln Sie sie also als Bereiche, nicht als Garantien¹¹. Die Preise sind Richtwerte und werden meist als jährliche Verträge verkauft.

1. Clari

• Was es ist - die kategoriedefinierende Revenue-Plattform, am stärksten bei Enterprise-Pipeline-Prüfung, Roll-up-Prognose und Waterfall-Reporting über eine gesamte Vertriebsorganisation¹².
• Am besten für - Unternehmen mit dedizierter RevOps-Funktion, die hierarchische Prognose und tägliche Pipeline-Sicht brauchen.
• Genauigkeitsbereich - häufig genannt rund 70 bis 85 Prozent je nach Datenqualität¹¹.
• Preis - grob 100 bis 120 Euro pro Nutzer und Monat, jährliche Enterprise-Verträge¹¹.
• Achten Sie auf - es ist eine ernsthafte Plattform-Verpflichtung, die reife Prozesse belohnt; kleinere Teams nutzen oft nur einen Bruchteil. Clari steht heute mit Salesloft unter einem Dach¹⁵.

2. Gong Forecast

• Was es ist - die Prognoseschicht über Gongs Conversation Intelligence, die Deal-Boards und Aktivitäts-Scoring mit Signalen aus aufgezeichneten Gesprächen verbindet¹².
• Am besten für - Teams, die Gong bereits für Gesprächsaufzeichnung und Coaching nutzen und Prognose auf denselben Daten wollen.
• Genauigkeitsbereich - typischerweise rund 72 bis 78 Prozent¹¹.
• Preis - premium, oft rund 250 Euro pro Nutzer und Monat im Bündel mit Conversation Intelligence und Engagement¹¹.
• Achten Sie auf - Gesprächsaufzeichnung bringt DSGVO-Einwilligung und in Deutschland Betriebsratspflichten mit sich. Die Prognose ist stark, aber selten der Grund, warum Teams Gong kaufen.

3. Salesforce Einstein / Revenue Intelligence

• Was es ist - natives prädiktives Deal-Scoring und Opportunity-Einblicke innerhalb von Salesforce, die Prognosen im Datensatz zeigen, wo Verkäufer bereits arbeiten¹⁴.
• Am besten für - große Salesforce-Kunden mit sauberen CRM-Daten, die Prognose ohne weiteren Anbieter wollen.
• Genauigkeitsbereich - häufig genannt rund 68 bis 75 Prozent, stark von der Datenhygiene abhängig¹¹.
• Preis - grob 50 bis 220 Euro pro Nutzer und Monat je nach Modul und Edition¹¹.
• Achten Sie auf - es ist nur so gut wie Ihre Salesforce-Daten, und wenn die veraltet sind, erbt der Score das Chaos. Am besten mit echter Datenhygiene kombiniert.

4. Aviso

• Was es ist - eine Revenue-Intelligence- und Prognoseplattform mit Fokus auf ML-Vorhersagen, Deal-Prüfung und Prognosemodellierung, oft als Einstein-Alternative bewertet¹².
• Am besten für - große Unternehmen, die anspruchsvolle prädiktive Modellierung wollen und bereit sind, dafür zu zahlen.
• Genauigkeitsbereich - Aviso wirbt mit sehr hohen Genauigkeitsangaben; behandeln Sie Schlagzeilenwerte als Bestfall mit sauberen Daten¹¹.
• Preis - Enterprise-Preis auf Anfrage, generell premium.
• Achten Sie auf - Tiefe geht mit Konfigurationsaufwand einher; es belohnt Teams mit RevOps-Kapazität zum Feintuning.

5. People.ai

• Was es ist - eine Activity-Capture- und Revenue-Intelligence-Plattform, die E-Mail-, Kalender- und Meeting-Aktivität automatisch ins CRM protokolliert und sauberere Daten in Prognosen einspeist¹⁹.
• Am besten für - Unternehmen, deren Prognosen leiden, weil Verkäufer keine Aktivität protokollieren, sodass die Pipeline leerer aussieht, als sie ist.
• Genauigkeitsbereich - es verbessert die Prognose indirekt, indem es die zugrunde liegenden Aktivitätsdaten verbessert, statt selbst eine Prognose-Engine zu sein.
• Preis - Enterprise-Verträge auf Anfrage.
• Achten Sie auf - es erfasst Aktivität, beurteilt oder korrigiert aber keine Deal-Phasen und Abschlussdaten; es ist eine Datenquelle, keine Hygieneschicht.

6. BoostUp

• Was es ist - eine Revenue-Intelligence-Plattform, die Prognose, Deal- und Pipeline-Prüfung sowie RevOps-Abläufe mit konfigurierbaren Prognosemodellen kombiniert²⁰.
• Am besten für - Mittelstands- und Enterprise-RevOps-Teams, die flexible Prognose ohne das Preisschild des größten Anbieters wollen.
• Genauigkeitsbereich - konkurrenzfähig mit den anderen dedizierten Plattformen, wenn die Daten sauber sind.
• Preis - jährliche Enterprise-Verträge, generell unter den Premium-Bündeln.
• Achten Sie auf - ein starker Herausforderer, aber ein kleineres Ökosystem als Clari oder Salesforce; prüfen Sie die Integrationsabdeckung für Ihren Stack.

7. Salesloft

• Was es ist - eine Sales-Engagement-Plattform, die als Teil eines breiteren Revenue-Systems in prädiktive Prognose und Deal-Gesundheit vorgestoßen ist, nun unter demselben Dach wie Clari¹⁵.
• Am besten für - Teams, die in einer Sales-Engagement-Kadenz leben und Prognose an der Ausführung wollen.
• Genauigkeitsbereich - Prognose ist eine neuere Stärke oberhalb des Engagement-Kerns.
• Preis - Enterprise-Verträge pro Platz.
• Achten Sie auf - kaufen Sie es zuerst für das Engagement-Modell; behandeln Sie Prognose als wertvolle Ergänzung, nicht als Hauptgrund.

8. HubSpot Sales Hub

• Was es ist - native Prognose, Deal-Vorhersage-Scoring und Pipeline-Analytik innerhalb des HubSpot-CRM¹¹.
• Am besten für - KMU und Mittelstandsteams, die bereits auf HubSpot sind und ausreichend gute Prognose ohne separate Plattform wollen.
• Genauigkeitsbereich - häufig genannt rund 65 bis 72 Prozent¹¹.
• Preis - grob 45 bis 150 Euro pro Nutzer und Monat je nach Stufe¹¹.
• Achten Sie auf - es erreicht nicht die Prognosetiefe einer dedizierten Enterprise-Plattform, aber für viele Teams reicht die native Option und ist weit günstiger.

9. Zoho CRM Zia

• Was es ist - Zohos KI-Assistent mit Deal-Vorhersagen, Anomalie-Warnungen und Workflow-Vorschlägen im Zoho-CRM¹¹.
• Am besten für - kostenbewusste kleinere Teams, die bereits auf Zoho standardisiert sind.
• Genauigkeitsbereich - häufig genannt rund 60 bis 70 Prozent¹¹.
• Preis - grob 14 bis 40 Euro pro Nutzer und Monat¹¹.
• Achten Sie auf - in Ordnung für kleinere Pipelines; es ist nicht für komplexe Enterprise-Prognosehierarchien gebaut.

10. Weflow und Pipeline-Hygiene-Tools

• Was es ist - eine Klasse von Salesforce-Produktivitäts- und Pipeline-Hygiene-Tools, die Prognoseeingaben verbessern, indem sie Verkäufern das Aktuellhalten von Deals erleichtern¹⁸.
• Am besten für - Salesforce-Teams, deren Prognoseproblem eigentlich ein Datenaktualitätsproblem ist.
• Genauigkeitsbereich - verbessert die Genauigkeit indirekt durch bessere CRM-Datenqualität.
• Preis - pro Platz, generell moderat.
• Achten Sie auf - es macht das Aktualisieren leichter, verlässt sich aber weiter darauf, dass der Verkäufer es tut; das Update passiert nicht von allein.

Die Tools im direkten Vergleich

Kein einzelnes Tool gewinnt jede Zeile, und jeder Vergleich, der das behauptet, verkauft etwas. So ordnen sich die Hauptoptionen anhand der Kriterien, die den Kauf tatsächlich entscheiden.

Die Lücke, die jedes Tool lässt: eine gepflegte Prognose

Hier ist die ehrliche Grenze, die durch jedes Produkt oben läuft. Prognose-Tools sind Vorhersage-Engines. Sie lesen Ihr CRM und sagen Ihnen, was die Pipeline impliziert. Keines davon hält das CRM für Sie aktuell. Genau diese Unterscheidung ist der Unterschied zwischen einer Prognose, die driftet, und einer, die hält.

• Vorhersage ist nicht Pflege - ein Modell kann sagen, dass ein Deal riskant aussieht; es verschiebt nicht die Phase, korrigiert nicht das Abschlussdatum und protokolliert nicht das entscheidende Gespräch.
• Die Prognose zerfällt zwischen Updates - da 39 Prozent der Teams nur wöchentlich oder monatlich neu kalibrieren¹, ist die Zahl veraltet, sobald ein Verkäufer vergisst, einen Deal zu aktualisieren.
• Verkäufer sind der Engpass - jedes Tool hängt letztlich davon ab, dass ein Verkäufer Felder aktuell hält, und Verkäufer optimieren aufs Abschließen, nicht auf Dateneingabe.
• Hygiene-Tools helfen, handeln aber nicht - Weflow und ähnliche Tools erleichtern das Aktualisieren, aber der Verkäufer muss es noch tun.
• Activity Capture ist kein Urteil - People.ai protokolliert, dass ein Meeting stattfand; es entscheidet nicht, dass der Deal in die Verhandlung rücken sollte oder dass das Abschlussdatum jetzt unrealistisch ist.

Genau das ist die routinemäßige, unglamouröse Arbeit, die ein KI-Mitarbeiter übernehmen soll - nicht um das Prognose-Tool zu ersetzen, sondern um die Daten, die es liest, genau zu halten.

Wie Superkind zwischen diese Tools passt

Superkind ist kein Prognose-Dashboard und versucht nicht, mit Clari oder Aviso bei der Vorhersage zu konkurrieren. Es sitzt eine Schicht früher in der Kette. Superkind baut KI-Mitarbeiter, die Routinearbeit in den Systemen übernehmen, die ein Unternehmen bereits nutzt - einschließlich des kontinuierlichen Aktuellhaltens der CRM-Daten, von denen jede Prognose abhängt.

• An Ihr echtes CRM angebunden - der KI-Mitarbeiter arbeitet in Salesforce, HubSpot oder Dynamics als eine Schicht über dem, was Sie bereits betreiben, nicht als separates Portal¹⁹.
• Hält Deals aktuell - er liest E-Mail, Kalender und Meeting-Notizen und aktualisiert dann Deal-Phasen, Abschlussdaten, nächste Schritte und Beträge, sodass die Pipeline die Realität abbildet.
• Fasst fehlende Felder nach - er markiert und füllt die Lücken, die eine Prognose leise vergiften: leere Abschlussdaten, Deals, die über ihre Aktivität hinaus in einer Phase feststecken, fehlende Kontaktrollen.
• Erledigt die Routinehygiene - die wöchentliche Pipeline-Bereinigung, die Verkäufer überspringen und RevOps fürchtet, wird zu kontinuierlicher Hintergrundarbeit statt zur Freitags-Hektik.
• Speist Ihrem Prognose-Tool saubere Eingaben ein - womit Sie auch prognostizieren, Clari, Einstein oder natives HubSpot, es liest nun genaue Daten statt einer veralteten Momentaufnahme.
• Übernimmt die Nachverfolgung - er entwirft das Follow-up, aktualisiert den Datensatz und benachrichtigt den Verkäufer, sodass ein ehrliches CRM nicht mehr mit dem Verkaufen konkurriert.
• Startklar in etwa zwei Wochen - um Ihren tatsächlichen Ablauf herum gebaut statt um eine generische Vorlage, schnell live und produktiv.
• Hält den Menschen in der Schleife - er schlägt vor und aktualisiert; Ihre RevOps-Leitung verantwortet weiterhin den Commit und die Urteilsfragen, genau so, wie Gartner sagt, dass die besten Teams arbeiten³.

Eine Einführung in 60 Tagen für eine verlässliche Prognose

Ein Tool zu kaufen ist der leichte Teil. Zu einer Prognose zu kommen, die der Vorstand glaubt, braucht eine Reihenfolge, und die beginnt bei den Daten, nicht beim Dashboard. Hier ist ein realistischer 60-Tage-Weg.

Phase 1: Basislinie und Bereinigung (Wochen 1-3)

1. Messen Sie Ihre aktuelle Genauigkeit - vergleichen Sie die letzten vier Quartale Prognose gegen Ist. Sie können keine Zahl verbessern, die Sie nicht als Basislinie erfasst haben.
2. Prüfen Sie die CRM-Hygiene - zählen Sie Deals mit vergangenen Abschlussdaten, leeren nächsten Schritten oder keiner Aktivität seit 30 Tagen. Das ist Ihr eigentliches Problem, quantifiziert.
3. Beheben Sie die schlimmsten Fälle - bereinigen Sie die Pipeline einmal von Hand oder mit einem KI-Mitarbeiter, damit das Tool von der Wahrheit startet, nicht vom Chaos.

Phase 2: Auswählen und anbinden (Wochen 4-6)

4. Shortlist gegen Ihr CRM - nutzen Sie die Checkliste oben; shortlisten Sie kein Salesforce-natives Tool für eine HubSpot-Umgebung.
5. Führen Sie einen datenbasierten Pilot durch - richten Sie das Tool auf echte historische Deals und prüfen Sie sein Scoring gegen das, was tatsächlich passierte.
6. Richten Sie kontinuierliche Hygiene ein - entscheiden Sie, wer oder was das CRM nach dem Go-live aktuell hält, denn die Pilotbereinigung zerfällt ohne das in Wochen.

Phase 3: Betreiben und vertrauen (Wochen 7-8)

7. Bringen Sie die Prognose dorthin, wo Verkäufer arbeiten - ins CRM, nicht in ein Portal, das sie einmal pro Quartal besuchen.
8. Prüfen Sie die markierten Deals, nicht alle Deals - lassen Sie das Tool das Pipeline-Review auf die riskanten zehn fokussieren.
9. Verfolgen Sie die Genauigkeit wöchentlich - beobachten Sie die Lücke zwischen Prognose und tatsächlichem Abschluss; wenn sie schrumpft, zahlt sich die Datenarbeit aus.

Welches Tool das richtige für Sie ist

Die richtige Wahl hängt von Ihrem CRM, Ihrer Größe und davon ab, wo Ihre Prognose tatsächlich bricht. Ordnen Sie Ihre Situation der Zeile unten zu.

Für die meisten Teams ist die ehrliche Antwort beides, in dieser Reihenfolge: die Daten bereinigen und pflegen, dann ein Prognose-Tool tun lassen, worin es wirklich gut ist.

Häufig gestellte Fragen

Verwandte Artikel

• Die besten KI-Tools für Revenue Intelligence und Vertriebsprognose: Ein ehrlicher Vergleich 2026
• Wenn das CRM lügt: Die versteckten Kosten veralteter Vertriebsdaten
• Die besten KI-Tools für RevOps und Sales Operations 2026: Ein ehrlicher Vergleich
• Die besten KI-Tools für Kundenbindung und Churn-Prävention: Ein ehrlicher Vergleich 2026

Henri Jung

Co-founder von Superkind, wo er KMU und Unternehmen hilft, maßgeschneiderte KI-Agenten einzusetzen, die wirklich zu den Abläufen ihrer Teams passen. Henri brennt dafür, die Lücke zwischen dem, was KI kann, und dem Wert, den sie in echten Unternehmen schafft, zu schließen. Er hat zu viele Prognoseprojekte gesehen, die das Modell beschuldigten, obwohl das eigentliche Problem die zugrunde liegenden Daten waren, und ist überzeugt: Der nachhaltige Gewinn in der Vertriebs-KI besteht darin, die Systeme, die Unternehmen bereits nutzen, ehrlich und aktuell zu halten.