Sechs Stellen für einen KI-Chatbot und niemand hat ihn genutzt

Farid Mirmohseni, Gründer von Kimia, hat kürzlich eine Geschichte auf LinkedIn geteilt, die mich nicht loslässt.

Wenn Sie den vollständigen LinkedIn-Post von Farid nicht lesen möchten: Ein europäischer Chemiedistributor hat sechsstellig in einen KI-Chatbot investiert. Die Technologie funktionierte. Niemand hat ihn genutzt. Und Farid hat diese Geschichte allein in diesem Jahr von mindestens einem Dutzend Unternehmen gehört.

Ich habe sie auch gehört. Unterschiedliche Branchen, unterschiedliche Unternehmen, dasselbe Ergebnis. Große Investition, erfolgreiche technische Implementierung, null Geschäftsergebnis.

Das ist im Moment die teuerste Lektion im B2B-Bereich. Und die meisten Unternehmen lernen sie noch immer auf die harte Tour.

Das ist kein Suchproblem

Hier liegt der Fehler der meisten Unternehmen. Sie sehen, wie ihr Vertriebsteam darum kämpft, Informationen in Hunderttausenden von Dokumenten zu finden, und denken: Wir brauchen eine bessere Suche.

Also kaufen sie einen KI-Chatbot. Sie indexieren alles. Die Technologie funktioniert. Sie kann jedes Dokument in Sekunden finden.

Aber niemand nutzt ihn. Warum?

Weil, wie Farid es formuliert: Ein Consumer-Chatbot muss "Wie ist das Wetter?" verstehen. Ein technischer Assistent für die Chemieindustrie muss verstehen: "Welche unserer Produkte kann diese Wettbewerbs-Spezifikation ersetzen und dabei die EU-REACH-Anforderungen für Kfz-Innenraumanwendungen erfüllen?"

Das ist kein Suchproblem. Das ist ein Reasoning-Problem.

Und das Schwierigste: Die Fragen, die am meisten zählen, sind die, die Menschen nicht vollständig in Worte fassen können. Ein Vertriebsmitarbeiter fragt nicht: "Welche Produkte entsprechen diesen 12 technischen Parametern plus regulatorischen Anforderungen plus Kundenhistorie plus Margenzielen?" Er fragt: "Was soll ich empfehlen?"

Das zu beantworten erfordert gleichzeitiges Verständnis von Chemie, Regulierung, kommerziellem Kontext und Kundenbeziehungen. Ein Chatbot, der auf einer Dokumentendatenbank sitzt, kann das nicht. Egal wie viele Dokumente Sie indexieren.

Ich sehe dieses Muster überall

Ich arbeite als fraktionaler Chief Commercial Officer für Biotech-Zutatenhersteller. Ich helfe außerdem europäischen B2B-Unternehmen dabei, KI über opencream.ai zu integrieren. Ich sitze also genau an der Schnittstelle dieser beiden Welten: Spezialbranche und KI-Implementierung.

Das Muster, das Farid beschreibt, ist überall. Nicht nur in der Chemie. In Spezialzutaten, in der Biotechnologie, in der Präzisionsfertigung. In jeder Branche, in der das für gute Entscheidungen erforderliche Wissen in den Köpfen der Menschen und nicht in Dokumenten lebt.

Ich kenne Unternehmen, in denen der beste Vertriebsmitarbeiter 25 Jahre Kundenbeziehungen in seinem Gedächtnis gespeichert hat. Er weiß, dass der Formulierungschemiker von Kunde A Technische Datenblätter Marketingmaterialien vorzieht. Dass das Einkaufsteam von Kunde B im dritten Quartal aufgrund von Budgetzyklen immer beim Preis verhandelt. Dass der Wettbewerber letzten Monat bei Kunde C mit einem neuen Produkt auftauchte, das günstiger ist, aber Stabilitätsprobleme hat.

Nichts davon steht in irgendeinem Dokument. Und kein Chatbot wird es je finden, indem er PDFs durchsucht.

Die wahren Kosten eines Fehlers

Sechsstellig ist schmerzhaft. Aber die wahren Kosten sind größer als die Rechnung.

Jedes gescheiterte KI-Projekt schafft internen Widerstand. Das Vertriebsteam hat den Chatbot ausprobiert, er hat nicht geholfen, und jetzt sind sie gegenüber jedem KI-Tool skeptisch. "Das haben wir schon versucht. Hat nicht funktioniert."

Dieser Skeptizismus ist schwer aufzulösen. Und er richtet sich in der Regel gegen KI im Allgemeinen, nicht gegen den spezifischen Ansatz, der gescheitert ist. Also kämpft beim nächsten Mal, wenn jemand eine KI-Lösung vorschlägt, die tatsächlich funktionieren könnte, jemand bergauf gegen die Erinnerung an den Chatbot, den niemand genutzt hat.

Ich habe in diesen Meetings gesessen. "Wir haben X für KI ausgegeben und nichts bekommen." Der Raum wird still. Das Thema wechselt.

Währenddessen ziehen die Konkurrenten, die den richtigen Ansatz gewählt haben, davon. Nicht weil sie eine bessere KI haben. Weil sie verstanden haben, welche Art von KI ihr Unternehmen tatsächlich braucht.

Was stattdessen aufgebaut werden sollte

Die Unternehmen, die ich mit KI im spezialisierten B2B-Bereich erfolgreich gesehen habe, haben alle eines gemeinsam. Sie beginnen nicht mit der Technologie. Sie beginnen mit der Entscheidung.

Welche spezifische Entscheidung versuchen wir zu verbessern?

Für einen Rohstofflieferanten könnte das sein: "Welches Produkt soll ich diesem Kunden für diese Anwendung empfehlen?" Für ein Biotechnologieunternehmen: "Was ist die richtige Preisstrategie für diesen Markt?" Für einen Hersteller: "Auf welche Interessenten sollten wir uns in diesem Quartal konzentrieren?"

Das sind keine Suchanfragen. Das sind Beurteilungen, die die Kombination mehrerer Wissensarten erfordern: technisches, kaufmännisches, relationales und regulatorisches Wissen.

Das funktioniert:

Beginnen Sie mit einem Workflow, nicht mit dem gesamten Unternehmen. Versuchen Sie nicht, einen KI-Assistenten für alles zu bauen. Wählen Sie die eine Entscheidung, die bei einem Fehler die meiste Zeit oder das meiste Geld kostet. Bauen Sie KI um diesen spezifischen Workflow herum.

Erfassen Sie das Wissen, das in den Köpfen der Menschen steckt. Die wertvollsten Informationen in einem spezialisierten B2B-Unternehmen sind nie in Dokumenten. Sie stecken in der Erfahrung Ihrer besten Mitarbeiter. Bevor Sie ein KI-Tool entwickeln, finden Sie heraus, wie Sie dieses Wissen extrahieren und strukturieren können.

Ich baue ein agentisches CRM für Startup-B2B-Rohstofflieferanten genau aus diesem Grund. Das sind kleine Teams - oft 5 bis 15 Personen - die Spezialzutaten in langen Vertriebszyklen von 12 bis 24 Monaten verkaufen. Sie können sich die Unternehmens-KI-Lösungen, die Unternehmen wie Kimia für große Distributoren entwickeln, nicht leisten. Aber sie brauchen dennoch ein System, das den Kontext über Monate hinweg speichert und nicht nur Dokumente findet.

Machen Sie es vom ersten Tag an nützlich. Der Chatbot scheiterte, weil niemand schnell genug den Nutzen sah. Wenn Ihr KI-Tool verlangt, dass das Vertriebsteam seine Arbeitsweise ändert, bevor es einen Vorteil sieht, wird es nicht angenommen. Die besten Implementierungen sparen vom ersten Tag an Zeit und werden dann mit der Zeit intelligenter.

Halten Sie Menschen im Loop. Es geht nicht darum, das Urteilsvermögen Ihres besten Vertriebsmitarbeiters zu ersetzen. Es geht darum sicherzustellen, dass jeder im Team Zugang zu dem Kontext hat, den Ihr bester Vertriebsmitarbeiter im Kopf trägt. KI als Verstärker, nicht als Ersatz.

Das Fenster schließt sich

Etwas an den europäischen B2B-Unternehmen, mit denen ich arbeite, bereitet mir Sorgen.

Die besten Mitarbeiter in diesen Unternehmen - diejenigen mit 20 oder 30 Jahren Domänenwissen - nähern sich Jahr für Jahr dem Rentenalter. Dieses Wissen verlässt das Unternehmen. Langsam, aber es passiert.

Unternehmen, die herausfinden, wie sie diese Expertise erfassen und mit KI multiplizieren können, werden einen ernsthaften Vorteil haben. Unternehmen, die sechsstellig für Chatbots ausgeben und nichts bekommen, werden das Fenster verschwenden.

Farid hat recht, wenn er sagt, dass sechsstellig eine teure Art ist, diese Lektion zu lernen. Aber nicht so teuer wie zurückzufallen, während Konkurrenten es herausfinden.

Die gute Nachricht: Sie brauchen keine sechsstellige Summe, um anzufangen. Sie brauchen Klarheit darüber, welche Entscheidungen in Ihrem Unternehmen am wichtigsten sind, und die Bereitschaft, KI um diese Entscheidungen herum zu bauen, anstatt um eine Dokumentendatenbank.

Wenn Sie ein spezialisiertes B2B-Unternehmen sind und versuchen herauszufinden, wo KI tatsächlich hinpasst, ist das, womit wir bei opencream.ai helfen. Wir beginnen mit Ihren spezifischen Workflows, nicht mit generischer Technologie.

Denn in spezialisierten Branchen funktioniert das Generische nicht. Ihr Unternehmen ist spezifisch. Ihre KI sollte es auch sein.

Matthias Forster ist Gründer von opencream.ai, wo er KI-Tools für Startup-B2B-Unternehmen entwickelt, und von opencream.partners, wo er als fraktionaler Chief Commercial Officer für Biotech- und Spezialzutatenunternehmen tätig ist. Kimia entwickelt chemische Intelligenz für große Hersteller und Distributoren. opencream.ai konzentriert sich auf die kleineren Akteure - die Startup-Rohstofflieferanten und Nischenchampions, die intelligente KI benötigen, aber keine Unternehmensbudgets haben.