Salesforce Einstein AI: So nutzt du KI in deinem CRM

KI im CRM – Hype oder echter Mehrwert?

Künstliche Intelligenz ist überall – auch im CRM. Kaum ein Softwarehersteller, der nicht mit KI-Features wirbt. Salesforce war einer der ersten großen CRM-Anbieter, der KI tief in seine Plattform integriert hat: mit Einstein AI. Seit 2016 wird Einstein kontinuierlich ausgebaut und ist heute kein einzelnes Feature mehr, sondern ein umfassender KI-Layer, der sich durch die gesamte Salesforce-Plattform zieht.

Doch bei all dem Marketing-Buzz stellt sich die berechtigte Frage: Bringt Einstein wirklich messbaren Mehrwert für dein Vertriebsteam? Oder ist es nur ein weiteres Buzzword, das gut in Präsentationen aussieht, aber im Tagesgeschäft kaum Relevanz hat? Die Antwort ist – wie so oft – differenziert. Einstein kann ein echtes Powerhouse sein, wenn die Voraussetzungen stimmen. Und genau darum geht es in diesem Artikel: Ich zeige dir, welche Einstein-Features es gibt, wie sie funktionieren, was du brauchst, damit sie zuverlässig arbeiten, und wo die Grenzen liegen.

Was ist Salesforce Einstein?

Einstein als KI-Layer über der gesamten Plattform

Salesforce Einstein ist keine einzelne App, die du installierst. Es ist vielmehr eine Sammlung von KI-Funktionen, die in verschiedene Salesforce-Clouds eingebettet sind. Einstein nutzt Machine Learning, Natural Language Processing (NLP), Computer Vision und – seit der Einführung von Einstein GPT – auch generative KI. Die Idee dahinter: KI soll nicht als separates Tool funktionieren, sondern nahtlos in den Workflows leben, die dein Team ohnehin nutzt. Ein Vertriebsmitarbeiter soll also nicht in ein separates Analytics-Tool wechseln müssen, um eine KI-gestützte Einschätzung zu bekommen. Stattdessen erscheint der Einstein-Score direkt im Lead-Record, die Opportunity Insights direkt in der Pipeline-Ansicht und der E-Mail-Entwurf direkt im Activity-Feed.

Welche Einstein-Features sind in welcher Lizenz enthalten?

Hier wird es etwas unübersichtlich – und das ist einer der häufigsten Schmerzpunkte bei Salesforce. Nicht jedes Einstein-Feature ist in jeder Lizenz enthalten. Grundsätzlich gilt: Die Basis-Einstein-Features wie Lead Scoring und Opportunity Scoring sind in der Enterprise Edition und höher verfügbar, oft im Rahmen von Sales Cloud Einstein. Für erweiterte Features wie Einstein Activity Capture, Einstein Forecasting oder Einstein GPT benötigst du teilweise separate Add-on-Lizenzen oder höhere Editionen. Mein dringender Rat: Bevor du dich auf ein bestimmtes Feature verlässt, prüfe genau, ob es in deiner aktuellen Lizenz enthalten ist. Die Salesforce-Preisliste ist komplex, und böse Überraschungen sind nicht selten.

Einstein vs. klassische Automatisierung

Ein wichtiger Unterschied, den viele Teams anfangs nicht verstehen: Einstein ist keine Automatisierung im klassischen Sinne. Flows, Process Builder oder Workflow Rules arbeiten regelbasiert – du definierst eine Bedingung und eine Aktion. Einstein hingegen arbeitet modellbasiert. Das System lernt aus historischen Daten und trifft Vorhersagen. Du definierst nicht die Regeln, sondern das System erkennt Muster selbstständig. Das ist mächtiger, aber auch weniger vorhersagbar. Eine Workflow Rule macht immer genau das, was du definiert hast. Ein Einstein-Modell kann sich über die Zeit verändern, weil es neue Daten aufnimmt. Beide Ansätze haben ihre Berechtigung und ergänzen sich ideal.

Einstein Lead Scoring

Wie funktioniert das Scoring-Modell?

Einstein Lead Scoring ist vermutlich das bekannteste und am häufigsten genutzte Einstein-Feature. Die Grundidee ist einfach: Einstein analysiert deine historischen Lead-Daten und identifiziert Muster, die darauf hindeuten, ob ein Lead konvertiert wird oder nicht. Daraus wird ein Score zwischen 1 und 99 berechnet, der die Konvertierungswahrscheinlichkeit angibt.

Das Modell betrachtet dabei eine Vielzahl von Feldern: Branche, Unternehmensgröße, Lead-Quelle, Titel, geografische Lage und viele weitere Attribute. Entscheidend ist, dass Einstein die Gewichtung dieser Faktoren selbst lernt. Du musst nicht manuell definieren, dass Leads aus der Branche X mit dem Titel Y besonders wertvoll sind – das erkennt das Modell aus den Daten.

Datenqualität als Voraussetzung

Hier liegt auch der größte Fallstrick: Einstein Lead Scoring ist nur so gut wie deine Daten. Wenn dein CRM voller unvollständiger Lead-Records ist, bei denen Branche, Unternehmensgröße und andere Schlüsselfelder leer sind, hat Einstein zu wenig Material, um sinnvolle Muster zu erkennen. Die Mindestanforderung liegt bei etwa 1.000 Leads in den letzten sechs Monaten, davon ein signifikanter Anteil konvertiert und nicht-konvertiert, damit das Modell lernen kann, was einen guten Lead ausmacht.

In der Praxis erlebe ich häufig, dass Unternehmen Einstein Lead Scoring aktivieren und dann enttäuscht sind, weil die Scores wenig aussagekräftig wirken. Fast immer liegt das an der Datenqualität. Bevor du Einstein einschaltest, investiere in die Bereinigung und Anreicherung deiner Lead-Daten. Das zahlt sich mehrfach aus – nicht nur für Einstein, sondern für dein gesamtes Lead Management.

Score interpretieren und im Vertrieb nutzen

Ein häufiger Fehler ist, den Einstein Score als absolute Wahrheit zu behandeln. Ein Score von 85 bedeutet nicht, dass dieser Lead mit 85-prozentiger Sicherheit kaufen wird. Es bedeutet, dass dieser Lead ein ähnliches Profil hat wie Leads, die in der Vergangenheit konvertiert haben. Das ist ein wichtiger Unterschied. Der Score ist ein Indikator, kein Orakel.

Nutze den Score als Priorisierungshilfe: Leads mit hohem Score sollten zuerst kontaktiert werden. Leads mit niedrigem Score sind nicht automatisch wertlos – sie brauchen möglicherweise mehr Nurturing oder einen anderen Ansatz. Kombiniere den Einstein Score mit deinem eigenen Vertriebswissen. Die KI liefert Daten, du lieferst den Kontext.

Lead-Priorisierung nach Score

In der Praxis empfehle ich, den Einstein Score in deine bestehenden Vertriebsprozesse zu integrieren, statt einen separaten Workflow daraus zu machen. Erstelle zum Beispiel eine List View, die Leads nach Einstein Score sortiert. Oder nutze den Score als Kriterium in deinen Lead-Assignment-Regeln: Leads mit einem Score über 70 gehen direkt an Senior Sales Reps, Leads unter 30 werden zunächst ins Nurturing-Programm aufgenommen. So wird der Score zu einem natürlichen Bestandteil des Alltags, statt ein Feature zu sein, das niemand beachtet.

Einstein Opportunity Scoring & Insights

Deal-Wahrscheinlichkeiten vorhersagen

Was Einstein Lead Scoring für Leads ist, ist Einstein Opportunity Scoring für Deals. Das Modell analysiert deine historischen Opportunity-Daten und berechnet eine Wahrscheinlichkeit, dass ein bestimmter Deal gewonnen wird. Dabei fließen Faktoren ein wie die Stage-Duration (wie lange befindet sich der Deal in welcher Phase?), die Aktivitäten auf dem Deal (wie viele E-Mails, Calls, Meetings gab es?), die Deal-Größe im Vergleich zum Durchschnitt und historische Win Rates für ähnliche Deals.

Das Ergebnis ist ein Score, den dein Vertriebsteam direkt in der Opportunity-Ansicht sieht. Besonders wertvoll wird es in Kombination mit den Key Factors: Einstein zeigt nicht nur den Score, sondern auch die Gründe dafür. Zum Beispiel: "Der Deal ist überdurchschnittlich lange in der Verhandlungsphase" oder "Es gab in den letzten zwei Wochen keine Aktivität." Solche Insights sind Gold wert, weil sie konkrete Handlungsimpulse liefern.

Key Factors verstehen

Die Key Factors sind das, was Einstein Opportunity Scoring von einem simplen Score-System unterscheidet. Statt nur eine Zahl zu liefern, erklärt Einstein, warum der Score so ist, wie er ist. Das macht das System transparent und nachvollziehbar. Vertriebsmitarbeiter können die Einschätzung der KI mit ihrem eigenen Wissen abgleichen und fundierter entscheiden, wo sie ihre Zeit investieren.

In meiner Erfahrung ist die Akzeptanz von KI-Scores im Vertrieb deutlich höher, wenn das System seine Logik offenlegt. Ein Score von 35 ohne Erklärung wird gerne ignoriert. Ein Score von 35 mit dem Hinweis "Kein Entscheider-Kontakt in den letzten 30 Tagen und Deal-Größe liegt 200% über dem Durchschnitt für diesen Account" wird ernst genommen – und führt zu Aktion.

Close Date Predictions

Ein weiteres nützliches Feature sind die Close Date Predictions. Einstein analysiert, wie ähnliche Deals in der Vergangenheit gelaufen sind, und schätzt ein realistisches Close Date. Das ist besonders hilfreich für Sales Manager, die ihre Pipeline planen müssen. Wenn ein Vertriebsmitarbeiter ein optimistisches Close Date eingetragen hat, Einstein aber auf Basis der historischen Daten eine deutlich spätere Prognose liefert, ist das ein wertvolles Frühwarnsignal.

Opportunity Insights in der Pipeline-Ansicht

Die wahre Stärke von Einstein Opportunity Scoring zeigt sich in der Pipeline-Ansicht. Statt eine Liste von Deals mit manuell gepflegten Wahrscheinlichkeiten zu sehen, bekommt dein Sales Manager eine datengestützte Einschätzung jedes Deals. Deals, bei denen Einstein ein Risiko sieht, werden markiert. Das ermöglicht proaktives Pipeline-Management: Probleme werden erkannt, bevor sie zu verlorenen Deals werden.

Einstein Activity Capture

E-Mails und Events automatisch loggen

Einstein Activity Capture löst eines der größten Probleme im CRM-Alltag: die manuelle Dateneingabe. Das Feature verbindet sich mit den E-Mail-Accounts und Kalendern deiner Vertriebsmitarbeiter (Microsoft 365 oder Google Workspace) und loggt E-Mails sowie Kalendereinträge automatisch im passenden Salesforce-Record. Dein Team muss nicht mehr jeden Kundenkontakt manuell erfassen – Einstein erledigt das im Hintergrund.

Das klingt nach einer Kleinigkeit, hat aber massive Auswirkungen. In vielen Unternehmen ist die CRM-Adoption niedrig, weil Vertriebsmitarbeiter die manuelle Dateneingabe als Zeitverschwendung empfinden. Wenn Einstein Activity Capture die Basis-Aktivitäten automatisch erfasst, sinkt die Hemmschwelle erheblich. Gleichzeitig steigt die Datenqualität, weil keine Aktivitäten mehr vergessen oder zu spät eingetragen werden.

Aktivitätsdaten für besseres Scoring

Ein wichtiger Nebeneffekt: Die durch Einstein Activity Capture erfassten Daten fließen wiederum in die Scoring-Modelle ein. Wenn Einstein weiß, dass auf einem Deal in den letzten zwei Wochen fünf E-Mails und zwei Meetings stattgefunden haben, verbessert das die Accuracy des Opportunity Scores erheblich. Es entsteht ein positiver Kreislauf: Mehr Daten führen zu besseren Modellen, bessere Modelle liefern wertvollere Insights, wertvollere Insights erhöhen die Akzeptanz, höhere Akzeptanz führt zu mehr Daten.

Datenschutz und DSGVO beachten

Ein Thema, das bei Einstein Activity Capture nicht ausgespart werden darf: Datenschutz. Wenn E-Mails und Kalendereinträge automatisch in ein CRM-System übertragen werden, berührt das die DSGVO. Du musst sicherstellen, dass die Verarbeitung auf einer rechtmäßigen Grundlage erfolgt (in der Regel berechtigtes Interesse nach Art. 6 Abs. 1 lit. f DSGVO für B2B-Kommunikation), dass deine Mitarbeiter informiert sind und dass du private Kommunikation ausschließt. Lass dich hier von deinem Datenschutzbeauftragten beraten – und konfiguriere die Filter in Einstein Activity Capture so, dass nur geschäftsrelevante Kommunikation erfasst wird.

Einstein Forecasting

Predictive Forecasting vs. Collaborative Forecasting

Salesforce bietet zwei Forecasting-Ansätze: Collaborative Forecasting und Einstein (Predictive) Forecasting. Beim Collaborative Forecasting geben Vertriebsmitarbeiter und ihre Manager manuell Prognosen ab, die dann aggregiert werden. Das ist ein Bottom-up-Ansatz, der auf menschlicher Einschätzung basiert. Einstein Forecasting ergänzt diesen Ansatz um KI-gestützte Prognosen. Das Modell analysiert die gesamte Pipeline – alle Opportunities, ihre Stages, Scores, Aktivitäten und historischen Patterns – und berechnet eine Vorhersage, wie viel Umsatz in einem bestimmten Zeitraum tatsächlich abgeschlossen werden wird.

AI-gestützte Prognosen verstehen

Der Clou liegt im Vergleich: Wenn dein Sales Manager eine Prognose von 500.000 Euro für das Quartal abgibt, Einstein aber nur 380.000 Euro vorhersagt, ist das ein starkes Signal. Es bedeutet, dass die historischen Daten darauf hindeuten, dass die aktuelle Pipeline nicht die erwarteten Ergebnisse liefern wird. Vielleicht sind zu viele Deals in frühen Phasen, vielleicht haben ähnliche Deals in der Vergangenheit niedrigere Win Rates gehabt, oder vielleicht fehlt es an Aktivität auf den Key Deals.

Einstein Forecasting ersetzt nicht das menschliche Urteil – es ergänzt es. Die besten Ergebnisse erzielst du, wenn du beide Prognosen nebeneinander betrachtest und bei Abweichungen gezielt nachforschst.

Abweichungen erkennen und handeln

Besonders wertvoll ist Einstein Forecasting für das frühzeitige Erkennen von Abweichungen. Wenn Einstein im ersten Monat des Quartals bereits signalisiert, dass die Pipeline dünn ist, hast du noch Zeit zu reagieren: mehr Leads generieren, bestehende Deals beschleunigen, upsell-Möglichkeiten identifizieren. Ohne KI-gestützte Prognosen fällt diese Erkenntnis oft erst viel zu spät, wenn kaum noch Gegenmaßnahmen möglich sind. Einstein Forecasting ist damit kein reines Reporting-Tool, sondern ein echtes Steuerungsinstrument für dein Revenue Management.

Einstein GPT und Copilot

Generative KI in Salesforce

Mit Einstein GPT hat Salesforce generative KI in die Plattform gebracht. Während klassisches Einstein auf Prediction und Scoring setzt, kann Einstein GPT Inhalte erzeugen: E-Mail-Texte, Zusammenfassungen, Code und vieles mehr. Salesforce nutzt dabei eine Kombination aus eigenen Modellen und Partnerschaften mit großen LLM-Anbietern, verarbeitet die Daten aber innerhalb der Salesforce Trust Layer, um Datenschutz und Datensicherheit zu gewährleisten.

E-Mail-Entwürfe automatisch erstellen

Einer der praktischsten Use Cases: Einstein GPT kann E-Mail-Entwürfe generieren, die auf dem Kontext des jeweiligen Leads oder Deals basieren. Statt eine E-Mail von Grund auf zu schreiben, erhält dein Vertriebsmitarbeiter einen kontextbezogenen Entwurf, der die relevanten Informationen aus dem CRM einbezieht – zum Beispiel den letzten Kontaktpunkt, das besprochene Produkt oder offene Fragen. Der Mitarbeiter prüft, passt an und sendet ab. Das spart Zeit und sorgt für konsistentere Kommunikation, ohne dass die persönliche Note verloren geht.

Zusammenfassungen von Accounts und Opportunities

Ein weiterer häufig genutzter Use Case: Einstein GPT kann Zusammenfassungen von Accounts und Opportunities erstellen. Statt sich durch Dutzende von Notizen, E-Mails und Aktivitäten zu lesen, bekommt ein Vertriebsmitarbeiter – zum Beispiel vor einem wichtigen Meeting – eine kompakte Zusammenfassung: Wer ist der Account, was wurde bisher besprochen, wo stehen wir im Deal, was sind die nächsten Schritte? Das ist besonders wertvoll bei Account-Übergaben oder wenn ein neuer Mitarbeiter bestehende Deals übernimmt.

Einstein Copilot für natürliche Sprache

Einstein Copilot geht noch einen Schritt weiter: Es ist ein konversationelles Interface, über das du mit deinem CRM in natürlicher Sprache interagieren kannst. Statt einen Report zu bauen, kannst du fragen: "Zeig mir alle offenen Deals über 50.000 Euro, die diesen Monat closen sollen." Statt manuell einen Task zu erstellen, sagst du: "Erstelle einen Follow-up-Task für den Account XY in drei Tagen." Einstein Copilot übersetzt die natürliche Sprache in CRM-Aktionen.

Das ist aktuell noch ein relativ junges Feature, und die Qualität der Ergebnisse hängt stark von der Komplexität der Anfrage ab. Für einfache Abfragen und Aktionen funktioniert es bereits gut. Für komplexe, mehrstufige Workflows brauchst du nach wie vor klassische Flows oder APEX-Code. Aber die Richtung ist klar: Die Interaktion mit dem CRM wird natürlicher und niedrigschwelliger – und das ist gut für die Adoption.

Einstein für Service Cloud

Case Classification

Einstein ist nicht nur für den Vertrieb relevant. In der Service Cloud bietet Einstein Case Classification die Möglichkeit, eingehende Serviceanfragen automatisch zu kategorisieren. Das Modell analysiert den Betreff und die Beschreibung eines Cases und schlägt Werte für Felder wie Typ, Priorität oder Reason vor. Bei hohem Case-Volumen spart das erheblich Zeit und sorgt für konsistentere Klassifizierung. Statt dass ein Agent jeden Case manuell kategorisiert, liefert Einstein einen Vorschlag, den der Agent nur noch bestätigen oder korrigieren muss.

Article Recommendations

Einstein Article Recommendations schlägt Service-Agenten passende Knowledge-Artikel vor, basierend auf dem Inhalt des aktuellen Cases. Wenn ein Kunde ein Problem mit der Rechnungsstellung beschreibt, zeigt Einstein automatisch die relevanten Hilfe-Artikel an. Das beschleunigt die Lösungsfindung und sorgt dafür, dass dein Service-Team konsistent mit der aktuellen Wissensdatenbank arbeitet, statt jedes Mal das Rad neu zu erfinden.

Reply Recommendations

Reply Recommendations gehen einen Schritt weiter: Einstein schlägt fertige Antwortbausteine für Chat- und Messaging-Konversationen vor. Basierend auf dem Kontext der Konversation und historisch erfolgreichen Antworten empfiehlt das System eine passende Antwort, die der Agent mit einem Klick übernehmen kann. Das ist besonders in hochvolumigen Service-Umgebungen wertvoll, wo Geschwindigkeit und Konsistenz entscheidend sind.

Voraussetzungen und Best Practices

Mindestdatenmenge für aussagekräftige Modelle

Einer der wichtigsten Punkte, der oft unterschätzt wird: Einstein braucht Daten. Nicht ein bisschen, sondern eine substantielle Menge. Für Lead Scoring brauchst du mindestens 1.000 Leads mit einer gesunden Mischung aus konvertierten und nicht-konvertierten Leads. Für Opportunity Scoring brauchst du eine solide History an gewonnenen und verlorenen Deals. Für Einstein Forecasting brauchst du mindestens zwei Jahre an historischen Forecasting-Daten, damit das Modell saisonale Patterns erkennen kann.

Wenn dein Unternehmen gerade erst mit Salesforce startet oder bisher wenig Daten gesammelt hat, wird Einstein zunächst wenig aussagekräftige Ergebnisse liefern. Das ist normal und kein Grund zur Panik. Sammle zunächst sechs bis zwölf Monate lang saubere Daten, bevor du die Einstein-Features aktivierst. Ein voreiliger Start mit schlechten Daten führt zu Scores, denen niemand vertraut – und das Vertrauen zurückzugewinnen ist schwieriger, als es initial aufzubauen.

Datenqualität sicherstellen

Datenqualität ist das Fundament jedes KI-Modells. Für Einstein bedeutet das konkret: Pflege die Schlüsselfelder konsequent. Sorge dafür, dass Lead Source, Industry, Company Size, Title und andere relevante Felder bei jedem Record ausgefüllt sind. Nutze Validation Rules und Required Fields, um die Datenqualität systemseitig zu erzwingen. Führe regelmäßige Data-Quality-Audits durch, um Duplikate, veraltete Records und fehlende Werte zu identifizieren. Investiere bei Bedarf in Datenanreicherung – Tools wie ZoomInfo oder Clearbit können fehlende Firmendaten automatisch ergänzen.

Ich sage meinen Kunden immer: Bevor du einen Euro in KI investierst, investiere zuerst in Datenqualität. Ohne saubere Daten ist selbst die beste KI nur ein teurer Zufallsgenerator.

Adoption im Team fördern

Die beste KI bringt nichts, wenn dein Team sie ignoriert. Adoption ist bei Einstein-Features eine besondere Herausforderung, weil viele Vertriebsmitarbeiter skeptisch gegenüber KI-Empfehlungen sind. Sie vertrauen ihrem Bauchgefühl und ihrer Erfahrung – und das ist nicht falsch. Der Schlüssel liegt darin, Einstein nicht als Ersatz für menschliches Urteil zu positionieren, sondern als Ergänzung.

Starte mit einem Pilotprojekt: Aktiviere Einstein Lead Scoring für ein kleines Team und tracke, ob die Conversion Rate steigt, wenn Leads nach Einstein Score priorisiert werden. Wenn die Ergebnisse positiv sind, hast du eine Datengrundlage, die auch Skeptiker überzeugt. Zeige den Erfolg in Zahlen, nicht in Features. Ein "Wir haben dank Einstein Lead Scoring unsere Conversion Rate um 15% gesteigert" wirkt stärker als "Wir haben jetzt KI im CRM".

KI-Ergebnisse kritisch hinterfragen

Zum Schluss ein Punkt, der mir besonders wichtig ist: Blinde KI-Gläubigkeit ist gefährlich. Einstein-Modelle können Biases aus den historischen Daten übernehmen. Wenn dein Vertrieb in der Vergangenheit bestimmte Branchen bevorzugt hat, wird Einstein diese Branchen höher scoren – unabhängig davon, ob das heute noch sinnvoll ist. Überprüfe regelmäßig, ob die Key Factors plausibel sind. Hinterfrage, wenn ein Score unerwartet hoch oder niedrig ist. Nutze die Einstein-Insights als Input für deine Entscheidung, nicht als Entscheidung selbst.