Bevor der Kunde anruft, hat er eine KI gefragt. Überzeugen müssen Sie ihn danach.

Veröffentlicht am 8. November 2026  |  Luka Eble

Wer liest, wie KI das Einkaufen verändert, stößt schnell auf dieselbe Skizze. Ein Mensch gibt einer KI einen Auftrag. Sie sucht, filtert, vergleicht, wählt ein Produkt aus und begründet ihre Wahl in einem Satz. Der Mensch kommt nur am Anfang vor, als derjenige, der den Auftrag gibt.

Diese Skizze hält der Prüfung nicht stand. Eine KI, die selbst auswählt und bestellt, ist heute die Ausnahme. Selbst OpenAI hat das Einkaufen in ChatGPT im März 2026 umgebaut und lässt Händler den Kauf wieder über ihre eigene Kasse abwickeln. Wer genauer hinsieht, findet den Menschen an zwei Stellen, die in der Skizze fehlen: Er wählt selbst aus den Vorschlägen, und er prüft nach, bevor er kauft.

Ein großer Teil der Forschung dazu dreht sich um Konsumgüter. Für eine kleine Firma, die Planung, Beratung oder Dienstleistungen verkauft, steckt darin trotzdem eine Nachricht, die schwerer wiegt als jede Prozentzahl:

Die KI macht die Vorauswahl. Entschieden wird an Ihren eigenen Unterlagen.

Was passiert, bevor eine Anfrage bei Ihnen ankommt?

Ihr Interessent lässt sich von einer KI eine Vorauswahl machen und prüft sie danach selbst. Bei Geschäftskunden ist das bereits die Regel. Das Analystenhaus Forrester hat für seine Studie zum Geschäftseinkauf knapp 18.000 Einkäufer befragt, 94 Prozent geben an, im Kaufprozess KI zu nutzen.

Was nach der KI-Antwort geschieht, hat der Softwareanbieter Semrush im Frühjahr 2026 bei 519 KI-Nutzern aus US-Firmen erhoben. Nennt eine KI einen Anbieter, besuchen 71 Prozent dessen Website, 63 Prozent suchen die Firma bei Google und 46 Prozent vergleichen mit Alternativen. Semrush verkauft Werkzeuge für das Suchmaschinenmarketing und hat ein Interesse an diesem Thema. Knapp ein Viertel der Befragten arbeitet in Firmen mit bis zu 50 Leuten.

Für Deutschland gibt es vor allem Zahlen über Verbraucher. Laut Deloitte nutzten im Mai 2026 52 Prozent der Befragten KI beim Einkaufen, im September 2025 waren es 44 Prozent. Wie sich die Kunden kleiner Firmen verhalten, misst niemand. Alle diese Werte sind Selbstauskünfte. Die Richtung ist trotzdem klar.

Warum ist in der KI-Antwort noch nichts entschieden?

Weil die meisten Menschen die Entscheidung nicht abgeben wollen. In derselben Deloitte-Befragung würden knapp sechs Prozent der deutschen KI-Nutzer die Kaufentscheidung ganz einer KI überlassen.

Ohne Einfluss bleibt die Antwort deshalb nicht. Ein Forscherteam hat im September 2026 rund 1.500 Antworten auf echte Fragen zur Kaufberatung ausgewertet. ChatGPT äußert in 79 Prozent der Antworten, die Produkte empfehlen, eine eigene Vorliebe in der Ich-Form. Stellt man dieselbe Frage noch einmal, wechseln die empfohlenen Produkte oft. Wie stark der Wortlaut lenkt, zeigt ein Experiment mit gut 2.000 Teilnehmern, die ein Buch auswählen sollten. Die KI war angewiesen, bestimmte Titel zu bewerben. Im Chat wählten 61,2 Prozent einen dieser Titel, mit einer herkömmlichen Suche 22,4 Prozent. Die meisten bemerkten die Lenkung nicht.

Die Vorauswahl lenkt also stark, und sie schwankt von Anfrage zu Anfrage. In Ihrer Hand liegt sie nicht. In Ihrer Hand liegt, was der Kunde vorfindet, wenn er danach nachsieht.

Wo prüft der Kunde nach der KI-Antwort nach?

An Ihren eigenen Unterlagen. Zuerst an der Website, dann an der Antwort auf seine erste Mail, am Angebot und an den Folien im Erstgespräch. Hier kehrt der Mensch zurück, der in der Skizze vom Anfang fehlt, beim Wählen und beim Nachprüfen. Und auch der Abschluss findet bei Ihnen statt, im Gespräch und im Angebot.

In einer kleinen Firma schreibt die meisten dieser Unterlagen der Inhaber selbst, oft abends zwischen zwei Kundenterminen. Jede davon zeigt mehr als Text: wofür die Firma steht, welche Fälle sie kennt, wie sie spricht, wie sie aussieht und was sie belegen kann. Zusammen ergibt das den Markencharakter einer Firma. Der Interessent setzt sich aus diesen Stücken ein Bild zusammen und hält es neben das, was ihm die KI gesagt hat.

Was überzeugt beim Nachprüfen?

Die Passung zum eigenen Fall, weit vor der Bekanntheit. In der Semrush-Befragung fiel ein Anbieter in der KI-Antwort am ehesten auf, wenn er genau zum Anwendungsfall des Käufers passte (53 Prozent) oder klar und genau beschrieben war (50 Prozent). Die Bekanntheit der Marke nannten 7 Prozent. Diese Zahlen beschreiben, was in der Antwort auffällt, nicht die spätere Entscheidung. Wir halten es aber für naheliegend, dass beim Nachprüfen dieselbe Frage weiterläuft: Kennt dieser Anbieter meinen Fall?

Eine Simulation aus dem Sommer 2026 zeigt die Kehrseite. Forscher legten drei KI-Modellen Hautpflegeprodukte vor, die sich nur im Namen unterschieden, eine bekannte Marke und mehrere erfundene. Bei völligem Gleichstand empfahlen die Modelle immer die bekannte Marke. Ein Vorsprung von 0,1 Sternen in der Bewertung für einen der erfundenen Konkurrenten ließ diesen Vorrang verschwinden. Das war ein Laborversuch ohne echte Käufe.

Wir lesen daraus eine Regel, die für kleine Firmen auch ohne KI gilt. Gegen einen bekannteren Anbieter verliert, wer genauso aussieht wie er. Schon ein kleiner, nachprüfbarer Unterschied holt Sie aus dem Gleichstand. Und diesen Unterschied hat eine kleine Firma oft: Sie kennt ihre Fälle genauer.

Woran scheitert es beim Nachprüfen?

An der austauschbaren Antwort und am fehlenden Beleg. Forrester beschreibt den Einkauf 2026 als einen, der Behauptungen ohne Beleg weit weniger verzeiht als früher. Käufer gleichen die Ergebnisse der KI zunehmend mit Quellen ab, denen sie trauen.

Nehmen wir ein ausgedachtes Planungsbüro. Eine Interessentin hat eine KI nach Büros gefragt, die Umbauten im laufenden Betrieb planen, und das Büro steht in der Antwort. Sie schickt eine kurze Mail. Der Inhaber antwortet am Abend mit einem Text, den er schnell mit einer KI geschrieben hat. Der Text ist höflich, gut formuliert und könnte von jedem Büro stammen. Darin steht „langjährige Erfahrung mit Umbauten im Bestand“, aber kein einziges Projekt, an dem sich das zeigen ließe. Das Angebot zwei Tage später sieht aus wie die Angebote der beiden anderen Büros aus der KI-Antwort.

Damit ist der Gleichstand hergestellt.

Und bei Gleichstand gewinnt der bekanntere Name.

Das Büro scheitert an keiner der Stellen, an die man beim Thema KI zuerst denkt. Die KI hat es empfohlen, und schnell geantwortet hat es auch. Verloren hat es an der Stelle, die es selbst geschrieben hat.

Warum liefert eine KI ohne Ihr Firmenwissen genau diese Antwort?

Weil sie Ihre Fälle nicht kennt und die Lücke mit Plausiblem füllt. Ein Sprachmodell weiß, wie eine gute Antwort auf eine Anfrage klingt. Es weiß nicht, welche drei Projekte Ihres Büros dem Fall der Interessentin am nächsten kommen, was dabei herauskam und welche dieser Angaben Sie belegen können. Fehlen diese Angaben, schreibt es die allgemeinste Fassung, die passt. Manchmal setzt es eine Zahl ein, die gut klingt und in keiner Ihrer Unterlagen steht.

Ein Leitfaden zur Tonalität ändert daran wenig. Er regelt, wie ein Text klingt, und sagt nichts darüber, was in ihm stimmt. Diesen Unterschied beschreibt der Beitrag Brand Voice mit KI: wenn der Ton stimmt und der Inhalt nicht. Auch das Modell taugt nicht zur Abgrenzung, denn Ihre Wettbewerber nutzen dieselben:

Qualität des KI-Outputs = Wahl des KI-Modells × alle Informationen über Ihre Marke

Das Modell ist für alle gleich. Den Unterschied macht, ob und wie Ihre Daten KI-lesbar hinterlegt sind.

Für den Kaufweg heißt das: Die KI, die Ihnen die Interessentin geschickt hat, und die KI, mit der Sie ihr antworten, sind womöglich dieselbe. Was die Antwort von der des Mitbewerbers unterscheidet, ist allein das, was Ihre KI über Sie weiß.

Wie sieht die Strecke danach aus, wenn Ihr Wissen hinterlegt ist?

Die Antwort geht auf den Fall der Interessentin ein, und jede Behauptung hat eine Fundstelle. Im Büro aus dem Beispiel fragt der Inhaber seinen Assistenten: „Welche Umbauten im laufenden Betrieb haben wir geplant, und was davon können wir belegen?“ Der Assistent kennt die Projektliste, den Leistungskatalog, die Referenzen und den Ton des Büros. Er nennt zwei passende Projekte und zeigt, wo die Angaben stehen. Aus demselben Wissen entsteht der Entwurf der Antwortmail und zwei Tage später das Angebot, im Ton des Büros und ohne neues Briefing. Bevor das Angebot hinausgeht, markiert eine Prüfung jede Aussage, für die es keinen Beleg gibt.

Das ist die Idee hinter dem KI-Markengehirn: Das Wissen über Ihre Firma steht dort bereit, wo Antworten, Angebote und Präsentationen entstehen. Gespart wird dabei der Abend des Inhabers. Gewonnen wird die Interessentin, die nach dem Nachprüfen sonst abgesprungen wäre. Wie Angebote und Präsentationen aufgebaut sein müssen, damit die KI darin nichts erfinden muss, zeigt der Beitrag über Angebote, Verträge und Präsentationen mit KI.

Ein weiterer Gedanke reicht über den ersten Auftrag hinaus. Bei Routinekäufen läuft die erste Wahl über Kundenkonto und Bestellhistorie einfach weiter, und wer bei ihr fehlt, kommt schwer zurück. Gemessen hat das niemand, es ist eine Ableitung. Wer von Folgeaufträgen und Empfehlungen lebt, kennt das Muster trotzdem: Der erste Auftrag entscheidet über den zweiten.

Legen Sie heute Abend drei Unterlagen nebeneinander: Ihre Website, Ihre letzte Antwort auf eine Anfrage und Ihr letztes Angebot.

Findet ein Fremder darin seinen eigenen Fall wieder, und könnte er jede Aussage nachprüfen?

Wenn nicht, hat die KI Ihnen den Kunden geschickt, und Ihre Unterlagen haben ihn weitergereicht.

Welche Ihrer Unterlagen hält dem Nachprüfen heute stand, und welche könnte von jedem Anbieter stammen? Das sehen wir uns im kostenlosen KI-Marken-Check an Ihren eigenen Unterlagen an.

Termin vereinbaren →

Quellen: Forrester, Barbara Winters, „The State Of Business Buying: Risk-Averse Buyers Demand Proof, Not Promises“, 21. Januar 2026 (Aussagen sinngemäß aus dem Englischen übertragen). Semrush, „How AI tools shape the B2B buying process“, 8. Juli 2026 (Befragung eines Softwareanbieters, 519 KI-Nutzer in US-Firmen). Deloitte, Presseinformation zur Nutzung von KI beim Einkaufen in Europa, 13. Juli 2026. L. G. Uberti-Bona Marin u. a., „Auditing AI-Generated Product Recommendations“, arXiv 2609.18729, September 2026 (Preprint). F. Salvi, A. Cuevas, M. Horta Ribeiro, „Commercial Persuasion in AI-Mediated Conversations“, arXiv 2604.04263, April 2026 (Preprint). X. Chu, Y. Hou, „Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems“, arXiv 2606.17443, Juni 2026 (Preprint, Simulation). CNBC, „OpenAI revamps shopping experience in ChatGPT after Instant Checkout“, 24. März 2026.