AI-Sales-Rollen 2030: die Rückkehr des Full-Cycle Sellers

AI ersetzt nicht den Verkäufer. Sie ersetzt die Maschinerie um ihn herum: Recherche, Vorbereitung, Dokumentation, CRM-Pflege, Routine-Follow-up. Übrig bleibt ein AI-nativer Full-Cycle Seller, der die Kundenbeziehung vom ersten Signal bis zum Renewal besitzt. Der dauerhafte Vorsprung ist nicht der Agent, sondern das Kundengedächtnis: jedes Signal verbunden und abrufbar, wenn ein Mensch oder ein Agent es braucht.
Die einzige Sales-Rolle, die AI vielleicht überlebt, ist der Verkäufer.
Nicht der SDR, nicht der Account Executive, nicht der Customer Success Manager, nicht der Account Manager. Ein Full-Cycle Seller, der die Kundenbeziehung vom ersten Signal bis zum Renewal besitzt, mit Agenten im Rücken, die den unsichtbaren Teil der Arbeit erledigen.
Das ist das Paradox aus einer aktuellen Folge von The Science of Scaling mit Day-AI-Gründer Christopher O'Donnell. AI räumt viele spezialisierte Sales-Rollen ab und bringt gleichzeitig den Verkäufer zurück. Ich habe die Folge zweimal gehört. Das Paradox hält.
Ein konstruiertes Beispiel, das du vermutlich kennst: Eine Account Executive in einer 60-Personen-SaaS-Firma bereitet den Renewal-Call für einen Schlüsselkunden vor. Die CSM, die den Account betreut hat, ist letzten Monat gegangen. Die Notizen liegen im CRM, in drei Slack-Kanälen und in der Inbox der ehemaligen Kollegin. Der letzte CRM-Eintrag sagt: «alles gut, Q3 nachfassen». Sie geht in den Call und weiss nichts von der offenen Support-Eskalation. Der Kunde fragt, warum das niemand erwähnt hat. Der Deal überlebt. Das Vertrauen nicht ganz.
Das ist kein AI-Problem. Das ist ein Staffellauf-Problem, und AI macht es schneller und lauter.
Sales hat nicht als Staffellauf begonnen. Eine Person hat den Kunden gefunden, das Problem verstanden, den Deal gewonnen und die Beziehung gehalten. Mit dem Wachstum wurde dieser Job zerlegt: SDR, AE, CSM, AM, Support, RevOps. Jede Funktion wurde für sich effizienter. Der Kunde erlebte mehr Übergaben, und bei jeder ging Kontext verloren.
Produktentwicklung ist denselben Weg gegangen. Aus einem Generalisten wurde eine Kette aus Product Manager, Designer, Frontend, Backend, Data, QA und Ops. AI ändert die Ökonomie, die beide Ketten sinnvoll gemacht hat. Ein fähiger Generalist deckt wieder mehr Boden ab, ohne so zu tun, als hätte er jede Spezialisten-Fähigkeit.
Was du lernst
- Welche Metrik die AI-Adoptionsrate ersetzt, und warum «unser Team nutzt AI» nichts über dein Sales-System sagt
- Wie du die Rolle eines AE in Jobs zerlegst, die ein Agent übernehmen kann, und welche beim Menschen bleiben
- Wo der Staffellauf von SDR zu AE zu CSM zusammenfällt, und wo Spezialisten bleiben
- Warum das Kundengedächtnis der Burggraben ist und der Agent nicht
Meine These: AI ersetzt nicht den Verkäufer, sondern die Maschinerie um ihn herum
Recherche, Vorbereitung, Dokumentation, System-Updates, Analyse und Routine-Follow-ups wandern zu Agenten. Was beim Menschen bleibt und knapper wird: Vertrauen, Urteil, Geschmack, Neugier, Beziehung und Verantwortung.
Das ist keine Behauptung, dass ein Modell eine Revenue-Organisation alleine fahren kann. Es ist ein Argument über Organisationsdesign. Wenn Koordination und Routine-Ausführung billig werden, wird der Grund schwächer, eine Kundenbeziehung auf sechs Leute zu verteilen.
Ich zeige das in vier Schritten: Metrik, Delegation, Org-Chart, Gedächtnis. Der letzte ist der stärkste, deshalb kommt er zuletzt.
Was ersetzt die AI-Adoptionsmetrik?
Work Product. Lizenzen, Prompts und wöchentlich aktive User zu zählen sagt dir, dass Leute AI angefasst haben. Es sagt dir nicht, ob dein Sales-System besser geworden ist. Die bessere Frage lautet: Was verlässt das System anders als vorher?
In der Folge stellen Mark Roberge und Christopher O'Donnell härtere Hypothesen auf. Kann ein Seller von rund 25% der Woche im Kundengespräch auf 75% kommen? Kann ein Manager 14 Seller führen statt sieben? Kann sich der Output pro Rep verdoppeln? Das sind keine Benchmarks. Das sind testbare Betriebsfragen aus einem Gespräch, und so solltest du sie behandeln.
Der Unterschied ist nicht akademisch. «Unser Team hat AI eingeführt» ist eine Aktivitätsaussage. «Unsere Seller verbringen zwei Tage pro Woche mehr beim Kunden, und die Forecast-Qualität hält» ist eine Work-Product-Aussage. Nur die zweite gehört ins Board-Deck.
Eine brauchbare Scorecard beginnt bei dem, was das System verlässt:
- Kundenzeit pro Seller
- Zeit vom Meeting bis zum korrekten Follow-up
- Vollständigkeit und Aktualität des Account-Kontexts
- Qualifizierte Opportunities pro Seller
- Führungsspanne ohne Verlust an Coaching-Qualität
- Retention und Expansion nach der Unterschrift
Dieselbe Disziplin gilt für jedes AI-Programm im Vertrieb: ein messbarer Engpass, keine breite Adoptionskampagne. Wie das konkret aussieht, steht in wie du mit KI im B2B Sales startest.
Warum brauchen Agenten Jobs statt Prompts?
Ein Prompt verlangt einen Output. Ein Job definiert eine laufende Verantwortung: den Kontext, den er braucht, die Grenzen, den Review-Punkt und das Ergebnis. Agenten, die Prompts bekommen, liefern Volumen. Agenten, die Jobs bekommen, liefern Arbeit, die jemand prüfen und übernehmen kann.
Nimm einen Mid-Market Account Executive. Die Rolle enthält viele Jobs, die den AE nicht brauchen:
- Account-Brief vor dem Meeting vorbereiten
- Produktnutzung und Support-Historie zusammenziehen
- Follow-up entwerfen und offene Entscheide auflisten
- CRM- und Forecast-Felder nachführen
- Vergleichen, was sich seit dem letzten Gespräch geändert hat
- Risiken, Kaufsignale und fehlende Stakeholder markieren
Das sind bessere Agenten-Jobs als «hilf mir, diesen Account zu verkaufen». Jeder hat Inputs, einen wiederholbaren Ablauf und einen Moment, in dem ein Mensch das Resultat prüft.
Der Job des Sellers wird dadurch klarer, nicht kleiner: das Gespräch führen, hören, was nicht gesagt wird, Vertrauen verdienen, urteilen und den Entscheid tragen. Ein Agent kann eine Meinung vorbereiten. Er kann keine Verantwortung für die Beziehung tragen.
Deshalb enttäuscht schlechte Automatisierung so oft. Das Team kauft ein Tool, schreibt einen cleveren Prompt und lässt den Job undefiniert. Der Agent hat kein stabiles Ziel, keine Quellen-Hierarchie und keine Definition von fertig. Ein praktisches Delegationssystem beginnt damit, die Rolle in Job-Beschreibungen zu zerlegen, so wie ein agentenfähiges GTM-Ticket vage Arbeit in einen ausführbaren Auftrag verwandelt. Und bevor du delegierst, kartierst du den Prozess, so wie es ein Forward Deployed Engineer tun würde.
Was passiert, wenn das Org-Chart zu schmelzen beginnt?
Der Staffellauf von SDR zu AE zu CSM zu AM fällt in Richtung Full-Cycle Seller zusammen. Nicht überall und nicht über Nacht. Aber die Grenze zwischen «vor dem Deal» und «nach dem Deal» wird schwer zu verteidigen, sobald ein Mensch die ganze Kundenhistorie abrufen und die Arbeit darum herum delegieren kann.
Das stärkste Gegenargument nehme ich ernst: Die Spezialisierung hatte Gründe. SDRs existieren, weil Volumen und Ramp-Zeit billig sein mussten. Enterprise-Deals brauchen Teams mit Solutions Architects und Procurement-Erfahrung. Generalisten können flach werden. Das bleibt wahr. Was sich ändert, ist nicht, dass Expertise verschwindet. Es braucht weniger Übergaben, um sie anzuwenden.
Dieselbe Rekombination siehst du in Product und Engineering. Designer bauen funktionierende Prototypen. Engineers sichten Kundenbelege selbst. Product-Leute fragen Daten direkt ab. O'Donnell beschreibt bei Day AI einen «Agent Engineer» als Beispiel für eine hybride Rolle, kommerziell und technisch zugleich. Der Titel ist weniger wichtig als die Form: nah genug am Kunden, um den Job zu verstehen, technisch genug, um Agenten dagegen nützlich zu machen.
Daraus entsteht ein Innovator's Dilemma für Organisationsdesign. Ein Startup stellt fünf Leute mit dem neuen Profil ein. Ein etabliertes Unternehmen hat vielleicht fünfhundert Leute, deren Karrieren, Anreize und Systeme an der alten Spezialisierung hängen. Das Startup hat nicht die besseren Modelle. Es kann die Arbeit schneller neu zuschneiden.
Die Antwort für Etablierte ist nicht, Funktionen im Spreadsheet zu löschen. In Deutschland sitzt bei so etwas ohnehin der Betriebsrat mit am Tisch. Die Antwort ist, zu testen, wo Kontinuität die Kundenerfahrung verbessert, und dann um breitere Ownership herum umzuschulen. Der State of Go-to-Market 2026 zeigt schon kleinere AI-gestützte Teams: 45 statt 65 FTE im Band von 25 bis 100 Millionen Umsatz. Aber Teamgrösse ist ein Resultat. Die Designfrage lautet: Wer besitzt den Kunden, wenn die Maschinerie billig wird?
Warum ist das Kundengedächtnis der echte Burggraben?
Weil Agenten zur Massenware werden. Modelle verbessern sich, Agenten-Frameworks gleichen sich an, nützliche Skills werden schnell kopiert. Dieselben Recherche-, Schreib- und Workflow-Fähigkeiten stehen jedem Wettbewerber zur Verfügung. Was anders bleibt, ist, was der Agent über diesen Kunden, diese Firma und diesen Moment weiss.
Ich habe den Verkauf eines CRM an Swisscom geführt. Ich halte CRM also nicht für tot. Aber das CRM ist ein Input, nicht die ganze Wahrheit. Der Kunde existiert auch in Meeting-Transkripten, E-Mails, Slack, Support-Fällen, Produktnutzung, Verträgen, Implementierungsnotizen, Call-Aufnahmen und in Entscheiden, die es nie in ein Feld geschafft haben. Das relationale System verschwindet nicht. Es wird Teil einer breiteren Gedächtnisschicht.
Diese Schicht braucht drei Eigenschaften:
- Abdeckung. Sie verbindet die relevanten Kundensignale über Systeme hinweg, statt eine Datenbank für vollständig zu halten.
- Berechtigungen. Menschen und Agenten holen nur, was sie sehen dürfen. Sensibles wird bewusst behandelt.
- Abruf. Sie bringt das richtige Fragment an den Punkt der Arbeit, statt das ganze Archiv in jeden Prompt zu kippen.
Das ist das stärkste Argument, weil es erklärt, warum so viel AI-Sales-Output schlecht ist. Ein generischer AI-SDR hat vielleicht ein gutes Modell und eine polierte Sequenz. Er schickt trotzdem irrelevante Nachrichten, weil er nicht weiss, dass der Prospect letzten Monat eine Sicherheitsfrage gestellt hat, in der letzten Rolle ein Konkurrenzprodukt nutzte, gestern an einem Webinar war und ein offenes Support-Ticket hat.
Das ist ein Kontext-Fehler, bevor es ein Modell-Fehler ist. Verstreutes Wissen, also Kundenwissen, das in Köpfen, Tools und Chats verteilt liegt, wird durch AI nicht repariert. AI macht es schneller und lauter.
Die dauerhafte Fähigkeit ist nicht, mehr Wörter zu erzeugen. Sie besteht darin, das richtige Stück Organisationsgedächtnis zu holen, wenn ein Seller oder ein Agent es braucht. Ein brauchbares Kundendaten-System für B2B-Sales muss deshalb Bedeutung über die ganze Beziehung bewahren, nicht nur mehr Felder füllen.
Persistentes Gedächtnis löst auch das Übergabeproblem von oben. Die AE aus dem Beispiel hätte die offene Eskalation gesehen, bevor sie den Call öffnet. Ein Kunde sollte seine Geschichte nicht neu erzählen müssen, weil ein SDR ihn an einen AE übergeben hat oder weil die AE gegangen ist. Die Organisation sollte sich erinnern. Der menschliche Owner darf wechseln, ohne dass die Beziehung auf null zurückfällt.
Was tust du als Sales-Leader am Montag?
Nicht mit dem künftigen Org-Chart beginnen. Mit einer Customer Journey beginnen und die Arbeit darum herum kartieren.
- Wähle einen Seller. Jemanden mit gutem Urteil und genug Breite, um mehr vom Cycle zu besitzen.
- Liste die Jobs rund um die Beziehung. Trenne Gespräch und Entscheid von Vorbereitung, Dokumentation, Abruf und Routine-Follow-up.
- Delegiere drei schmale Jobs. Gib jedem Agenten Quellen, Grenzen, einen Review-Punkt und eine Work-Product-Metrik.
- Baue das Gedächtnis mit. Verbinde das Minimum an Kundensignalen, das diese Jobs brauchen, und kläre Zugriffe, bevor du skalierst.
- Miss Kontinuität. Kundenzeit, Follow-up-Qualität, Vollständigkeit des Kontexts und Resultate nach dem Verkauf.
Das Ziel ist nicht zu beweisen, dass eine Person sechs alte Jobs kann. Das Ziel ist herauszufinden, welche Teile dieser Jobs Maschinerie waren, welche Expertise und welche einen vertrauten menschlichen Owner brauchen.
Wo das funktioniert, wo nicht, und die Falle
✅ Was funktioniert. Mid-Market-Deals mit klarer Produktnutzung, wo ein Seller mit Agenten im Rücken die Beziehung von Signal bis Renewal halten kann. Dort fällt mit jeder gestrichenen Übergabe ein Stück Kontext-Verlust weg, und der Kunde merkt es.
❌ Was nicht funktioniert. Enterprise-Deals mit zwölf Stakeholdern, Security-Review und Procurement. Dort bleibt das Team, und der Full-Cycle Seller ist der Owner, nicht der Alleinunterhalter. Und die Zahlen aus der Folge, 25 auf 75% Kundenzeit, 7 auf 14 Seller pro Manager, sind Hypothesen der beiden Gesprächspartner, keine Benchmarks. Teste sie, zitiere sie nicht.
⚠️ Warnung. Die Falle ist, den Agenten vor dem Gedächtnis zu kaufen. Ein AI-SDR auf einem leeren CRM skaliert die Irrelevanz. Erst die Signale verbinden und die Zugriffe klären, dann delegieren.
Zurück zum Anfang. Die einzige Sales-Rolle, die AI vielleicht überlebt, ist der Verkäufer. Ein Mensch besitzt die Beziehung von Anfang bis Ende. Agenten bereiten die Arbeit vor, halten Systeme aktuell, zeigen Risiken und holen die relevante Historie. Ich nenne das Get Multiplayer: Menschen setzen Ziele, entscheiden und geben frei. Agenten bereiten vor und übernehmen wiederkehrende Aufgaben. Gemeinsame Ziele und gemeinsamer Kontext halten die Arbeit zusammen. Die Maschinen vergessen nicht. Der Mensch entscheidet, was zählt.
Je billiger die Ausführung, desto wertvoller werden Vertrauen, Urteil und Kundenverständnis. Der Seller von 2030 sieht weniger aus wie die letzte Station einer Pipeline und mehr wie die Person, um die Sales ursprünglich gebaut wurde.
Wenn du pro Woche eine solche Operator-Notiz zu Product, GTM und AI lesen willst: abonniere den Newsletter The Science of GTM.
Häufige Fragen
- Ersetzt AI bis 2030 die Verkäufer?
- In der Folge von The Science of Scaling argumentieren Mark Roberge und Christopher O'Donnell, dass AI eher die Maschinerie rund um den Verkauf ersetzt als den Menschen, der die Beziehung besitzt. Recherche, Dokumentation, CRM-Pflege, Analyse und Routine-Follow-up können zu Agenten wandern. Urteil, Vertrauen und Verantwortung bleiben menschliche Arbeit.
- Was ist ein AI-nativer Full-Cycle Seller?
- Ein AI-nativer Full-Cycle Seller besitzt die Kundenbeziehung vom ersten Signal über den Deal bis zu Retention und Expansion. Agenten unterstützen diese Person mit Vorbereitung, Abruf, Dokumentation und wiederkehrender operativer Arbeit. Der Mensch entscheidet und trägt die Verantwortung. Weniger Übergaben heisst weniger verlorener Kontext.
- Welche Sales-Rollen wachsen mit AI zusammen?
- Die Grenzen zwischen SDR, AE, CSM und AM werden schwächer, weil ein Seller mit Agenten-Unterstützung mehr vom Kundenzyklus abdecken kann. Spezialisten bleiben nützlich, vor allem in komplexen Enterprise-Deals mit Security-Review und Procurement. Es braucht aber weniger Übergaben, um ihre Expertise anzuwenden.
- Warum ist das Kundengedächtnis wichtiger als der AI-Agent?
- Agenten-Fähigkeiten werden zur Massenware, jeder Wettbewerber bekommt dieselben Modelle und Frameworks. Nützlicher Output hängt davon ab, ob der richtige Kundenkontext aus Meetings, E-Mail, Support, Produktnutzung und CRM abgerufen wird, mit passenden Berechtigungen, genau in dem Moment, in dem ein Mensch oder ein Agent ihn braucht. Das ist ein Kontext-Fehler, bevor es ein Modell-Fehler ist.
- Wie misst ein Sales-Team den Wert von AI?
- Am Work Product, nicht an der Adoption. Brauchbare Masse sind Kundenzeit pro Seller, Geschwindigkeit und Qualität des Follow-ups, Vollständigkeit des Account-Kontexts, qualifizierte Opportunities pro Seller, Führungsspanne ohne Verlust an Coaching-Qualität sowie Retention und Expansion nach der Unterschrift. Wie viele Leute ein Tool nutzen, sagt dagegen wenig über seinen Wert.
Serial Entrepreneur, Autor
Marc arbeitet an der Schnittstelle von Product × GTM × AI und baut B2B-Software-Firmen mit Menschen und Agenten. Mit 16 hat er sein erstes Software-Unternehmen gegründet, seit zwanzig Jahren arbeitet er dort, wo Software-Produktmanagement auf Go-to-Market trifft. Co-Founder von Teklens, dem Company Brain für Tech-Firmen.