Wie Sie mit KI-Preisempfehlungen Marge sichern, ohne Ihre Kunden zu verprellen

Viele Geschäftsführer im B2B-Mittelstand sehen es in der GuV, aber selten steht es klar im Reporting: Die Marge sinkt schleichend, weil Preise nicht systematisch an Kosten, Wettbewerb und Zahlungsbereitschaft angepasst werden. Laut Bitkom 2025 verfügen 38 Prozent der Mittelständler zwar über eine dokumentierte Preisstrategie, aber ohne KI-Unterstützung. In einem Umfeld mit schwankenden Rohstoffpreisen, wachsendem Wettbewerbsdruck und gut informierten Einkäufern ist das ein Risiko.

KI-Preisfindung im B2B-Mittelstand bedeutet nicht, dass ein Algorithmus alle Preise ersetzt. Es geht um strukturierte Unterstützung: klare Preiskorridore, begründete Rabattempfehlungen, die Nutzung von Wettbewerbsdaten und eine saubere Margenkontrolle. Dieser Beitrag zeigt, wie Sie von statischen Preislisten zu einer KI-gestützten Preislogik kommen, ohne Ihre Vertriebsmannschaft zu überfordern oder Kundenbeziehungen zu gefährden.

Warum statische Preislisten 2026 Marge kosten

Statische Preislisten waren lange hilfreich. Sie gaben dem Vertrieb Orientierung, reduzierten Diskussionen und sorgten für eine gewisse Preiskonsistenz. 2026 kehrt sich dieser Vorteil jedoch zunehmend um. Einkaufsteams haben tagesaktuelle Marktpreise, Vergleichsangebote und historische Konditionen in Sekunden vorliegen. Eine Preisliste, die einmal im Jahr angepasst wird, wirkt in diesem Umfeld träge.

Hinzu kommt die Komplexität im B2B: kundenspezifische Rahmenverträge, projektbezogene Sonderkonditionen, Staffelpreise, Währungseffekte und Bonuslogiken. In vielen mittelständischen Unternehmen liegt dieses Wissen in einzelnen Köpfen oder in verstreuten Excel-Dateien. Die Folge: Ein Vertriebsmitarbeiter gibt 3 Prozent Rabatt, ein anderer 15 Prozent, obwohl die Ausgangslage vergleichbar ist. Margenpotenzial bleibt liegen oder wird unkontrolliert verschenkt.

Studien zeigen, dass hier ein erheblicher Hebel liegt. Große Strategieberatungen 2025 kommt zu dem Ergebnis, dass KI-gestütztes Pricing die Marge im B2B-Mittelstand um 2 bis 5 Prozentpunkte erhöhen kann, wenn Datenbasis, Governance und Umsetzung stimmen. Der Effekt entsteht nicht durch spektakuläre Preisexperimente, sondern durch viele kleine, konsistent bessere Entscheidungen im Tagesgeschäft.

Statische Preislisten als versteckte Margenlücke

Die größte Schwachstelle klassischer Preislisten ist selten der Listenpreis selbst, sondern die unkontrollierte Rabattpraxis im Tagesgeschäft. KI-gestützte Preiskorridore und Rabattempfehlungen adressieren genau diese Lücke und machen Margenentscheidungen nachvollziehbar.

Ein weiterer Punkt sind Wettbewerbsdaten. Viele B2B-Unternehmen wissen wenig über die tatsächlichen Marktpreise Ihrer Wettbewerber. Informationen aus Ausschreibungen, Kundenrückmeldungen oder öffentlichen Quellen werden selten systematisch erfasst. Eine KI-gestützte Wettbewerbs-Intelligence kann hier Muster erkennen, Preisspannen ableiten und dem Vertrieb Hinweise geben, wo Spielraum besteht und wo nicht. Wer KI-Wettbewerbspreise strukturiert auswertet, reduziert Blindflüge in Verhandlungen deutlich.

Drei Stufen: Excel-Heuristik, Pricing-Engine und KI-Empfehlung

Viele Mittelständler fragen sich, wie sie von der heutigen Situation zu einer KI-gestützten Preislogik kommen, ohne sich zu überheben. Aus Sicht von sensified hat sich ein dreistufiges Vorgehen bewährt. Jede Stufe hat klare Ziele, Verantwortlichkeiten und messbare Ergebnisse.

Stufe 1: Excel-Heuristik strukturieren

In der ersten Stufe wird das, was heute ohnehin passiert, sichtbar gemacht. Rabattregeln, Zuschläge, typische Projektkonstellationen und Erfahrungswerte werden aus Köpfen und verstreuten Dateien in ein konsistentes Modell überführt. Das kann zunächst in Excel oder in einem einfachen internen Tool abgebildet werden.

Wichtig ist, dass Sie an dieser Stelle die Datenbasis für spätere KI-Modelle legen. Dazu gehören eine saubere Historie von Angeboten, Aufträgen, Rabatten, Margen und verlorenen Deals. Wer hier strukturiert arbeitet, schafft die Grundlage für spätere KI-Preiskalkulationen im Maschinenbau oder im Handel, ohne sofort eine komplexe Plattform aufzubauen.

Stufe 2: Regelbasierte Pricing-Engine

In der zweiten Stufe wird aus der strukturierten Heuristik eine regelbasierte Pricing-Engine. Diese Engine berechnet auf Basis definierter Parameter wie Kundensegment, Produktgruppe, Projektgröße und Wettbewerbssituation einen Zielpreis und einen zulässigen Preiskorridor. Der Vertrieb behält die Entscheidungshoheit, bewegt sich aber innerhalb klarer Leitplanken.

Typische Funktionen in dieser Stufe sind automatische Vorschläge für Listenpreise, systematische Anpassung der Preisliste mit KI-Unterstützung an Kostenentwicklungen oder Warnungen, wenn ein Angebot unter eine definierte Mindestmarge fällt. Für viele Unternehmen ist dies bereits ein großer Schritt in Richtung KI-gestützte Margenoptimierung, weil Transparenz und Disziplin im Pricing steigen.

Stufe 3: KI-Empfehlung und Dynamic Pricing

In der dritten Stufe kommen KI-Modelle hinzu. Sie analysieren historische Daten, erkennen Muster in gewonnenen und verlorenen Angeboten und leiten daraus Empfehlungen ab. Im B2B-Kontext bedeutet KI-Dynamic-Pricing nicht, dass sich Preise minütlich ändern. Es geht um eine feinere Differenzierung nach Kundensegmenten, Regionen, Projektarten und Wettbewerbssituationen.

Ein KI-Modell kann zum Beispiel erkennen, dass bestimmte Kundengruppen bei Serviceleistungen weniger preissensibel sind, während bei standardisierten Komponenten der Wettbewerb härter ist. Auf dieser Basis schlägt das System differenzierte Preiskorridore vor. Der Vertrieb sieht nicht nur einen Preis, sondern auch die geschätzte Gewinnwahrscheinlichkeit und Marge. So entsteht eine fundierte Entscheidungsgrundlage, ohne den Menschen aus der Entscheidung zu nehmen.

sensified setzt in dieser Stufe häufig auf ein KI-Projekt zum Festpreis, typischerweise mit einem achtwöchigen Pilot. In den Phasen Discovery, Design, Build und Operate wird zunächst ein begrenzter Anwendungsfall umgesetzt, etwa KI-Wettbewerbspreise für eine definierte Produktgruppe oder KI-gestützte Rabattempfehlungen für ein Kernsegment. Nach einem erfolgreichen Pilot erfolgt die vollständige Code-Übergabe an den Kunden, der die Lösung eigenständig weiter betreiben oder mit der sensified-KI-Plattform kombinieren kann.

Drei Stufen statt Big Bang

Wer KI-Preislogik in drei klaren Stufen einführt, senkt Projektrisiko und Widerstände im Vertrieb. Erst wenn Heuristiken und Regeln stabil funktionieren, lohnt sich der Schritt zur KI-Empfehlung mit Dynamic Pricing.

Wann sich klassische KI-Beratungen lohnen und wo Festpreis-Implementierung sinnvoll ist

Viele Mittelständler haben bereits Erfahrungen mit klassischen KI-Beratungen oder großen Strategieberatungen gesammelt. Diese sind hilfreich, wenn es um grundsätzliche Strategiediskussionen, Marktanalysen oder eine unternehmensweite KI-Roadmap geht. Für konkrete Anwendungsfälle wie KI-Preislogik im B2B-Alltag stoßen offene Time-and-Material-Modelle jedoch oft an Grenzen.

Zum einen ist die Budgetplanung schwierig, wenn Aufwand und Ergebnis nicht klar umrissen sind. Zum anderen bleibt nach dem Projekt häufig unklar, wem die technische Lösung gehört und wie sie weiterbetrieben wird. Hier setzt sensified bewusst anders an. Statt offener Strategiepapiere stehen drei klar definierte Modelle im Vordergrund: KI-Projekt, KI-Plattform und KI-Result.

Beim KI-Projekt erhält der Kunde eine konkret implementierte Lösung, etwa eine Pricing-Engine mit KI-Empfehlungen für definierte Produktgruppen. Umfang, Dauer und Preis sind vorab festgelegt, typischerweise als achtwöchiger Pilot. Am Ende steht nicht nur ein Konzept, sondern produktiver Code, der vollständig an den Kunden übergeben wird. Dieser entscheidet, ob er intern weiterentwickelt oder die Lösung auf der sensified-KI-Plattform betreiben möchte.

Die KI-Plattform eignet sich für Unternehmen, die mehrere Anwendungsfälle bündeln wollen, etwa KI-Preisempfehlungen, Dokumentenverarbeitung und Angebotskonfiguration. Sie erhalten eine gemanagte Infrastruktur mit Multi-LLM-Fähigkeiten, Retrieval-Komponenten, Monitoring und Auditierbarkeit, gehostet in der EU und TISAX-konform. So reduzieren Sie Abhängigkeiten von großen Cloud-Anbietern und behalten die Kontrolle über Ihre Daten.

Für Unternehmen, die möglichst wenig eigenen Projektaufwand wollen, bietet sich KI-Result an. Hier liefert sensified fertige Ergebnisse, zum Beispiel geprüfte Angebotspreise oder freigegebene Rabattvorschläge, zu einem definierten Stückpreis. Die interne IT wird entlastet, es gibt keine Plattformlizenz und keine offenen Projektstunden. Gerade im Handel kann dies ein pragmatischer Einstieg in KI-Preislogik sein.

Praxisbeispiel: Handel

Ein mittelständischer technischer Großhändler mit mehreren regionalen Niederlassungen stand vor einem vertrauten Problem. Die Preisliste umfasste über 40.000 Artikel, die Aktualisierung erfolgte zweimal im Jahr. Dazwischen wurden Rabatte weitgehend frei vergeben. Die Einkaufsabteilungen der Industriekunden arbeiteten mit eigenen Preisdatenbanken und forderten Nachlässe mit Verweis auf Wettbewerbsangebote, die der Händler im Detail nicht kannte.

Im ersten Schritt wurden alle historischen Angebots- und Auftragsdaten der letzten drei Jahre konsolidiert. Es zeigte sich schnell, dass die Rabattpraxis stark von einzelnen Vertriebsmitarbeitern abhing. Manche lagen im Schnitt 6 Prozentpunkte unter dem Zielmargen-Niveau, andere deutlich darüber. Eine KI-gestützte Analyse identifizierte Produktgruppen, in denen der Händler systematisch unter Preis lag, und Segmente, in denen Kunden weniger preissensibel waren als angenommen.

Auf dieser Basis wurde eine regelbasierte Pricing-Engine eingeführt. Sie berechnete für jede Kombination aus Kundensegment, Produktgruppe und Auftragsgröße einen Zielpreis und einen zulässigen Preiskorridor. Der Vertrieb sah im System nicht mehr nur die Preisliste, sondern auch eine KI-gestützte Empfehlung, die historische Abschlüsse, Wettbewerbsinformationen und aktuelle Lagerbestände berücksichtigte. Die KI-Preisliste im Handel wurde so dynamischer, ohne Kunden mit ständig wechselnden Preisen zu irritieren.

Parallel wurde eine KI-gestützte Wettbewerbs-Intelligence aufgebaut. Öffentliche Preisquellen, Ausschreibungsdaten und Kundenrückmeldungen wurden systematisch erfasst und ausgewertet. Die KI-Wettbewerbspreise flossen nicht direkt in die Preisliste ein, sondern dienten als zusätzlicher Kontext für den Vertrieb. In Ausschreibungen konnte der Händler fundierter begründen, wann ein Preisnachlass gerechtfertigt war und wann nicht.

Nach sechs Monaten zeigte sich ein klares Bild. Die Marge stieg in den identifizierten Kernsegmenten spürbar, ohne dass relevante Kundenabsprünge zu verzeichnen waren. Der entscheidende Hebel war nicht auffälliges Dynamic Pricing, sondern konsequente Margendisziplin und Transparenz im Tagesgeschäft. Die Vertriebsleitung hatte erstmals eine durchgängige Sicht auf die Margenentwicklung nach Kundensegmenten und Produktgruppen.

Praxisbeispiel: Maschinenbau

Im Maschinenbau sind Preisentscheidungen oft noch komplexer. Es geht selten um Listenpreise einzelner Artikel, sondern um projektbezogene Angebote mit vielen Komponenten, Serviceanteilen und kundenspezifischen Anpassungen. Ein mittelständischer Maschinenbauer mit 280 Mitarbeitenden stand genau vor dieser Herausforderung. Die Angebotskalkulation erfolgte in einer Kombination aus ERP-Standardsoftware, Excel und individuellen Erfahrungswerten der Projektleiter.

sensified setzte hier ein KI-Projekt mit klarem Fokus auf die Angebotsphase auf. In der Discovery-Phase wurden zwei Jahre Angebots- und Auftragsdaten analysiert. Es zeigte sich, dass Projekte mit ähnlichem Umfang und technischer Komplexität mit sehr unterschiedlichen Margen verkauft wurden. Teilweise wurden Rabatte gewährt, die im Nachgang durch ungeplante Serviceaufwände die Wirtschaftlichkeit deutlich verschlechterten.

In der Design-Phase wurde ein Modell entwickelt, das technische Parameter der Maschine, Serviceumfang, Region, Kundensegment und Wettbewerbssituation berücksichtigt. Ziel war eine KI-Preiskalkulation im Maschinenbau, die für jedes Angebot einen Zielpreis, einen Mindestpreis und eine geschätzte Gewinnwahrscheinlichkeit liefert. Die Projektleiter sollten weiterhin entscheiden, aber auf Basis nachvollziehbarer Vorschläge.

Nach acht Wochen Pilotbetrieb wurden die Ergebnisse gemeinsam mit Vertrieb und Controlling ausgewertet. In den pilotierten Produktlinien stieg die durchschnittliche Marge nach neun Monaten um 3,4 Prozentpunkte. Dieser Wert stammt aus einem realen sensified-Case im Maschinenbau, bei dem eine Pricing-Engine eingeführt wurde, die KI-gestützte Empfehlungen mit klaren Regeln kombinierte. Gleichzeitig verkürzte sich die Angebotsfreigabezeit, weil Grenzfälle schneller identifiziert und eskaliert werden konnten.

Ein wichtiger Erfolgsfaktor war die Einbindung der Projektleiter. Die KI-Empfehlungen wurden transparent erklärt, inklusive der wichtigsten Einflussfaktoren. So entstand Vertrauen in das System. Niemand hatte das Gefühl, dass ein schwer nachvollziehbarer Algorithmus über Preise entscheidet. Stattdessen wurde die KI als zusätzlicher Kollege verstanden, der historische Daten besser auswerten kann als jeder Mensch, aber die finale Entscheidung dem Vertrieb überlässt.

Risiken: Kannibalisierung, Wahrnehmung und Compliance

KI-gestützte Preislogik ist kein Selbstläufer. Drei Risiken tauchen in Gesprächen mit Geschäftsführern und Vertriebsleitern immer wieder auf: Kannibalisierung bestehender Umsätze, negative Kundenwahrnehmung und regulatorische Fragen.

Kannibalisierung entsteht, wenn KI-Modelle zu stark Rabatte empfehlen, um Abschlusswahrscheinlichkeiten zu maximieren. Dieses Risiko lässt sich durch klare Margenuntergrenzen, Freigabeprozesse und eine bewusste Gewichtung von Marge und Abschlussquote im Modell begrenzen. KI-gestützte Margenoptimierung bedeutet nicht, jeden Auftrag um jeden Preis zu gewinnen, sondern das Portfolio aus profitablen und strategisch sinnvollen Deals zu steuern.

Die Wahrnehmung auf Kundenseite ist der zweite kritische Punkt. B2B-Einkäufer akzeptieren datenbasierte Argumentation, reagieren aber sensibel, wenn Preise willkürlich oder intransparent wirken. Deshalb ist es wichtig, KI-Dynamic-Pricing im B2B nicht als hektisches Hoch- und Runtersetzen von Preisen zu verstehen. Sinnvoll ist eine Kombination aus stabilen Listenpreisen, klar kommunizierten Konditionslogiken und intern dynamisch gesteuerten Rabatten.

Der dritte Punkt betrifft Compliance. KI-gestützte Preislogik muss sich im Rahmen von Kartellrecht, DSGVO und dem sich konkretisierenden EU AI Act bewegen. Das bedeutet unter anderem, dass personenbezogene Daten nur in zulässiger Form verarbeitet werden dürfen und dass Preisentscheidungen nachvollziehbar bleiben. sensified legt deshalb großen Wert auf Auditierbarkeit. Jede KI-Empfehlung lässt sich im Nachgang technisch und fachlich nachvollziehen, was für interne Revision, Datenschutzbeauftragte und gegebenenfalls Aufsichtsbehörden wichtig ist.

Gerade im Automotive-Umfeld oder in anderen TISAX-relevanten Branchen spielt zudem Informationssicherheit eine zentrale Rolle. KI-Modelle und Daten werden bei sensified in der EU gehostet, Zugriffe sind klar geregelt und protokolliert. So lassen sich KI-Preislogik und Compliance-Anforderungen in Einklang bringen, ohne dass Sie Ihre Daten in schwer einsehbare Umgebungen auslagern müssen.

KI-Pricing braucht Leitplanken

Ohne klare Margenuntergrenzen, Freigabeprozesse und Auditierbarkeit wird KI-gestützte Preislogik schnell zum Risiko. Mit den richtigen Leitplanken wird sie zu einem kontrollierten Hebel für profitablere Entscheidungen im Tagesgeschäft.

Einstieg: 60-Tage-Audit mit sensified

Viele Geschäftsführer fragen sich, wo sie konkret ansetzen sollen. Die Antwort hängt von Datenlage, Systemlandschaft und Vertriebsorganisation ab. Um hier schnell Klarheit zu schaffen, bietet sensified ein 60-Tage-Audit für KI-Preislogik im B2B-Mittelstand an. Ziel ist eine fundierte Standortbestimmung und ein umsetzbarer Fahrplan, kein weiteres Strategiepapiertheater.

Im ersten Schritt werden Datenquellen und bestehende Preislogiken analysiert. Dazu gehören ERP- und CRM-Daten, Excel-Modelle, Rabattfreigabeprozesse und vorhandene Reports. Parallel führt sensified strukturierte Interviews mit Vertrieb, Controlling und IT, um gelebte Praxis und informelle Regeln zu verstehen. Auf dieser Basis entsteht ein klares Bild, welche Stufe der drei beschriebenen Entwicklungsphasen realistisch ist.

Im zweiten Schritt werden ein oder zwei konkrete Anwendungsfälle priorisiert, etwa KI-Wettbewerbspreise für eine definierte Produktgruppe im Handel oder KI-gestützte Angebotskalkulation für ein Kernsegment im Maschinenbau. Für diese Use Cases erstellt sensified einen Pilotplan mit Aufwand, Zeitplan und erwartbaren Effekten. Wo sinnvoll, wird bereits ein Minimalmodell umgesetzt, das erste Empfehlungen liefert.

Am Ende des 60-Tage-Audits liegt ein klarer Vorschlag vor, wie ein Festpreis-KI-Projekt aussehen kann, welche Rolle die sensified-KI-Plattform spielen sollte und ob für bestimmte Prozesse ein KI-Result-Modell sinnvoll ist. Sie erhalten damit eine Entscheidungsgrundlage, die fachlich und technisch belastbar ist und die sich direkt in Ihre Budgetplanung übersetzen lässt.

Nächste Schritte

Wenn Sie prüfen wollen, wie groß der Hebel von KI-gestützter Preislogik in Ihrem Unternehmen ist ein strukturiertes Erstgespräch ein sinnvoller Einstieg. In 60 Minuten lassen sich Datenlage, Systemumfeld und Prioritäten so klären, dass ein realistischer Fahrplan entsteht. Auf Wunsch skizziert sensified bereits in diesem Gespräch, ob ein KI-Projekt, die KI-Plattform oder ein KI-Result-Modell der passendste Ansatz ist.

Buchen Sie dafür ein unverbindliches Strategiegespräch und bringen Sie idealerweise einen aktuellen Margenreport und ein Beispielangebot mit. So wird aus einer abstrakten Diskussion schnell eine konkrete Bewertung Ihrer Preisrealität und der möglichen Rolle von KI.