Ein B2B-Händler mit 15 Milliarden Dollar Umsatz, der agentische KI für die Preisgestaltung einsetzt, erzielte eine Margenverbesserung von über 50 Basispunkten — zusätzlich zu 200 Basispunkten, die bereits durch klassische Analytik realisiert wurden. Das ist die Kernaussage aus McKinseys B2B-Pricing-Studie 2026. Sie kursiert auf Branchenkonferenzen und ist korrekt — für diesen Betreiber, in diesem Maßstab.
Für einen mittelständischen Händler mit 50 bis 500 Kundenkonten und einem zweiköpfigen Vertriebsteam lautet die Frage nicht, ob KI-Pricing das leisten kann. Die Frage ist, ob die Bedingungen, die den Erfolg bei 15 Milliarden Dollar ermöglicht haben, auch in Ihrem Betrieb vorhanden sind — und ob die Jagd nach dynamischer Preisoptimierung die Marge verbessert oder still und leise jene Kundenbeziehungen kostet, die schwerer zu ersetzen sind als die angestrebten Basispunkte.
Der richtige Rahmen lautet nicht: „Sollen wir dynamisches Pricing einführen?” Sondern: „Bei welchen Preisentscheidungen hilft KI-Analyse, und welche sollten stabil bleiben?” Das sind zwei verschiedene Fragen mit zwei verschiedenen Antworten.
Was KI-Preistools tatsächlich leisten
Die Marketingversion von KI-Pricing lautet: Daten rein, optimale Preise raus. Die operative Version ist konkreter.
KI-Preistools — wie Pricefx, Zilliant, Vendavo oder die Preismodule in allgemeinen Vertriebsplattformen — erledigen vier Aufgaben:
1. Margenuntergrenze sichtbar machen. Sie berechnen auf SKU-Ebene die tatsächlichen Einstandskosten und die aktuell realisierte Marge. Viele Händler entdecken bei dieser Analyse erhebliche Margenstreuung auf SKU-Ebene — nicht wegen schlechter Entscheidungen, sondern weil die Preisgestaltung über Jahre schrittweise angepasst und nie systematisch auditiert wurde.
2. Wettbewerbspreise beobachten. Bessere Tools ziehen externe Preissignale — Listenpreise der Konkurrenz, Spotmarktpreise, veröffentlichte Referenzindizes — und markieren, wo die eigenen Preise deutlich über oder unter dem erkennbaren Marktniveau liegen.
3. Elastizitätsmodellierung. Für Konten mit Transaktionshistorie kann KI die Preissensitivität modellieren: Welche Kunden haben zu einem höheren Preis nachbestellt, welche haben das Bestellvolumen reduziert oder das Produkt gewechselt? Das ist ein nützlicher Input für eine Preisüberprüfung — kein Empfehlungssystem, das man ohne kommerzielle Urteilsschicht laufen lassen sollte.
4. Genehmigungsworkflow und Simulation. Reifere Plattformen ermöglichen „Was-wäre-wenn”-Szenarien vor der Umsetzung einer Preisänderung — Modellierung des Margeneffekts, der erwarteten Volumenänderung, des Nettoeffekts auf den Kontoumsatz — und leiten die Änderung vor dem Go-live durch eine Managementfreigabe.
Was sie nicht können: Kontowissen ersetzen. Das System weiß nicht, dass ein bestimmter Einkäufer jeden September nachverhandelt, dass ein treues Fünf-Jahres-Konto gerade drei Wettbewerber prüft, oder dass eine Produktkategorie unter Preisdruck steht, weil vor zwei Monaten ein neuer regionaler Wettbewerber in den Markt eingetreten ist. Dieser Kontext liegt beim Vertriebsteam.
Wo dynamisches Pricing im B2B-Vertrieb Wert schafft
Es gibt zwei Situationen, in denen KI-gesteuertes dynamisches Pricing im mittelständischen B2B-Vertrieb konsistent messbaren Ertrag bringt.
Situation 1: Neukunden-Preisgestaltung und RFQ-Antworten.
Bei Konten ohne lange Vorgeschichte reduziert Pricing-Unterstützung das Risiko, beim ersten Angebot Marge zu verschenken. Die KI kann einen Einstiegspreis auf Basis vergleichbarer Kontoprofile, Margenzielen der Produktkategorie und Wettbewerbsposition vorschlagen — und gibt dem Vertriebsteam einen begründeten Ausgangspunkt statt einer Zahl aus dem Bauchgefühl oder dem letzten Angebot.
Händler, die Pricing-Unterstützung für RFQ-Antworten eingeführt haben, berichten von 15–25 % weniger Zeit zwischen Angebotserstellung und Auftragseingang sowie verbesserter Marge bei Neukunden-Abschlüssen. Die KI schließt den Deal nicht — sie reduziert das interne Hin und Her, bevor das Angebot rausgeht.
Situation 2: Selten überprüfte SKUs.
Ein Händler mit 2.000+ SKUs hat zu jedem Zeitpunkt eine lange Produktliste, die seit 18 Monaten keine Preisüberprüfung hatte. Das sind oft Kategorien, in denen sich Kosten verändert haben (Kraftstoffzuschläge, Lieferantenpreiserhöhungen, Währungsschwankungen), die Listenpreise aber nicht angepasst wurden. Die vierteljährlich durchgeführte KI-Margenanalyse identifiziert systematisch, wo sich diese Lücke geöffnet hat. Die Trefferquote bei diesen Audits reicht üblicherweise aus, um die Toolkosten im ersten Quartal zu rechtfertigen.
Das ist kein dynamisches Pricing im Sinne von „Preise ändern sich wöchentlich”. Es ist eine systematische Überprüfung mit KI-Unterstützung, angewendet auf den langen Schwanz, den manuelle Prozesse zuverlässig übersehen.
Wo es Beziehungen beschädigt — der Vertrauenspreis, den die meisten Modelle ignorieren
B2B-Pricing funktioniert nicht wie Airline-Pricing. Die grundlegende Dynamik einer B2B-Händlerbeziehung besteht darin, dass der Einkäufer seine Beschaffung um Ihre Preise herum geplant hat. Wenn er eine Bestellung aufgibt, hat er bereits seinen Kunden kalkuliert, seine Marge berechnet und sich zur Lieferung verpflichtet. Eine Preisänderung zwischen der letzten und dieser Bestellung — selbst eine kleine — schafft ein Problem.
Die Simon-Kucher-Studie zu dynamischem Pricing im B2B-Industriebereich ist hierzu eindeutig: B2B-Einkäufer erwarten Preisstabilität als Teil der Lieferantenbeziehung. Häufige, intransparente Preisänderungen erzeugen vier Reaktionen, der Reihe nach: Verwirrung, ein Telefonat mit Ihrem Vertriebsmitarbeiter, Neuberechnung der eigenen Kundenpreise und schließlich ein Gespräch mit einem Wettbewerber über einen Rahmenvertrag. Die operative Reibung ist real und akkumuliert sich, bevor sie in den Bestelldaten sichtbar wird.
Am stärksten gefährdet sind mittelständische Händler in rohstoffnahen Kategorien — Chemikalien, Verpackung, Lebensmittelzutaten, Baumaterialien — wo Einkäufer preissensitiv sind und Alternativen verfügbar sind. Aggressives dynamisches Pricing in diesen Kategorien zur Basispunkt-Gewinnung auf der Upside kann Kundenverlust verursachen, der ein Vielfaches des Margengewinns kostet.
Das McKinsey-Ergebnis mit 50+ Basispunkten entstand aus einer ausgefeilten Implementierung mit transparenter Käuferkommunikation, kategoriespezifischen Regeln für flexible und stabile Produkte sowie einem Vertriebsteam, das Ausnahmegespräche geführt hat. Dieser Kontext ist genauso wichtig wie die Schlagzeile.
Für einen praxistauglichen Rahmen gilt das KI-Messvorgehen auch hier: Führen Sie einen kontrollierten Test mit einer definierten Teilmenge von SKUs oder Kontosegmenten durch, messen Sie den Margine- und Volumeneffekt mit einer sauberen Baseline und überprüfen Sie nach 90 Tagen vor der Ausweitung.
Die zwei Anwendungsfälle mit klarem ROI für mittelständische Betreiber
Auf Basis dessen, was im Mittelstand funktioniert (Händler mit 5 bis 100 Mio. Euro Jahresumsatz, 50 bis 500 aktive Konten), sind dies die zwei Anwendungsfälle mit klarem ROI:
Anwendungsfall 1: Margenuntergrenze-Monitoring und Ausnahme-Alerts.
Konfigurieren Sie Ihr Pricing-Tool — oder bauen Sie ein einfaches tabellenbasiertes Modell, wenn Sie noch nicht bereit für ein kostenpflichtiges Tool sind — so, dass jede aktive SKU markiert wird, deren aktueller Verkaufspreis innerhalb von 5 Prozentpunkten der Margenuntergrenze liegt. Das fängt Erosion ab, bevor sie zum Problem wird. Implementierungszeit: 2 bis 4 Stunden für eine Basisversion; 2 bis 4 Wochen für ein integriertes Tool-Deployment.
Erwarteter Ertrag: Händler mit konsequentem Margenuntergrenze-Monitoring identifizieren durchgehend 3–8 % ihrer aktiven SKU-Liste mit Margendrucksituationen, die ohne systematische Überprüfung nicht sichtbar waren. Die Korrektur dieser Fälle bedeutet echte Margenrückgewinnung, ohne Kundenbeziehungen zu berühren.
Anwendungsfall 2: Preisunterstützung für Neukunden und Spotverkäufe.
Bei Transaktionen außerhalb bestehender Rahmenverträge — Neukunden, Einzelbestellungen, Spotgeschäfte — reduziert KI-Preisunterstützung die Angebotsvarianz und verbessert die Durchschnittsmarge im Segment, in dem Ihr Vertriebsteam den geringsten historischen Kontext hat.
Dafür ist keine Enterprise-Pricing-Plattform erforderlich. Ein gut strukturiertes internes Referenzdokument, monatlich aktualisiert, mit SKU-Margenspannen, Wettbewerbsbenchmarks und Kontostufen-Richtlinien erfüllt fast dieselbe Funktion zu nahezu null Kosten. Die KI-Schicht fügt Elastizitätsmodellierung und Automatisierung hinzu; die zugrunde liegende Logik ist dieselbe.
Das ergänzt Produktempfehlungen im B2B-Vertrieb — beides sind Fälle, in denen die KI-Analyse von Bestellhistorie und Kontomustern bessere kommerzielle Entscheidungen liefert als reines Bauchgefühl, angewendet zum richtigen Moment in der Kundeninteraktion.
Was vor dem Einsatz eines Pricing-Tools vorhanden sein muss
Wenn Sie ein Pricing-Tool evaluieren, sind die Vorbedingungen genauso wichtig wie die Tool-Auswahl.
Saubere Kostendaten auf SKU-Ebene. Wenn Ihre Einstandskosten nicht korrekt im System hinterlegt sind — wenn Fracht, Zoll, Zuschläge und Lieferantenrabatte inkonsistent erfasst werden — arbeitet das Pricing-Tool mit falschen Margenzahlen. Garbage in, garbage out gilt hier direkt.
Transaktionshistorie nach Konto. Elastizitätsmodellierung erfordert ein aussagekräftiges Transaktionsvolumen pro Konto. Ein Händler mit 200 Konten und drei Jahren Bestelldaten hat genug. Ein Händler mit 50 Konten im ersten Jahr nicht. Im letzteren Fall hat die KI-Schicht nicht genug Signal, um über das kommerzielle Urteil hinaus Wert zu liefern.
Ein definierter Pricing-Governance-Prozess. Wer darf einen Preis ändern? Wer genehmigt Ausnahmen? Was ist der Überprüfungsrhythmus? KI-Pricing-Tools zeigen Chancen auf; ohne einen Prozess, um konsequent auf sie zu reagieren, produzieren sie einen Rückstand an Empfehlungen, den niemand umsetzt.
Kontosegmentierung. Nicht alle Konten sollten gleich bepreist werden. Ihre Top-10-Konten nach Umsatz haben wahrscheinlich ausgehandelte Rahmenverträge, die stabil bleiben sollten. Ihre gelegentlichen Käufer am langen Ende sind der Bereich, in dem Preissensitivitätsanalyse am nützlichsten ist. Vor dem Einsatz eines Pricing-Tools segmentieren Sie Ihren Kontobestand und definieren Sie, welche Regeln für welches Segment gelten.
Die Reihenfolge — ERP vs. KI-Tool vs. Pricing-Tool — wird in der KI vs. ERP: Was zuerst?-Analyse behandelt. Kurz gesagt: Pricing-Tools benötigen saubere Basisdaten, um zu funktionieren. Wenn Ihre ERP-Datenqualität schlecht ist, beheben Sie das zuerst.
Die Schlagzeile mit 50+ Basispunkten ist real. Aber sie kommt von Betreibern, die saubere Daten, einen definierten Prozess, eine Kontosegmentierungsstrategie und die kommerzielle Disziplin hatten, den KI-Output selektiv anzuwenden — nicht von Betreibern, die dynamisches Pricing eingeschaltet und den Algorithmus laufen ließen. Für mittelständischen B2B-Vertrieb ist der Ertrag aus KI-gestützter Preisgestaltung real und erreichbar; er sieht nur mehr nach systematischem Margenmonitoring und besserem RFQ-Support aus als nach dem „optimalen dynamischen Preis”-Framing aus dem Vendor-Marketing.
Die beiden Anwendungsfälle oben — Margenuntergrenze-Alerts und Neukunden-Preisunterstützung — sind der richtige Einstiegspunkt. Sie sind risikoarm, messbar und erfordern kein Vertrauensgespräch mit Ihren Stammkunden.
AHoosh unterstützt B2B-Händler bei der Bewertung und Implementierung von Pricing-Tools im Kontext ihrer tatsächlichen Kunden- und Datenlage. ahoosh.ai/contact