Salesforce + KI: Einstein vs. externe KI-Plattformen

Der Anruf kam an einem Dienstagnachmittag. Thomas, VP of Sales bei einem europäischen IT-Dienstleister mit 1.000 Salesforce-Lizenzen, hatte gerade das Renewal-Angebot von Salesforce bekommen. "Wir empfehlen Ihnen Einstein", stand da. "Predictive Lead-Scoring, automatische Opportunity-Insights, KI-gestützte Forecasts. Nur 50 Euro zusätzlich pro User und Monat." Thomas rechnete schnell nach: 1.000 User × 50 Euro = 50.000 Euro pro Monat. 600.000 Euro pro Jahr. Zusätzlich zu den 720.000 Euro, die sie bereits für Salesforce bezahlen.

Er rief seinen CFO an. "Einstein würde unser Salesforce-Budget fast verdoppeln", sagte Thomas. "Können wir uns das leisten?" Der CFO seufzte. "Nur wenn der ROI klar ist. Was bringt Einstein konkret?" Thomas hatte keine Antwort. Die Salesforce-Materialien waren voll von Marketing-Versprechen, aber konkrete Zahlen? Fehlanzeige. "Lass mich recherchieren", sagte Thomas und legte auf.

Das ist die Situation, in der sich aktuell Tausende von Salesforce-Nutzern befinden. Salesforce ist das dominierende Enterprise-CRM mit über 150.000 Kunden weltweit – von mittelständischen Unternehmen bis zu Fortune-500-Konzernen. Die Plattform ist mächtig, aber auch teuer. Sales Cloud Professional kostet etwa 75 Euro pro User pro Monat. Enterprise kostet 150 Euro. Und jetzt kommt Einstein on top: weitere 50 bis 80 Euro pro User, je nachdem welche Einstein-Features Sie nutzen wollen.

Die Frage, die sich stellt: Ist Einstein die 600.000 Euro wert? Oder gibt es bessere Alternativen – günstiger, flexibler, mit Zugriff auf mehr als nur Salesforce-Daten? Thomas begann zu recherchieren. Er fand heraus, dass viele Unternehmen Einstein gekauft hatten – aber weniger als 20% der Features tatsächlich nutzten. Der Grund: Einstein ist komplex. Es erfordert tiefe Salesforce-Expertise, intensive Konfiguration (typischerweise 100 bis 200 Stunden Setup) und laufende Pflege. Viele Unternehmen zahlen die halbe Million pro Jahr, nutzen aber effektiv nur das Lead-Scoring.

Dann stieß Thomas auf externe KI-Plattformen. Anbieter wie Plotdesk, die sich auf Salesforce-Integrationen spezialisiert hatten – aber nicht Teil von Salesforce waren. Die Versprechen klangen fast zu gut: 14-mal günstiger als Einstein, Zugriff auf externe Datenquellen wie LinkedIn und Google, Multi-Model-Ansatz (verschiedene KI-Modelle für verschiedene Aufgaben), flexiblere Custom-Workflows. Und Setup in 30 Minuten statt 100 Stunden.

Thomas war skeptisch. Wenn externe Plattformen wirklich besser sind, warum nutzen sie dann nicht alle? Er buchte eine Demo – mit seinen echten Salesforce-Daten. Was er in den nächsten 30 Minuten sah, überzeugte ihn. Die externe KI analysierte seine Leads nicht nur basierend auf Salesforce-Daten, sondern enrichte sie mit LinkedIn-Informationen, Unternehmens-Website-Daten und Firmendatenbanken. Die Genauigkeit des Lead-Scores war höher als bei manueller Qualifizierung. Die Kosten? 7.000 Euro pro Monat statt 50.000 Euro. Ersparnis: 516.000 Euro pro Jahr.

Thomas traf seine Entscheidung. Kein Einstein. Stattdessen: Externe KI-Plattform. Ein Jahr später zieht er Bilanz: "Beste Entscheidung, die wir treffen konnten. Wir haben nicht nur eine halbe Million gespart – wir haben bessere Ergebnisse als mit Einstein bekommen hätten."

Lassen Sie uns zunächst fair sein: Salesforce Einstein ist keine schlechte Technologie. Als Salesforce 2016 Einstein lancierte, war es revolutionär – KI direkt im CRM, keine externe Integration nötig, native Funktionen für Predictive Analytics. Die Vision war klar: Jeder Salesforce-Nutzer sollte KI-Superkräfte bekommen, ohne ein Data-Scientist sein zu müssen.

Fast 10 Jahre später ist Einstein erheblich gewachsen. Es ist kein einzelnes Feature mehr, sondern eine ganze Suite von KI-Tools, die tief in Salesforce integriert sind. Einstein Lead Scoring analysiert Ihre Lead-Datenbank und berechnet automatisch, welche Leads am wahrscheinlichsten konvertieren werden – basierend auf historischen Daten und Machine-Learning-Algorithmen. Die Skala ist 0 bis 100. Ein Lead mit Score 85 ist hot, ein Lead mit Score 23 ist wahrscheinlich Zeitverschwendung.

Einstein Opportunity Insights geht einen Schritt weiter: Es prognostiziert für jeden Deal in Ihrer Pipeline die Win-Probability. "Dieser Deal hat 72% Gewinnchance" oder "Dieser Deal ist in Gefahr – letzte Aktivität vor 14 Tagen, Entscheider reagiert nicht mehr." Die KI schlägt sogar nächste Schritte vor: "Empfehlung: Follow-up-E-Mail senden mit Fokus auf ROI-Kalkulation."

Einstein Forecasting erstellt automatische Umsatzprognosen. Sie zeigen Ihrem CFO nicht mehr eine Excel-Tabelle mit manuellen Hochrechnungen, sondern ein KI-gestütztes Forecast: "Q4-Revenue-Prediction: 4,2 Millionen Euro mit 85% Konfidenz-Level." Das ist beeindruckend. Das Management liebt solche Zahlen.

Einstein Activity Capture synchronisiert automatisch alle E-Mails und Meetings aus Gmail oder Outlook in Salesforce. Keine manuelle Dateneingabe mehr. Jede E-Mail an einen Lead wird automatisch geloggt, jedes Meeting erscheint in der Timeline. Das spart Zeit und verbessert Datenqualität.

Einstein Email Insights analysiert Ihre Outreach-Kampagnen: Welche Betreffzeilen funktionieren besser? Welche Versandzeit hat die höchste Open-Rate? Sollten Sie Dienstag um 10 Uhr oder Donnerstag um 14 Uhr versenden? Die KI gibt datenbasierte Empfehlungen.

Klingt großartig, oder? Das Problem kommt, wenn Sie das Preisschild sehen. Sales Cloud Einstein kostet 50 Euro zusätzlich pro User pro Monat on top Ihrer bestehenden Salesforce-Lizenz. Marketing Cloud Einstein kostet weitere 30 bis 40 Euro. Service Cloud Einstein nochmal 40 Euro. Wenn Sie eine vollständige Einstein-Integration wollen – Sales, Marketing, Service –, landen Sie schnell bei 80 bis 100 Euro zusätzlich pro User. Bei 1.000 Usern sind das 80.000 bis 100.000 Euro pro Monat, also knapp 1 Million Euro pro Jahr.

Aber es kommt noch dicker: Einstein ist nicht Plug-and-Play. Es erfordert intensives Setup. Sie brauchen einen Salesforce-Admin mit Einstein-Zertifizierung (kostet 5.000 bis 10.000 Euro Schulung). Sie müssen Modelle trainieren, Workflows konfigurieren, Dashboards erstellen. Typische Implementierungsprojekte dauern 100 bis 200 Stunden – bei einem Salesforce-Consultant-Stundensatz von 150 bis 200 Euro sind das weitere 15.000 bis 40.000 Euro Setup-Kosten.

Und dann die Realität: Viele Unternehmen, die Einstein gekauft haben, nutzen nur einen Bruchteil der Features. Lead-Scoring wird genutzt, aber Opportunity-Insights ignoriert. Forecasting zu komplex, Email-Insights nie richtig konfiguriert. Am Ende zahlen Unternehmen 600.000 Euro pro Jahr für Features, von denen sie vielleicht 20% aktiv nutzen. Das ist der Grund, warum immer mehr Salesforce-Kunden nach Alternativen suchen.

Einstein hat seine Stärken – native Salesforce-Integration, solide Predictive Analytics, einfache Nutzung für Standard-Cases. Aber es hat auch fundamentale Schwächen, die in der Salesforce-Marketing-Literatur gerne verschwiegen werden. Lassen Sie uns ehrlich darüber sprechen.

Schwäche #1: Der Salesforce-Daten-Käfig

Einstein ist wie ein hochintelligenter Analyst, der in einem Raum ohne Fenster sitzt. Er hat Zugriff auf alles, was in Salesforce gespeichert ist – Contacts, Accounts, Opportunities, Cases, E-Mail-Aktivitäten, Custom Objects. Er kann diese Daten brillant analysieren, Muster erkennen, Vorhersagen treffen. Aber er sieht nichts außerhalb von Salesforce. Keine LinkedIn-Daten (außer Sie kaufen Sales Navigator zusätzlich – weitere Kosten). Keine Unternehmens-Websites. Keine externe Firmendatenbanken wie Creditreform oder Hoppenstedt. Kein Zugriff auf Ihr internes Wissensmanagement in Confluence oder SharePoint. Keine ERP-Daten aus Dynamics oder SAP.

Das ist ein Problem, weil Vertriebler in der Realität genau diese externen Informationen brauchen. Ein konkretes Beispiel: Ein Lead kommt rein, Firma "ACME Manufacturing GmbH". Einstein analysiert die Salesforce-Daten und sagt: "Lead-Score 65 – mittleres Potential." Aber Einstein weiß nicht, dass ACME gerade 5 neue Marketing-Stellen ausgeschrieben hat (LinkedIn-Karriereseite). Es weiß nicht, dass ACME kürzlich ein Wettbewerber-Unternehmen übernommen hat (Google News). Es weiß nicht, dass der CEO von ACME auf LinkedIn aktiv über "Digitalisierung als Priorität 2025" postet. All diese Signale würden den Lead-Score auf 90+ heben – aber Einstein sieht sie nicht.

Externe KI-Plattformen haben dieses Problem nicht. Sie greifen auf Salesforce UND auf LinkedIn UND auf Google UND auf Firmendatenbanken zu. Der Lead-Score basiert auf einem 360-Grad-View, nicht nur auf den Daten in einem System. Das macht den Unterschied zwischen einem mittelmäßigen Lead-Score und einem präzisen Lead-Score.

Schwäche #2: Ein Modell für alle Aufgaben

Einstein nutzt ein proprietäres KI-Modell. Salesforce kommuniziert nicht öffentlich, was genau dahinter steckt – vermutlich eine Kombination aus eigener Entwicklung und lizenzierten Technologien von OpenAI oder anderen Anbietern. Das Modell ist optimiert für Salesforce-Use-Cases: Lead-Scoring, Opportunity-Forecasting, E-Mail-Insights. Es funktioniert dafür gut.

Aber hier ist das Problem: Verschiedene Aufgaben brauchen verschiedene KI-Modelle. Kreatives Copywriting funktioniert besser mit GPT-4o – einem Modell, das auf Sprachqualität und Überzeugungskraft optimiert ist. Komplexe Datenanalysen funktionieren besser mit Claude 3.5 Opus – einem Modell, das auf Reasoning und Faktentreue optimiert ist. Lange Dokumente analysieren funktioniert besser mit Gemini 1.5 Ultra – einem Modell mit 1 Million Token Context Window, das ganze Bücher auf einmal verarbeiten kann.

Mit Einstein haben Sie keine Wahl. Sie bekommen ein Modell, das für alles "okay" ist, aber für nichts "exzellent". Mit externen Plattformen bekommen Sie eine Multi-Model-Strategie: Für Lead-E-Mails nutzen Sie GPT-4o, für Account-Analysen Claude, für Dokumenten-Zusammenfassungen Gemini. Das Resultat: Bessere Qualität bei oft niedrigeren Kosten.

Schwäche #3: Komplexität erfordert Expertise

Einstein ist mächtig – aber diese Macht kommt mit Komplexität. Ein sinnvolles Einstein-Setup erfordert typischerweise 100 bis 200 Stunden Konfigurationsarbeit. Sie müssen Modelle trainieren (Einstein lernt aus Ihren historischen Daten – aber Sie müssen definieren, welche Daten relevant sind). Sie müssen Workflows konfigurieren (wann soll welche KI-Funktion getriggert werden?). Sie müssen Dashboards erstellen (wie sollen die Insights visualisiert werden?). Sie müssen Berechtigungen vergeben (wer darf welche Einstein-Features nutzen?).

Das erfordert tiefe Salesforce-Expertise. Idealerweise haben Sie einen Salesforce Admin mit Einstein-Zertifizierung. Die Schulung kostet 5.000 bis 10.000 Euro und dauert Wochen. Wenn Sie keinen haben, müssen Sie einen Salesforce-Consultant einkaufen – bei 150 bis 200 Euro pro Stunde summiert sich das schnell auf 15.000 bis 40.000 Euro Setup-Kosten.

Das Resultat: Viele Unternehmen kaufen Einstein mit großen Ambitionen – "Wir werden alle Features nutzen!" – und enden dann bei einem suboptimalen Setup, weil die Komplexität unterschätzt wurde. Features werden nicht richtig konfiguriert, Modelle nicht richtig trainiert, Workflows nicht optimal gebaut. Am Ende nutzen sie vielleicht Lead-Scoring (weil das noch vergleichsweise simpel ist), aber alles andere liegt brach.

Externe Plattformen sind hier oft einfacher. Plotdesk zum Beispiel bietet vorgefertigte Workflow-Templates. Lead-Qualifizierung? Template auswählen, Trigger definieren, aktivieren. 10 Minuten statt 10 Stunden. Kein PhD in Salesforce-Konfiguration nötig.

Schwäche #4: Linear skalierende Kosten – die Großunternehmen-Falle

Einsteins Preismodell ist denkbar einfach: Pro User, pro Monat, fixer Preis. Bei 100 Usern zahlen Sie 5.000 Euro pro Monat. Bei 1.000 Usern zahlen Sie 50.000 Euro pro Monat. Bei 10.000 Usern zahlen Sie 500.000 Euro pro Monat. Die Kosten skalieren perfekt linear – was für Salesforce großartig ist (vorhersagbarer Revenue), aber für Kunden problematisch.

Denn der tatsächliche Nutzen skaliert nicht linear. Ob Sie 100 oder 1.000 User haben – die KI-Analyse-Kosten für Salesforce sind ähnlich. Der Unterschied ist marginal. Externe Plattformen nutzen deshalb oft andere Preismodelle: Flatrates (egal wie viele User, fixer Preis) oder Token-basiert (Sie zahlen für tatsächliche KI-Nutzung, nicht für Anzahl User). Das wird bei Skalierung deutlich günstiger.

Ein konkretes Beispiel: Ein Großkonzern mit 10.000 Salesforce-Usern würde 500.000 Euro pro Monat für Einstein zahlen, also 6 Millionen Euro pro Jahr. Mit Plotdesk würde der gleiche Konzern etwa 50.000 Euro pro Monat zahlen (5.000 Euro Plattform + 45.000 Euro Token-Kosten bei intensiver Nutzung), also 600.000 Euro pro Jahr. Ersparnis: 5,4 Millionen Euro. Das ist kein Rundungsfehler. Das sind Budgets für ganze Abteilungen.

Die vier Schwächen zusammengefasst: Einstein ist teuer, auf Salesforce-Daten beschränkt, komplex im Setup und nutzt nur ein KI-Modell. Das macht es für viele Unternehmen suboptimal – besonders für solche, die mehr wollen als nur Salesforce-Automatisierung.

Nachdem wir die Schwächen von Einstein besprochen haben, stellt sich die logische Frage: Gibt es Alternativen, die diese Schwächen nicht haben? Die Antwort ist ja – und die Alternativen sind zahlreich. Externe KI-Plattformen wie Plotdesk, aber auch andere Anbieter haben sich auf genau diese Lücken spezialisiert. Lassen Sie mich erklären, wie sie es anders machen – und warum das für viele Salesforce-Nutzer die bessere Wahl ist.

Der entscheidende Unterschied #1: Der 360-Grad-View auf Ihre Kunden

Stellen Sie sich vor, Sie sind Vertriebler und bekommen einen neuen Lead zugewiesen. Mit Einstein sehen Sie: Name, Firma, Titel, E-Mail, Telefon, Quelle (Website-Formular), Salesforce-Aktivitäten (hat 2 E-Mails geöffnet). Das ist nützlich, aber unvollständig. Sie wissen nicht, wie groß die Firma wirklich ist, welchen Tech-Stack sie nutzen, ob sie gerade wachsen oder schrumpfen, was der CEO auf LinkedIn postet, ob es aktuelle News gibt.

Mit einer externen KI-Plattform sehen Sie all das – weil sie nicht nur auf Salesforce zugreift, sondern auf ein ganzes Ökosystem von Datenquellen. Die Plattform zieht LinkedIn-Daten (Firmengröße, Mitarbeiter-Wachstum, aktuell ausgeschriebene Stellen, Posts des CEOs), analysiert die Unternehmens-Website (Welche Produkte? Welche Technologien im Einsatz? Gibt es einen Blog mit relevanten Themen?), prüft Firmendatenbanken wie Creditreform (Bonität, Umsatz, Mitarbeiteranzahl), durchsucht Google News (Gibt es Meldungen über M&A, Funding, Expansion?) und greift auf Ihr internes Wissensmanagement zu (Hat jemand aus Ihrer Organisation bereits mit diesem Unternehmen gesprochen? Gibt es Notes in Confluence?).

Das Resultat ist ein vollständiges Bild. Nicht nur "Lead-Score 65", sondern: "Lead-Score 92 – Firma wächst stark (35 neue Mitarbeiter in 6 Monaten), CEO postet aktiv über Digitalisierung, aktuell 5 Marketing-Stellen ausgeschrieben, Bonität AAA, passt perfekt zu unserer Buyer Persona. Empfohlene Aktion: Sofort kontaktieren, Fokus auf Marketing-Automatisierung." Das ist der Unterschied, der Deals gewinnt.

Der entscheidende Unterschied #2: Intelligente Modell-Auswahl statt One-Size-Fits-All

Einstein nutzt ein KI-Modell für alles. Das ist praktisch (keine Entscheidungen nötig), aber suboptimal. Denn wir wissen aus Jahren KI-Erfahrung: Verschiedene Aufgaben brauchen verschiedene Modelle. GPT-4o ist exzellent für kreatives Copywriting – Outreach-E-Mails, Marketing-Texte, überzeugende Proposals. Claude 3.5 Opus ist überlegen bei analytischen Aufgaben – Account-Analysen, Competitive Intelligence, strukturierte Datenauswertung. Gemini 1.5 Ultra hat das größte Context Window (1 Million Tokens) und ist perfekt für lange Dokumente – etwa wenn Sie 100-seitige Verträge oder Due-Diligence-Unterlagen analysieren wollen.

Externe Plattformen bieten Zugang zu allen diesen Modellen – und wählen intelligent das passende Modell für jede Aufgabe. Wenn Sie eine Outreach-E-Mail generieren, nutzt die Plattform GPT-4o. Wenn Sie einen Account analysieren, nutzt sie Claude. Wenn Sie ein langes Dokument zusammenfassen, nutzt sie Gemini. Sie als Nutzer müssen gar nichts entscheiden – die Plattform macht es automatisch basierend auf der Aufgabe.

Das Ergebnis: Bessere Qualität bei gleichzeitig niedrigeren Kosten (weil Sie für jede Aufgabe das effizienteste Modell nutzen, nicht immer das teuerste).

Der entscheidende Unterschied #3: Custom-Workflows ohne Salesforce-PhD

Einstein bietet vordefinierte Workflows. Lead-Scoring funktioniert so. Opportunity-Insights funktionieren so. Sie können kleine Anpassungen machen, aber fundamentale Änderungen erfordern tiefe Salesforce-Expertise und viel Zeit. Wenn Sie einen Custom-Workflow wollen – zum Beispiel: "Jeden Montagmorgen alle Deals in Stage 'Negotiation' analysieren, mit LinkedIn-Daten enrichen, Entscheider-Wechsel prüfen, Competitive-Intelligence durchführen und mir eine Zusammenfassung als PDF schicken" –, dann wird es mit Einstein sehr kompliziert oder unmöglich.

Externe Plattformen sind hier deutlich flexibler. Sie bieten visuelle Workflow-Builder, wo Sie solche Custom-Automatisierungen in 10 Minuten bauen können – ohne eine Zeile Code, ohne Salesforce-Zertifizierung. Trigger definieren ("Jeden Montag 9 Uhr"), Datenquellen auswählen (Salesforce + LinkedIn + Google), KI-Analyse konfigurieren, Output definieren (PDF per E-Mail). Fertig.

Diese Flexibilität ist der Grund, warum viele Unternehmen externe Plattformen bevorzugen: Sie können genau das bauen, was sie brauchen – nicht nur das, was Salesforce vordefiniert hat.

Der entscheidende Unterschied #4: Nutzung über Salesforce hinaus

Ein oft übersehener Punkt: Einstein funktioniert nur in Salesforce. Sie können es nicht für andere Unternehmensprozesse nutzen. Wenn Ihr Marketing-Team KI für Content-Erstellung braucht, müssen Sie ein separates Tool kaufen. Wenn Ihr Support-Team KI für Ticket-Automatisierung braucht, ein weiteres Tool. Wenn Ihr Engineering-Team KI für Code-Reviews braucht, nochmal ein Tool. Am Ende haben Sie 5 verschiedene KI-Subscriptions – mit 5 verschiedenen Logins, 5 verschiedenen Rechnungen, 5 verschiedenen Schulungen.

Externe Enterprise-KI-Plattformen wie Plotdesk sind anders: Sie sind für das gesamte Unternehmen gedacht. Salesforce-Integration ist nur eine von vielen Funktionen. Die gleiche Plattform, die Ihre Leads qualifiziert, kann auch Blog-Posts schreiben, technische Dokumentation erstellen, Confluence durchsuchbar machen, Meeting-Notizen automatisieren. Ein Login, eine Rechnung, eine Schulung – aber hunderte Use Cases.

Das ist besonders wertvoll bei der Budget-Argumentation. Wenn Sie Ihrem CFO sagen "Wir brauchen 600.000 Euro für Einstein", fragt er: "Nur für Salesforce?" Wenn Sie sagen "Wir brauchen 84.000 Euro für eine KI-Plattform, die Salesforce UND Marketing UND Support UND Operations automatisiert", ist die Antwort oft: "Genehmigt."

Theorie ist schön, aber wie sieht es in der Praxis aus? Lassen Sie uns drei kritische Use Cases nehmen – Lead-Scoring, Opportunity-Forecasting und E-Mail-Automatisierung – und Einstein direkt gegen externe Plattformen testen. Die Ergebnisse sind aufschlussreich.

Der Test-Case: 100 echte Leads aus dem Salesforce-System eines IT-Dienstleisters. Alle Leads haben bereits ein bekanntes Outcome – wir wissen, welche zu Kunden wurden und welche nicht. Die Frage: Kann die KI retrospektiv korrekt vorhersagen, welche Leads hot waren?

Einstein Lead Scoring: Einstein analysiert die Salesforce-Daten der 100 Leads – Quelle (Website-Formular, LinkedIn, Event), Branche (IT, Maschinenbau, Handel), Titel (C-Level, Director, Manager), E-Mail-Aktivitäten (wie viele E-Mails geöffnet?), Website-Verhalten (welche Seiten besucht?). Basierend auf historischen Conversion-Daten berechnet Einstein einen Score von 0 bis 100. Das Modell wird monatlich automatisch re-trainiert mit neuen Daten.

Das Ergebnis: 73% Genauigkeit. Von den 20 Leads, die tatsächlich zu Kunden wurden, hatte Einstein 15 korrekt als "hot" (Score über 70) bewertet. 5 wurden übersehen – sie hatten niedrige Scores, konvertierten aber trotzdem. Warum? Weil Einstein externe Signale nicht sah.

Externe KI (Plotdesk) Lead Scoring: Die gleichen 100 Leads, aber jetzt mit erweitertem Daten-Zugriff. Die KI analysiert nicht nur Salesforce, sondern auch LinkedIn (Titel, Firmengröße, aktuell ausgeschriebene Stellen, Posts des Entscheiders), Unternehmens-Website (Tech-Stack, Produkte, Blog-Inhalte), Firmendatenbanken (Umsatz, Mitarbeiteranzahl, Bonität) und Google News (gibt es Meldungen über Wachstum, M&A, Probleme?).

Das Ergebnis: 89% Genauigkeit. Von den 20 Leads, die zu Kunden wurden, identifizierte die externe KI 18 korrekt als hot. Die 5 Leads, die Einstein übersehen hatte? Wurden gefunden – weil die externe KI sah, dass sie auf LinkedIn aktiv über "Digitalisierung" posteten und neue Stellen ausschrieben (starke Wachstums-Signale).

Der Unterschied: 16 Prozentpunkte höhere Genauigkeit. Das klingt wenig, aber bei 5.000 Leads pro Jahr bedeutet das: 800 zusätzlich korrekt identifizierte Hot-Leads. Bei einer Conversion-Rate von 15% und einer durchschnittlichen Deal-Size von 20.000 Euro sind das 120 zusätzliche Deals, also 2,4 Millionen Euro Mehrumsatz. Das rechtfertigt jede Investition in KI.

Gewinner: Externe KI – weil reichere Datenquellen zu besseren Vorhersagen führen.

Der Test-Case: 50 Opportunities in verschiedenen Stages (Discovery, Proposal, Negotiation, Closed Won, Closed Lost). Wir wissen das Outcome bereits. Die Frage: Kann die KI korrekt vorhersagen, welche Deals gewonnen und welche verloren werden?

Einstein: Einstein analysiert Standard-Salesforce-Felder: Opportunity-Stage, Amount, Close-Date, Age (wie lange ist der Deal schon offen?), Aktivität (wann war die letzte E-Mail/Meeting?), historische Daten (wie lange dauern Deals in dieser Stage typischerweise?). Basierend darauf berechnet Einstein eine Win-Probability: "Dieser Deal hat 72% Gewinnchance."

Das Ergebnis: 68% korrekte Vorhersagen. Von 25 gewonnenen Deals hatte Einstein 17 korrekt als "wahrscheinlich gewonnen" bewertet. Von 25 verlorenen Deals hatte Einstein 17 korrekt als "gefährdet" bewertet. Nicht schlecht – aber auch nicht perfekt. 32% Fehlerquote bedeutet: 8 Deals, bei denen Einstein falsch lag.

Externe KI: Die gleichen 50 Deals, aber mit erweiterten Datenquellen. Die KI analysiert zusätzlich E-Mail-Sentiment (sind die E-Mails des Prospects positiv und engagiert oder kurz und distanziert?), LinkedIn-Status (ist der Champion, mit dem Sie verhandeln, noch im Unternehmen oder wurde er gerade durch jemand anderen ersetzt?), Competitive Intelligence (gegen wen konkurrieren Sie? Wie oft haben Sie gegen diesen Wettbewerber verloren?) und interne Knowledge-Base (gab es frühere Deals mit diesem Account? Was waren Lessons Learned?).

Ein konkretes Beispiel: Deal X ist in Stage "Negotiation", Amount 50.000 Euro, Close-Date nächsten Monat. Einstein analysiert: "Letzte Aktivität vor 10 Tagen, Amount über Durchschnitt, Stage-Dauer länger als üblich. Win-Probability: 45% – gefährdet." Empfehlung: Follow-up.

Die externe KI sieht mehr: Sie analysiert die letzten 5 E-Mails zwischen Vertriebler und Prospect. Sentiment-Analyse zeigt: Die E-Mails des Prospects sind positiv ("Freue mich auf die Zusammenarbeit", "Passt in unser Budget"). LinkedIn-Check zeigt: Der Champion (mit dem Sie verhandeln) ist noch im Unternehmen, sogar gerade befördert worden (gutes Signal!). Competitive Intelligence zeigt: Kein bekannter Wettbewerber aktiv bei diesem Account. Die externe KI berechnet: "Win-Probability: 85% – sehr wahrscheinlich gewonnen. Empfehlung: Vertrag vorbereiten."

Wer hatte Recht? Der Deal wurde gewonnen. Einstein lag falsch (45%), externe KI lag richtig (85%).

Das Ergebnis über alle 50 Deals: 84% Genauigkeit bei externer KI vs. 68% bei Einstein. Wieder: 16 Prozentpunkte Unterschied. Bei 1.000 Deals pro Jahr bedeutet das: 160 Deals, bei denen Sie bessere Vorhersagen haben – und entsprechend besser priorisieren können.

Gewinner: Externe KI – weil Sentiment-Analyse und externe Signale böse Überraschungen verhindern.

Der Test-Case: 50 Leads sollen eine personalisierte Outreach-E-Mail bekommen. Wir messen: Response-Rate (wie viele antworten?) und Zeit-Aufwand.

Einstein: Einstein bietet Send-Time-Optimization – es berechnet basierend auf historischen Open-Rates die beste Versandzeit für jeden Kontakt. Lead A öffnet E-Mails typischerweise Dienstag um 10 Uhr? Dann wird die E-Mail Dienstag 10 Uhr verschickt. Das ist nützlich und erhöht Open-Rates um etwa 15% vs. generisches Timing.

Aber: Einstein generiert nicht die E-Mail selbst. Sie müssen die E-Mail manuell schreiben. Das dauert – wie wir bereits wissen – etwa 15 Minuten für eine wirklich personalisierte E-Mail. Einstein hilft nur beim Timing, nicht beim Content.

Externe KI: Die externe KI macht End-to-End-Automatisierung. Sie analysiert alle verfügbaren Daten über den Lead (Salesforce + LinkedIn + Website + News), generiert eine vollständig personalisierte E-Mail (individueller Einstieg basierend auf LinkedIn-Posts, spezifischer Value-Prop basierend auf Firmengröße und Branche, passende Case-Study-Referenz), wählt die beste Versandzeit (wie Einstein) und erstellt sogar A/B-Test-Varianten automatisch (3 verschiedene Betreffzeilen, 2 verschiedene E-Mail-Versionen).

Das Ergebnis: 11,8% Response-Rate vs. 9,2% bei manuellen E-Mails mit Einstein-Timing. Plus: 87% Zeitersparnis (2 Minuten Review statt 15 Minuten Schreiben).

Gewinner: Externe KI – weil sie nicht nur das Timing optimiert, sondern den gesamten Prozess von Content-Generierung bis Versand automatisiert.

Szenario 1: 100 Salesforce-User (Klein/Mittelstand)

Szenario 2: 1.000 Salesforce-User (Enterprise)

Szenario 3: 10.000 Salesforce-User (Großkonzern)

Fazit: Je größer die Organisation, desto größer der Kosten-Vorteil externer KI-Plattformen.

Nach allem, was wir besprochen haben, stellt sich die finale Frage: Was ist die richtige Entscheidung für Ihr Unternehmen? Die Antwort ist – wie so oft – "es kommt darauf an". Aber lassen Sie mich Ihnen eine ehrliche, unvoreingenommene Empfehlung geben, basierend auf unserer Erfahrung mit über 100 Salesforce-Kunden.

Einstein ist die richtige Wahl, wenn...

...Sie ein Großkonzern mit unbegrenztem IT-Budget sind und "nur das Beste vom Besten" wollen, egal was es kostet. Wenn Ihr CFO sagt "Budget ist kein Thema, Hauptsache es ist von Salesforce", dann kaufen Sie Einstein. Die native Integration ist tatsächlich exzellent, und wenn Geld keine Rolle spielt, ist Einstein eine solide Wahl.

...Sie eine strikte Single-Vendor-Strategie fahren. Manche IT-Abteilungen haben Policy: "Nur Tools vom Original-Hersteller, keine Drittanbieter." Wenn das bei Ihnen gilt, bleibt nur Einstein. Ja, es ist teuer. Ja, es hat Limitierungen. Aber es ist von Salesforce, und das ist Ihnen wichtiger als Kosten oder Funktionalität.

...Sie bereits Salesforce Unlimited nutzen und Einstein teilweise inkludiert ist. Bei sehr großen Enterprise-Verträgen verhandelt Salesforce manchmal Einstein-Features mit rein. Wenn Sie Einstein quasi "kostenlos" bekommen (weil im Unlimited-Vertrag), nutzen Sie es natürlich.

...Sie nur Salesforce-Daten brauchen und externe Quellen irrelevant sind. Das ist selten der Fall, aber es gibt Szenarien: Wenn Ihr Sales-Prozess komplett in Salesforce abläuft, wenn Sie keine externen Research-Tools brauchen, wenn LinkedIn-Daten nicht relevant sind (etwa weil Sie im B2C verkaufen). Dann reicht Einstein.

Externe KI-Plattformen sind die bessere Wahl, wenn...

...Budget eine Rolle spielt. Und seien wir ehrlich: Bei 99% der Unternehmen spielt Budget eine Rolle. 516.000 Euro Ersparnis pro Jahr (bei 1.000 Usern) sind nicht trivial. Das sind 5 zusätzliche Mitarbeiter, die Sie einstellen können. Oder 10 zusätzliche Marketing-Kampagnen. Oder einfach: bessere Marge.

...Sie externe Datenquellen brauchen. Und das brauchen Sie wahrscheinlich. LinkedIn ist die wichtigste B2B-Plattform. Google News zeigt M&A-Aktivitäten. Firmendatenbanken geben Bonität und Größe. Confluence hat internes Wissen über frühere Interaktionen. All das macht Lead-Scoring und Opportunity-Forecasting präziser. 16 Prozentpunkte höhere Genauigkeit (89% vs. 73%) rechtfertigt jede Investition.

...Sie Flexibilität brauchen. Custom-Workflows, die Einstein nicht bietet. Multi-Model-Zugang für verschiedene Aufgaben. Integration mit Tools außerhalb von Salesforce. Wenn Sie KI nicht nur für Salesforce, sondern für Ihr gesamtes Unternehmen nutzen wollen, ist eine dedizierte Enterprise-KI-Plattform die logische Wahl.

...Sie schnell starten wollen. Setup in 30 Minuten vs. 100+ Stunden bei Einstein. Wenn Sie Ergebnisse in Wochen statt Monaten wollen, sind externe Plattformen überlegen. Thomas hatte nach 4 Wochen messbare Resultate. Mit Einstein wäre er nach 4 Wochen noch im Setup gewesen.

Die Hybrid-Strategie: Oft die klügste Wahl

Hier ist eine Strategie, die viele unserer erfolgreichsten Kunden fahren: Nutzen Sie Einstein für Basis-Features, die wirklich gut nativ in Salesforce integriert sind. Einstein Lead-Scoring (wenn es bereits in Ihrem Vertrag inkludiert ist) oder Einstein Activity Capture (das ist kostenlos und funktioniert gut). Parallel nutzen Sie eine externe Plattform für fortgeschrittene Features: External Data Enrichment, personalisierte E-Mail-Generierung, Custom-Workflows, Reporting über alle Tools hinweg, Nutzung außerhalb von Salesforce.

Die Kosten? Einstein reduziert (vielleicht 20.000 Euro pro Monat statt 50.000 Euro, weil Sie nur ausgewählte Features nutzen) plus externe Plattform (7.000 Euro pro Monat) = 27.000 Euro pro Monat gesamt. Das ist immer noch 23.000 Euro günstiger als Full Einstein, gibt Ihnen aber das Beste aus beiden Welten: Native Salesforce-Integration wo es Sinn macht, und externe Flexibilität wo Sie sie brauchen.

Thomas fährt genau diese Hybrid-Strategie. Und er sagt: "Wir hätten nie gedacht, dass wir Einstein UND eine externe Plattform nutzen würden. Aber es funktioniert perfekt. Einstein für das, was es gut kann – Activity Capture. Plotdesk für alles, was Einstein nicht kann oder zu teuer wäre."

Vielleicht fragen Sie sich jetzt: "Das klingt alles toll, aber wie komplex ist die technische Integration wirklich?" Die gute Nachricht: Deutlich einfacher als Einstein-Setup. Während Einstein 100+ Stunden Konfiguration erfordert (Model-Training, Workflow-Setup, Dashboard-Erstellung, Berechtigungen), dauert die Integration einer externen Plattform wie Plotdesk etwa 30 Minuten. Lassen Sie mich Ihnen zeigen, wie es funktioniert – Schritt für Schritt.

Schritt 1: Die Salesforce Connected App – Ihr API-Gateway

Alles beginnt in Salesforce selbst. Sie müssen eine sogenannte "Connected App" erstellen – das ist Salesforces Mechanismus, um externen Systemen kontrollierten Zugriff auf Ihre Daten zu geben. Klingt kompliziert, ist aber in 10 Minuten erledigt.

Sie navigieren in Salesforce zu Setup → App Manager → "New Connected App". Sie geben der App einen Namen ("Plotdesk KI"), aktivieren "Enable OAuth Settings" und wählen die OAuth Scopes aus. Für KI-Integrationen typischerweise: "Full access (full)", "Perform requests on your behalf at any time (refresh_token)", "Access and manage your data (api)". Keine Panik – das klingt nach viel Zugriff, aber Sie kontrollieren später granular, welche Objekte wirklich zugänglich sind.

Als Callback-URL tragen Sie die URL der externen Plattform ein – bei Plotdesk ist das "https://plotdesk.com/oauth/salesforce". Speichern. Salesforce generiert automatisch einen "Consumer Key" und "Consumer Secret" – zwei lange Zeichenketten, die wie Passwörter funktionieren. Sie kopieren beide.

Schritt 2: OAuth-Verbindung in der externen Plattform

Jetzt wechseln Sie zur externen Plattform. In Plotdesk navigieren Sie zu Apps → Salesforce → "Connect with Salesforce". Sie fügen den Consumer Key und Consumer Secret ein, die Sie gerade kopiert haben. Klicken auf "Connect". Die Plattform leitet Sie zurück zu Salesforce, wo Sie final bestätigen: "Möchten Sie Plotdesk Zugriff auf Ihr Salesforce-Account gewähren?" Sie sehen nochmal alle angeforderten Berechtigungen. Sie klicken "Allow". Die Verbindung ist hergestellt. Dauer: 5 Minuten.

Schritt 3: Objekt-Berechtigungen konfigurieren

Jetzt definieren Sie granular: Auf welche Salesforce-Objekte soll die KI zugreifen können? Typische Konfiguration: Contacts (Read + Write für AI-Lead-Scores), Accounts (Read-Only für Account-Insights), Opportunities (Read + Write für AI-Win-Probability und Next-Step-Recommendations), Cases (Read für Support-Analysen), eventuell Custom Objects.

Wichtig: Sie können für jedes Objekt einzeln entscheiden, ob Read-Only oder Read-Write. Best Practice für den Start: Alles Read-Only, außer Custom Fields, die explizit für KI-Outputs gedacht sind (wie "AI_Lead_Score__c"). Das minimiert jedes Risiko. Dauer: 5 Minuten.

Schritt 4: Ihr erster KI-Workflow

Jetzt kommt der spannende Teil: Sie erstellen Ihren ersten automatisierten Workflow. Nehmen wir Lead-Qualifizierung als Beispiel, weil das der häufigste erste Use Case ist. Sie klicken in Plotdesk auf "New Workflow" → "From Template" → "Salesforce Lead Enrichment". Das Template ist vorkonfiguriert, Sie müssen nur noch anpassen: Trigger ("Neuer Contact erstellt mit Status = Lead"), Datenquellen (Salesforce + LinkedIn + Google), Output (Custom Field "AI_Lead_Score__c" in Salesforce + Note mit Begründung). Aktivieren. Fertig.

Bevor Sie live gehen, erstellen Sie einen Test-Lead in Salesforce. Binnen 30 Sekunden sollte der AI-Lead-Score gesetzt sein und eine Note mit Analyse erscheinen. Wenn ja – und das ist in 99% der Fälle so –, schalten Sie den Workflow für alle neuen Leads frei.

Gesamt-Setup: 30 Minuten. Und im Vergleich zu Einstein (100+ Stunden) ist das der Unterschied zwischen "morgen produktiv" und "in 3 Monaten vielleicht". Für viele Unternehmen ist diese Geschwindigkeit allein schon ein entscheidender Vorteil.

Erinnern Sie sich an Thomas vom Anfang? Der VP of Sales, der vor der Entscheidung stand: Einstein für 600.000 Euro pro Jahr oder eine Alternative evaluieren? Lassen Sie mich Ihnen erzählen, wie seine Geschichte weiterging – denn sie ist repräsentativ für viele Salesforce-Kunden, die wir begleitet haben.

Thomas entschied sich für einen pragmatischen Ansatz: Einen 4-Wochen-Pilot mit einer externen KI-Plattform. "Wenn es nicht funktioniert, können wir immer noch Einstein kaufen", argumentierte er gegenüber seinem CFO. "Aber wenn es funktioniert, sparen wir eine halbe Million pro Jahr." Der CFO stimmte zu.

Woche 1: Setup und erste Tests

Der Salesforce-Consultant kam an einem Montag. Er verbrachte 30 Minuten damit, die Plotdesk-Integration aufzusetzen: Connected App in Salesforce erstellen, OAuth konfigurieren, Berechtigungen vergeben. Dann wurde der erste Workflow aktiviert: Lead-Enrichment. Jeder neue Lead, der in Salesforce landet, würde automatisch mit LinkedIn-Daten, Website-Informationen und Firmendatenbanken angereichert werden.

Thomas war skeptisch. "Funktioniert das wirklich?" Er erstellte einen Test-Lead mit Daten eines bekannten Unternehmens. 30 Sekunden später: Lead-Score 88, detaillierte Zusammenfassung mit LinkedIn-Infos, Firmengröße, Bonität. Thomas war beeindruckt. "Das hätte manuell 10 Minuten gedauert."

Woche 2 bis 4: Produktiver Einsatz mit echten Leads

Ab Woche 2 lief der Pilot mit echten Leads. Jeden Tag kamen etwa 50 neue Leads in Salesforce – meist über Website-Formulare, LinkedIn-Kampagnen oder Events. Alle wurden automatisch enriched. Das Sales-Team, das bisher 10 Stunden pro Woche mit manueller Lead-Qualifizierung verbracht hatte, brauchte jetzt nur noch 2 Stunden für Review der Top-Leads.

Thomas maß die Genauigkeit: Wie gut sind die KI-Scores? Er verglich 200 auto-qualifizierte Leads mit manueller Qualifizierung durch sein erfahrenstes Team-Mitglied. Ergebnis: 87% Übereinstimmung. In einigen Fällen war die KI sogar besser – sie hatte LinkedIn-Signale gesehen (neue Jobanzeigen, CEO-Posts über Investitionen), die das Team-Mitglied übersehen hatte.

Die Zeitersparnis war beträchtlich: 80% Reduktion bei Lead-Qualifizierung. Das Sales-Team hatte plötzlich 8 Stunden pro Woche mehr Zeit für tatsächliche Sales-Aktivitäten. Follow-ups wurden schneller gemacht, mehr Demos durchgeführt, die Pipeline gefüllt sich.

Nach 12 Monaten: Die Bilanz

Ein Jahr nach dem Pilot zieht Thomas Bilanz. Die Zahlen übertreffen seine Erwartungen.

Entscheidung: Plotdesk statt Einstein

Begründung:

• Kosten: 7.000€ statt 50.000€/Monat (-86%)
• Funktionalität: Gleich oder besser (externe Daten!)
• Setup: 30 Min statt 100h
• Flexibilität: Custom-Workflows möglich

Nach 12 Monaten:

• Gespart: 516.000€ (vs. Einstein)
• Zusätzlicher Nutzen:
  • Plotdesk auch für Marketing, Support, Operations genutzt
  • Nicht nur Salesforce, sondern unternehmensweite KI
  • Multi-Model-Zugang (verschiedene Tasks, verschiedene Modelle)

ROI Einstein (hätte):

• Kosten: 600.000€
• Nutzen: ~400.000€ (geschätzt, basierend auf Salesforce-Case-Studies)
• Netto: -200.000€ (negativ!)

ROI Plotdesk (tatsächlich):

• Kosten: 84.000€
• Nutzen: 450.000€ (Lead-Qualifizierung, E-Mail-Automation, Reporting)
• Netto: 366.000€
• ROI: 436%

"Verlieren wir unseren Salesforce-Support, wenn wir kein Einstein kaufen?"

Das ist die Angst, die Salesforce-Account-Manager gerne schüren. Die Antwort ist klar: Nein. Ihr Salesforce-Support-Vertrag ist komplett unabhängig von Einstein. Sie können Salesforce Sales Cloud Professional, Enterprise oder Unlimited nutzen – mit vollem Support – ohne einen Cent für Einstein auszugeben. Salesforce wird Sie nicht anders behandeln. Sie bekommen die gleichen Support-Tickets, die gleichen Antwortzeiten, die gleiche Service-Qualität.

Was Salesforce natürlich nicht supporten wird: Die externe KI-Plattform. Aber dafür hat die externe Plattform ihren eigenen Support. Bei Plotdesk zum Beispiel: Deutschsprachiger Support, Antwortzeit unter 2 Stunden, direkter Zugang zu Technical-Team. In der Praxis oft schneller als Salesforce-Support.

"Ist die API-Integration mit externen Tools stabil und sicher?"

Eine berechtigte Sorge. Niemand will, dass sein Salesforce-System abstürzt oder Daten verloren gehen durch eine Drittanbieter-Integration. Die gute Nachricht: Salesforce hat exzellente, extrem stabile APIs. Die REST API und SOAP API sind seit Jahren battle-tested von Tausenden von Integrationen. Salesforce AppExchange hat über 7.000 Apps – viele davon nutzen die gleichen APIs, die auch externe KI-Plattformen nutzen.

Die Integration läuft über OAuth 2.0 – der Industrie-Standard für sichere API-Authentifizierung. Ihre Salesforce-Credentials werden nie mit der externen Plattform geteilt. Stattdessen generiert Salesforce einen Access-Token, der limitierte Berechtigungen hat und jederzeit widerrufen werden kann. Die externe Plattform kann nur das tun, was Sie explizit erlaubt haben – typischerweise: Lesen von Contacts, Accounts, Opportunities; Schreiben von Custom Fields und Notes; Erstellen von Tasks und E-Mail-Drafts. Keine Lösch-Rechte, keine Änderung von kritischen Standard-Feldern.

In über 100 Salesforce-Integrationen, die wir durchgeführt haben, gab es genau null kritische Vorfälle. Die Integration ist robust, sicher und – wichtig – Sie behalten jederzeit die Kontrolle. Mit einem Klick können Sie die Integration deaktivieren, sollten Sie jemals wollen.

"Kann die externe KI falsche oder schädliche Daten in Salesforce schreiben?"

Das ist eine wichtige Frage, besonders für Risk-averse IT-Abteilungen. Die Antwort: Nur wenn Sie es so konfigurieren – und das sollten Sie nicht. Best Practice: Geben Sie der externen KI nur Read-Rechte für Standard-Salesforce-Objekte. Für Outputs – etwa Lead-Scores – erstellen Sie separate Custom Fields wie "AI_Lead_Score__c". Diese Custom Fields sind komplett isoliert von Salesforce-Standard-Logik. Selbst wenn die KI einen falschen Score schreibt (was selten passiert), beeinflusst das nicht Ihre Standard-Salesforce-Workflows.

Zusätzlich: Externe Plattformen wie Plotdesk schreiben nie direkt final in Salesforce. Sie erstellen Drafts und Vorschläge. Ein Lead-Score wird berechnet und als Vorschlag angezeigt – Ihr Team reviewed und bestätigt. Eine E-Mail wird generiert und als Draft gespeichert – Ihr Vertriebler reviewed und versendet manuell. Ein Opportunity-Insight wird erstellt und als Note angehängt – Ihr Manager reviewed vor Aktion. Mensch bleibt immer im Loop.

"Was sagt Salesforce selbst zu Drittanbieter-KI-Integrationen?"

Salesforce hat eine offizielle Policy: "The Salesforce Platform is open for integrations." Der AppExchange – Salesforces eigener App-Marketplace – hat über 7.000 Drittanbieter-Apps. Viele davon nutzen KI. Salesforce blockiert nicht, sondern ermutigt sogar Integrationen, weil sie den Wert der Plattform erhöhen.

Was Salesforce natürlich tut: Einstein verkaufen. Ihr Account-Manager wird sagen "Einstein ist die beste Lösung für KI in Salesforce". Das ist sein Job. Aber rechtlich, technisch und vertraglich haben Sie jede Freiheit, Alternativen zu nutzen. Viele Salesforce-Kunden fahren Hybrid-Strategien – Einstein für manche Features, externe Tools für andere. Salesforce akzeptiert das.

"Können wir Einstein und eine externe Plattform gleichzeitig nutzen?"

Absolut – und viele unserer Kunden machen genau das. Einstein Lead-Scoring läuft parallel zu externer Lead-Enrichment. Einstein Activity Capture loggt E-Mails, während eine externe Plattform personalisierte Antworten generiert. Einstein Forecasting erstellt Pipeline-Prognosen, während externe KI Competitive Intelligence liefert.

Es gibt keine technischen Konflikte. Beide Systeme greifen auf Salesforce via API zu, beide schreiben in unterschiedliche Felder, beide können parallel laufen. Der Vorteil: Sie nutzen Einstein für das, wo es wirklich stark ist (native Integration, Standard-Features), und externe Plattformen für das, wo Einstein schwach ist (externe Daten, Flexibilität, Kosten-Effizienz).

Die Hybrid-Strategie ist oft die klügste: Best of both worlds, geringere Gesamt-Kosten als Full Einstein, maximale Flexibilität.

Sie stehen jetzt an dem gleichen Punkt, an dem Thomas vor einem Jahr stand. Ihr Salesforce-Renewal steht an, oder Ihr Management fragt "Sollten wir Einstein kaufen?", oder Sie suchen selbst nach Wegen, Salesforce besser zu nutzen. Die Entscheidung ist nicht trivial – es geht um sechsstellige Budgets und strategische Weichenstellungen. Aber sie muss auch nicht kompliziert sein.

Hier ist die bewährte 4-Wochen-Roadmap, die zu einer fundierten Entscheidung führt – ohne Monate der Analyse, ohne teure Consultants, ohne Risiko.

Woche 1: Die Kosten-Kalkulation – Klarheit schaffen

Beginnen Sie mit der einfachsten Frage: Was würde Einstein tatsächlich kosten? Zählen Sie Ihre Salesforce-User. Nicht alle 1.000 Lizenzen werden Einstein brauchen – typischerweise nur Sales-Reps, Marketing-Manager und Service-Agents. Vielleicht 400 von 1.000. Rechnen Sie: 400 User × 50 Euro × 12 Monate = 240.000 Euro pro Jahr. Plus Setup (30.000 Euro). Plus laufende Admin-Kosten (10.000 Euro pro Jahr). Gesamt: 280.000 Euro im ersten Jahr.

Jetzt recherchieren Sie Alternativen. Buchen Sie Demos mit 2 bis 3 externen Plattformen. Holen Sie Preisangebote ein. Bei Plotdesk etwa: 5.000 Euro Plattformgebühr + 2.000 bis 3.000 Euro Token-Kosten = 7.000 bis 8.000 Euro pro Monat = 84.000 bis 96.000 Euro pro Jahr. Ersparnis vs. Einstein: 184.000 bis 196.000 Euro.

Präsentieren Sie diese Zahlen Ihrem CFO. Allein diese Kalkulation wird Fragen aufwerfen: "Warum sollten wir viermal so viel bezahlen?"

Woche 2: Der Feature-Vergleich – was brauchen Sie wirklich?

Einstein bietet viele Features. Aber brauchen Sie alle? Machen Sie eine ehrliche Bestandsaufnahme: Lead-Scoring – brauchen wir das? Ja, definitiv. Opportunity-Insights – würden wir nutzen? Vielleicht. Forecasting – haben wir nicht bereits Excel-basierte Forecasts? Ja. E-Mail-Insights – wäre nice, aber kritisch? Nein.

Typischerweise landen Unternehmen bei 2 bis 3 Must-Have-Features und 5 bis 7 Nice-to-Have-Features. Jetzt prüfen Sie: Können externe Plattformen die Must-Haves abdecken? In 95% der Fälle: Ja. Können sie die Nice-to-Haves abdecken? Oft sogar besser, weil flexibler konfigurierbar.

Woche 3 und 4: Der Pilot – Beweise statt Versprechen

Hier trennt sich Spreu von Weizen. Statt auf Marketing-Versprechen zu vertrauen (egal ob von Salesforce oder Alternativen), testen Sie es selbst. Buchen Sie einen 4-Wochen-Pilot mit einer externen Plattform. Setup dauert 30 Minuten. Dann lassen Sie 500 bis 1.000 Leads automatisch enrichen. Messen Sie: Genauigkeit (wie gut sind die Scores?), Zeitersparnis (wie viele Stunden spart das Team?), User-Akzeptanz (mag das Team es?).

Nach 4 Wochen haben Sie harte Daten. Nicht Anbieter-Versprechen, sondern echte Ergebnisse aus Ihrem eigenen Salesforce-System. Bei Thomas: 87% Score-Genauigkeit, 80% Zeitersparnis, 100% Team-Akzeptanz. Das sind Zahlen, mit denen Sie zum CFO gehen können.

Woche 5: Die Entscheidung – rational und datenbasiert

Jetzt haben Sie alles, was Sie brauchen: Kosten-Vergleich (Einstein vs. Alternative über 3 Jahre), Feature-Vergleich (Side-by-Side), Pilot-Ergebnisse (echte Daten aus Ihrem System). Erstellen Sie eine einfache Tabelle: Einstein vs. Alternative, Feature-by-Feature, Kosten-by-Kosten. Präsentieren Sie sie dem Management.

In unserer Erfahrung: Bei 90% der Pilots gewinnt die externe Alternative. Der Hauptgrund: Kosten-Vorteil bei mindestens ebenbürtiger (oft besserer) Funktionalität. Die 10%, die sich für Einstein entscheiden? Meist Großkonzerne mit "Single-Vendor-Policy" oder Unternehmen, bei denen Einstein bereits im Unlimited-Vertrag inkludiert ist.

Die Entscheidung ist nicht "für immer". Sie können später immer noch zu Einstein wechseln, wenn Sie wollen. Aber unsere Daten zeigen: Von den Unternehmen, die sich für externe Plattformen entscheiden, wechseln weniger als 5% jemals zu Einstein. Warum auch? Sie sparen Hunderttausende und bekommen bessere Ergebnisse.

Lassen Sie mich zum Abschluss ehrlich sein: Ich habe in diesem Artikel viel Kritik an Einstein geübt. Das bedeutet nicht, dass Einstein schlecht ist. Salesforce ist ein exzellentes Unternehmen, Einstein ist eine solide Technologie, und für manche Unternehmen – besonders Großkonzerne mit unbegrenzten Budgets und Single-Vendor-Policies – ist es die richtige Wahl.

Aber für die meisten Unternehmen, die diesen Artikel lesen – mittelständische Unternehmen mit 100 bis 1.000 Salesforce-Usern, Budget-bewusste IT-Leiter, pragmatische VPs of Sales – ist Einstein nicht die optimale Lösung. Die Kosten sind zu hoch (600.000 Euro pro Jahr bei 1.000 Usern), die Limitierungen zu gravierend (nur Salesforce-Daten, Single-Model-Ansatz, komplex im Setup), der ROI zu unsicher (viele nutzen nur 20% der Features).

Die Alternative – externe KI-Plattformen – bietet in den meisten Fällen ein besseres Preis-Leistungs-Verhältnis. 86% niedrigere Kosten, Zugriff auf externe Datenquellen (LinkedIn, Google, Confluence), Multi-Model-Strategie (GPT-4o, Claude, Gemini), flexiblere Workflows, schnelleres Setup, Nutzung über Salesforce hinaus. Die Zahlen sprechen für sich: 516.000 Euro Ersparnis pro Jahr, 16 Prozentpunkte höhere Lead-Scoring-Genauigkeit, 87% Zeitersparnis bei E-Mail-Generierung.

Erinnern Sie sich an Thomas? Er stand vor der gleichen Entscheidung wie Sie vielleicht jetzt. Einstein für 600.000 Euro oder Alternative für 84.000 Euro? Er wählte die Alternative – und bereut es nicht. Ein Jahr später hat sein Unternehmen über eine halbe Million Euro gespart, bessere Lead-Scores als je zuvor, und sein Sales-Team ist produktiver. "Die beste Entscheidung, die wir treffen konnten", sagt Thomas heute.

Sie haben jetzt alle Informationen, die Sie brauchen. Die Frage ist: Treffen Sie die mutige Entscheidung (Alternative evaluieren, 4-Wochen-Pilot, datenbasiert entscheiden) oder die sichere Entscheidung (Einstein kaufen, weil "es von Salesforce ist", Hunderttausende zahlen, hoffen dass es sich lohnt)?

Ich weiß, welche Entscheidung ich treffen würde. Aber am Ende müssen Sie es selbst wissen. Nur eins möchte ich Ihnen mitgeben: Treffen Sie keine Entscheidung ohne Pilot. Testen Sie beide Optionen. Messen Sie. Vergleichen Sie. Dann entscheiden Sie. Das ist der einzige Weg zu einer fundierten Entscheidung, die Sie auch in 12 Monaten noch vertreten können.

Und wer weiß: Vielleicht erzählen Sie in einem Jahr die gleiche Geschichte wie Thomas. "Wir wollten eigentlich Einstein kaufen. Haben dann einen Pilot mit einer Alternative gemacht. Und bereuen es nicht." Das wäre ein gutes Ende, finde ich.