Lead-Qualifizierung in 4 Wochen: B2B-SaaS, pgvector und ISO 27001

Hintergrund: B2B-SaaS in der Schweiz, 120 Köpfe, HubSpot als CRM

Dieser Fall ist ein Komposit aus Mustern, die Forfis in acht Jahren Delivery in der Schweiz und DACH beobachtet hat. Es handelt sich nicht um einen namentlich genannten Kunden, sondern um eine typische Konstellation aus dem B2B-SaaS-Umfeld. Die Zahlen sind realistische Bandbreiten, keine exakten Messwerte eines einzelnen Engagements.

Die Firma, nennen wir sie „Helvetia Cloud Solutions“, betreibt eine B2B-Plattform für Dokumentenmanagement im Schweizer Markt. Mit 120 Mitarbeitenden, davon 35 im Vertrieb, läuft der Lead-Flow über HubSpot. Die Sales-Teams verbringen 40 bis 50 Prozent ihrer Arbeitszeit mit Routineaufgaben: Lead-Daten aus Webformularen in HubSpot pflegen, fehlende Firmendaten anreichern, Leads nach Branche und Firmengröße klassifizieren und Erstantworten auf Inbound-Anfragen formulieren. Die Folge: Senior-AE verbringen zu viel Zeit mit Datenpflege statt mit Kundenakquise, und die durchschnittliche Reaktionszeit auf einen neuen Lead liegt bei 4,2 Stunden.

Herausforderung: ISO 27001, HubSpot und der Mangel an Senior-Kapazität

Der Druck kam aus zwei Richtungen. Erstens: Die Vertriebsleitung wollte die Kosten pro qualifiziertem Lead senken, ohne das Team aufzustocken. Zweitens: Die ISO 27001-Zertifizierung, die Helvetia Cloud Solutions für Enterprise-Kunden vorweisen muss, verbietet den Abfluss personenbezogener Daten in nicht-zertifizierte Cloud-Dienste. Das schloss die Nutzung von OpenAI- oder Anthropic-APIs für die Lead-Daten aus, solange keine vertragliche Auftragsverarbeitung mit Sitz in der EU/CH vorlag.

Zusätzlich bestand der Bedarf, die Senior-Staff von Routinearbeit zu befreien. Die drei Senior Account Executives im DACH-Team verbrachten nach internen Schätzungen rund 12 Stunden pro Woche mit manueller Datenanreicherung und Lead-Klassifizierung. Bei einem Stundensatz von 120 CHF ergab das einen versteckten Kostenblock von 15 600 CHF pro Monat allein für diese eine Funktion.

Vorgehen: Integration Sprint mit pgvector und Open-Weight-LLM

Forfis startete mit einem Prozess-Audit in Woche 1. Ziel: die drei Workflows identifizieren, die den größten Hebel bieten. Ergebnis: Lead-Anreicherung (Firmendaten aus öffentlichen Quellen in HubSpot ergänzen), Lead-Klassifizierung (Branche, Firmengröße, Kaufbereitschaft) und Erstantwort-Generierung für Inbound-Tickets.

Die Architektur: Ein Open-Weight-Modell (Llama 3 70B, quantisiert) läuft auf einer GPU-Instanz im Rechenzentrum des Kunden in Zürich. Die Lead-Daten werden als Embeddings in PostgreSQL mit pgvector indexiert. Die Anreicherung nutzt die HubSpot API, um fehlende Felder zu befüllen; die Klassifikation erfolgt über eine RAG-Pipeline, die die Lead-Attribute gegen eine interne Wissensbasis (Branche, ICP-Definitionen, historische Deal-Daten) abgleicht. Die Erstantwort wird vom LLM entworfen, ein AE prüft und sendet. Kein automatischer Versand, der Geld oder Vertragsdaten betrifft.

Der Integration Sprint lief über vier Wochen: Woche 1 Audit und Datenanalyse, Woche 2 Pipeline-Entwicklung und pgvector-Indexierung, Woche 3 HubSpot-Integration und Testbetrieb, Woche 4 Go-Live und Übergabe.

Ergebnis: 38 Minuten statt 4,2 Stunden, 34 Prozent weniger Kosten pro Lead

Nach vier Wochen war die Pipeline produktiv. Die gemessenen Werte im ersten Monat nach Go-Live:

• Reaktionszeit auf neue Leads: von 4,2 Stunden auf 38 Minuten gesenkt. Die Erstantwort wird innerhalb von 15 Minuten generiert, die menschliche Freigabe dauert im Median 23 Minuten.
• Zeitersparnis für Senior-AE: 9,5 Stunden pro Woche pro AE. Das entspricht einer Freisetzung von rund 78 Prozent der vorherigen Routinezeit.
• Lead-Klassifizierungs-Genauigkeit: 88 Prozent Übereinstimmung mit der manuellen Bewertung der AE. Die verbleibenden 12 Prozent werden nachbearbeitet.
• Kosten pro qualifiziertem Lead: um 34 Prozent gesenkt, gemessen über den HubSpot-Report „Cost per SQL“.
• Fehlerrate bei der Datenanreicherung: von 14 Prozent (manuell) auf 3 Prozent (automatisiert mit menschlicher Prüfung).

Die ISO 27001-Konformität blieb gewahrt: Alle Daten verbleiben in der Schweizer Infrastruktur, das Open-Weight-Modell wird lokal gehostet, und die pgvector-Datenbank unterliegt den bestehenden Access-Control-Richtlinien.

Lektionen für ähnliche Teams

Fünf Erkenntnisse, die sich auf ähnliche Teams übertragen lassen:

• pgvector ist der unterschätzte Baustein. Viele Teams greifen zu spezialisierten Vector-Datenbanken wie Weaviate oder Pinecone. Für eine B2B-SaaS mit unter 50 000 Leads und einer bestehenden PostgreSQL-Instanz ist pgvector der pragmatischere Weg: keine zusätzliche Infrastruktur, kein Datenabfluss, volle Kontrolle über die Indexierung.
• Open-Weight-Modelle sind in der Schweiz oft die einzige Option. Die ISO 27001-Anforderungen und die Datenschutzgrundverordnung (DSGVO) schließen Cloud-LLMs für personenbezogene Daten aus, solange kein Auftragsverarbeitungsvertrag mit Sitz in der EU/CH vorliegt. Llama 3 70B auf eigener Hardware deckt die meisten Klassifikations- und Anreicherungsaufgaben ab.
• Der Prozess-Audit ist nicht verhandelbar. Ohne die Vorab-Analyse der Workflows wird der Sprint zu einem Generierungsprojekt statt zu einer gezielten Automatisierung. Die 40 Stunden Audit-Zeit in Woche 1 sparen im Schnitt drei Wochen Nacharbeit.
• Human-in-the-loop ist kein Nachteil, sondern ein Feature. Die manuelle Freigabe der Erstantwort kostet 23 Minuten, schafft aber Vertrauen im Team und verhindert, dass ein fehlerhaftes LLM-Output direkt an den Kunden geht. Die Akzeptanz im Vertrieb steigt dadurch deutlich.
• Vier Wochen sind realistisch, wenn der Scope eng bleibt. Ein einzelner Workflow (Lead-Qualifizierung) mit klar definierten Eingabe- und Ausgabeformaten ist in vier Wochen integrierbar. Versucht man, drei Workflows gleichzeitig zu automatisieren, verlängert sich der Sprint um mindestens zwei Wochen.