Longlist mit ChatGPT erstellen: Was KI bei der B2B-Recherche kann und was nicht

Der Inhalt dieser Seite wurde zuletzt aktualisiert am: 23.08.2026

Kurzantwort

Sprachmodelle sind hervorragend darin, eine Zielgruppe zu definieren, Suchkriterien zu schärfen, Kategorien zu bilden und Ansprachen zu formulieren. Sie sind systematisch schwach darin, eine vollständige und verifizierte Longlist zu erzeugen. Der Grund ist kein Qualitätsmangel, sondern ein Konstruktionsmerkmal: Ein Sprachmodell optimiert auf Plausibilität, nicht auf Vollständigkeit – und kann deshalb nicht angeben, wie viele relevante Unternehmen es nicht genannt hat. Für Zielgruppen mit hoher Web-Sichtbarkeit ist eine KI-Recherche ein guter Ausgangspunkt. Für Investoren, Family Offices und andere bewusst diskrete Zielgruppen liefert sie zuverlässig eine Liste, die vollständig aussieht und es nicht ist.

Die Frage stellt sich inzwischen in jedem Vertriebsteam: Wenn ein Sprachmodell in zwei Minuten 150 Unternehmen einer Branche auflisten kann – wozu dann noch für Daten bezahlen?

Die Frage ist berechtigt, und die Antwort ist nicht „KI taugt nichts“. Sie ist differenzierter und lässt sich in einem Satz zusammenfassen: KI ist stark bei allem, was vor und nach der Liste passiert, und schwach bei der Liste selbst.

Dieser Beitrag erklärt, warum das so ist, wo genau die Grenze verläuft, und liefert einen Test, mit dem Sie jede KI-generierte Liste in zehn Minuten selbst bewerten können.

Wofür sich KI in der Zielgruppenrecherche sehr gut eignet

Das gehört an den Anfang, weil es der größere Teil der Wahrheit ist. In folgenden Aufgaben ist ein gutes Sprachmodell einem menschlichen Rechercheur überlegen oder mindestens ebenbürtig – bei einem Bruchteil der Zeit:

Zielgruppe schärfen. Aus „wir wollen an Industrieunternehmen verkaufen“ wird im Dialog eine präzise Definition mit Größenklasse, Fertigungstiefe, Region und Ausschlusskriterien. Das ist der Schritt, den die meisten Teams überspringen – und der über den Erfolg der ganzen Kampagne entscheidet.
Segmentierungslogik entwickeln. Welche Merkmale trennen relevante von irrelevanten Kandidaten? Welche Signale deuten auf Kaufbereitschaft?
Vorhandene Daten anreichern und strukturieren. Rechtsformen aus Firmennamen extrahieren, Branchen normalisieren, Dubletten erkennen, Freitextfelder kategorisieren. Hier ist KI ein Produktivitätssprung.
Priorisieren. Eine vorhandene Liste von 400 Einträgen anhand definierter Kriterien in A-, B- und C-Kandidaten sortieren.
Ansprache formulieren. Personalisierte Erstkontakte auf Basis vorhandener Informationen – schnell und in guter Qualität.
Marktverständnis aufbauen. Wie funktioniert diese Branche, wer sind die Akteurstypen, wie sind die Entscheidungswege?

Wer diese sechs Aufgaben nicht an KI abgibt, verschenkt Zeit. Der Bruch kommt an einer anderen Stelle.

Die fünf systematischen Schwachstellen bei der Listenerstellung

1. Das Vollständigkeitsproblem

Dies ist die wichtigste und am wenigsten verstandene Einschränkung. Ein Sprachmodell kann Ihnen 60 Unternehmen nennen. Was es nicht kann: Ihnen sagen, ob es 60 von 80 oder 60 von 400 sind.

Eine seriöse Datenbank hat einen Nenner – eine definierte Grundgesamtheit, gegen die sich Vollständigkeit messen lässt. Ein Sprachmodell hat keinen. Es generiert eine plausible Antwort auf Ihre Frage, nicht ein geprüftes Verzeichnis.

Im Vertrieb ist das folgenschwer: Die Kandidaten, die fehlen, sind systematisch die weniger sichtbaren – und damit oft genau die, die noch niemand angesprochen hat. Sie verlieren nicht irgendwelche Kontakte, sondern bevorzugt die unbearbeiteten.

2. Plausible, aber nicht existente Einträge

Sprachmodelle erzeugen Text, der statistisch stimmig ist. Bei Firmennamen führt das dazu, dass Einträge entstehen, die einem realen Muster folgen, aber kein reales Unternehmen bezeichnen – oder dass zwei ähnliche Unternehmen zu einem verschmelzen.

Web-Recherche im Hintergrund reduziert das Problem deutlich, beseitigt es aber nicht: Bei Adressen, Geschäftsführernamen und E-Mail-Adressen bleibt die Fehlerquote spürbar, weil diese Angaben oft aus mehreren Quellen zusammengesetzt werden müssen.

3. Der Sichtbarkeits-Bias

Auch ein Sprachmodell mit Websuche kann nur finden, was indexiert ist. Zielgruppen, die bewusst keine oder minimale Web-Präsenz pflegen, sind für dieses Verfahren praktisch unsichtbar:

Single Family Offices – häufig ohne Website, unter neutralen Firmennamen ohne inhaltlichen Bezug
Beteiligungsgesellschaften und vermögensverwaltende Holdings des Mittelstands
Immobilienbestandshalter, die über wechselnde Objektgesellschaften ankaufen
Inhabergeführte Mittelständler ohne Marketingabteilung

Das Tückische: Das Modell meldet keine Lücke. Es liefert eine kürzere Liste, die genauso selbstbewusst formuliert ist wie eine vollständige.

4. Ansprechpartner und Kontaktdaten

Für Kaltakquise reicht ein Firmenname nicht. Sie brauchen die richtige Person, die richtige Funktion, eine gültige Adresse und eine serienbrieftaugliche Anrede mit getrennten Feldern für Titel, Vor- und Nachname.

Genau hier ist die Fehlerquote am höchsten, weil Personendaten am schnellsten veralten. Ein Modell, das eine Geschäftsführung aus einer zwei Jahre alten Quelle übernimmt, gibt sie mit derselben Sicherheit aus wie eine tagesaktuelle.

5. Aktualität ohne Prüfdatum

B2B-Kontaktdaten veralten mit etwa 20 bis 30 Prozent pro Jahr. Eine gepflegte Datenbank führt deshalb ein Prüfdatum je Datensatz mit. Eine KI-generierte Liste hat keines – Sie erfahren nicht, ob eine Angabe von gestern oder von 2023 stammt. Damit lässt sich auch nicht entscheiden, was nachrecherchiert werden muss.

Der 10-Minuten-Test für jede KI-generierte Liste

Bevor Sie auf einer generierten Liste eine Kampagne aufbauen, führen Sie diese fünf Prüfungen durch. Sie kosten zusammen etwa zehn Minuten und ersparen im Zweifel Wochen.

Test	Durchführung	Was ein schlechtes Ergebnis bedeutet
1. Gegenprobe	Notieren Sie fünf Unternehmen, von denen Sie sicher wissen, dass sie in die Zielgruppe gehören. Wie viele stehen auf der Liste?	Fehlen zwei oder mehr, ist die Liste auch bei den Ihnen unbekannten Kandidaten lückenhaft
2. Wiederholung	Stellen Sie dieselbe Frage in einer neuen, leeren Sitzung. Wie hoch ist die Überschneidung der beiden Listen?	Unter 80 Prozent Überschneidung heißt: Sie erhalten eine Stichprobe, kein Verzeichnis
3. Stichprobe	Prüfen Sie zehn zufällig gewählte Einträge im Handelsregister oder Impressum. Existiert das Unternehmen? Passt es zur Definition?	Ab einem Fehler in zehn müssen Sie alle Einträge prüfen – Stichproben reichen dann nicht mehr
4. Personenprüfung	Prüfen Sie fünf genannte Ansprechpartner. Sind die Personen noch in dieser Funktion?	Veraltete Ansprechpartner kosten Antwortquote und Glaubwürdigkeit im Erstkontakt
5. Quellenfrage	Fragen Sie für drei Einträge nach der konkreten Quelle und dem Stand der Angabe.	Keine überprüfbare Quelle heißt: Sie tragen das Risiko der Angabe allein

Test 2 ist der aussagekräftigste. Wenn zwei Abfragen derselben Frage stark unterschiedliche Listen erzeugen, existiert keine zugrundeliegende Grundgesamtheit, aus der geschöpft wird. Dann bekommen Sie jedes Mal eine neue plausible Auswahl – und keine Antwort auf die Frage, wie viele es insgesamt sind.

Wann reicht KI, wann nicht?

Situation	Einschätzung
Erster Marktüberblick, Orientierungsphase	KI reicht. Vollständigkeit ist hier nicht erforderlich
Zielgruppe unter 30 Unternehmen, gut sichtbar	KI reicht, mit anschließender manueller Prüfung jedes Eintrags
Zielgruppe mit starker Web-Präsenz (Agenturen, Kanzleien, Handwerk, Praxen)	Grenzfall. Brauchbare Basis, Kontaktdaten müssen verifiziert werden
Investoren, Family Offices, Beteiligungsgesellschaften	KI reicht nicht. Sichtbarkeits-Bias trifft hier am härtesten
Longlist für einen Verkaufs- oder Fundraising-Prozess	KI reicht nicht. Ein fehlender Bieter kostet Verhandlungsposition
Serienmailing oder Outbound-Kampagne mit persönlicher Anrede	KI reicht nicht. Falsche Anreden sind im Erstkontakt nicht korrigierbar
Messevorbereitung mit begrenztem Zeitfenster	KI reicht nicht. Verifikationszeit ist genau die Zeit, die fehlt

Die Rechnung, die selten gemacht wird

Eine KI-generierte Liste ist nicht kostenlos, sondern ungeprüft. Die Kosten entstehen bei der Verifikation.

Realistisch dauert die Prüfung eines Datensatzes – Existenz, Zuordnung zur Zielgruppe, aktueller Ansprechpartner, Kontaktdaten – fünf bis zehn Minuten. Bei 300 Einträgen sind das 25 bis 50 Arbeitsstunden. Mit einem Vollkostensatz von 50 Euro liegt der Aufwand bei 1.250 bis 2.500 Euro – für eine Liste, deren Vollständigkeit auch nach der Prüfung unbekannt bleibt, weil die Verifikation nur bestätigt, was dasteht, und nichts über das Fehlende sagt.

Wer diese Stunden nicht investiert, verschiebt die Kosten in die Kampagne: schlechtere Antwortquoten, falsche Anreden, Zeit in Gesprächen mit Unternehmen außerhalb der Zielgruppe. Zur ausführlichen Kostenlogik im Datenmarkt siehe unseren Leitfaden zum Kauf von B2B-Adressen und Firmenlisten.

Der hybride Workflow: KI und geprüfte Daten kombinieren

Die produktivste Arbeitsweise nutzt beides für das, was es kann. Ein bewährter Ablauf:

Schritt	Vorgehen	Werkzeug
1. Definition	Zielgruppe im Dialog schärfen: Größenklasse, Region, Ausschlusskriterien, Kaufsignale	KI
2. Grundgesamtheit	Verifizierte Datenbasis mit bekanntem Nenner und Prüfdatum beschaffen	Geprüfte Daten
3. Filterung	Die Grundgesamtheit anhand der Definition aus Schritt 1 auf die relevante Teilmenge reduzieren	KI
4. Priorisierung	A-, B- und C-Kandidaten bilden, Reihenfolge der Bearbeitung festlegen	KI
5. Anreicherung	Öffentliche Signale ergänzen: aktuelle Projekte, Transaktionen, Personalien	KI, mit Quellenprüfung
6. Ansprache	Personalisierte Erstkontakte je Kandidat formulieren	KI

Die Aufgabenteilung ist eindeutig: Die Grundgesamtheit muss geprüft sein, alles davor und danach kann KI übernehmen. Schritt 2 ist der einzige, der sich nicht automatisieren lässt – und genau deshalb der einzige, für den es sich lohnt, zu bezahlen.

Listenchampion liefert genau diesen Schritt 2: manuell recherchierte Grundgesamtheiten mit definierter Abgrenzung, Prüfdatum je Liste, namentlicher Geschäftsführung und serienbrieftauglicher Anrede – als Excel-Datei, die sich unmittelbar weiterverarbeiten lässt. Über 300 Branchen- und Investorenlisten für den deutschsprachigen Raum, gepflegt seit 2017 durch ein eigenes Research-Team in München. Boutique-Research statt ungeprüfter Crawler-Daten. Kostenlose Vorschaudatei ansehen oder individuelles Angebot anfordern.

Häufige Fragen zu KI in der B2B-Recherche

Kann ich eine B2B-Longlist mit ChatGPT erstellen?

Für einen ersten Marktüberblick und für kleine, gut im Netz sichtbare Zielgruppen ja. Für eine vollständige und verifizierte Longlist nein: Ein Sprachmodell optimiert auf plausible Antworten, nicht auf Vollständigkeit, und kann nicht angeben, wie viele relevante Unternehmen es nicht genannt hat. Für Vertriebskampagnen und Verkaufsprozesse ist eine geprüfte Grundgesamtheit erforderlich.

Warum sind KI-generierte Firmenlisten unvollständig?

Weil Sprachmodelle keine definierte Grundgesamtheit besitzen, gegen die sich Vollständigkeit messen ließe. Sie erzeugen eine plausible Auswahl statt eines geprüften Verzeichnisses. Systematisch fehlen dabei die weniger sichtbaren Unternehmen – im Vertrieb ausgerechnet die noch unbearbeiteten.

Wie erkenne ich, ob eine KI-generierte Liste brauchbar ist?

Über fünf Tests: Gegenprobe mit fünf selbst bekannten Unternehmen, Wiederholung derselben Abfrage in neuer Sitzung und Vergleich der Überschneidung, Stichprobenprüfung von zehn Einträgen im Handelsregister, Prüfung von fünf Ansprechpartnern auf Aktualität sowie die Frage nach der konkreten Quelle für drei Einträge. Liegt die Überschneidung zweier Abfragen unter 80 Prozent, erhalten Sie eine Stichprobe, kein Verzeichnis.

Bei welchen Zielgruppen versagt die KI-Recherche besonders?

Bei Zielgruppen ohne nennenswerte Web-Präsenz: Single Family Offices, Beteiligungsgesellschaften, vermögensverwaltende Holdings des Mittelstands, Immobilienbestandshalter mit wechselnden Objektgesellschaften und inhabergeführte Mittelständler ohne Marketing. Da diese Unternehmen kaum indexierte Spuren hinterlassen, sind sie auch für Sprachmodelle mit Websuche weitgehend unsichtbar.

Was kostet es, eine KI-generierte Liste zu verifizieren?

Die Prüfung eines Datensatzes dauert fünf bis zehn Minuten. Bei 300 Einträgen sind das 25 bis 50 Arbeitsstunden, bei einem Vollkostensatz von 50 Euro also 1.250 bis 2.500 Euro. Auch danach bleibt die Vollständigkeit unbekannt, da die Verifikation nur bestätigt, was in der Liste steht.

Wofür sollte ich KI in der Vertriebsrecherche einsetzen?

Für Zielgruppendefinition, Segmentierungslogik, Filterung und Priorisierung einer vorhandenen Datenbasis, Anreicherung und Strukturierung eigener Daten sowie für die Formulierung personalisierter Ansprachen. Nicht geeignet ist KI für die Erzeugung der Grundgesamtheit selbst.

Wird KI-Recherche in Zukunft geprüfte Daten ersetzen?

Bei gut dokumentierten Zielgruppen verschiebt sich die Grenze bereits. Das Vollständigkeitsproblem bleibt allerdings unabhängig von der Modellqualität bestehen, solange die zugrundeliegenden Informationen nicht öffentlich verfügbar sind: Was nirgends steht, kann kein Modell finden. Bei bewusst diskreten Zielgruppen bleibt manuelle Recherche daher der einzige verlässliche Weg.

Geprüfte Grundgesamtheiten von Listenchampion

Weiterführend: Käufer für ein Unternehmen finden · Projektentwickler finden und ansprechen · EXPO REAL 2026 vorbereiten

Über den Autor: Listenchampion wurde 2017 in München gegründet und ist Teil des Company Builders Isar Digital Ventures. Das Research-Team pflegt über 300 Branchen- und Investorenlisten manuell und beliefert mehr als 5.000 Kunden im deutschsprachigen Raum.

Der Inhalt dieser Seite wurde zuletzt aktualisiert am: 29.08.2026