MQL vs. SQL: Ab wann ist ein Lead wirklich vertriebsreif?

Das Wichtigste in Kürze

• Ein MQL (Marketing Qualified Lead) ist ein Lead, der durch demografische und verhaltensbezogene Signale als potenziell vertriebsreif eingestuft wurde — aber noch nicht durch Sales validiert.
• Ein SQL (Sales Qualified Lead) ist ein Lead, den ein Vertriebsmitarbeiter aktiv bearbeitet, weil Kaufabsicht und Fit bestätigt sind.
• Die Zwischenstufe SAL (Sales Accepted Lead) sorgt dafür, dass Sales Verantwortung übernimmt und Marketing Feedback bekommt.
• 60 % der generierten MQLs werden nie kontaktiert — wie du diesen Verlust strukturell behebst, erklärt der Artikel MQL-zu-SQL-Conversion verbessern: Die sechs wirksamen Hebel. — Ressourcenmangel, fehlende Priorisierung und schlechte Lead-Qualität sind die Hauptgründe (Forrester, 2023).
• Ein schriftliches Marketing-Sales-SLA ist das einzige Dokument, das den Dauerkampf zwischen Marketing und Sales strukturell beendet Wie Marketing und Sales im Mittelstand dauerhaft auf Kurs bleiben, zeigt der Leitfaden Marketing-Sales-Alignment im Mittelstand: System statt Streit..
• BANT ist für DACH-Mittelstand zu simpel — MEDDIC bildet die Realität längerer Sales Cycles und komplexer Buying Committees besser ab.
• KI-gestütztes Lead Scoring lernt aus historischen Closed-Won-Daten Was Predictive Lead Scoring konkret leistet, beschreibt der Artikel Predictive Lead Scoring: Wie KI die Trefferquote erhöht. und erkennt Muster, die statische Punkt-Systeme übersehen.

---

---

Warum dieser Artikel jetzt zählt

Es gibt ein Gespräch, das in fast jedem B2B-Unternehmen geführt wird — regelmäßig, oft laut, selten mit Ergebnis. Marketing sagt: "Wir liefern genug Leads." Sales sagt: "Die Qualität taugt nichts." Beide haben aus ihrer Perspektive Recht. Beide messen aneinander vorbei.

Das Problem sitzt tiefer: Wenn MQL und SQL nicht präzise definiert sind, ist die gesamte Pipeline-Generierung gebaut auf Sand. Marketing optimiert auf eine Metrik, die Sales nicht braucht. Sales ignoriert Leads, die Marketing mit Aufwand gewonnen hat. Das Ergebnis: verschwendetes Budget, gereizte Meetings, und eine Conversion-Rate, die sich nicht erklärt.

Die Zahlen bestätigen, was viele bereits ahnen: Laut einer Forrester-Studie (2023) werden 60 % aller generierten MQLs nie von Sales kontaktiert. Nicht weil die Leads schlecht sind. Sondern weil das System um sie herum fehlt.

Dieser Artikel legt die Grundlage. Nicht als Überblick über das gesamte Lead Management — dafür gibt es anderen Content. Hier geht es um drei konkrete Dinge: Was MQL und SQL wirklich bedeuten, wie der Übergang zwischen beiden funktioniert, und wie ein SLA den Streit beendet.

---

Was ein MQL wirklich ist

Marketing Qualified Lead. Klingt nach einer Formalität. Ist aber die Entscheidung: "Dieser Lead verdient Sales-Aufmerksamkeit."

Die Kerndefinition: Ein MQL ist ein Lead, der basierend auf demografischen Kriterien (Unternehmensgröße, Branche, Rolle) und verhaltensbezogenen Signalen (Engagement mit Content, Website-Besuche, Formular-Ausfüllungen) als potenziell vertriebsreif markiert wurde — aber noch nicht durch einen Vertriebsmitarbeiter validiert worden ist.

Das klingt einfach. In der Praxis ist die Grenze aber oft unklar.

Was ein MQL sein kann:

• Ein Kontakt, der ein Whitepaper heruntergeladen hat, die Pricing-Seite besucht hat und aus einem Unternehmen mit 100–300 Mitarbeitern in der Zielbranche kommt.
• Eine Person, die an einem Webinar teilgenommen hat, danach drei weitere Seiten auf deiner Website besucht hat und die richtige Berufsbezeichnung trägt.
• Jemand, der innerhalb von 30 Tagen mindestens drei Kontaktpunkte mit eurem Content hatte — und dabei ICP-Merkmale erfüllt.

Was kein MQL ist:

• Jede E-Mail-Adresse, die ihr irgendwie gesammelt habt.
• Ein Newsletter-Abonnent ohne weiteres Engagement.
• Ein Messebesucher, der euren Stift mitgenommen hat.
• Jemand, der einmal auf eine Anzeige geklickt hat.

Der entscheidende Unterschied: Ein MQL ist kein Kontakt, der irgendwann relevant werden könnte. Ein MQL ist ein Kontakt, der heute Signale sendet, die auf Kaufinteresse hindeuten — kombiniert mit Fit-Kriterien, die ihn als Zielkunden ausweisen.

Ohne einen klar definierten ICP (Ideal Customer Profile) gibt es keine valide MQL-Definition. Beide hängen direkt zusammen.

Was das in der Praxis bedeutet

Viele Marketing-Teams machen den Fehler, MQL-Schwellen niedrig zu setzen, um hohe Zahlen zu liefern. Das Ergebnis: Sales erhält eine große Menge an Leads mit niedriger Relevanz, bearbeitet sie nicht konsequent, und verliert das Vertrauen in den MQL-Prozess insgesamt.

HubSpot dokumentiert in seinem State of Marketing Report (2024) konsistent, dass Marketing-Teams, die MQL-Qualität über MQL-Volumen stellen, höhere SQL-Conversion-Raten erzielen — und weniger Reibung mit dem Sales-Team haben.

---

Was ein SQL wirklich ist

Ein Sales Qualified Lead ist ein MQL, den ein Vertriebsmitarbeiter überprüft und für die aktive Bearbeitung freigegeben hat.

Die Kerndefinition: Ein SQL ist ein Lead, bei dem Sales bestätigt hat, dass ausreichend Kaufabsicht, Budget-Potenzial, Entscheidungskompetenz und zeitlicher Rahmen vorhanden sind — basierend auf einem ersten direkten Gespräch oder einer validierten Recherche.

Das bedeutet: SQL ist nicht automatisiert. SQL ist menschenvalidiert.

Was ein SQL ausmacht:

• Discovery Call hat stattgefunden.
• Mindestens zwei BANT- oder MEDDIC-Kriterien sind bestätigt (mehr dazu im Abschnitt zu Frameworks).
• Der Gesprächspartner ist Entscheidungsträger oder hat direkten Zugang zum Entscheidungsträger.
• Es gibt einen konkreten Anlass oder Pain, der mit eurem Angebot adressiert werden kann.
• Die Entscheidung ist realistisch innerhalb von 6–18 Monaten.

Was ein SQL nicht ist:

• Ein Lead, bei dem Sales "ein gutes Gefühl" hat, ohne das validiert zu haben.
• Ein Kontakt, der interessiert klingt, aber keine Entscheidungskompetenz hat.
• Jemand, der Informationen sammelt, aber kein konkretes Projekt im Hintergrund hat.

Der Unterschied zwischen MQL und SQL ist im Wesentlichen der Unterschied zwischen Marketing-Einschätzung und Sales-Validierung. MQL ist die Hypothese. SQL ist die Bestätigung.

---

Die Zwischenstufe SAL: Sales Accepted Lead

In vielen Unternehmen gibt es nur MQL und SQL. Dazwischen entsteht ein Vakuum: Marketing übergibt, Sales prüft, und irgendwo geht der Lead verloren — ohne dass jemand die Verantwortung trägt.

Der SAL (Sales Accepted Lead) schließt diese Lücke.

Definition: Ein SAL ist ein MQL, den Sales explizit akzeptiert hat — das heißt, Sales hat bestätigt, dass der Lead die definierten Mindestkriterien erfüllt und die Bearbeitung beginnt. Ob der SAL zum SQL wird, ist zu diesem Zeitpunkt noch offen.

Der Mechanismus dahinter ist wichtiger als die Begrifflichkeit. Wenn Sales einen MQL als SAL akzeptiert, entsteht Verbindlichkeit: Sales hat die Verantwortung übernommen. Wenn der SAL nicht zum SQL wird, muss Sales begründen warum — und Marketing erhält strukturiertes Feedback.

Ohne SAL: Marketing weiß nicht, ob seine Leads überhaupt bearbeitet wurden. Mit SAL: Marketing weiß, ob seine Leads akzeptiert wurden, und erfährt warum nicht, wenn sie abgelehnt wurden.

Diese Zwischenstufe ist besonders relevant im DACH-Mittelstand, wo Sales-Teams häufig unter Kapazitätsdruck stehen und MQLs selektiv bearbeiten — ohne systematische Rückmeldung an Marketing.

---

Vom MQL zum SQO: Der vollständige Funnel

Die Bezeichnungen variieren je nach Unternehmen und CRM, aber die Logik ist überall gleich:

MQL → SAL → SQL → SQO → Customer

Conversion-Benchmarks

Wo genau liegt eine gute Conversion-Rate? Die Antwort hängt von Industrie, Sales-Cycle-Länge und Lead-Quelle ab. Dennoch gibt es verlässliche Referenzwerte.

Quellen: HubSpot State of Marketing 2023/2024, Forrester B2B Lead Management Study 2023

Die End-to-End-Conversion von MQL zu Kunde liegt konsistent bei 3–5 %. Das klingt niedrig — ist aber normal. Es bedeutet: Um 10 neue Kunden zu gewinnen, braucht ihr ca. 200–350 qualifizierte MQLs. Wer diese Zahl kennt, kann rückwärts planen.

DACH-Hinweis: Im deutschsprachigen Mittelstand sind längere Sales Cycles (6–18 Monate) Standard. Das drückt die MQL-zu-Customer-Conversion zeitlich nach hinten — nicht nach unten. Eine Kohortenanalyse über 12–18 Monate zeigt das realistische Bild deutlicher als Monats-Snapshots.

---

Lead Scoring: Wie man MQL/SQL-Übergänge automatisiert

Lead Scoring ist das technische Fundament hinter der MQL-Definition. Statt jede Lead-Übergabe manuell zu entscheiden, liefert ein Scoring-Modell automatisiert einen numerischen Wert — und ein Schwellenwert löst den MQL-Status aus.

Demografisches Scoring (Fit-Kriterien)

Diese Signale bewerten, ob ein Lead strukturell zu eurem ICP passt:

Verhaltensbasiertes Scoring (Intent-Signale)

Diese Signale bewerten, wie stark ein Lead aktuell Kaufinteresse signalisiert:

MQL-Schwelle: Score ≥ 65 Punkte (Richtwert — muss pro Unternehmen kalibriert werden).

Negativsignale nicht vergessen

Negativsignale sind mindestens genauso wichtig wie positive Signale. Ein Lead mit hohem Engagement-Score, aber aus einer nicht-relevanten Branche, sollte nicht als MQL landen. Wettbewerber-Domains müssen systematisch herausgefiltert werden.

Von statischen Punkten zu ML-Modellen

Regelbasiertes Scoring (wie oben) ist der richtige Ausgangspunkt: schnell zu implementieren, transparent, leicht zu debuggen. Aber es hat Grenzen. Statische Regeln erfassen keine Sequenzen — sie erkennen nicht, dass ein Lead, der zuerst einen Grundlagen-Artikel liest, dann Case Studies und dann die Pricing-Seite besucht, wahrscheinlich weiter in der Kaufentscheidung ist als jemand, der dieselben drei Seiten in umgekehrter Reihenfolge aufruft.

ML-Modelle erkennen MQL/SQL-Übergangspunkte besser als statische Punkte — weil sie Muster in historischen Closed-Won-Daten lernen, nicht nur Regeln anwenden. Wer die Daten hat (500+ SQLs pro Jahr als Richtwert), kann mit Salesforce Einstein, HubSpot Predictive Scoring oder einem eigenen Python-Modell diese Ebene erschließen.

Für die meisten DACH-Mittelstands-Unternehmen gilt: Startet mit regelbasiertem Scoring und plant den Wechsel auf Predictive Scoring erst, wenn ihr mindestens 12 Monate historische Daten habt.

---

BANT, MEDDIC, CHAMP: Welches Framework wann?

Wenn Sales einen MQL zur Qualifizierung übernimmt, braucht es ein Framework — eine strukturierte Checkliste für das Discovery-Gespräch. Die drei bekanntesten sind BANT, MEDDIC und CHAMP.

BANT

Budget, Authority, Need, Timeline. Das älteste Framework, konzipiert für standardisierte Produkte mit kurzen Sales Cycles.

• Stärke: Schnell, simpel, für Junior-SDRs leicht zu erlernen.
• Schwäche: Zu eindimensional für komplexe B2B-Entscheidungen. "Budget" ist in DACH-Mittelstand-Unternehmen selten in der ersten Gesprächsrunde bekannt. "Authority" ignoriert Buying Committees.
• DACH-Fit: Mäßig. Für schnelle SaaS-Qualifizierungen nutzbar, für beratungsintensiven Vertrieb unzureichend.

MEDDIC

Metrics, Economic Buyer, Decision Criteria, Decision Process, Identify Pain, Champion. Entwickelt für Enterprise-Deals mit langen Sales Cycles und mehreren Stakeholdern.

• Stärke: Erfasst die vollständige Entscheidungsstruktur. Berücksichtigt, wer tatsächlich entscheidet (Economic Buyer), nicht nur wer das Gespräch führt. Champion-Identifikation ist besonders wertvoll.
• Schwäche: Mehr Aufwand, höhere Komplexität. Nicht für jeden SDR sofort anwendbar.
• DACH-Fit: Sehr hoch. Besonders geeignet für Mittelstand und Enterprise, wo Entscheidungen durch Committees getroffen werden und Prokura-Inhaber selten die ersten Gesprächspartner sind.

CHAMP

Challenges, Authority, Money, Prioritization. Buyer-zentrierter Ansatz, der mit dem Pain des Leads beginnt statt mit dem Budget.

• Stärke: Kundenzentrierter als BANT, leichter als MEDDIC.
• Schwäche: Weniger strukturiert für komplexe Deals.
• DACH-Fit: Mittel. Gut für Mid-Market-Deals mit überschaubarer Stakeholder-Zahl.

Empfehlung für DACH-Mittelstand

MEDDIC als Basis, pragmatisch angepasst. In der Praxis bedeutet das: Nicht alle sechs Kriterien müssen in jedem Discovery-Call vollständig ausgefüllt sein. Aber Economic Buyer (wer unterschreibt?), Identify Pain (was kostet das Problem heute konkret?) und Champion (wer treibt intern?) sollten immer geklärt werden.

BANT ist für Mittelstand zu simpel. MEDDIC ohne Anpassung zu komplex für ein erstes Gespräch. Der pragmatische Hybrid ist das, was in der Realität funktioniert.

---

Marketing-Sales-SLA: Das Dokument, das Streit beendet

Ein SLA (Service Level Agreement) zwischen Marketing und Sales ist kein bürokratisches Dokument. Es ist die schriftliche Antwort auf die Frage: "Was genau haben wir vereinbart?" — und damit das einzige Werkzeug, das strukturellen Dauerkampf auflöst.

Was ein Marketing-Sales-SLA enthalten muss

1. MQL-Definition Welche Kriterien muss ein Lead erfüllen, um als MQL zu gelten? Konkret, messbar, mit Beispielen. Nicht "relevanter Lead", sondern "Lead mit Score ≥65, Firmengröße 50–500 MA, in Zielbranche, mit mind. 2 Content-Interaktionen in 30 Tagen".

2. SAL-Kriterien Was muss erfüllt sein, damit Sales einen MQL akzeptiert? Welche Ablehnungsgründe sind zulässig? Was passiert mit abgelehnten MQLs?

3. Lead Response Time Innerhalb welcher Zeit muss Sales einen MQL erstmalig kontaktieren? Best Practice: <15 Minuten für Demo-Anfragen, <4 Stunden für Inbound-MQLs. Maximum: 24 Stunden (danach Rücklauf zu Marketing).

4. Aktivitätsmindestmenge Wie viele Kontaktversuche macht Sales, bevor ein Lead als nicht erreichbar gilt? Richtwert: 5–6 Versuche über 10–14 Tage (Mix aus Anruf, E-Mail, LinkedIn-Nachricht), bevor der Lead recycelt wird.

5. Recycling-Regeln Was passiert mit Leads, die nicht zum SQL werden? Wann werden sie an Marketing zurückgegeben? Wann werden sie deaktiviert?

6. Feedback-Mechanismus Wie gibt Sales strukturiert Rückmeldung zur Lead-Qualität? Monatliches Review als Pflichttermin einplanen.

7. KPIs und Review-Rhythmus Welche Metriken werden gemeinsam gemessen? Empfehlung: MQL-Volumen, MQL→SAL-Rate, SAL→SQL-Rate, Lead Response Time (Durchschnitt und 90th Percentile). Quartalsweise Review als Minimum.

Wie ihr das SLA einführt

Das SLA funktioniert nur, wenn beide Seiten es gemeinsam erarbeitet haben — nicht wenn Marketing es unilateral festlegt und Sales präsentiert. Ein Workshop von 2–3 Stunden mit den relevanten Stakeholdern aus Marketing und Sales ist der richtige Start.

---

Lead Response Time: Warum 5 Minuten alles entscheiden

Diese Zahl ist provokativ. Aber sie ist belegt.

Eine viel zitierte Studie von InsideSales (heute Xant) zeigt: Die Wahrscheinlichkeit, einen Lead telefonisch zu erreichen, ist bei einem Kontaktversuch innerhalb von 5 Minuten rund 100-mal höher als bei einem Versuch nach 30 Minuten. Nach einer Stunde sinkt die Erreichbarkeit dramatisch.

Noch alarmierender: Drift hat in mehreren Messungen dokumentiert, dass die durchschnittliche B2B-Antwortzeit auf eine Inbound-Anfrage bei über 40 Stunden liegt — in manchen Branchen deutlich höher.

Das bedeutet: Der erste, der antwortet, gewinnt die Aufmerksamkeit. Nicht das beste Produkt. Nicht der günstigste Preis. Wer zuerst reagiert, definiert das Gespräch.

Was das organisatorisch bedeutet

• Automatisches Routing: MQL-Alert sofort nach Score-Schwelle an zuständigen SDR/AE (via CRM-Automation, Slack-Notification).
• Duty-System: Klare Zuständigkeit für Inbound-Leads zu Kernzeiten — wer ist gerade "on lead duty"?
• Vorlagen bereit: SDRs sollten Erstkonakt-Templates haben, die in unter 2 Minuten personalisiert gesendet werden können.
• Kein Einzelanruf: Erster Kontaktversuch = Anruf + E-Mail gleichzeitig. Wer nur anruft, verliert alle, die gerade nicht ans Telefon gehen.

Im DACH-Mittelstand ist 5 Minuten für die meisten Teams unrealistisch — und das ist kein Problem, solange es eine verbindliche Grenze gibt. Selbst 2–4 Stunden Response Time liegt noch weit über dem, was die meisten Wettbewerber leisten.

---

Häufige Fehler bei MQL/SQL-Definitionen

Fehler 1: MQL-Volumen als Erfolgsmetrik

Marketing optimiert auf "1.000 MQLs im Quartal". Das führt unweigerlich dazu, dass Qualitätskriterien gelockert werden, um das Ziel zu erreichen. Sales wird mit Leads geflutet, die nicht passen — und verliert das Vertrauen in den Prozess.

Die Lösung: MQL-Volumen als nachrangige Metrik. Primär zählt die SAL-Rate (welcher Anteil der MQLs wird von Sales akzeptiert?) und die SQL-Rate. Wenn 80 % der MQLs von Sales akzeptiert werden, stimmt die Qualität.

Fehler 2: MQL ohne ICP-Filter

Ein MQL-Scoring ohne ICP-Abgleich produziert Leads ohne Fit. Engagement allein reicht nicht. Ein Kontakt, der drei Whitepapers heruntergeladen hat, aber aus einer komplett anderen Branche kommt, ist kein MQL — egal wie hoch sein Score ist.

Fehler 3: Kein SAL-Status

Ohne SAL gibt es kein Feedback-Loop. Marketing weiß nicht, ob seine Leads überhaupt angeschaut wurden. Sales hat keine formale Verpflichtung, MQLs zu bearbeiten. Das Ergebnis ist genau das, was Forrester (2023) misst: 60 % der MQLs, die nie kontaktiert werden.

Fehler 4: SLA existiert, aber wird nicht gelebt

Viele Unternehmen haben ein SLA auf dem Papier. Kein regelmäßiges Review, keine Konsequenzen bei Verstößen, keine gemeinsamen KPIs. Ein SLA ohne Accountability-Mechanismus ist nutzlos.

Fehler 5: Recycling fehlt

Leads, die nicht zum SQL werden, landen im Nichts. Kein Re-Nurturing, kein systematischer Wiederanlauf nach 90 Tagen. Dabei sind "nicht jetzt"-Leads oft die wertvollsten Leads von morgen.

---

Pipeline-First-Ansatz: Warum die MQL-Logik in Frage steht

Chris Walker (Refine Labs) hat in den letzten Jahren eine These konsequent vertreten: MQL ist eine Marketing-Metrik, keine Business-Metrik. Die eigentliche Frage ist nicht "Wie viele MQLs haben wir geliefert?" — sondern "Wie viel Pipeline haben wir beeinflusst?"

Die Logik dahinter: MQL-Optimierung führt zu Volumen-Denken. Pipeline-Optimierung führt zu Qualitäts-Denken. Ein Marketing-Team, das an seiner beeinflussten Pipeline gemessen wird, trifft andere Entscheidungen als eines, das an MQL-Zahlen gemessen wird.

Die drei Pipelines, die tatsächlich zählen:

1. Sales-Sourced Pipeline: Deals, die Sales selbst initiiert hat (ohne Marketing-Berührung).
2. Marketing-Sourced Pipeline: Deals, die über einen Marketing-Kanal eingestiegen sind.
3. Marketing-Influenced Pipeline: Deals, bei denen Marketing-Touchpoints einen Beitrag geleistet haben — auch wenn der erste Kontakt aus einer anderen Quelle kam.

Im DACH-Mittelstand ist Sales-Sourced Pipeline der dominante Anteil — realistisch 60–75 % (Referenzwert basierend auf HubSpot B2B-Daten 2023). Marketing muss 25–40 % beitragen, um als substanzieller Kanal wahrgenommen zu werden.

Was das für die Praxis bedeutet:

MQL abschaffen? Nein — das wäre zu radikal und würde den Übergabe-Mechanismus zerstören. Aber MQL als primäre KPI ersetzen durch "Marketing-Influenced Pipeline in EUR"? Das ist für viele Mittelstands-Unternehmen der richtigere Ansatz.

Ein Experiment, das sich lohnt: Führt parallel zum MQL-KPI einen Pipeline-Contribution-KPI ein. Messt nach 6 Monaten, welche Content-Formate und Lead-Quellen tatsächlich zu gewonnenen Deals beigetragen haben — nicht nur zu generierten Leads.

---

KI in der MQL/SQL-Übergangslogik 2026

KI im Lead Scoring ist kein Hype mehr — sie ist für viele B2B-Teams operativer Alltag geworden. Aber es gibt Unterschiede zwischen dem, was tatsächlich funktioniert, und dem, was nur gut klingt.

Predictive Lead Scoring (etabliert)

HubSpot Predictive Lead Scoring und Salesforce Einstein Lead Scoring analysieren historische Daten: Welche Leads sind zu Kunden geworden? Welche Merkmale hatten sie gemeinsam? Das Modell lernt daraus und prognostiziert die Conversion-Wahrscheinlichkeit neuer Leads.

KI-gestütztes Lead Scoring lernt aus historischen Closed-Won-Daten und erkennt Zusammenhänge, die Menschen übersehen würden — zum Beispiel, dass Leads aus bestimmten Kombinationen von Branche, Unternehmensgröße und Content-Pfad überdurchschnittlich häufig konvertieren.

Voraussetzung: Mindestens 500–1.000 historische SQLs als Trainingsdaten. Für kleinere Unternehmen ist regelbasiertes Scoring zunächst der pragmatischere Ansatz.

LLM-basierte Lead-Qualifizierung (neu)

Ein wachsender Anwendungsfall: LLMs qualifizieren Leads anhand von Sales-Notizen, E-Mail-Konversationen und CRM-Daten automatisch vor — und reduzieren damit den manuellen SDR-Aufwand für die erste Einschätzung.

Ein konkretes Beispiel: Ein SDR öffnet einen neuen MQL im CRM. Ein LLM-Assistent hat bereits analysiert: Website-Verhalten, LinkedIn-Profil, Branche, und relevante News über das Unternehmen (Stellenausschreibungen, Pressemitteilungen) — und gibt eine strukturierte Einschätzung: "Passt zu Segment B, Pain-Signal erkennbar (3 offene IT-Stellen), kein erkennbares Wettbewerber-Angebot in Nutzung. Empfehlung: Qualifizierungs-Call."

Behavior-Pattern-Erkennung

ML-Modelle erkennen MQL/SQL-Übergangspunkte besser als statische Punkte, weil sie Sequenzen erfassen. Ein Lead, der Content in der Reihenfolge "Problem → Vergleich → Pricing" konsumiert, zeigt ein anderes Kaufmuster als jemand, der dieselben drei Seiten zufällig besucht hat. Statische Punktesysteme sehen das nicht. Pattern-Erkennung schon.

DSGVO-Hinweis: Alle KI-gestützten Scoring-Systeme müssen auf DSGVO-konformer Infrastruktur laufen. Für DACH gilt: EU-gehostete Lösungen oder explizite Einwilligung für Datenverarbeitung außerhalb der EU. Das ist bei HubSpot und Salesforce mit entsprechender Konfiguration realisierbar.

---

DACH-Mittelstand-Realität

Viele MQL/SQL-Frameworks kommen aus dem US-SaaS-Umfeld: standardisierte Produkte, kurze Sales Cycles, schnelle Entscheidungen. Der DACH-Mittelstand funktioniert anders.

Längere Sales Cycles

Ein realistischer Sales Cycle im DACH-Mittelstand liegt bei 6–18 Monaten. Maschinenbau, ERP-Implementierungen, Beratungsmandate — alles, was Customization erfordert, dauert länger als standardisierte Software. Das bedeutet:

• MQL→SQL-Conversion sollte über längere Zeiträume gemessen werden.
• Pipeline-Beitrag nach 6 Monaten ist aussagekräftiger als nach 30 Tagen.
• Leads, die "nicht jetzt" sagen, sind oft "in 12 Monaten" — Recycling und Re-Nurturing sind damit proportional wichtiger.

Beziehungsvertrieb dominiert

70 % der B2B-Kaufentscheidungen in DACH basieren auf persönlichem Vertrauen und Netzwerk — weniger auf Content-Consumption und inbound-getriebener Qualifizierung. Das bedeutet nicht, dass MQL/SQL-Logik irrelevant ist. Aber es bedeutet:

• Warm Introductions und Referrals sollten im Lead-Scoring berücksichtigt werden — oft fehlen sie komplett.
• Account Executives müssen selbst qualifizieren, nicht nur SDRs. Gatekeeping durch Junior-SDRs ist in DACH häufig gesprächshemmend.
• XING und LinkedIn DMs sind valide MQL-Trigger — nicht nur Website-Formulare.

Messe-Kontakte und Events

Im DACH-B2B-Bereich sind Fachmessen wichtige Lead-Quellen. Diese werden in US-SaaS-Frameworks oft nicht berücksichtigt. Messebesucher mit konkretem Gespräch und ICP-Fit sollten direkt als MQL oder SAL getaggt werden — nicht erst durch den üblichen digitalen Scoring-Prozess geschleust.

Buying Committees

DACH-Mittelstand-Entscheidungen fallen selten durch Einzelpersonen. Prokura-Inhaber, IT-Leitung, Fachabteilung, und oft auch Betriebsrat sind involviert. MEDDIC (mit dem Champion-Konzept) erfasst das besser als BANT.

---

Tools, die MQL/SQL technisch abbilden

Die Definitionen sind das eine. Die technische Implementierung das andere. Welche Plattform eignet sich wann?

HubSpot

Lifecycle Stages (Subscriber → Lead → MQL → SQL → Opportunity → Customer → Evangelist) plus Lead Status sind die Grundstruktur. Predictive Lead Scoring ab Professional-Plan. Sehr gut für Mittelstand, der eine All-in-One-Lösung sucht.

Stärke: Einfache Implementierung, gutes Reporting, starke Automation. Grenze: Bei sehr komplexen Setups oder Enterprise-Scale stößt HubSpot an Grenzen.

Salesforce

Lead → Contact + Opportunity ist die Standardlogik. Einstein Lead Scoring als AI-Layer. Hochgradig customizable, aber komplexer in der Einrichtung.

Stärke: Maximale Flexibilität, beste Enterprise-Integration. Grenze: Implementierungs- und Wartungsaufwand ist erheblich höher.

Marketo / Adobe Marketo Engage

Lead Lifecycle Management ist Marketos Kernkompetenz. Besonders stark für komplexe Nurturing-Sequenzen und Multi-Touch-Attribution.

Stärke: Beste-in-Class für komplexe Marketing-Automation. Grenze: Preislich für KMU oft nicht sinnvoll. Steile Lernkurve.

Welche Plattform für welche Größe?

---

Praxis-Setup in 60 Tagen

Wer MQL/SQL-Logik neu implementiert oder einen bestehenden Prozess repariert, kann das strukturiert in 60 Tagen aufsetzen.

Tag 1–15: Gemeinsame Definition

• Workshop mit Marketing und Sales (2–3 Stunden): Was ist unser ICP? Welche Signale zeigen Kaufabsicht? Wo liegt die MQL-Schwelle?
• MQL-Definition schriftlich festhalten. SAL-Kriterien definieren.
• Aktuelle Conversion-Rate messen: Wie viele MQLs haben wir aktuell? Wie viele werden zu SQLs?

Tag 16–30: SLA und Scoring dokumentieren

• Lead-Scoring-Modell bauen oder anpassen (Punkte für Fit + Engagement).
• SLA-Dokument ausarbeiten: Übergabe-Kriterien, Response Time, Recycling-Rules.
• Negativsignale definieren und im CRM konfigurieren.

Tag 31–45: Technische Implementation

• Lead-Scoring-Regeln im CRM implementieren.
• Automatisches Routing und Alerts einrichten (MQL → SDR via Slack/E-Mail).
• SAL-Status als CRM-Feld anlegen und Workflow aufsetzen.

Tag 46–60: Testlauf und erstes Review

• Live-Betrieb mit tatsächlichen Leads.
• Wöchentliche MQL-Queue gemeinsam durchgehen (Sales + Marketing, 30 Minuten).
• Erste Daten auswerten: Wo werden Leads abgelehnt? Warum?
• SLA-Dokument anpassen, wo nötig.

Nach Tag 60: Quartalsreview als fester Termin. KPIs: SAL-Rate, SQL-Rate, Lead Response Time, Pipeline Contribution.

---

FAQ

Was ist eine gute MQL-zu-SQL-Conversion-Rate?

13–25 % ist der B2B-Benchmark (HubSpot State of Marketing 2024). Im DACH-Mittelstand mit längeren Sales Cycles sind 10–18 % realistisch. Wichtiger als die absolute Zahl ist der Trend: Steigt die Rate über Zeit? Und: Wie hoch ist die SAL-Rate (welcher Anteil der MQLs wird von Sales überhaupt akzeptiert)? Wenn die SAL-Rate unter 60 % liegt, ist das ein Qualitätsproblem.

Brauche ich SAL wirklich, oder reichen MQL und SQL?

SAL ist optional, aber empfehlenswert. Ohne SAL gibt es keinen formalen Feedback-Loop zwischen Sales und Marketing. Sales kann MQLs ignorieren, ohne dass das sichtbar wird. SAL erzeugt Verbindlichkeit — und damit die Daten, die Marketing braucht, um das Scoring zu verbessern.

Wie definiere ich MQL, wenn Sales keinen Input geben will?

Fang mit einer Hypothese an. Definiere MQL selbst, basierend auf dem, was du über deinen ICP weißt. Informiere Sales darüber. Nach 30 Tagen: Review der abgelehnten MQLs. Warum hat Sales sie nicht bearbeitet? Das Feedback kommt — wenn auch informell. Nutze es, um die Definition zu schärfen.

Wir haben keinen SDR. Kann MQL/SQL-Logik auch ohne SDR-Rolle funktionieren?

Ja. In kleineren Unternehmen übernimmt der Account Executive oder der Geschäftsführer die Qualifizierung direkt. Das bedeutet: Die MQL-Schwelle sollte höher liegen — nur Leads mit wirklich starken Signalen werden übergeben. Weniger Volumen, mehr Qualität.

Wie gehe ich mit Messe-Kontakten oder Referrals um?

Diese Leads sollten nicht durch den normalen Scoring-Prozess geschleust werden. Definiere separate Eingangs-Tags (z.B. "Messe 2026", "Referral via Partner X") und setze diese direkt auf MQL oder SAL — je nach Gesprächs-Qualität. Das ICP-Kriterium muss trotzdem erfüllt sein.

Ab wann lohnt sich KI-gestütztes Lead Scoring?

Als Richtwert: 500+ historische SQLs, mindestens 12 Monate Daten. Darunter hat das Modell nicht genug Trainingsdaten für verlässliche Prognosen. Regelbasiertes Scoring ist bis dahin der pragmatischere Ansatz.

Was ist der Unterschied zwischen Lead Scoring und Account Scoring?

Lead Scoring bewertet eine individuelle Person. Account Scoring bewertet ein Unternehmen als Ganzes — typischerweise durch Aggregation mehrerer Leads aus demselben Unternehmen. Account-Based Marketing (ABM) arbeitet mit Account Scoring. Für die meisten Mittelstands-Unternehmen ist Lead Scoring der richtige Start; Account Scoring wird relevant, wenn ihr mit 50–100 definierten Zielaccounts arbeitet.

Unser Sales-Team ignoriert MQLs trotz SLA. Was tun?

Drei mögliche Ursachen: (1) Die MQL-Qualität ist tatsächlich zu niedrig — dann das Scoring überprüfen. (2) Sales hat keine Zeit — dann Kapazität prüfen, Priorisierungsregeln einführen. (3) Es gibt kein echtes Management-Buy-in für das SLA — dann das Problem eskalieren. Ein SLA ohne Konsequenzen bei Verletzung ist Papiertiger.

---

Quellen

• HubSpot: State of Marketing Report 2024. Jährlich publiziert unter hubspot.com/state-of-marketing. (MQL/SQL-Benchmarks, Conversion-Raten, Lead-Scoring-Best-Practices)
• HubSpot: State of Marketing Report 2023. (MQL→SQL-Conversion, Sales-Sourced Pipeline-Benchmarks)
• Forrester Research: B2B Lead Management Studies 2023. (60-%-MQL-unberührt-Statistik, End-to-End-Conversion-Benchmarks)
• Salesforce: State of Sales Report 2024. salesforce.com/research. (SQL/Customer-Conversion, CRM-Trends, MEDDIC-Adoption)
• InsideSales / Xant: Lead Response Time Study. (5-Minuten-Erreichbarkeits-Effekt; Studie viel zitiert in Lead-Gen-Best-Practices seit 2011, Effekt durch Nachfolgestudien von Xant bestätigt)
• Drift: State of Conversational Marketing Reports 2022–2024. drift.com. (Durchschnittliche B2B-Response-Zeiten, Inbound-Lead-Handling)
• Refine Labs / Chris Walker: Demand Gen Framework und Pipeline-First-Methodik. refinelabs.co. (Pipeline-Sourced vs. MQL-Optimierung, Revenue-Attribution)
• LinkedIn: State of Sales Report 2024. linkedin.com/sales. (DACH-Sales-Trends, Beziehungsvertrieb, Social Selling)
• MarketingSherpa: Lead Generation Benchmark Reports 2023–2024. marketingsherpa.com. (Lead-Scoring-Practices, Qualifizierungs-Frameworks)
• Marketo / Adobe: Lead Management Best Practices Documentation. (Lifecycle-Stage-Definitionen, SAL-Konzept)

---

Über den Autor

Dustin Jeff Vogler ist Founder von Vogler Marketing. Er baut mit B2B-Mittelstandsunternehmen im DACH-Raum messbare Client-Acquisition-Systeme — durch Demand Capture, Growth Engines und Revenue Systems, die Marketing und Vertrieb strukturell verbinden.

---

Bereit für eine Lead-Qualifizierung, die Marketing und Sales versöhnt?

Der häufigste Grund, warum MQL/SQL-Prozesse scheitern, ist nicht technischer Natur. Es ist fehlendes Alignment darüber, was einen guten Lead ausmacht — und wer dafür verantwortlich ist.

Wenn du wissen möchtest, wo bei euch der größte Hebel liegt, kann ein Erstgespräch das schnell klären.

---