Der entscheidende Gedanke ist die Abgrenzung zum Basis-CRM. Salesforce – hier als „Sales Cloud“, „Service Cloud“ und die weiteren Clouds gemeint – ist das System, in dem Kontakte, Verkaufschancen, Fälle, Aufgaben und Kundendaten verwaltet werden. Es speichert, strukturiert und automatisiert die Kundenbeziehung. Einstein fügt dieser Basis keine neuen Datensätze hinzu, sondern eine intelligente Auswertung: Es sagt voraus, welche Verkaufschance wahrscheinlich gewinnt, es schlägt die nächste sinnvolle Aktion vor, es formuliert eine E-Mail-Antwort, und es fasst einen langen Fallverlauf zusammen. Ohne das darunterliegende CRM und dessen Daten hätte Einstein nichts, worauf es arbeiten könnte.
Drei Eigenschaften definieren Salesforce Einstein:
In unseren Projekten ist die häufigste Verwechslung, dass Einstein für „das smarte Salesforce“ gehalten wird, das man einfach dazubucht und das dann von selbst klüger arbeitet. So funktioniert es nicht. Salesforce ist die Plattform, Einstein ist die darauf laufende Intelligenz – und beide werden getrennt lizenziert, konfiguriert und bewertet. Ein Unternehmen kann Salesforce jahrelang ohne jede Einstein-Funktion betreiben; umgekehrt ergibt Einstein ohne ein sauber genutztes Salesforce keinen Sinn. Diese Trennung ist nicht akademisch, sondern hat direkte Folgen für Budget, Datenschutz und Erwartungsmanagement.
Praktisch bedeutet das: Bevor über Einstein überhaupt gesprochen wird, muss das Basis-CRM stehen, die Prozesse müssen abgebildet und die Daten müssen gepflegt sein. Erst dann ist die KI-Schicht ein sinnvoller nächster Schritt. Wer Einstein als Abkürzung für ein noch nicht eingeführtes oder chaotisch genutztes CRM sieht, kauft die Reihenfolge falsch herum ein – und wird enttäuscht.
Der eigentliche Vorteil einer eingebetteten KI-Schicht liegt im Kontext. Ein externes Sprachmodell weiß nichts über den konkreten Kunden, die letzte Bestellung oder den offenen Servicefall – es müsste diese Informationen erst umständlich zugeführt bekommen. Einstein dagegen sitzt auf demselben Datenmodell wie das CRM und kann – im Rahmen der Berechtigungen – auf genau die Datensätze zugreifen, die für die jeweilige Aufgabe relevant sind. Eine Zusammenfassung eines Kundengesprächs, ein Vorschlag für die nächste Aktivität oder eine Antwort auf eine Serviceanfrage werden dadurch spürbar relevanter, als es ein kontextloses externes Werkzeug leisten könnte.
Für den Mittelstand ist dieser Kontextvorteil der eigentliche Kern des Wertversprechens. Gleichzeitig ist er die Quelle der Anforderungen: Damit die KI auf die richtigen Daten zugreift, müssen die Berechtigungen, die Datenqualität und – bei generativer KI – die Sicherheitsmechanismen stimmen. Der Kontextvorteil und die Sorgfaltspflicht sind zwei Seiten derselben Medaille.
Die wichtigste Unterscheidung innerhalb der Einstein-Familie ist die zwischen vorhersagender und generativer KI. Predictive AI ist der ältere, etablierte Teil: Sie lernt aus historischen Daten Muster und leitet daraus Wahrscheinlichkeiten ab – etwa, wie hoch die Chance ist, dass eine Verkaufschance gewinnt, oder welcher Lead am ehesten reagiert. Diese Modelle sind vergleichsweise gut nachvollziehbar, brauchen aber ausreichend viele und saubere historische Datensätze, um verlässlich zu sein. Für sehr kleine Datenbestände liefern sie wenig belastbare Aussagen.
Generative AI ist die neuere, dynamischere Welt: Sie erzeugt neue Inhalte – Texte, Zusammenfassungen, Antwortentwürfe – auf Basis von Sprachmodellen und dem CRM-Kontext. Ihr Nutzen ist unmittelbar spürbar, weil sie Routine-Schreibarbeit abnimmt. Ihre Risiken sind aber auch andere: Sie kann plausibel klingende, aber falsche Aussagen erzeugen („Halluzinationen“), weshalb menschliche Kontrolle und der Trust Layer wesentlich sind. Wer beide Welten unter dem Wort „Einstein“ vermischt, unterschätzt die unterschiedlichen Voraussetzungen und Risiken.
Für die meisten Anwender ist der Einstein Copilot das sichtbare Gesicht der KI-Schicht. Er ist ein assistierender Chat, der direkt in der Salesforce-Oberfläche sitzt und im Kontext des aktuellen Datensatzes arbeitet: Er beantwortet Fragen zu den CRM-Daten, entwirft E-Mails, fasst Fallverläufe zusammen und kann – im Rahmen der Konfiguration – Aktionen anstoßen. Weil er im Arbeitsfluss sitzt, senkt er die Hürde, KI im Alltag tatsächlich zu nutzen.
Wichtig ist die Einordnung im Verhältnis zu Agentforce, dem Rahmen für autonome Agenten: Der Copilot assistiert dem Menschen, der die Kontrolle behält; Agenten sollen darüber hinaus eigenständig ganze Aufgaben bearbeiten. Diese autonome Stufe ist jung und sollte im Mittelstand mit besonderer Sorgfalt, klaren Grenzen und guter Datenqualität eingeführt werden. Wir betrachten Agentforce hier bewusst als Kontext, nicht als Empfehlung für den schnellen Breiteneinsatz – die Reife und die konkreten Kosten sind beim Anbieter zu prüfen.
In der Sales Cloud liegt die klassische Stärke der vorhersagenden KI. Einstein bewertet Verkaufschancen und Leads mit einem Scoring, das anzeigt, welche Opportunities am ehesten gewinnen und welche Leads sich zu priorisieren lohnen. Es liefert Beiträge zur Umsatzprognose (Forecasting), indem es die Pipeline anhand historischer Muster einschätzt, und es kann auf Basis der Aktivitätshistorie Hinweise zur nächsten sinnvollen Handlung geben. Der Nutzen: Vertriebsteams verschwenden weniger Zeit auf aussichtslose Kontakte und richten ihre begrenzte Kapazität auf die aussichtsreichsten Geschäfte.
Die Einschränkung ist dieselbe wie bei jeder Vorhersage: Sie ist nur so gut wie die zugrunde liegenden Daten. Ein Vertrieb mit lückenhaft gepflegten Verkaufschancen, unklaren Phasen und wenig historischen Abschlüssen erhält von Einstein wenig belastbare Aussagen. Die Prognosen sind Entscheidungshilfen, keine Gewissheiten – und sie ersetzen nicht das Urteil erfahrener Vertriebsmitarbeiter, sondern schärfen es.
In der Service Cloud spielt die generative KI ihre Stärken aus. Einstein kann eingehende Serviceanfragen klassifizieren und weiterleiten, es fasst lange Fallverläufe zu einer knappen Zusammenfassung zusammen, und es entwirft Antwortvorschläge, die der Servicemitarbeiter prüft, anpasst und freigibt. Für Wissensdatenbanken kann es Artikelentwürfe aus gelösten Fällen ableiten. Der Effekt ist eine spürbare Entlastung bei der Routine-Kommunikation, ohne dass die menschliche Kontrolle aufgegeben wird.
Auch hier gilt die Sorgfaltsregel: Generierte Antworten müssen geprüft werden, weil das Sprachmodell plausibel klingende Fehler produzieren kann. Der seriöse Einsatz sieht den Menschen im Freigabeschritt vor – der Mitarbeiter beschleunigt seine Arbeit, gibt aber die Verantwortung für den Inhalt nicht ab. Dieser „Mensch im Freigabekreis“ ist im Mittelstand der Regelfall und aus unserer Sicht auch der richtige.
Über Vertrieb und Service hinaus unterstützt Einstein bei Analyse und Inhalten. Es kann natürliche Sprachfragen zu CRM-Daten beantworten („Wie hat sich die Pipeline im letzten Quartal entwickelt?“) und dazu Auswertungen und Zusammenfassungen erzeugen, was die Hürde für datengetriebene Entscheidungen senkt. Im Marketing-Umfeld unterstützt es bei der Segmentierung von Zielgruppen und beim Entwurf von Kampagnentexten. Der rote Faden bleibt: Einstein nimmt Routine ab und macht Daten zugänglicher, ersetzt aber nicht die fachliche Prüfung.
Ein häufiges Missverständnis ist, Einstein für die gesamte Automatisierung zu halten. Tatsächlich ist die KI-Schicht nur ein Baustein: Der Großteil der Prozessautomatisierung in Salesforce läuft über regelbasierte Werkzeuge wie den Flow, über Validierungsregeln und über Zuweisungslogiken – all das funktioniert ohne KI. Einstein setzt darauf auf und macht einzelne Schritte „intelligenter“, indem es eine Vorhersage liefert oder einen Text erzeugt. Der wirtschaftlich sinnvollste Weg ist meist, zuerst die regelbasierte Automatisierung sauber aufzusetzen und die KI gezielt dort zu ergänzen, wo sie einen klaren Mehrwert bringt.
Für die Kostenbetrachtung ist diese Unterscheidung wichtig: Viel Automatisierungsnutzen lässt sich bereits ohne die zusätzlichen Einstein-Lizenzen realisieren. Die KI-Schicht rechtfertigt sich erst dort, wo Vorhersage oder Textproduktion einen messbaren Unterschied machen – nicht als pauschaler Aufschlag auf jeden Prozess.
Die Data Cloud führt Kundendaten aus verschiedenen Quellen – dem CRM selbst, aber auch aus anderen Systemen wie Webshops, ERP oder Marketing-Werkzeugen – zu einem konsolidierten Kundenprofil zusammen. Für Einstein ist das entscheidend, weil eine KI-Vorhersage oder eine generative Antwort umso relevanter wird, je vollständiger und aktueller das zugrunde liegende Kundenbild ist. Eine Serviceantwort, die die letzte Bestellung, den offenen Vorgang und die Vertragslaufzeit kennt, ist wertvoller als eine, die nur auf den CRM-Grunddaten fußt.
In der Praxis bedeutet das aber auch: Der volle Wert der KI-Schicht entfaltet sich oft erst mit der Data Cloud – und die ist ein eigenes, anspruchsvolles Thema mit eigenem Konfigurations-, Integrations- und Kostenaufwand. Für den Mittelstand ist es wichtig, diese Abhängigkeit früh zu erkennen: Einstein „nur so nebenbei“ zu aktivieren, ohne die Datenbasis zu ordnen, führt selten zu überzeugenden Ergebnissen.
Einstein ist Teil eines großen Ökosystems. Über den AppExchange, Salesforces Marktplatz, lassen sich zahlreiche Erweiterungen und Integrationen anbinden, und über die offenen Schnittstellen der Plattform sind individuelle Anbindungen an Fachsysteme möglich. Im KI-Bereich ist zudem relevant, dass Salesforce generative Modelle unterschiedlicher Anbieter einbinden kann; der Trust Layer sitzt dabei als Sicherheits- und Datenschutzschicht dazwischen. Für Unternehmen bedeutet das eine gewisse Flexibilität, aber auch die Notwendigkeit, genau zu prüfen, welches Modell wo und wie eingesetzt wird und welche Daten dabei fließen.
Wer bereits andere Systeme – ERP, Webshop, Marketing-Tools – im Einsatz hat, sollte vor einer Einstein-Entscheidung klären, wie diese Daten in die Data Cloud gelangen und dort gepflegt werden. Die Integrationsstrategie entscheidet maßgeblich darüber, ob die KI-Schicht auf einem vollständigen Kundenbild oder auf Fragmenten arbeitet. Dieser Punkt wird in Angeboten häufig unterschätzt.
Der wichtigste Punkt vorweg: Die KI eines CRM lässt sich kaum sinnvoll losgelöst vom CRM selbst vergleichen. Wer Salesforce nutzt, wählt in aller Regel auch Einstein als KI-Schicht, weil sie am tiefsten integriert ist und auf demselben Datenmodell sitzt. Wer Microsoft Dynamics einsetzt, greift naheliegenderweise zum Microsoft-Copilot-Umfeld, das zusätzlich in Microsoft 365 verankert ist. Und wer HubSpot betreibt, nutzt dessen KI-Funktionen (Breeze). Die Entscheidung fällt also fast immer auf CRM-Ebene – die KI-Schicht folgt der Plattform, nicht umgekehrt.
Der ehrliche Vergleich lautet daher: Einstein gewinnt dort, wo ein Unternehmen bereits stark und datenreich in Salesforce investiert ist – dann ist die tief integrierte, gut abgesicherte KI-Schicht die naheliegende Wahl. Der Microsoft-Copilot gewinnt in Microsoft-zentrierten Häusern, weil er über das CRM hinaus in die Office-Welt reicht. HubSpot Breeze gewinnt bei marketinggetriebenen Mittelständlern mit niedrigerer Einstiegshürde. Externe KI-Werkzeuge gewinnen bei punktuellen, klar abgegrenzten Aufgaben, bei denen die tiefe CRM-Integration keine Rolle spielt.
Einstein ist die falsche Wahl, wenn ein Unternehmen kein Salesforce betreibt oder nur oberflächlich nutzt – die KI-Schicht setzt die reife Plattform voraus und lohnt sich ohne sie nicht. Sie ist ebenfalls die falsche Wahl, wenn lediglich eine punktuelle KI-Aufgabe zu lösen ist, etwa das gelegentliche Zusammenfassen von Dokumenten, für die ein schlankes externes Werkzeug genügt. Und sie ist mit Vorsicht zu betrachten, wenn die Datenbasis dünn ist: Vorhersagen ohne ausreichende Historie und generative Antworten ohne verlässliche Daten erzeugen mehr Schein als Nutzen.
Die Faustregel aus unseren Projekten: Je tiefer und datenreicher ein Unternehmen in Salesforce steckt, desto eher rechtfertigt sich Einstein. Je oberflächlicher die CRM-Nutzung und je punktueller der KI-Bedarf, desto eher sind schlankere oder externe Alternativen die wirtschaftlichere Wahl. Die Marke ist dabei zweitrangig – entscheidend ist der konkrete Anwendungsfall und die Reife der Datenbasis.
Die härteste und am häufigsten unterschätzte Voraussetzung ist die Datenqualität. Predictive AI leitet ihre Vorhersagen aus historischen Daten ab – sind diese lückenhaft, veraltet oder widersprüchlich, sind auch die Vorhersagen unbrauchbar. Generative AI stützt ihre Antworten auf die vorhandenen Datensätze – sind diese falsch, erzeugt die KI falsche, aber überzeugend klingende Aussagen. In beiden Fällen gilt der alte Grundsatz: Aus schlechten Daten werden keine guten KI-Ergebnisse, egal wie leistungsfähig das Modell ist.
Für den Mittelstand heißt das konkret: Bevor Einstein-Lizenzen gebucht werden, sollte ehrlich bewertet werden, wie es um die Datenbasis steht. Oft ist der wirtschaftlich sinnvollste erste Schritt nicht die KI, sondern die Konsolidierung und Pflege der vorhandenen CRM-Daten. Diese Vorarbeit zahlt sich unabhängig von der KI aus – und sie ist die Bedingung dafür, dass sich die KI-Schicht später überhaupt rechnet.
Aus unserer Erfahrung passt Salesforce Einstein besonders gut zu Mittelständlern, die Salesforce bereits produktiv und datenreich nutzen, deren Prozesse sauber abgebildet sind und die konkrete, wiederkehrende Aufgaben in Vertrieb oder Service beschleunigen wollen. Diese Unternehmen haben die Voraussetzungen geschaffen, unter denen die KI-Schicht ihren Kontextvorteil ausspielt und die zusätzlichen Kosten rechtfertigt.
Weniger gut passt Einstein zu Unternehmen, die noch kein Salesforce betreiben – für sie ist die KI kein Argument, ausgerechnet die anspruchsvolle und teure Salesforce-Plattform einzuführen. Ebenfalls weniger passend ist Einstein bei dünner Datenbasis, weil Vorhersagen und generative Antworten dann wenig verlässlich sind, und bei sehr kleinen Teams mit nur punktuellem KI-Bedarf, für die ein schlankes externes Werkzeug günstiger wäre. Diese ehrliche Eingrenzung ist Teil jeder seriösen Beratung.
Der pragmatische Weg beginnt fast immer mit einer nüchternen Bestandsaufnahme: Wie reif ist die Salesforce-Nutzung, wie steht es um die Datenqualität, welche Aufgabe soll die KI konkret verbessern? Auf dieser Basis wählt man einen oder zwei klar umrissene Anwendungsfälle, führt sie mit menschlicher Freigabe im Pilot ein und misst den Nutzen. Erst wenn dieser Nutzen belegt ist, folgt die Ausweitung – Schritt für Schritt, statt die gesamte KI-Palette auf einmal zu aktivieren.
Dieser disziplinierte Weg schützt vor zwei typischen Fehlern: dem KI-Aktionismus, bei dem viel gebucht und wenig genutzt wird, und der Enttäuschung, wenn die KI auf einer unreifen Basis keine überzeugenden Ergebnisse liefert. Der Mittelstand fährt mit fokussierter, messbarer Einführung deutlich besser als mit einem breiten „Wir machen jetzt KI“-Ansatz.
Die Kosten für Einstein ergeben sich aus mehreren Hebeln, die zusätzlich zu den Salesforce-Grundlizenzen wirken. Erstens ist Einstein je nach Funktion und Cloud unterschiedlich lizenziert – manche Fähigkeiten sind in höheren Editionen enthalten, andere sind als eigenständige Zusatzlizenz oder als Add-on zu buchen. Zweitens spielt bei der generativen KI häufig ein verbrauchsabhängiges Modell eine Rolle: Die Nutzung von KI-Interaktionen kann kontingentiert oder nach Verbrauch abgerechnet werden, was die laufenden Kosten schwerer kalkulierbar macht. Drittens verursacht die für den vollen Nutzen oft nötige Data Cloud eigenen Lizenz- und Integrationsaufwand.
Für die Gesamtbetrachtung – die Total Cost of Ownership – bedeutet das: Der Einstein-Aufpreis kommt zu den Salesforce-Grundkosten hinzu, und die verbrauchsabhängigen Anteile sowie ein möglicher Data-Cloud-Bedarf können die Rechnung spürbar erhöhen. Wir empfehlen dringend, die konkrete Lizenz- und Verbrauchslogik beim Anbieter zu prüfen und mit einem realistischen Nutzungsszenario über mehrere Jahre durchzurechnen, statt sich auf den ersten genannten Aufpreis zu verlassen. Exakte Preise ändern sich häufig und sind hier bewusst nicht genannt.
Bei einer KI-Schicht ist der Datenschutz-Schwerpunkt ein anderer als beim reinen CRM. Die zentrale Frage lautet, welche Daten die KI verarbeitet, wohin sie fließen und ob sie beim Modellanbieter gespeichert werden. Genau hier setzt der Einstein Trust Layer an: Er maskiert sensible Informationen, verhindert nach Salesforce-Darstellung das dauerhafte Speichern von Prompts beim zugrunde liegenden Modell und protokolliert die Nutzung. Ergänzend ist zu klären, ob und in welchem Umfang eine EU-Datenregion für die KI-Verarbeitung verfügbar ist – dies ist konkret beim Anbieter zu prüfen, da sich Verfügbarkeit und Details ändern können.
Gleichzeitig bleibt Salesforce ein US-amerikanisches Unternehmen, das grundsätzlich US-Recht unterliegt. Für Transfers oder Zugriffe mit Drittlandbezug sind die geltenden Transfer-Mechanismen (etwa Standardvertragsklauseln und etwaige zusätzliche Garantien) sowie das daraus folgende Restrisiko zu bewerten – bei der KI-Verarbeitung mit besonderer Aufmerksamkeit, weil hier Kundendaten an Sprachmodelle übergeben werden. Für besonders sensible Datenkategorien, Berufsgeheimnisträger oder KRITIS-Umfelder empfiehlt sich eine gesonderte, dokumentierte Abwägung.
