Letzte Woche war ich beim Salesforce Data & AI Summit in Zürich. Die Energie im Raum war hoch. Salesforce hatte ein starkes Programm — neue Fähigkeiten in Tableau, Einstein-Updates, echte Diskussionen über agentische KI. Der Besuch hat sich gelohnt. Aber was ich am wertvollsten fand, stand nicht auf der Hauptbühne.
Es waren die Gespräche zwischen den Sessions — beim Kaffee, im Warten auf den nächsten Vortrag. Mit Architekten, Projektleitern und IT-Verantwortlichen aus Schweizer und europäischen Unternehmen. Menschen, die mitten in Salesforce-Einführungen stecken — oder gerade aus einer herausgekommen sind.
Und was sie sagten, zeichnet ein anderes Bild als das auf der Hauptbühne.
Die Demo-Lücke ist real
Salesforce macht beeindruckende Demos. Die Tableau-Präsentation auf diesem Event war wirklich spannend — intuitivere Datenexploration, bessere KI-gestützte Analysen, engere Integration mit dem Rest der Salesforce-Plattform. Einstein wird smarter, schneller und tiefer in die Plattform eingebettet.
Aber ich hörte immer wieder eine Version derselben Frage von Teilnehmern: "Das sieht grossartig aus. Erklärt mir jetzt, wie wir tatsächlich dort hinkommen."
Wer das am direktesten sagte, arbeitet bei einem globalen Industrieunternehmen. Sie haben Salesforce seit zwei Jahren im Einsatz. Ihre Einstein-Funktionen sind grösstenteils deaktiviert. Ihr Tableau-Deployment wird von drei Personen in der Finanzabteilung genutzt. Nicht weil die Tools nicht leistungsfähig wären — sondern weil das Fundament darunter noch nicht bereit ist.
Duplizierte Datensätze im CRM. Verkaufsdaten, die nicht mit dem ERP übereinstimmen. Pipeline-Phasen, die niemand aktualisiert. Berichte, denen die Führungsebene sechs Monate nach dem Go-live aufgehört hat zu vertrauen.
Das Produkt auf der Bühne setzt saubere Daten, konsistente Prozesse und hohe Akzeptanz voraus. In der Realität der meisten Unternehmen fehlen alle drei.
Das Implementierungsproblem, über das auf der Bühne niemand spricht
Das Muster, das ich immer wieder hörte: Ein Unternehmen kauft Salesforce, stellt ein internes Projektteam zusammen, holt einen Berater, verbringt sechs bis zwölf Monate mit der Implementierung — und geht dann live mit etwas, das im Demo-Modus funktioniert, aber den Kontakt mit der realen Organisation nicht übersteht.
Warum passiert das? Einige Gründe tauchten in verschiedenen Gesprächen auf.
Erstens: Anforderungslisten, die grenzenlos wachsen. Ein Architekt erzählte mir, ihre Implementierung hatte 340 dokumentierte Anforderungen vor dem Go-live. Dreihundertundvierzig. Niemand trat zurück und fragte, welche zwanzig davon tatsächlich wichtig sind. Alles wurde obligatorisch, weil niemand die Autorität hatte, einer Geschäftseinheit Nein zu sagen.
Zweitens: Die falschen Personen treffen Produktentscheidungen. In vielen Unternehmen werden Salesforce-Entscheidungen von der IT oder vom Implementierungsberater getroffen — nicht von den Menschen, die das Tool täglich nutzen werden. Das Ergebnis ist ein System, das technisch korrekt und operativ nutzlos ist.
Drittens: Training, das beim Go-live endet. Man bringt die Leute in einen Raum, zeigt ihnen, wie man durch Bildschirme klickt, und nennt es erledigt. Drei Monate später sind die Hälfte zu Tabellenkalkulationen und E-Mail zurückgekehrt, weil das System langsamer ist als das, was sie vorher gemacht haben.
Das Kernproblem: Salesforce verkauft eine Plattform. Was Unternehmen wirklich brauchen, ist ein funktionierendes System — und das sind zwei sehr verschiedene Dinge. Die Plattform gibt Ihnen die Fähigkeit. Das System aufzubauen erfordert Disziplin, Führungsstärke und jemanden, der bereit ist, "Nein" zu Funktionen zu sagen, die noch nicht bereit sind.
Was die Tableau-Daten wirklich zeigten
Eines der aufschlussreichsten Gespräche, die ich hatte, war mit einem Datenanalyse-Verantwortlichen einer globalen Organisation, deren Namen Sie kennen würden. Sie betreiben Tableau seit über einem Jahrzehnt.
Was mich traf, waren nicht seine Aussagen über Tableaus neue Funktionen. Es war, wie er über seine Daten sprach. Kein Zögern. Kein "nun, es hängt davon ab, welchen Bericht Sie betrachten." Sondern: "Das ist die Zahl. Das treibt sie an."
Dieses Vertrauen kam nicht von einer neuen KI-Funktion. Es kam von zehn Jahren konsequenter Pflege einer einzigen Wahrheitsquelle. Einem governed Datenmodell. Einem Prozess für das, was gemessen wird und wie.
Die Unternehmen auf dem Summit, die am meisten von Einstein und den neuen Tableau-Funktionen begeistert waren, hatten — fast ohne Ausnahme — bereits dieses Fundament. Die, die kämpften, waren jene, die versuchten, KI auf Daten zu legen, denen sie noch nicht vertrauen.
Das ist kein Technologieproblem. Es ist ein Sequenzierungsproblem.
Drei Dinge, die es wert sind, ins Führungsteam mitzunehmen
Wenn Sie heute Salesforce betreiben oder eine tiefere Investition in Tableau oder Einstein erwägen, sind hier die Fragen, die in meinen Gesprächen auf dem Summit immer wieder auftauchten.
1. Können Sie Ihre Pipeline-Review allein aus Salesforce-Daten durchführen? Nicht mit mündlichen Updates vom Team. Nicht mit einer Neben-Tabelle, um die Lücken zu füllen. Nur aus dem, was in Salesforce steht. Wenn die Antwort Nein ist — das ist Ihr Ausgangspunkt, nicht Einstein.
2. Haben Sie einen namentlich genannten Eigentümer für die Datenqualität? Nicht IT. Nicht den Salesforce-Administrator. Einen Business-Owner, der dafür verantwortlich ist, ob die Daten im System die Realität widerspiegeln. Ohne diese Rolle verfällt jede Verbesserung innerhalb von Monaten.
3. Mit wie vielen Anforderungen hat Ihre letzte Implementierung begonnen? Wenn die Zahl über fünfzig liegt und Ihr Team noch in der Implementierung ist, stimmt etwas nicht. Komplexität ist kein Zeichen von Gründlichkeit. Es ist ein Zeichen, dass niemand noch die schwierigen Priorisierungsentscheidungen getroffen hat.
Warum das jetzt wichtig ist
Der Druck, KI einzuführen, ist real. Vorstandsgremien fragen danach. Wettbewerber kündigen es an. Salesforce macht es mit jedem Release einfacher einzuschalten.
Aber KI behebt keine schlechten Daten. Sie verstärkt sie. Ein KI-Agent, der Ihre Pipeline liest und Ihnen eine Prognose gibt, ist nur so gut wie die Daten, die Ihre Vertriebsmitarbeiter eingegeben haben — oder nicht eingegeben haben. Eine Einstein-Empfehlung basierend auf duplizierten Datensätzen gibt Ihnen doppelte Vorschläge.
Die Unternehmen auf dem Summit, die am weitesten voraus waren, waren nicht diejenigen, die zuerst mit KI begonnen haben. Es waren diejenigen, die Jahre damit verbracht haben, die langweiligen Dinge richtig zu machen — saubere Daten, konsistente Prozesse, ein System, das die Leute tatsächlich nutzen — und die jetzt zuschauen, wie KI diese Investitionen vervielfacht.
Das ist die Geschichte, die die Hauptbühne nicht erzählt. Aber sie ist die wichtigste für Ihren Fahrplan.