Fünf Stücke zu GTM Engineering — Vertrieb als Ingenieursdisziplin, und wo er in der industriellen Realität an Grenzen stößt. Der Stand der Disziplin, das Operating System dahinter, ein Enterprise-Beweis, die harten Zahlen zu AI-SDRs, und was die Käuferseite wirklich abwägt. Kuratiert, kommentiert, nicht aggregiert.
Der Beleg, dass GTM Engineering eine budgetierte Funktion geworden ist, keine Agentur-Mode: 228 Operator aus über 30 Ländern, US-Median um 135 K$, Coding bringt 40 K$ Aufschlag, 84 % arbeiten mit Clay. Die Disziplin ist real und professionalisiert sich schnell. Was die Daten für meine Welt unterschätzen: Sie sind SaaS und Self-Serve. Im industriellen Deep-Tech baut ein GTM-Engineer ohne Käuferseiten-Glaubwürdigkeit nur einen schnelleren, saubereren Funnel — der trotzdem am Einkauf und am achten Stakeholder scheitert.
Der beste Rahmen, den ich zu GTM Engineering gelesen habe: nicht bestehende Prozesse automatisieren, sondern die Motion um Signale, Agenten-Orchestrierung und autonome Pods herum neu bauen. „Systems beat tactics" — dem stimme ich zu, das ist genau der Wechsel von Bauchgefühl zu wiederholbarem System. Der Teil, den das Operating System nicht kodieren kann, ist das Vertrauen, das einen Tier-1-OEM über Monate zum Abschluss trägt. Das System liefert die Pipeline; den Deal gewinnt der Mensch.
Der konkreteste Enterprise-Beweis bisher: monday.com fährt drei Agenten für Inbound-Qualifizierung, Trial-Aktivierung und Account-Planung. Demo-Reaktion von 24 Stunden auf unter 2 Minuten, Trial-Conversion 2,5×, Account-Research von ein bis zwei Wochen auf fünf Minuten. Und trotzdem: die Agenten augmentieren, sie ersetzen nicht — der Rep bekommt qualifizierte Termine mit vorbereitetem Kontext und behält Strategie und Beziehung. Genau das Modell, das ich vertrete, hier bei Public-Company-Scale bewiesen.
Die Zahlen hinter „notwendig, nicht hinreichend": autonome AI-SDRs bleiben zurück, Hybrid-Pods machen rund 2,3× Umsatz bei weniger Meetings, und 50 bis 70 % der AI-SDR-Deployments churnen im ersten Jahr. „Data plumbing beats prompts" — die Datengrundlage entscheidet, nicht das Modell. Bei High-ACV-Industriedeals ab sechsstellig ist der Split ohnehin klar: die KI macht Volumen und Research, der Mensch besitzt das Urteil. Die Lektion aus den aufgeflogenen Vendor-Versprechen von 2025: prüfe die Retention nach dem Trial, nicht das Demo.
Was meine Käufer wirklich abwägen, sauber kartiert: Agentic AI zu kaufen ist keine Software-Beschaffung — Trust und Vendor-Lock-in kumulieren, weil das Modell autonome Entscheidungen prägt. Waehner plädiert für offene Standards, Multi-Model und MCP, um interoperabel zu bleiben. Für GTM heißt das: Wer in industrielle Enterprises verkauft, muss Trust und No-Lock-in sprechen können, sonst erreicht der engineerte Funnel nie den Einkauf. Genau deshalb berate ich anbieterneutral — der Vorsprung liegt darin, auf der Käuferseite des Tisches zu sitzen.