Was es ist
Ein AI Confidence Score ist die Wahrscheinlichkeit, die ein KI-System einer einzelnen Ausgabe zuordnet: wie sicher es ist, dass ein erkanntes Signal echt ist, dass ein Kandidat zu einer Rolle passt oder dass ein Unternehmen zu deinem ICP passt. Meist wird das als Prozentwert oder als einfache Hoch/Niedrig-Flagge ausgedrückt, und es kommt vom Modell selbst, nicht aus einer menschlichen Einschätzung. Ein Confidence Score von 95 % bei einer erkannten Finanzierungsrunde bedeutet, dass die zugrunde liegende Evidenz stark und eindeutig war; 55 % bedeutet, das System hat etwas Meldenswertes gefunden, ist sich aber nicht sicher, ob es richtig gelesen hat.
Entscheidend ist das Wort einzeln. Ein Confidence Score gehört zu einer Erkennung, einem Match, einer Inferenz, nicht zu einem Account oder einer ganzen Pipeline. Genau das unterscheidet ihn vom Lead Scoring, einer zusammengesetzten Prioritäts-Rangfolge aus mehreren Faktoren, ICP-Fit, Aktualität des Signals, Touch-Historie, geschätzte Antwortwahrscheinlichkeit, von denen einer die Confidence der zugrunde liegenden Erkennungen sein kann.
Ein Confidence Score beantwortet eine Frage: wie sicher ist die Maschine, nicht wie wichtig ist der Account.
Warum es zählt
Ohne einen sichtbaren Confidence-Wert wirkt jede KI-Ausgabe auf den ersten Blick gleich sicher, egal ob es sich um eine nahezu gesicherte Tatsache oder eine fundierte Vermutung handelt. Ein Consultant, der den Unterschied nicht erkennt, vertraut entweder einer wackligen Erkennung zu sehr und verschwendet einen Anruf, oder er vertraut einer starken zu wenig und lässt eine echte Chance liegen. Beides kostet Platzierungen.
Confidence ist außerdem einer der Mechanismen, die einen Signal-Feed überhaupt nutzbar halten. Ein Feed, der jede schwache Erkennung mit demselben Gewicht anzeigt wie jede starke, trainiert einen Consultant darauf, dem Feed irgendwann gar nicht mehr zu trauen, der Fehlermodus, den man als Signal Fatigue kennt. Jeder Erkennung einen Confidence Score mitzugeben ist, was ein System erlaubt, nahezu sichere Ereignisse von plausiblen Vermutungen zu trennen, bevor beides in einer Inbox landet.
Wie boilr das übernimmt
boilr gibt dem, was es findet, nicht nur ein Ja oder Nein, sondern eine Einschätzung mit. Ein Signal, das auf einem starken öffentlichen Fußabdruck beruht, etwa einer aktiven GitHub-Präsenz oder einem gut dokumentierten Führungswechsel, wird als High-Confidence markiert. Ein Signal, das aus dünnerer Evidenz abgeleitet ist, etwa ein wahrscheinlicher Einstellungsbedarf, gelesen aus einem Produktlaunch und der aktuellen Teamstruktur eines Unternehmens, wird direkt in der Task als probabilistisch gekennzeichnet, damit du weißt, dass es eine fundierte Ableitung ist und keine bestätigte Tatsache, bevor du handelst.
Confidence ersetzt nie dein Urteilsvermögen, und sie ist auch nicht die ganze Geschichte. Sie fließt als ein Faktor unter mehreren ins Lead Scoring ein, neben ICP-Fit, Aktualität des Signals und Touch-Historie, und du kannst die Latte selbst höher legen, zum Beispiel die Schwelle für Signal-Cluster verschärfen, sodass nur die Kombinationen mit der höchsten Confidence deine Task-Inbox erreichen. Während Ergebnisse ins Company Brain zurückfließen, lernt das System, welche seiner eigenen High-Confidence-Einschätzungen tatsächlich konvertieren, und schärft sich entsprechend nach.
