Die Herausforderung: Niedrige Cold-Outreach-Antwortquoten

Den meisten Vertriebsteams mangelt es nicht an Leads – es mangelt an der Aufmerksamkeit der richtigen Leads. Postfächer werden mit generischen Cold-E-Mails überflutet, die alle gleich klingen, und vielversprechende Kontakte ignorieren schlichtweg Outreach, der nicht zu ihrer Realität passt. Selbst starke Value Propositions gehen unter, wenn die Nachricht wie eine austauschbare Vorlage wirkt oder am Thema vorbeigeht.

Traditionelle Ansätze zur Verbesserung der Antwortquoten konzentrieren sich darauf, mehr E-Mails zu senden, Betreffzeilen zu A/B-testen oder mehr Kontaktdaten zu kaufen. Das kann die Kennzahlen leicht verbessern, löst aber nicht das Kernproblem: Relevanz im großen Maßstab. Reps haben selten die Zeit, jedes Account gründlich zu recherchieren, aktuelle Initiativen zu verstehen und für jede Ansprechperson einen maßgeschneiderten Aufhänger zu formulieren. Ohne diesen Kontext bleiben selbst gut geschriebene Sequences generisch.

Die geschäftlichen Auswirkungen sind erheblich. Niedrige Cold-Outreach-Antwortquoten bedeuten weniger Gespräche, weniger Opportunities im Pipeline-Eingang und höhere Kundenakquisitionskosten. Teams kompensieren das, indem sie mehr SDRs einstellen oder das Marketingbudget erhöhen, aber die Conversion-Ökonomie bleibt schwach. Gleichzeitig gewinnen Wettbewerber, denen es gelingt, Daten, Insights und Personalisierung zu kombinieren, einen überproportionalen Anteil der Aufmerksamkeit in denselben Postfächern.

Diese Herausforderung ist real, aber lösbar. Mit der neuesten Generation von KI für Sales-Outreach und insbesondere mit Geminis Kombination aus Websuche und generativen Fähigkeiten ist es heute möglich, Accounts zu recherchieren und Nachrichten so zu personalisieren, wie es für ausgelastete Teams früher unrealistisch war. Bei Reruption sehen wir, wie KI-gestützte Workflows Outbound mit niedrigen Antwortquoten in einen planbaren, hochqualitativen Kanal verwandeln können. Die folgenden Abschnitte zeigen Ihnen, wie Sie das strategisch angehen und praktisch umsetzen.

Brauchen Sie einen Sparring-Partner für diese Herausforderung?

Lassen Sie uns unverbindlich sprechen und brainstormen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.

Aus Reruption’s Arbeit beim Aufbau von KI-first-Workflows in Sales- und Go-to-Market-Teams ist unsere Sicht klar: Gemini ist am stärksten, wenn Sie es als Research- und Messaging-Engine betrachten, die sich direkt in Ihren bestehenden Sales-Stack einfügt – nicht als isoliertes Spielzeug. Die Fähigkeit, Live-Websuche, Firmenrecherche und generative Texte zu kombinieren, macht Gemini besonders geeignet, niedrige Cold-Outreach-Antwortquoten zu beheben – vorausgesetzt, Sie entwerfen die richtigen Prompts, Leitplanken und Prozesse darum herum.

Verankern Sie Gemini in einer klaren Outreach-Strategie, nicht nur im Copywriting

Der erste Fehler vieler Teams ist, Gemini nur als besseren E-Mail-Schreiber zu nutzen. Das schöpft das Potenzial des Tools nicht aus und adressiert nicht die strategische Frage: Wen sollten wir kontaktieren, mit welcher Story – und warum gerade jetzt? Bevor Sie KI-generierten Outreach ausrollen, definieren Sie Ihren ICP, Prioritätssegmente, Kern-Value-Propositions und Trigger-Events, die einen Cold-Approach rechtfertigen. Gemini kann diese Strategie dann ausführen, statt zu improvisieren.

Sie könnten sich zum Beispiel auf Mid-Market-Unternehmen konzentrieren, die kürzlich eine Expansion, einen Produktlaunch oder eine Restrukturierung angekündigt haben. Auf dieser Basis kann Gemini diese Ereignisse recherchieren, ihre Implikationen für Ihre Lösung zusammenfassen und Aufhänger vorschlagen, die zu Ihrem etablierten Positioning passen. So bleibt Ihre Botschaft konsistent, während Sie gleichzeitig tief personalisieren können.

Entwerfen Sie einen Human-in-the-Loop-Workflow

Hochperformante Teams lassen KI keine E-Mails unkontrolliert versenden. Stattdessen entwickeln sie einen Human-in-the-Loop-Review-Prozess, bei dem Gemini Recherche und erste Entwürfe übernimmt und Reps ihre Zeit in Feinschliff und Beurteilung investieren. Strategisch ist dies der Weg, um Skalierung mit Marken- und Nachrichtenqualität auszubalancieren.

In der Praxis bedeutet das, zu definieren, welche Teile zwingend menschlich bleiben: die Auswahl der Ziel-Accounts, die Freigabe von Outreach-Winkeln für strategische Accounts oder der finale Ton der E-Mail. Alles andere – das Sammeln von Unternehmenskontext, das Verfassen von Intros, die Anpassung an Rollen und Regionen – kann an Gemini ausgelagert werden. Diese Denkweise fördert die Akzeptanz: Reps sehen Gemini als Hebel, nicht als Bedrohung für ihre Rolle.

In Prompt-Governance und Vorlagen investieren

Die Output-Qualität von Gemini hängt stark davon ab, wie Sie fragen. Strategisch sollten Sie Prompt-Vorlagen als Assets in Ihrem Sales-Playbook behandeln – ähnlich wie Call Scripts oder Sequence-Templates. Definieren Sie Standard-Prompts für Recherche, Messaging und Einwandbehandlung, die Ihr Positioning, Compliance-Anforderungen und Ihre Tonalität widerspiegeln.

Mit der Zeit können Sie diese Prompts anhand von Performance-Daten verfeinern: Betreffzeilen, die Öffnungen erzeugen, Aufhänger, die in bestimmten Segmenten Antworten gewinnen, und Botschaften, die Legal oder Compliance freigegeben haben. Reruption hilft Kund:innen häufig dabei, ad-hoc genutzte Prompts in eine gesteuerte Bibliothek zu überführen, die direkt in Google Workspace eingebettet ist, sodass Reps konsequent nutzen, was nachweislich funktioniert.

Bereiten Sie Ihre Daten und Tools auf Integration vor

Gemini ist am effektivsten, wenn es nicht isoliert von Ihrem CRM, Ihren Outreach-Tools und Ihrer Knowledge Base betrieben wird. Planen Sie strategisch die Integration in Ihre bestehenden Vertriebssysteme: Google Workspace, CRM-Felder, Produktdokumentation, Battlecards und Case Studies. Ziel ist, dass Gemini den gesamten verfügbaren Kontext nutzt, statt zu halluzinieren oder zu raten.

Dafür braucht es etwas Vorarbeit zu Datenqualität und Zugriffsrechten. Welche Custom Fields in Ihrem CRM definieren den ICP-Fit? Wo speichern Sie Win Stories und Use Cases nach Branche und Persona? Wer ist dafür verantwortlich, diese Informationen aktuell zu halten? Wenn Sie das sauber aufsetzen, wird Gemini von einem generischen Schreibassistenten zu einem kontextbewussten Sales-Copilot.

Definieren Sie Erfolgsmessgrößen jenseits von „besseren E-Mails“

Um Investitionen zu rechtfertigen und Stakeholder an Bord zu halten, sollten Sie Ihre Gemini-Initiative an klaren, geschäftsrelevanten KPIs ausrichten. Statt nur auf „bessere E-Mails“ zu zielen, definieren Sie Ziele für Öffnungsraten, Antwortquoten, gebuchte Meetings pro 100 Kontakte und eingesparte Zeit pro Sequence. So verschieben Sie die interne Diskussion von Experimenten hin zu messbarer Verbesserung.

Aus unserer Erfahrung können Teams, die diese Metriken tracken, bessere strategische Entscheidungen treffen: wann KI auf neue Segmente ausgeweitet wird, wann Leitplanken verschärft werden sollten und wie weitere Automatisierung zu priorisieren ist. Gleichzeitig hilft es beim Erwartungsmanagement – es geht um sinnvolle, sich kumulierende Verbesserungen (z. B. +30–70 % Antworten in Zielsegmenten), nicht um magische Einmalerfolge.

Durchdacht eingesetzt kann Gemini Cold Outreach mit niedrigen Antwortquoten in einen fokussierten, insight-getriebenen Kanal verwandeln, indem es Recherche automatisiert, relevante Aufhänger vorschlägt und maßgeschneiderte Nachrichten generiert, die menschlich wirken – nicht wie Templates. Der echte Hebel entsteht, wenn Sie Gemini in Ihre Sales-Strategie, Ihren Tech-Stack und Ihre täglichen Workflows integrieren, statt es als isoliertes Copy-Tool zu betrachten. Bei Reruption sind wir darauf spezialisiert, genau solche KI-first-Fähigkeiten in Organisationen aufzubauen – von schnellen PoCs bis zu eingebetteten Gemini-Workflows in Google Workspace – und wir sprechen gerne mit Ihnen darüber, wie ein pragmatischer, reibungsarmer Einstieg für Ihr Team aussehen kann.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Bankwesen bis Bekleidungs-Einzelhandel: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Bank of America

Bankwesen

Die Bank of America sah sich einem hohen Volumen routinemäßiger Kundenanfragen gegenüber, etwa Kontostände, Zahlungen und Transaktionsverläufe, was traditionelle Callcenter und Supportkanäle überlastete. Bei Millionen täglicher Nutzer des digitalen Bankings fiel es der Bank schwer, rund um die Uhr personalisierte Finanzberatung in großem Maßstab anzubieten, was zu Ineffizienzen, längeren Wartezeiten und uneinheitlicher Servicequalität führte. Kunden forderten proaktive Erkenntnisse über einfache Abfragen hinaus, etwa Ausgabemuster oder finanzielle Empfehlungen, doch menschliche Mitarbeitende konnten das Volumen nicht ohne steigende Kosten bewältigen. Zudem stellte die Sicherstellung von konversationeller Natürlichkeit in einer regulierten Branche wie dem Bankwesen eine Herausforderung dar, einschließlich der Einhaltung von Datenschutzbestimmungen im Finanzwesen, der präzisen Interpretation komplexer Anfragen und der nahtlosen Integration in die Mobile App, ohne die Nutzererfahrung zu stören. Die Bank musste KI-Automatisierung mit menschlicher Empathie ausbalancieren, um Vertrauen und hohe Zufriedenheitswerte zu erhalten.

Lösung

Bank of America entwickelte Erica, einen internen durch NLP unterstützten virtuellen Assistenten, der direkt in die Mobile-Banking-App integriert ist und Natural Language Processing sowie prädiktive Analytik nutzt, um Anfragen konversationell zu bearbeiten. Erica fungiert als Einstiegspunkt für Self-Service, bearbeitet Routineaufgaben sofort und liefert gleichzeitig personalisierte Einblicke, wie Liquiditätsprognosen oder maßgeschneiderte Empfehlungen, wobei Kundendaten sicher verwendet werden. Die Lösung entwickelte sich von einem einfachen Navigationstool zu einer ausgefeilten KI und integrierte Generative-AI-Komponenten für natürlichere Interaktionen sowie das nahtlose Eskalieren komplexer Fälle an menschliche Agenten. Mit dem Fokus auf interne Sprachmodelle gewährleistet sie Kontrolle über Datenschutz und Anpassung, treibt die unternehmensweite KI-Einführung voran und steigert das digitale Engagement.

Ergebnisse

  • Über 3 Milliarden Kundeninteraktionen insgesamt seit 2018
  • Nahezu 50 Millionen eindeutige Nutzer unterstützt
  • Über 58 Millionen Interaktionen pro Monat (2025)
  • 2 Milliarden Interaktionen bis April 2024 erreicht (Verdoppelung von 1 Mrd. in 18 Monaten)
  • Bis 2024 wurden 42 Millionen Kunden unterstützt
  • 19 % Gewinnanstieg, verbunden mit Effizienzgewinnen
Fallstudie lesen →

Revolut

Fintech

Revolut sah sich einem zunehmenden Authorized Push Payment (APP)-Betrug gegenüber, bei dem Betrüger Kunden psychologisch manipulieren, damit diese Überweisungen an betrügerische Konten autorisieren – oft unter dem Vorwand von Anlageangeboten. Traditionelle regelbasierte Systeme kamen gegen ausgefeilte Social-Engineering-Taktiken kaum an, was trotz Revoluts schnellem Wachstum auf über 35 Millionen Kunden weltweit zu erheblichen finanziellen Verlusten führte. Der Anstieg digitaler Zahlungen verstärkte Verwundbarkeiten, da Betrüger Echtzeit-Überweisungen ausnutzten, die herkömmliche Kontrollen umgingen. APP-Betrügereien entzogen sich der Erkennung, indem sie legitimes Verhalten nachahmten, was weltweit zu jährlichen Milliardenverlusten führte und das Vertrauen in Fintech-Plattformen wie Revolut untergrub. Es bestand dringender Bedarf an intelligenter, adaptiver Anomalieerkennung, die eingreift, bevor Gelder freigegeben werden.

Lösung

Revolut führte eine KI-gestützte Betrugsabwehrfunktion ein, die maschinelles Lernen zur Anomalieerkennung verwendet, um Transaktionen und Nutzerverhalten in Echtzeit zu überwachen. Das System analysiert Muster, die auf Betrug hindeuten – etwa ungewöhnliche Zahlungsaufforderungen im Zusammenhang mit Anlageködern – und greift ein, indem es Nutzer warnt oder verdächtige Aktionen blockiert. Durch den Einsatz von überwachten und unüberwachten ML-Algorithmen erkennt es Abweichungen vom normalen Verhalten in risikoreichen Momenten und "bricht den Zauber" der Betrüger, bevor eine Autorisierung erfolgt. In die App integriert, verarbeitet es große Mengen an Transaktionsdaten für proaktive Betrugsprävention, ohne legitime Zahlungsflüsse zu stören.

Ergebnisse

  • 30% Reduktion der Betrugsverluste bei APP-bezogenen Kartenbetrugsfällen
  • Gezielte Bekämpfung von Anlagebetrugsversuchen
  • Echtzeit-Interventionen während der Testphase
  • Schützt 35 Millionen globale Kunden
  • Eingesetzt seit Februar 2024
Fallstudie lesen →

Khan Academy

Bildung

Khan Academy stand vor der gewaltigen Aufgabe, personalisierte Nachhilfe in großem Maßstab für ihre 100M+ jährlichen Nutzenden bereitzustellen, viele davon in unterversorgten Regionen. Traditionelle Online-Kurse, so wirksam sie auch sind, fehlte die interaktive Eins-zu-eins-Begleitung durch menschliche Tutoren, was zu hohen Abbruchraten und ungleichmäßigen Lernfortschritten führte. Lehrkräfte waren mit Planung, Bewertung und Differenzierung für heterogene Klassen überlastet. Im Jahr 2023, als KI große Fortschritte machte, kämpften Pädagogen mit Halluzinationen und Risiken einer Überabhängigkeit bei Tools wie ChatGPT, die häufig direkte Antworten statt Lernförderung lieferten. Khan Academy benötigte eine KI, die schrittweises Denken fördert, ohne zu schummeln, und gleichzeitig gleichberechtigten Zugang als Nonprofit sicherstellt. Sichere Skalierung über Fächer und Sprachen hinweg stellte technische und ethische Hürden dar.

Lösung

Khan Academy entwickelte Khanmigo, einen KI-gestützten Tutor und Lehrassistenten, der auf GPT-4 basiert, im März 2023 für Lehrkräfte pilotiert und später für Schüler ausgeweitet. Anders als generische Chatbots nutzt Khanmigo maßgeschneiderte System‑Prompts, um Lernende sokratisch zu führen — mit gezielten Fragen, Hinweisen und Feedback, ohne direkte Lösungen zu liefern — in Mathematik, Naturwissenschaften, Geisteswissenschaften und mehr. Der gemeinnützige Ansatz legte Wert auf Sicherheitsmaßnahmen, Integration in Khans Content-Bibliothek und iterative Verbesserungen durch Lehrkräfte-Feedback. Partnerschaften wie mit Microsoft ermöglichten Lehrkräften bis 2024 kostenlosen globalen Zugang, inzwischen in 34+ Sprachen. Laufende Updates, etwa 2025 zur Mathematik‑Berechnung, adressieren Genauigkeitsprobleme.

Ergebnisse

  • Nutzerwachstum: 68.000 (Pilot 2023-24) auf 700.000+ (Schuljahr 2024-25)
  • Lehrerakzeptanz: Kostenlos für Lehrkräfte in den meisten Ländern, Millionen nutzen Khan Academy-Tools
  • Unterstützte Sprachen: 34+ für Khanmigo
  • Engagement: Verbesserte Schüler-Persistenz und Lernfortschritte in Pilotprojekten
  • Zeitersparnis: Lehrkräfte sparen Stunden bei Unterrichtsplanung und -vorbereitung
  • Skalierung: Integriert in 429+ kostenlose Kurse in 43 Sprachen
Fallstudie lesen →

Klarna

Fintech

Klarna, ein führender Fintech-BNPL-Anbieter, stand unter enormem Druck durch Millionen von Kundenanfragen in mehreren Sprachen für seine 150 Millionen Nutzer weltweit. Die Anfragen reichten von komplexen Fintech-Themen wie Rückerstattungen, Retouren, Sendungsverfolgung bis hin zu Zahlungen und erforderten hohe Genauigkeit, regulatorische Konformität und 24/7-Verfügbarkeit. Traditionelle menschliche Agenten konnten nicht effizient skalieren, was zu langen Wartezeiten von durchschnittlich 11 Minuten pro Lösung und steigenden Kosten führte. Zusätzlich war es schwierig, personalisierte Einkaufsberatung in großem Maßstab bereitzustellen, da Kunden kontextbewusste, konversationelle Unterstützung über Einzelhandelspartner erwarteten. Mehrsprachiger Support war in Märkten wie den USA, Europa und darüber hinaus kritisch, aber die Einstellung mehrsprachiger Agenten war kostenintensiv und langsam. Dieser Engpass behinderte Wachstum und Kundenzufriedenheit in einem wettbewerbsintensiven BNPL-Sektor.

Lösung

Klarna arbeitete mit OpenAI zusammen, um einen generativen KI-Chatbot auf Basis von GPT-4 als mehrsprachigen Kundenservice-Assistenten einzusetzen. Der Bot bearbeitet Rückerstattungen, Retouren, Bestellprobleme und fungiert als konversationeller Einkaufsberater, nahtlos in Klarna's App und Website integriert. Wesentliche Innovationen umfassten die Feinabstimmung auf Klarnas Daten, retrieval-augmented generation (RAG) für den Echtzeitzugriff auf Richtlinien und Schutzmechanismen zur Einhaltung von Fintech-Vorgaben. Er unterstützt Dutzende von Sprachen, eskaliert komplexe Fälle an Menschen und lernt aus Interaktionen. Dieser KI-native Ansatz ermöglichte eine schnelle Skalierung ohne proportionale Zunahme des Personalbestands.

Ergebnisse

  • 2/3 aller Kundenservice-Chats werden von KI bearbeitet
  • 2,3 Millionen Konversationen im ersten Monat allein
  • Lösungszeit: 11 Minuten → 2 Minuten (82% Reduktion)
  • CSAT: 4,4/5 (KI) vs. 4,2/5 (Menschlich)
  • 40 Mio. US-Dollar jährliche Kosteneinsparungen
  • Entspricht 700 Vollzeit-Angestellten
  • Über 80% der Anfragen werden ohne menschliches Eingreifen gelöst
Fallstudie lesen →

FedEx

Logistik

FedEx sah sich mit suboptimaler Lkw-Routenplanung in seinem umfangreichen Logistiknetz konfrontiert, bei der statische Planung zu überschüssigen Meilen, höheren Treibstoffkosten und steigenden Personalkosten führte . Beim Handling von Millionen Sendungen täglich über komplexe Routen stießen traditionelle Methoden an Grenzen bei Echtzeitvariablen wie Verkehr, Wetterstörungen und schwankender Nachfrage, was zu ineffizienter Fahrzeugauslastung und verspäteten Zustellungen führte . Diese Ineffizienzen trieben nicht nur die Betriebskosten in die Höhe, sondern erhöhten auch die CO2-Emissionen und beeinträchtigten die Kundenzufriedenheit in einer stark umkämpften Versandbranche. Lösungen für die dynamische Optimierung über tausende Lkw hinweg zu skalieren erforderte fortschrittliche Rechenansätze, die über konventionelle Heuristiken hinausgehen .

Lösung

Maschinelle Lernmodelle integriert mit heuristischen Optimierungsalgorithmen bildeten den Kern des KI-gestützten Routingsystems von FedEx und ermöglichten dynamische Routenanpassungen basierend auf Echtzeitdaten wie Verkehr, Wetter und Sendungsvolumen . Das System nutzt Deep Learning für prädiktive Analysen und kombiniert Heuristiken wie genetische Algorithmen, um das Vehicle Routing Problem (VRP) effizient zu lösen, Lasten auszubalancieren und Leerfahrten zu minimieren . Als Teil der umfassenden KI-Transformation der Lieferkette reoptimiert die Lösung Routen tagsüber fortlaufend und verfügt über Sense-and-Respond-Fähigkeiten, um auf Störungen zu reagieren und die Netzwerkeffizienz zu steigern .

Ergebnisse

  • 700,000 überschüssige Meilen wurden täglich aus Lkw-Routen eliminiert
  • Einsparungen in Millionenhöhe jährlich bei Treibstoff- und Personalkosten
  • Verbesserte Genauigkeit der Zustellzeitvorhersagen durch ML-Modelle
  • Erhöhte operative Effizienz und kostensenkende Effekte branchenweit
  • Bessere Pünktlichkeitswerte durch Echtzeitoptimierungen
  • Signifikante Reduktion des CO2-Fußabdrucks durch weniger gefahrene Meilen
Fallstudie lesen →

Best Practices

Erfolgreiche Implementierungen folgen bewährten Mustern. Werfen Sie einen Blick auf unsere taktischen Ratschläge für den Einstieg.

Nutzen Sie Gemini zur Automatisierung von Prospect- und Account-Research

Beginnen Sie damit, Gemini in Ihren Research-Assistenten für potenzielle Kund:innen zu verwandeln. Statt dass jede:r SDR manuell Websites und LinkedIn-Profile scannt, nutzen Sie Geminis webverbundene Fähigkeiten, um die Schlüsselfakten zu ziehen, die Ihren Outreach-Aufhänger wirklich beeinflussen: was das Unternehmen macht, aktuelle Initiativen und wie Ihre Lösung helfen könnte.

Geben Sie Ihrem Team einen standardisierten Research-Prompt, den es in der Gemini-Weboberfläche oder über ein internes, auf Gemini aufbauendes Tool wiederverwenden kann. Zum Beispiel:

Agieren Sie als Sales-Research-Assistent:in.

Gegeben sind diese Informationen zum Prospect:
- Person: <Name, Rolle, LinkedIn-URL falls verfügbar>
- Unternehmen: <Unternehmensname, Website-URL>
- Unser Produkt: <1–2 Sätze Beschreibung Ihrer Lösung>

1) Fassen Sie das Unternehmen in 3 Stichpunkten zusammen.
2) Identifizieren Sie 3 aktuelle Prioritäten oder Herausforderungen, die sie voraussichtlich haben, basierend auf ihrer Website und aktuellen News.
3) Schlagen Sie 2–3 Möglichkeiten vor, wie unser Produkt für dieses Unternehmen und diese Rolle Wert schaffen könnte.
4) Listen Sie 3 konkrete Fakten auf, auf die wir uns in einer Cold-E-Mail beziehen können (News, Kennzahlen, Initiativen).

Output auf Englisch, prägnant, faktenbasiert. Wenn etwas eine Vermutung ist, markieren Sie es klar als Hypothese.

So erhalten Reps einen strukturierten Snapshot, den sie schnell überfliegen und leicht anpassen können, bevor sie zur Nachrichtenerstellung übergehen – und reduzieren die Research-Zeit von Minuten auf Sekunden pro Prospect.

Persona- und branchenspezifische Cold-E-Mail-Entwürfe generieren

Wenn Sie die Recherche vorliegen haben, nutzen Sie Gemini, um persona- und branchenspezifische E-Mails zu verfassen, die Ihren ICP und Ihr Positioning widerspiegeln. Die Idee: Die Struktur wird standardisiert, aber Aufhänger, Proof Points und Sprache werden auf den jeweiligen Prospect zugeschnitten.

Stellen Sie Reps eine Prompt-Vorlage wie diese zur Verfügung:

Sie sind ein:e B2B-Sales-Copywriter:in.

Kontext:
- Zielpersona: <z. B. VP Sales, Head of Operations>
- Branche: <z. B. SaaS, Fertigung>
- Unser Produkt: <Ihre Value Proposition in 3 Stichpunkten>
- Prospect-Research-Zusammenfassung: <Output aus dem Research-Prompt einfügen>

Aufgabe:
Schreiben Sie 1 Cold-E-Mail (max. 130 Wörter), die:
- 1–2 konkrete Fakten aus der Recherche aufgreift.
- Sich auf 1 Kernproblem fokussiert, das dieser Persona wichtig ist.
- Buzzwords und generische Aussagen vermeidet.
- Mit einem einfachen, reibungsarmen CTA endet (z. B. „Lohnt sich ein kurzer Vergleichs-Call?“).

Ton: professionell, prägnant, keine gespielte Vertrautheit.

Reps sollten den Entwurf prüfen und leicht bearbeiten und ihn dann in ihr Outreach-Tool oder Gmail einfügen. Mit der Zeit können Sie diesen Prompt anhand dessen verfeinern, was bei Ihrer Zielgruppe konstant Antworten gewinnt.

Gemini in Google Workspace für schnellere Personalisierung nutzen

Wenn Ihr Vertriebsteam in Gmail, Docs und Sheets arbeitet, binden Sie Gemini direkt in diese bestehenden Workflows ein. Nutzen Sie das Gemini-Seitenpanel in Gmail, um Outreach zu personalisieren, ohne den Posteingang zu verlassen: Basistemplate auswählen, Gemini starten, Research einfügen und Gemini bitten, die E-Mail für einen bestimmten Prospect anzupassen.

Ein praxisnahes Muster in Gmail:

Anweisungen an Gemini in Gmail:
„Hier ist unser Basis-Template für Cold-E-Mails: <Template einfügen>.
Hier sind Informationen über den Prospect und sein Unternehmen: <Research einfügen>.

Bitte:
- Personalisieren Sie die ersten 2 Sätze mit 1–2 konkreten Referenzen.
- Halten Sie die E-Mail unter 110 Wörtern.
- Behalten Sie diese Tonalität bei: <Ihre Brand-Tonalität beschreiben>.
- Erfinden Sie keine Fakten; verwenden Sie nur die Informationen, die ich bereitgestellt habe.“

In Google Sheets können Sie Ihre Prospect-Liste, Basismessages und Research-Snippets speichern und dann Gemini (oder ein von Reruption entwickeltes internes Skript) nutzen, um pro Zeile personalisierte Varianten zu generieren. So wird One-to-Many-Personalisierung operativ statt manuell.

Betreffzeilen und Hooks mit Gemini systematisch testen

Betreffzeilen und Einstiegs-Hooks haben einen überproportionalen Einfluss auf Öffnungs- und Antwortquoten. Nutzen Sie Gemini, um für jede Kampagne mehrere Optionen zu generieren und zu testen, statt sich auf ein oder zwei Varianten zu verlassen. Halten Sie die Struktur konsistent, um saubere A/B-Tests in Ihrem Outreach-Tool zu ermöglichen.

Beispiel-Workflow:

Prompt an Gemini:
„Gegeben ist dieser E-Mail-Text: <E-Mail einfügen>.
Generieren Sie 5 Betreffzeilen und 5 Einstiegs-Hooks, die:
- Spezifisch sind für <Persona> in <Branche>.
- Auf 1 Nutzen oder Ergebnis Bezug nehmen, das in der E-Mail erwähnt wird.
- Für Betreffzeilen unter 6 Wörtern bleiben.

Beschriften Sie sie klar als:
Betreff 1–5
Hook 1–5“

Importieren Sie die Varianten in Ihr Sequencing-Tool und führen Sie einfache Experimente durch, z. B. 25–25–25–25-%-Splits. Tracken Sie Öffnungs- und Antwortquoten nach Betreffzeile in Ihrem CRM oder BI-Dashboard. Spielen Sie die Gewinner in Ihre Prompt-Vorlagen zurück, um kontinuierlich besser zu werden.

Gemini zum Verfassen von Follow-ups und Einwandbehandlungen nutzen

Niedrige Antwortquoten werden häufig durch schwache oder inkonsistente Follow-ups verstärkt. Standardisieren Sie dies, indem Sie Gemini nutzen, um Multi-Touch-Follow-up-Sequences zu erstellen, die auf gängige Szenarien zugeschnitten sind (keine Antwort, „nicht jetzt“, Budget-Einwand, konkurrierende Prioritäten).

Stellen Sie Gemini Ihre typischen Einwände und Ihre besten menschlichen Antworten zur Verfügung und lassen Sie daraus kurze Follow-ups erstellen:

Sie unterstützen eine:n SDR beim Schreiben von Follow-up-E-Mails.

Kontext:
- Ursprüngliche E-Mail: <einfügen>
- Antwort des Prospects (oder „keine Antwort“): <einfügen oder angeben>
- Unser Produkt: <1–2 Sätze zur Erinnerung>

Aufgabe:
Schreiben Sie 1 Follow-up-E-Mail:
- Max. 90 Wörter.
- Gehen Sie auf den Einwand oder die fehlende Antwort ein.
- Fügen Sie 1 neues Value-Element hinzu (z. B. Insight, kurzes Case-Beispiel, Ressource).
- Beenden Sie mit einem Ja/Nein-CTA.

Ton: respektvoll, nicht aufdringlich, wertorientiert.

So bleiben Follow-ups on-message und wertorientiert, während Reps mehr Zeit für Live-Gespräche gewinnen.

Impact messen und Prompts anhand realer Daten verfeinern

Damit Gemini zu einem langfristigen Asset wird und nicht bei einem Einmal-Experiment bleibt, schließen Sie den Kreis mit Daten. Tracken Sie zentrale Kennzahlen pro Kampagne oder Segment: Öffnungsrate, Antwortquote, gebuchte Meetings pro 100 Kontakte und aufgewendete Zeit pro Prospect. Vergleichen Sie KI-gestützten Outreach mit Ihrem bisherigen Baseline.

Wenn Sie Muster erkennen – z. B. bestimmte Aufhänger funktionieren in spezifischen Branchen besonders gut oder kürzere E-Mails setzen sich durch – aktualisieren Sie Ihre Prompts, Templates und Leitplanken entsprechend. Ein typisches Ziel ist eine Verbesserung der Antwortquoten um 20–50 % in Kernsegmenten innerhalb von 4–8 Wochen, begleitet von einer spürbaren Reduktion der manuellen Research- und Schreibzeit. Die exakten Zahlen hängen von Ihrem Ausgangspunkt ab, aber Workflow und Feedbackschleife bleiben gleich.

Das erwartete Ergebnis: eine wiederholbare, dateninformierte Outreach-Engine, in der Gemini den Großteil der Arbeit bei Recherche und Drafting übernimmt, Ihr Team sich auf Beurteilung und Beziehungsaufbau konzentriert und Ihr Cold Outreach sich von volumengetrieben mit niedriger Ausbeute zu hochrelevanten Gesprächen wandelt.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini verbessert die Antwortquoten, indem es die Teile des Outreach übernimmt, die manuell im großen Maßstab zu zeitaufwendig sind: Prospect-Research, Auswahl des Aufhängers und maßgeschneiderte Texte. Es kann die Website und aktuelle Nachrichten eines Prospects scannen, das Wesentliche zusammenfassen und E-Mails verfassen, die sich auf echten Kontext statt auf generische Aussagen stützen.

In der Praxis bedeutet das Betreffzeilen und Einstiege, die für die Empfänger:innen relevant wirken, plus klare, persona-spezifische Value Propositions. Reps bleiben in Kontrolle – sie prüfen und verfeinern die Entwürfe – aber Gemini verkürzt die Zeit bis zur hochwertigen, zugeschnittenen Nachricht drastisch, was typischerweise zu mehr Öffnungen, mehr Antworten und mehr Meetings führt.

Sie brauchen kein dediziertes Data-Science-Team, um zu starten. Mindestens benötigen Sie: Sales-Reps, die sich in Google Workspace wohlfühlen, einen klar definierten ICP und ein Messaging-Framework sowie grundlegende Enablement-Materialien dazu, wie Gemini genutzt und Prompt-Vorlagen angewendet werden. Eine Sales- oder Operations-Führungskraft sollte den Prozess und die KPIs verantworten.

Auf technischer Seite können Sie mit Gemini im Browser und in Gmail/Docs beginnen und sich dann schrittweise zu leichten Integrationen mit Ihrem CRM oder Ihren Spreadsheets vorarbeiten. Reruption unterstützt Kund:innen häufig, indem wir eine kleine Prompt-Bibliothek, einfache in Google Workspace eingebettete Workflows und Governance-Richtlinien erstellen, damit das Team Gemini konsistent und sicher nutzt.

Die meisten Teams können innerhalb von 2–4 Wochen erste Tendenzen erkennen, wenn sie fokussierte Experimente durchführen. Entscheidend ist, mit ein oder zwei klar definierten Segmenten zu starten, einen sauberen Baseline-Wert (aktuelle Öffnungs- und Antwortquoten) zu setzen und dann Gemini-basierte Recherche und Messaging für einen vergleichbaren Prospect-Batch einzuführen.

Innerhalb eines Monats sollten Sie erkennen, ob bestimmte Betreffzeilen, Intros oder Aufhänger Ihre bisherigen Templates übertreffen. Über 4–8 Wochen hinweg, während Sie Prompts und Vorlagen auf Basis dieses Feedbacks verfeinern, ist es realistisch, eine Verbesserung der Antwortquoten um 20–50 % in Ihren Best-Fit-Segmenten sowie eine deutliche Reduktion der Zeit pro E-Mail anzustreben.

Die direkten Kosten für Gemini selbst sind im Vergleich zu typischen Sales-Tools relativ gering. Die Hauptinvestition liegt in der Gestaltung guter Workflows, Prompts und Integrationen. Der ROI kommt aus zwei Richtungen: höherer Conversion (mehr Meetings und Opportunities aus derselben oder einer kleineren Liste) und geringerem Aufwand pro Outreach (weniger manuelle Recherche und Schreibarbeit).

Wenn es gut umgesetzt ist, stellen Teams häufig fest, dass sie ihre Pipeline-Ziele mit weniger Kontakten und geringerem Outbound-Volumen erreichen – oder alternativ mehr qualifizierte Opportunities generieren können, ohne das Team zu vergrößern. Wir empfehlen, den ROI anhand zusätzlich gebuchter Meetings und eingesparter Stunden pro Monat zu modellieren, nicht nur auf Basis der Softwarekosten – so wird der Business Case für Sales-Führung und Finance in der Regel klar.

Reruption unterstützt Unternehmen über reine Präsentationen hinaus. Mit unserem KI-PoC-Angebot (9.900€) können wir einen konkreten Use Case wie „Gemini-unterstütztes Outbound für SDRs“ schnell validieren – von Use-Case-Definition und Machbarkeitsprüfung bis zu einem funktionierenden Prototypen, der in Ihre Google-Workspace-Umgebung eingebettet ist.

Nach unserem Co-Preneur-Ansatz arbeiten wir eng mit Ihrem Team zusammen, kartieren Ihren aktuellen Outreach-Prozess, entwerfen Prompt-Vorlagen und Leitplanken und bauen leichte Tools oder Automatisierungen, die Gemini mit Ihrem CRM, Sheets und Gmail verbinden. Sie erhalten einen funktionierenden Workflow, Performance-Kennzahlen (Antwort- und Meeting-Raten, eingesparte Zeit) und einen Produktionsplan – nicht nur Empfehlungen. Wenn Sie prüfen möchten, ob das für Ihre Vertriebsorganisation sinnvoll ist, können wir mit einem fokussierten PoC rund um Cold-Outreach-Antwortquoten starten und von dort aus erweitern.

Kontaktieren Sie uns!

0/10 min.

Direkt Kontaktieren

Your Contact

Philipp M. W. Hoffmann

Founder & Partner

Adresse

Reruption GmbH

Falkertstraße 2

70176 Stuttgart

Kontakt

Social Media