Die Herausforderung: Irrelevante Value Propositions

Die meisten Vertriebsteams wissen, dass sie „in der Sprache des Kunden sprechen“ sollten – in der Realität wirken viele E-Mails, Call Scripts und Angebote dennoch generisch. Reps wiederholen die gleiche Liste von Produktvorteilen, unabhängig davon, ob ein Interessent sich eher für Kosteneinsparungen, schnellere Implementierung, Compliance oder Nutzerakzeptanz interessiert. Das Ergebnis: Value Propositions, die nicht den richtigen Ton treffen und nicht mit den tatsächlichen Bedürfnissen einzelner Stakeholder verbinden.

Traditionelle Ansätze stützen sich auf statische Messaging-Frameworks, Persona-Präsentationen und manuelle Recherche. Ein motivierter Rep verbringt vielleicht eine halbe Stunde damit, sich durch CRM-Notizen, alte E-Mails und LinkedIn-Profile zu arbeiten, um ein Outreach zu individualisieren – und greift dann unter Zeitdruck trotzdem wieder auf generische Pitches zurück. Da Buying Committees wachsen und Touchpoints sich über E-Mail, Meetings und geteilte Dokumente verteilen, wird es für Menschen allein nahezu unmöglich, alle Signale im Blick zu behalten und die Botschaft in Echtzeit anzupassen.

Die geschäftlichen Auswirkungen sind erheblich. Fehlende Passgenauigkeit in der Kommunikation erzwingt zusätzliche Klärungsanrufe, verlängert Sales Cycles und erhöht das Risiko, dass ein Wettbewerber das Problem des Kunden besser auf den Punkt bringt als Sie. Response-Raten sinken, weil sich Interessenten in Ihrem Pitch nicht wiedererkennen. Opportunities enden im Status „No Decision“, weil der interne Champion keine prägnante, maßgeschneiderte Story hat, um Sie intern zu verkaufen. Langfristig spiegelt sich das in niedrigeren Win-Rates, höheren Customer Acquisition Costs und einer wachsenden Lücke zu datengetriebeneren Wettbewerbern wider.

Die gute Nachricht: Dieses Problem ist mit der richtigen Kombination aus Daten und KI sehr gut lösbar. Mit Tools wie Gemini für Sales-Personalisierung können Sie verstreute Interaktionshistorie in konkrete, rollenbezogene Value Propositions übersetzen, die bei jedem Stakeholder resonieren – ohne dass Ihre Reps zu Vollzeit-Analysten werden müssen. Bei Reruption haben wir Organisationen dabei unterstützt, KI-gestützte Workflows zu bauen, die direkt im bestehenden Toolstack verankert sind. Im Folgenden skizzieren wir praktische Schritte, wie Sie diese Form intelligenter Personalisierung in Ihren eigenen Sales-Prozess bringen.

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 Reruptions Arbeit beim Aufbau von KI-first Sales- und Kommunikations-Workflows wissen wir, dass Gemini besonders stark ist, wenn es sowohl auf CRM-Kontext als auch auf Interaktionsdaten aus Google Workspace zugreifen kann. Anstatt KI als hübschen Textgenerator zu betrachten, sehen wir Gemini als Reasoning-Schicht über Ihren E-Mails, Docs, Sheets und der Deal-Historie – sodass das Modell ableiten kann, was jedem Interessenten wirklich wichtig ist, und Value Propositions vorschlägt, die den Lärm durchdringen.

Verankern Sie Gemini in einem klaren Value-Proposition-Framework

Bevor Sie Gemini mit Ihrem CRM und Gmail verbinden, benötigen Sie eine klare interne Landkarte Ihrer eigenen Werttreiber. Zum Beispiel: Kosteneinsparungen, Umsatzwachstum, operative Effizienz, Compliance, Sicherheit, User Experience und Implementierungsgeschwindigkeit. Ohne dieses gemeinsame Framework erzeugt Gemini zwar wohlklingende Nachrichten, sie werden jedoch nicht systematisch die Positionierung verstärken, mit der Sie Deals gewinnen.

Definieren Sie 6–10 zentrale Wertthemen, verknüpfen Sie diese mit typischen Käuferrollen (CFO, CIO, Geschäftsverantwortliche, Endnutzer) und halten Sie Nachweise sowie Beispiele für jedes Thema fest. Nutzen Sie dies dann als Rückgrat für Ihre Gemini-Prompts und Systemanweisungen, damit das Modell lernt, rohe Nutzersignale in Ihre standardisierten, wirkungsvollen Value Stories zu übersetzen.

Behandeln Sie Gemini als Co-Pilot, nicht als Skript-Engine

Der schnellste Weg, mit KI im Sales-Outreach zu scheitern, ist der Versuch, jede E-Mail oder jedes Call Script vollständig zu automatisieren. Das führt zu generischen, überpolierten Inhalten und nimmt die Urteilsfähigkeit der Reps aus dem Prozess. Denken Sie stattdessen an Gemini als Co-Piloten, der Entwürfe, Highlight-Reels und zugeschnittene Talking Points vorbereitet, die der Rep anschließend anpasst.

Diese Denkweise reduziert auch Widerstände bei der Einführung. Reps behalten die Kontrolle über das Gespräch, während Gemini die Schwerarbeit übernimmt: Zusammenfassung der Aktivitäten des Interessenten, Hervorhebung zentraler Pain Points und Vorschlag von Value Propositions und Einwänden, die zum Kontext passen. Strategisch positioniert das KI als Ergänzung, nicht als Ersatz – und erleichtert so den Roll-out über Regionen und Senioritätsstufen hinweg.

Rund um den Sales-Workflow designen, nicht rund um das Modell

Ein häufiger Fehler ist, mit „Was kann Gemini?“ statt mit „Wo verlieren unsere Reps am meisten Zeit oder Relevanz?“ zu starten. Bei irrelevanten Value Propositions im Vertrieb liegen die kritischen Momente oft in: erstem Outbound-Touch, Follow-up nach Discovery, E-Mails zur Abstimmung mit mehreren Stakeholdern und Einleitungen von Angeboten.

Skizzieren Sie diese Schlüsselmomente und designen Sie dann, wo Gemini auftauchen soll: eine Sidebar in Gmail mit Vorschlägen für maßgeschneiderte Intros, eine Chrome-Erweiterung, die letzte Interaktionen zusammenfasst, oder eine Dokumentvorlage, die Value Arguments automatisch basierend auf CRM-Feldern ausfüllt. Durch das Einbetten von Gemini in bestehende Tools wie Gmail, Docs und Ihr CRM minimieren Sie den Change-Management-Aufwand und stellen sicher, dass die KI tatsächlich genutzt wird.

Früh in Datenqualität und Kennzeichnung investieren

Gemini kann nur auf Basis dessen personalisieren, was es sieht. Wenn Ihr CRM nicht zwischen kostengetriebenen und innovationsgetriebenen Deals unterscheidet oder Felder wie „Branche“ und „Rolle“ uneinheitlich gepflegt sind, wird das Modell Schwierigkeiten haben, die richtige Value Proposition abzuleiten. Strategisch bedeutet dies: Die Verbesserung der Sales-Datenhygiene ist keine reine Admin-Aufgabe, sondern Voraussetzung für hochwertige Personalisierung.

Beginnen Sie damit, eine kleine Anzahl an Feldern zu standardisieren, die für die Ausrichtung der Value Proposition am wichtigsten sind: Branche, Rolle, primäres Ziel (z. B. Kosten senken/Umsatz steigern/Zuverlässigkeit verbessern) und Kaufphase. Machen Sie es Reps dann so einfach wie möglich, diese Informationen aktuell zu halten – idealerweise, indem Gemini auf Basis von E-Mails und Call Notes Werte vorschlägt, die der Rep nur noch bestätigt. So wird Datenqualität zum Nebenprodukt des Workflows, nicht zu einer separaten Pflichtaufgabe.

Guardrails definieren, um Marke und Compliance zu schützen

Wenn Sie KI-generiertes Outreach mit Gemini skalieren, skalieren Sie auch das Risiko – sofern Sie keine Grenzen definieren. Strategische Guardrails sollten abdecken, was Gemini zusagen darf (z. B. keine spezifischen ROI-Prozentsätze ohne Referenzen), wie über Wettbewerber gesprochen wird und bei welchen regulierten Themen eine manuelle Prüfung nötig ist.

Implementieren Sie Systemanweisungen und Freigabeprozesse für sensible Segmente oder Regionen. Beispielsweise können Sie für Erstkontakt-E-Mails an strategische Accounts eine Managerfreigabe verlangen oder bestimmte Formulierungen in Branchen mit strengen Compliance-Vorgaben einschränken. Diese Kontrollen ermöglichen es Ihnen, von Geminis Personalisierungskraft zu profitieren und gleichzeitig Markenkonsistenz und rechtliche Sicherheit zu wahren.

Bewusst eingesetzt kann Gemini verstreute Sales-Daten in maßgeschneiderte, rollenbezogene Value Propositions übersetzen, die zu den Prioritäten jedes Käufers passen und Deals schneller voranbringen. Der eigentliche Hebel entsteht aus der Kombination von sauberen CRM-Signalen, klaren Value Frameworks und intelligenter Workflow-Integration – Felder, in denen Reruptions KI-Engineering und Co-Preneur-Ansatz genau ansetzen. Wenn Sie erkunden möchten, wie Gemini Ihre Outreach-Personalisierung verbessern kann, ohne Ihre Reps zu überfordern, können wir gemeinsam einen fokussierten Use Case prototypen und ihn skalieren, sobald sein Wert belegt ist.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Fintech bis Logistik: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

PayPal

Fintech

PayPal, als globaler Marktführer im Online-Zahlungsverkehr, sieht sich unablässigen, sich weiterentwickelnden Betrugstaktiken durch hochentwickelte Cyberkriminelle gegenüber. Mit Milliarden von Transaktionen, die monatlich verarbeitet werden—über 500 Millionen Zahlungen—muss die Plattform Anomalien in Echtzeit erkennen, um massive finanzielle Verluste und Vertrauensverluste bei Kunden zu verhindern. Traditionelle regelbasierte Systeme kämpften mit False Positives und verpassten neuartige Betrugsmuster, was pro Vorfall potenziell zu Millionenverlusten führen konnte. Der Umfang verstärkte die Herausforderungen: hochfrequente Datenströme erforderten Entscheidungen in Bruchteilen einer Sekunde, während unausgewogene Datensätze (Betrug <0.1% der Transaktionen) die Modellgenauigkeit behinderte. Regulatorischer Druck und Nutzererwartungen an nahtlose Erlebnisse verlangten eine Lösung, die Sicherheit und Geschwindigkeit ausbalanciert, da unentdeckter Betrug $2B+ pro Jahr kosten und dem Ruf schaden könnte.

Lösung

PayPal implementierte Machine-Learning-Ensembles mit Deep-Learning-Modellen zur Anomalieerkennung und bewertet jede Transaktion anhand von 250+ Signalen wie Geräte-Fingerprinting, verhaltensbiometrischen Merkmalen und Netzwerkdaten. Die Modelle werden kontinuierlich mit aktuellen Daten retrainiert, um sich an neue Bedrohungen anzupassen, wobei Plattformen wie H2O Driverless AI für automatisiertes Feature Engineering und Deployment genutzt werden. Das System integriert Echtzeit-Inferenz über fortschrittliche Hardware und markiert Hochrisiko-Transaktionen sofort zur Prüfung oder Sperrung. Hybride Ansätze kombinieren überwachtes Lernen für bekannten Betrug und unüberwachte Anomalieerkennung für Zero-Day-Angriffe, wodurch manuelle Prüfungen um 50% reduziert werden.

Ergebnisse

  • 10% Verbesserung der Betrugserkennungsgenauigkeit
  • $500 million an Betrug, vierteljährlich blockiert (~$2B jährlich)
  • 25 million Angriffe täglich verhindert
  • 50% Reduktion der manuellen Prüfungsaufwände
  • 99.99% Genehmigungsrate für legitime Zahlungen
  • Latenz für Echtzeit-Inferenz unter 50ms
Fallstudie lesen →

Kaiser Permanente

Gesundheitswesen

In Krankenhäusern erfahren erwachsene Patienten auf Allgemeinstationen häufig eine , ohne dass rechtzeitig ausreichend Warnzeichen erkannt werden. Das führt zu Notfallverlegungen auf Intensivstationen, erhöhter Sterblichkeit und vermeidbaren Wiederaufnahmen. Kaiser Permanente Northern California stand vor diesem Problem in seinem Netzwerk, in dem subtile Veränderungen bei Vitalparametern und Laborwerten bei hohem Patientenvolumen und anspruchsvollen Arbeitsabläufen leicht übersehen wurden. Das resultierte in erhöhten negativen Ergebnissen, darunter vermeidbar hohe Sterberaten und 30-Tage-Wiederaufnahmen . Traditionelle Frühwarnscores wie MEWS (Modified Early Warning Score) waren durch manuelle Erfassung und unzureichende Vorhersagegenauigkeit für Verschlechterungen innerhalb von 12 Stunden limitiert und nutzten nicht das volle Potenzial elektronischer Patientenakten (EHR). Die Herausforderung wurde durch Alarmmüdigkeit durch weniger präzise Systeme verschärft und erforderte eine skalierbare Lösung für 21 Krankenhäuser, die Millionen von Patienten versorgen .

Lösung

Kaiser Permanente entwickelte den Advance Alert Monitor (AAM), ein KI-gestütztes Frühwarnsystem, das prädiktive Analytik einsetzt, um Echtzeit-EHR-Daten — einschließlich Vitalzeichen, Laborwerte und Demografie — zu analysieren und Patienten mit hohem Risiko einer Verschlechterung innerhalb der nächsten 12 Stunden zu identifizieren. Das Modell erzeugt eine Risikobewertung und automatisierte Alarme, die in die klinischen Arbeitsabläufe integriert werden und zeitnahe Interventionen wie ärztliche Überprüfungen oder den Einsatz von Rapid Response Teams auslösen . Seit der Einführung in 2013 in Nordkalifornien verwendet AAM Machine-Learning-Algorithmen, die auf historischen Daten trainiert wurden und traditionelle Scores übertreffen, wobei erklärbare Vorhersagen das Vertrauen der Mitarbeitenden stärken. Die Einführung erfolgte stationsweit, Integrationsprobleme wurden über Epic-EHR-Kompatibilität und Schulungen für Klinikpersonal adressiert, um Alarmmüdigkeit zu minimieren .

Ergebnisse

  • 16 % geringere Sterblichkeitsrate in der AAM-Interventionskohorte
  • Über 500 Todesfälle jährlich im Netzwerk verhindert
  • 10 % Reduktion bei 30-Tage-Wiederaufnahmen
  • Identifiziert Verschlechterungsrisiken innerhalb von 12 Stunden mit hoher Zuverlässigkeit
  • Eingesetzt in 21 Krankenhäusern in Nordkalifornien
Fallstudie lesen →

DBS Bank

Bankwesen

DBS Bank, die führende Finanzinstitution in Südostasien, kämpfte damit, KI von Experimenten in die Produktion zu skalieren, während Betrugsbedrohungen zunahmen, die Nachfrage nach hyperpersonalisierten Kundenerlebnissen stieg und operative Ineffizienzen im Service-Support bestanden. Traditionelle Systeme zur Betrugserkennung hatten Schwierigkeiten, bis zu 15.000 Datenpunkte pro Kunde in Echtzeit zu verarbeiten, was zu übersehenen Bedrohungen und suboptimalen Risikobewertungen führte. Personalisierungsbemühungen wurden durch isolierte Datensilos und fehlende skalierbare Algorithmen für Millionen von Nutzern in unterschiedlichen Märkten behindert. Zusätzlich sahen sich Kundendienstteams mit überwältigenden Anfragevolumina konfrontiert, wobei manuelle Prozesse die Reaktionszeiten verlangsamten und die Kosten erhöhten. Regulatorischer Druck im Bankwesen erforderte verantwortungsvolle KI-Governance, während Fachkräftemangel und Integrationsherausforderungen eine unternehmensweite Einführung erschwerten. DBS benötigte einen robusten Rahmen, um Datenqualitätsprobleme, Modell-Drift und ethische Bedenken bei der Einführung generativer KI zu überwinden und gleichzeitig Vertrauen und Compliance in einem wettbewerbsintensiven südostasiatischen Umfeld sicherzustellen.

Lösung

DBS startete ein konzernweites KI-Programm mit über 20 Anwendungsfällen, nutzte maschinelles Lernen für fortschrittliche Betrugsrisikomodelle und Personalisierung und ergänzte dies durch generative KI für einen internen Support-Assistenten. Die Betrugsmodelle integrierten umfangreiche Datensätze für die Erkennung von Anomalien in Echtzeit, während Personalisierungsalgorithmen hyperzielgerichtete Hinweise und Anlageideen über die digibank-App lieferten. Ein Mensch-KI-Synergie-Ansatz befähigte Serviceteams mit einem GenAI-Assistenten, der Routineanfragen aus internen Wissensdatenbanken bearbeitet. DBS legte Wert auf verantwortungsvolle KI durch Governance-Rahmenwerke, Qualifizierungsmaßnahmen für über 40.000 Mitarbeitende und eine gestaffelte Einführung, beginnend mit Pilotprojekten 2021 und Skalierung in die Produktion bis 2024. Partnerschaften mit Technologieführern und eine von Harvard unterstützte Strategie sicherten ein ethisches Skalieren in den Bereichen Betrug, Personalisierung und Betrieb.

Ergebnisse

  • 17 % Steigerung der Einsparungen durch verhinderte Betrugsversuche
  • Über 100 maßgeschneiderte Algorithmen für Kundenanalysen
  • 250.000 monatliche Anfragen effizient vom GenAI-Assistenten bearbeitet
  • Mehr als 20 konzernweite KI-Anwendungsfälle eingeführt
  • Analysiert bis zu 15.000 Datenpunkte pro Kunde zur Betrugserkennung
  • Produktivitätssteigerung um 20 % durch KI-Einführung (CEO-Aussage)
Fallstudie lesen →

Associated Press (AP)

Nachrichtenmedien

In der Mitte der 2010er Jahre sah sich die Associated Press (AP) im Wirtschaftsressort mit erheblichen Einschränkungen aufgrund begrenzter manueller Ressourcen konfrontiert. Mit nur wenigen Journalisten, die sich der Berichterstattung zu Quartalszahlen widmeten, konnte AP lediglich rund 300 Quartalsberichte pro Quartal erstellen und konzentrierte sich dabei hauptsächlich auf große S&P-500-Unternehmen. Dieser manuelle Prozess war arbeitsintensiv: Reporter mussten Daten aus Finanzberichten extrahieren, Kennzahlen wie Umsatz, Gewinne und Wachstumsraten analysieren und unter engen Fristen prägnante Texte formulieren. Mit der Zunahme börsennotierter Unternehmen geriet AP zunehmend in die Lage, kleinere Firmen nicht abzudecken, sodass viele markt­relevante Informationen unberichtet blieben. Diese Beschränkung reduzierte nicht nur APs umfassende Marktabdeckung, sondern band Journalisten auch an monotone Aufgaben und verhinderte, dass sie investigativen Geschichten oder tiefergehenden Analysen nachgehen konnten. Der Druck während der Quartalssaison verschärfte diese Probleme, da viele Fristen gleichzeitig bei tausenden Unternehmen anstanden und skalierbare Berichterstattung ohne Innovation unmöglich machte.

Lösung

Um dem entgegenzuwirken, ging AP 2014 eine Partnerschaft mit Automated Insights ein und implementierte deren Wordsmith NLG-Plattform. Wordsmith verwendet template-basierte Algorithmen, um strukturierte Finanzdaten—wie Gewinn je Aktie, Umsatzzahlen und jährliche Veränderungen—in lesbaren, journalistischen Text zu überführen. Reporter geben verifizierte Daten aus Quellen wie Zacks Investment Research ein, und die KI erzeugt Entwürfe in Sekundenschnelle, die Menschen anschließend leicht für Genauigkeit und Stil redigieren. Die Lösung umfasste die Erstellung von kundenspezifischen NLG-Templates, die an den Stil der AP angepasst wurden, sodass die Artikel menschlich geschrieben wirkten und journalistischen Standards entsprachen. Dieser hybride Ansatz—KI für die Menge, Menschen für die Aufsicht—überwand Qualitätsbedenken. Bis 2015 kündigte AP an, die Mehrheit der US-Unternehmensberichterstattung zu Quartalszahlen zu automatisieren und die Abdeckung dramatisch zu skalieren, ohne das Personal proportional zu erhöhen.

Ergebnisse

  • 14-fache Steigerung der Quartalsberichte: 300 auf 4.200
  • Abdeckung ausgeweitet auf über 4.000 börsennotierte US-Unternehmen pro Quartal
  • Entspricht der Freisetzung von 20 Vollzeitreportern
  • Artikel werden in Sekunden statt in manuell benötigten Stunden veröffentlicht
  • Nach der Implementierung keine gemeldeten Fehler in automatisierten Artikeln
  • Dauerhafte Nutzung wurde auf Sport, Wetter und Lotterieberichte ausgeweitet
Fallstudie lesen →

Three UK

Telekommunikation

Three UK, ein führender Mobilfunkanbieter im Vereinigten Königreich, stand unter erheblichem Druck durch den stark ansteigenden Datenverkehr, getrieben vom 5G‑Ausbau, Video‑Streaming, Online‑Gaming und Remote‑Arbeit. Mit über 10 Millionen Kund:innen führten Spitzenzeiten‑Überlastungen in städtischen Gebieten zu Verbindungsabbrüchen, Buffering bei Streams und hoher Latenz, die das Gaming‑Erlebnis beeinträchtigte. Traditionelle Monitoring‑Tools kamen mit dem Volumen an Big‑Data aus Netzprobes nicht zurecht, sodass Echtzeit‑Optimierung unmöglich war und Kundenabwanderung drohte. Hinzu kam, dass Legacy On‑Premises‑Systeme nicht für 5G‑Network‑Slicing und dynamische Ressourcenallokation skalierten, was zu ineffizienter Spektrumnutzung und steigenden OPEX führte. Three UK benötigte eine Lösung, die Netzengpässe proaktiv vorhersagen und verhindern kann, um niedriglatenzige Dienste für latenzsensible Anwendungen sicherzustellen und gleichzeitig die QoS über verschiedene Verkehrsarten hinweg aufrechtzuerhalten.

Lösung

Microsoft Azure Operator Insights etablierte sich als cloudbasierte KI‑Plattform speziell für Telekommunikationsanbieter und nutzt Big‑Data‑Maschinelles Lernen, um Petabytes an Netztelemetrie in Echtzeit zu verarbeiten. Die Plattform analysiert KPIs wie Durchsatz, Paketverlust und Handover‑Erfolgsraten, erkennt Anomalien und sagt Überlastungen voraus. Three UK integrierte sie in sein Core‑Netzwerk, um automatisierte Erkenntnisse und Handlungsempfehlungen zu erhalten. Die Lösung setzte ML‑Modelle für Root‑Cause‑Analysen, Verkehrsvorhersagen und Optimierungsmaßnahmen wie Beamforming‑Anpassungen und Load‑Balancing ein. Auf Azure's skalierbarer Cloud betrieben, erleichterte sie die Migration von Legacy‑Tools, verringerte die Abhängigkeit von manuellen Eingriffen und stattete Ingenieurteams mit umsetzbaren Dashboards aus.

Ergebnisse

  • 25% Reduktion von Netzüberlastungsereignissen
  • 20% Verbesserung der durchschnittlichen Download‑Geschwindigkeiten
  • 15% Verringerung der End‑to‑End‑Latenz
  • 30% schnellere Anomalieerkennung
  • 10% OPEX‑Einsparungen im Netzbetrieb
  • NPS um 12 Punkte verbessert
Fallstudie lesen →

Best Practices

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

Gemini mit CRM und Workspace verbinden für einen 360°-Blick auf Interessenten

Die Grundlage relevanter Value Propositions ist Kontext. Starten Sie damit, Gemini so zu konfigurieren, dass es auf zentrale CRM-Objekte (Accounts, Kontakte, Opportunities, Aktivitäten) und relevante Google-Workspace-Daten wie Gmail-Threads, Meeting-Notizen in Docs und Account-Pläne in Sheets zugreifen kann. Arbeiten Sie mit IT und Sales Ops zusammen, um zu definieren, welche Felder und Dokumente im Scope sind und wie Zugriffsrechte gesteuert werden.

Ist die Verbindung hergestellt, etablieren Sie ein einfaches internes Muster für Reps: E-Mail-Thread oder Account-Workspace öffnen, Gemini aufrufen und darum bitten, die Situation des Interessenten sowie wahrscheinliche Prioritäten zu zusammenzufassen. Dies sollte zu einem Standard-Schritt werden, bevor eine wichtige E-Mail, ein Call Script oder ein Angebotsteil geschrieben wird.

Beispiel-Prompt in Gmail/Docs:
Sie sind ein Sales-Co-Pilot. Basierend auf den CRM-Daten und der
E-Mail-Historie, die Ihnen zur Verfügung stehen, antworten Sie auf
Deutsch:

1. Wer ist dieser Interessent (Unternehmen, Rolle, Branche)?
2. Welche Probleme und Ziele haben sie bisher geäußert?
3. Welche 2–3 Value-Proposition-Themen (Kosteneinsparungen,
   Wachstum, Effizienz, Compliance, Sicherheit, UX, Geschwindigkeit)
   scheinen am relevantesten?
4. Welche Belege aus vergangenen Interaktionen stützen dies?
5. Was sollten wir auf Basis Ihrer Sicht explizit vermeiden
   zu betonen?

Damit erhält der Rep ein fokussiertes Briefing, das den nächsten Touch in realen Daten statt in Annahmen verankert.

Rollenbezogene E-Mail-Intros und Call-Opener generieren

Die meiste Irrelevanz entsteht in den ersten 3–4 Sätzen einer E-Mail oder eines Calls. Nutzen Sie Gemini, um zielgerichtete Einstiege zu erzeugen, die direkt an die Rolle, Branche und jüngste Aktionen des Interessenten anknüpfen (z. B. Whitepaper-Downloads, Webinar-Teilnahme, Fragen in E-Mails).

Bauen Sie ein kleines Arsenal an Prompt-Vorlagen auf, die Ihr Team wiederverwenden kann. Ermutigen Sie Reps, die von der KI vorgeschlagene Struktur beizubehalten, Tonalität und Details aber an ihren eigenen Stil anzupassen.

Beispiel-Prompt für E-Mail-Intros:
Sie helfen einem Sales-Rep dabei, ein kurzes, relevantes E-Mail-
Intro zu formulieren. Nutzen Sie die Daten, die Ihnen aus CRM und
Gmail vorliegen.

Aufgabe:
1) Identifizieren Sie die Rolle des Empfängers und die vermutlich
   2 wichtigsten Prioritäten.
2) Schreiben Sie 2 alternative Einstiegsabsätze (je 2–3 Sätze),
   die:
   - auf eine jüngste Interaktion oder ein Signal Bezug nehmen
     (Meeting, Frage, Content-Download, Website-Verhalten,
     falls verfügbar)
   - direkt an diese Prioritäten anknüpfen
   - generisches Produkt-Pitching vermeiden

Output-Format:
- Kurze Erklärung der Prioritäten
- Version A Intro
- Version B Intro

Reps können die beste Version auswählen, ein paar Formulierungen anpassen und eine Nachricht versenden, die personalisiert wirkt statt templatisiert.

Discovery-Notizen in maßgeschneiderte Value-Proposition-Summaries übersetzen

Nach Discovery-Calls liegen Reps häufig unstrukturierte Notizen vor, die nie in prägnante, schriftliche Value Propositions überführt werden. Mit einer Gemini-Integration in Docs oder Ihr Notiz-Tool können Sie einen standardisierten Post-Call-Workflow etablieren: Reps fügen Notizen ein oder diktieren sie, und Gemini schlägt anschließend eine prägnante Zusammenfassung plus 3–4 Value-Ansätze vor, die zu dem passen, was sie gehört haben.

Beispiel-Prompt für Discovery-Synthese:
Sie sind eine Sales-Strategin / ein Sales-Stratege. Hier sind meine
rohen Notizen aus einem Discovery-Call (können unordentlich und
unvollständig sein):

[NOTIZEN EINFÜGEN]

1. Bereinigen und strukturieren Sie die Notizen nach Themen.
2. Fassen Sie die Situation des Kunden, zentrale Pain Points und
   Ziele zusammen.
3. Schlagen Sie 3–4 maßgeschneiderte Value Propositions aus
   unserer Liste unten vor, jeweils in 2–3 Sätzen, und erklären
   Sie, warum sie passen.

Unsere Wertthemen:
- Betriebskosten senken
- Umsatz oder Conversion steigern
- Zuverlässigkeit und Verfügbarkeit verbessern
- Compliance und Sicherheit stärken
- Time-to-Market beschleunigen
- Endnutzererlebnis verbessern

4. Schlagen Sie 2 Fragen für den nächsten Call vor, um diese
   Ansätze zu validieren.

Reps können die ausgewählten Value Propositions direkt in Follow-up-E-Mails und Angebote übernehmen und so Kontinuität zwischen Gesagtem und Gesendetem sicherstellen.

Gemini nutzen, um Messaging über mehrere Stakeholder hinweg abzustimmen

In komplexen Deals entsteht viel Irrelevanz dadurch, dass allen Stakeholdern dieselbe Botschaft geschickt wird. Richten Sie einen Workflow ein, in dem Gemini die vorhandene Kommunikation mit verschiedenen Kontakten innerhalb desselben Accounts analysiert und dem Rep hilft, die Botschaft nach Rolle anzupassen: Economic Buyer, technischer Evaluierer, tägliche Nutzer.

Bitten Sie Gemini innerhalb Ihres Account-Workspaces, separate Talking Points oder E-Mail-Entwürfe für jeden Stakeholder zu generieren – mit derselben Kernerzählung, aber jeweils anderen Schwerpunkten entlang der individuellen Interessen.

Beispiel-Prompt für Multi-Stakeholder-Alignment:
Sie bereiten maßgeschneiderte Botschaften für ein Buying Committee
vor. Nutzen Sie dafür CRM- und Workspace-Daten zu diesem Account.

1. Identifizieren Sie die wichtigsten Stakeholder, mit denen wir
   in Kontakt stehen, und ihre Rollen.
2. Listen Sie für jede Person auf:
   - Vermutliches Hauptziel
   - Vermutliches Hauptrisiko bzw. Hauptbedenken
3. Erstellen Sie 3 Bullet Points pro Person, die unseren Wert in
   ihrer Sprache erklären (keine Produkt-Features, nur Outcomes).
4. Formulieren Sie für jede Person ein kurzes E-Mail-Intro oder
   einen Call-Opener, der diese Punkte verstärkt.

So bleibt Ihre Story konsistent, während Sie One-size-fits-all-Pitches vermeiden, die nicht ankommen.

Guardrails und Snippets für konsistentes, aber flexibles Messaging einbetten

Um Personalisierung und Kontrolle auszubalancieren, bauen Sie eine Bibliothek freigegebener Snippets (Proof Points, Kundenergebnisse, Security-Statements) auf und instruieren Sie Gemini, diese bei der Formulierung von Value Propositions zu verwenden. Speichern Sie diese in einem gemeinsamen Doc oder Sheet und referenzieren Sie es in Ihren Prompts.

Sie können im Prompt außerdem verbotene Aussagen, Tonalitätsrichtlinien und Formatierungsregeln festlegen, damit Gemini innerhalb Ihrer Marken- und Compliance-Grenzen bleibt.

Beispiel-Konfigurations-Prompt für Guardrails:
Sie sind ein Sales-Co-Pilot für [Unternehmen].

Regeln:
- Verwenden Sie nur Vorteile, Kennzahlen und Aussagen aus dieser
  Bibliothek:
  [LINK ODER EINGEFÜGTER INHALT]
- Erfinden Sie KEINE Ergebnisse, Kundennamen oder Prozentsätze.
- Konzentrieren Sie sich immer zuerst auf Business-Outcomes, erst
  danach auf Features.
- Halten Sie die Sprache klar und konkret, vermeiden Sie Buzzwords.

Aufgabe:
Verfassen Sie auf Basis des oben beschriebenen Interessenten-
kontexts und der Notizen 3 maßgeschneiderte Value Propositions,
unter ausschließlicher Verwendung der erlaubten Inhalte und Regeln.

So stellt Gemini zwar für jeden Interessenten eine individuelle Personalisierung her, aber die zugrunde liegenden Aussagen bleiben korrekt und geprüft.

Impact mit einfachen, sichtbaren Metriken nachverfolgen

Um zu belegen, dass Gemini-basierte Personalisierung irrelevante Value Propositions tatsächlich behebt, sollten Sie vor dem Roll-out ein kleines Set konkreter KPIs definieren. Typische Kennzahlen sind: Reply Rate auf Erstkontakt-E-Mails, Rate gebuchter Meetings, Übergang von Discovery- zu Angebotsphase und durchschnittliche Anzahl an Klärungs-E-Mails pro Opportunity.

Setzen Sie einfache A/B-Tests auf: Gemini-unterstütztes Outreach vs. Business-as-usual bei vergleichbaren Segmenten. Nutzen Sie Ihr CRM, um KI-gestützte Aktivitäten zu taggen, und werten Sie die Ergebnisse monatlich aus. Teilen Sie interne Erfolgsgeschichten, damit Reps sehen, wo maßgeschneiderte Value Propositions Zyklen verkürzt oder kompetitive Deals gewonnen haben.

Realistisch und messbar zu erwartende Ergebnisse bei guter Umsetzung sind: 10–25 % Uplift bei Reply-Raten in anvisierten Segmenten, 5–15 % höhere Conversion von Discovery zur Angebotsphase und eine spürbare Reduktion der E-Mail-Ping-Pongs, in denen Interessenten in den ersten 2–3 Monaten fragen, „was Sie eigentlich genau machen“.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini analysiert CRM-Daten, Gmail-Threads, Docs und Sheets, um zu verstehen, wer der Interessent ist, was bereits besprochen wurde und welche Signale er in Bezug auf seine Prioritäten gesendet hat. Statt generische Produkt-Pitches zu erzeugen, wird Gemini angewiesen, diesen Kontext auf eine Reihe vordefinierter Wertthemen abzubilden – etwa Kosteneinsparungen, Wachstum, Sicherheit oder Time-to-Market.

Praktisch bedeutet das: Ein Rep kann Gemini vor dem Schreiben einer E-Mail oder eines Angebots um eine Zusammenfassung des Interessenten und um maßgeschneiderte Talking Points bitten. Gemini schlägt dann Value Propositions vor, die direkt an die Ziele des Käufers und frühere Interaktionen anknüpfen und so das Risiko deutlich senken, tonfremde oder irrelevante Botschaften zu versenden.

In der Regel brauchen Sie drei Zutaten: Zugriff auf Gemini innerhalb von Google Workspace, jemanden, der Ihr CRM-Datenmodell versteht, und ein kleines, funktionsübergreifendes Team (Sales, Sales Ops, IT), das Wertframeworks und Guardrails definiert. Tiefe KI-Forschungskenntnisse sind nicht erforderlich, wohl aber grundlegende Prompt-Engineering-Skills und die Fähigkeit, APIs zu integrieren, wenn Sie engere CRM-Anbindungen wünschen.

Reruption arbeitet üblicherweise mit einem internen Product Owner oder Sales Leader, einem technischen Ansprechpartner (IT oder Engineering) und 3–5 Pilot-Reps. Gemeinsam gestalten wir Prompts, Workflows und Zugriffskontrolle so, dass Gemini echte Deals unterstützt, ohne Ihre bestehenden Prozesse zu stören.

Für die meisten Organisationen lässt sich ein erster Gemini-Sales-Personalisierungs-Pilot innerhalb von 3–6 Wochen aufsetzen. In den ersten 1–2 Wochen verbinden Sie die Datenquellen, definieren Wertthemen und bauen erste Prompt-Vorlagen. Die folgenden 2–4 Wochen konzentrieren sich auf Tests mit einer kleinen Rep-Gruppe, das Sammeln von Beispielen sowie das Verfeinern von Prompts und Guardrails.

Bedeutende Frühindikatoren – wie höhere Reply-Raten oder qualitativ bessere Antworten von Interessenten – zeigen sich häufig bereits im ersten Monat aktiver Nutzung. Robuste Metriken wie Stage-Conversion und Win-Rate benötigen in der Regel 2–3 Sales-Zyklen, um statistisch belastbar zu werden – abhängig von Ihrer typischen Deal-Laufzeit.

Die direkten Softwarekosten ergeben sich aus Ihrem Gemini-Lizenzmodell innerhalb von Google Workspace sowie etwaiger zusätzlicher Infrastruktur- oder API-Nutzung. Für viele Vertriebsteams ist dies gering im Vergleich zu Personalkosten und entgangenen Opportunities durch fehlangepasste Botschaften. Die größere Investition ist das einmalige Setup: Datenanbindungen, Definition des Value Frameworks und Workflow-Design.

Der ROI speist sich aus mehreren Hebeln: höheren Reply- und Meeting-Booked-Raten, schnellerem Übergang von Discovery zur Angebotsphase, höheren Win-Rates durch bessere Stakeholder-Ausrichtung sowie reduzierter Zeit, die Reps mit dem Schreiben von Grund auf verbringen. Nach unserer Erfahrung rechtfertigen schon wenige zusätzliche gewonnene Deals in Ihren Kernsegmenten die Investition schnell, sofern Sie den Uplift gegen eine Kontrollgruppe tracken.

Reruption unterstützt Unternehmen End-to-End – von der Definition eines konkreten Use Cases bis zur Auslieferung einer funktionierenden Lösung. Unser KI-PoC-Angebot (9.900 €) ist darauf ausgelegt, schnell zu klären, ob Gemini Ihre Sales-Outreach in Ihrem spezifischen Umfeld messbar verbessern kann: Wir definieren den Use Case (Inputs, Outputs, Metriken), prototypen die Gemini-Workflows und evaluieren Performance und Kosten.

Mit unserem Co-Preneur-Ansatz liefern wir nicht nur Folien – wir arbeiten eingebettet mit Ihrem Team, agieren innerhalb Ihrer P&L und bauen echte Integrationen in CRM und Google Workspace. Nach dem PoC helfen wir Ihnen, den Prototyp zu härten, ihn auf weitere Reps auszurollen, Governance und Training zu definieren und Prompts sowie Datenstrukturen kontinuierlich zu verfeinern, damit Ihre Value Propositions relevant bleiben, während sich Ihr Markt weiterentwickelt.

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