Die Herausforderung: Manuelle Prospect-Recherche

Die meisten Vertriebsteams verlassen sich nach wie vor auf manuelle Prospect-Recherche, um Outreach zu personalisieren. Reps springen zwischen Google, LinkedIn, Unternehmenswebsites und News-Seiten hin und her, um vor dem Schreiben jeder E-Mail oder jedes Call Scripts einen relevanten Aufhänger zu finden. Das ist langsame, repetitive Arbeit, die nur selten mit dem Druck vereinbar ist, wöchentliche Aktivitätsziele zu erreichen.

Traditionelle Ansätze skalieren nicht mehr. Playbooks, die von Reps verlangen, für jeden Prospect 10–15 Minuten zu recherchieren, brechen einfach zusammen, sobald ein Team mehrgleisige Outreach-Kampagnen über Hunderte von Accounts fahren muss. Generische Vorlagen mit einem Vornamen-Placeholder und einem vagen Unternehmensbezug reichen in Märkten nicht aus, in denen Käufer jede Woche Dutzende von Sales-E-Mails erhalten. Das Ergebnis ist ein schmerzhafter Trade-off: entweder wenig, gut recherchierter Outreach oder hoher Output mit oberflächlichen Botschaften, die ignoriert werden.

Die geschäftlichen Auswirkungen sind erheblich. Zeit, die für manuelle Recherche verloren geht, ist Zeit, die nicht für tatsächlichen Verkauf, Multi-Threading oder Discovery-Calls genutzt wird. Die Pipeline-Generierung stockt, weil Reps bei einer geringen Anzahl hochaufwändiger Kontakte pro Tag an ihre Grenzen stoßen. Antwortquoten bleiben im niedrigen einstelligen Bereich, und hochwertige Chancen werden verpasst, weil im Outreach nicht auf die spezifischen Trigger-Events, Initiativen oder Herausforderungen Bezug genommen wird, die die Aufmerksamkeit des Käufers geweckt hätten. Langfristig entsteht ein echter wettbewerblicher Nachteil gegenüber Teams, die KI nutzen, um öffentliche Signale in präzise, zeitnahe Botschaften zu verwandeln.

Die gute Nachricht: Diese Herausforderung lässt sich vollständig lösen. Moderne Modelle wie Gemini können innerhalb von Sekunden Web-Ergebnisse, News und öffentliche Profile scannen und in strukturierte Prospect-Snapshots umwandeln, die personalisierte E-Mails, Talk Tracks und Briefings speisen. Bei Reruption haben wir KI-gestützte Research- und Content-Workflows in realen Organisationen aufgebaut und wissen daher, wo die Stolpersteine und Quick Wins liegen. In diesem Leitfaden finden Sie praktische, Schritt-für-Schritt-Ideen, um von manueller Prospect-Recherche zu einer KI-gestützten, skalierbaren Outreach-Engine zu wechseln.

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 Sicht geht es nicht nur darum, einfach „KI hinzuzufügen“, sondern einen wiederholbaren, Gemini-gestützten Prospect-Intelligence-Workflow aufzubauen, der zu Ihrer bestehenden Arbeitsweise im Vertrieb passt. Wir haben KI-Lösungen implementiert, die unstrukturierte Informationen aus Dokumenten, dem Web und internen Systemen ziehen und in umsetzbare Insights für nicht-technische Anwender verwandeln. Der gleiche Ansatz gilt hier: Nutzen Sie Gemini plus Google Workspace, um Prospect-Daten automatisch zu recherchieren, zu strukturieren und genau dort bereitzustellen, wo Reps ihren Outreach entwerfen.

Behandeln Sie Prospect Intelligence als wiederholbares System, nicht als Heldentat

Viele Vertriebsteams hängen noch von einigen wenigen „Research-Helden“ ab, die besonders gut darin sind, Insights zu finden. Das skaliert nicht. Mit Gemini für Prospect-Recherche geht es darum, ein wiederholbares System zu entwerfen, das öffentliche Daten jedes Mal in einen konsistenten Prospect-Snapshot für jeden Rep verwandelt. Definieren Sie genau, welche Datenpunkte für Ihr ICP wichtig sind: zentrale Initiativen, jüngste Finanzierungsrunden, Technologie-Stack, Hiring-Trends, Veränderungen im Management und so weiter.

Strategisch bedeutet das, Vertriebsleitung, Sales Ops und Marketing auf ein standardisiertes Prospect-Profil auszurichten, das Gemini erzeugen soll. Wenn alle einig sind, welche Felder in dieses Profil gehören, können Sie Prompts und Vorlagen einmal konfigurieren und dann im gesamten Team wiederverwenden. Das reduziert die Streuung der Outreach-Qualität und erleichtert es, zu messen, was tatsächlich Antworten treibt.

Integrieren Sie Gemini zuerst in bestehende Tools, bevor Sie neue hinzufügen

Ein häufiges Fehlermuster besteht darin, separate KI-Tools aufzusetzen, die außerhalb des täglichen Workflows des Vertriebsteams leben. Reps werden nicht den ganzen Tag zwischen fünf Tabs Copy & Paste machen. Konzentrieren Sie sich stattdessen darauf, wie sich Gemini in Google Workspace integriert: Gmail für das Erstellen von E-Mails, Docs und Sheets für Research-Templates und Slides für Account-Briefings.

Aus strategischer Sicht minimiert dies Risiken im Change Management. Sie halten das mentale Modell für das Team einfach („klicken Sie in Gmail auf diese Gemini-Schaltfläche, um zu recherchieren und zu entwerfen“), während Sie im Hintergrund mit Prompts, Datenquellen und Templates experimentieren. Sobald das Fundament in Workspace funktioniert, können Sie zu tieferen Integrationen mit CRM oder Sales-Engagement-Tools übergehen.

Definieren Sie klare Leitplanken für Datenqualität und Compliance

Der Einsatz von KI für Sales-Prospect-Recherche bringt neue Risikoarten mit sich: veraltete Informationen, halluzinierte Details und Compliance-Themen insbesondere in regulierten Branchen. Strategisch brauchen Sie Leitplanken. Legen Sie fest, welche Quellen Gemini nutzen darf (z. B. öffentliche Webdaten, Unternehmenswebsite, Newsroom, Zusammenfassungen von LinkedIn-Profilen) und welche es meiden muss. Klären Sie, wie „gut genug“ bei der Research-Qualität aussieht.

Dokumentieren Sie einfache Prüfverfahren (zum Beispiel: „Reps müssen sensible Fakten wie Funding-Beträge oder zitierte Aussagen vor dem Versand gegenprüfen“) und verankern Sie diese in Ihrem Enablement. So wird KI zu einem leistungsstarken Assistenten statt zu einem unüberprüften Entscheider. Reruptions Arbeit mit KI in regulierten und industriellen Umgebungen hat gezeigt, dass diese Klarheit im Vorfeld später Reibung mit Legal, Compliance und IT deutlich reduziert.

Bereiten Sie Ihr Vertriebsteam auf die Zusammenarbeit mit KI vor, nicht auf deren Ersatz

Wenn das Team glaubt, Gemini werde sein Urteilsvermögen ersetzen, leidet die Akzeptanz. Positionieren Sie Gemini für manuelle Prospect-Recherche als Möglichkeit, sie von geringwertiger Arbeit zu befreien, damit sie mehr Zeit in Discovery, Multi-Threading und Deal-Strategie investieren können. Das Mindset lautet „Co-Pilot“, nicht „Autopilot“.

In der Praxis bedeutet dies, Reps darin zu schulen, KI-Output zu bewerten und zu verbessern. Ermutigen Sie sie, Prompts anzupassen, eigene Insights hinzuzufügen und erfolgreiche E-Mail-Versionen in einer gemeinsamen Bibliothek zu speichern. Mit der Zeit entsteht ein positiver Kreislauf: Gemini übernimmt die schwere Recherchearbeit, und Ihre besten Verkäufer verbessern kontinuierlich die Messaging-Ebene.

Starten Sie mit einem engen Pilotprojekt und klaren Erfolgskriterien

Bevor Sie Gemini-basiertes Prospecting im gesamten Vertrieb ausrollen, führen Sie einen begrenzten Piloten mit einer kleinen Gruppe motivierter Reps durch. Begrenzen Sie den Umfang: Nutzen Sie zum Beispiel Gemini ausschließlich zur Anreicherung und Personalisierung von Erstkontakt-E-Mails für ein bestimmtes Segment, etwa Mid-Market-Accounts in einer Region.

Definieren Sie von Anfang an klare Kennzahlen: Zeit pro recherchiertem Kontakt, Anzahl hochwertiger Touchpoints pro Tag, Antwortquote und Anzahl qualifizierter Termine. So erhält die Führung belastbare Daten, um den ROI zu bewerten und weitere Investitionen zu rechtfertigen. Gleichzeitig werden operative Themen (Prompt-Design, Datenzugriff, Schulungsbedarf) sichtbar, solange der „Blast Radius“ noch klein ist.

Gemini zur Automatisierung manueller Prospect-Recherche einzusetzen, hat weniger mit spektakulären KI-Demos zu tun als mit dem Design eines robusten Workflows, der Ihr Vertriebsteam mit verlässlichen, zeitnahen Insights versorgt. Wenn Gemini mit klaren Leitplanken und Erfolgskriterien in Gmail, Docs und Sheets eingebettet ist, können Reps ihre Energie vom Googeln von Prospects hin zu echten Verkaufsgesprächen verlagern.

Reruption hat Organisationen dabei unterstützt, unstrukturierte Informationen in praktische, KI-gestützte Tools zu verwandeln – und die gleiche Engineering- und Co-Preneur-Mentalität gilt hier: Bauen Sie etwas, das Ihr Team tatsächlich nutzt, messen Sie die Wirkung und skalieren Sie anschließend. Wenn Sie erkunden möchten, wie eine Gemini-basierte Research- und Personalisierungs-Engine in Ihrem Umfeld aussehen könnte, sprechen wir gerne über Optionen – vom fokussierten PoC bis zum umfassenden Rollout.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Automobilproduktion bis Seelogistik: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

BMW (Spartanburg Plant)

Automobilproduktion

Die BMW Spartanburg Plant, das weltweit größte Werk des Unternehmens zur Produktion der X‑Serie‑SUVs, stand unter großem Druck, die Montageprozesse angesichts steigender Nachfrage nach SUVs und gestörter Lieferketten zu optimieren. Die traditionelle Fertigung setzte stark auf menschliche Arbeitskräfte für repetitive Tätigkeiten wie Teiletransport und Einbau, was zu Arbeiterermüdung, Fehlerquoten von bis zu 5–10% bei Präzisionsaufgaben und ineffizienter Ressourcenzuteilung führte. Bei über 11.500 Mitarbeitern, die die Hochvolumenproduktion bewältigen, verursachte manuelle Schichtplanung und Zuordnung von Mitarbeitern zu Aufgaben Verzögerungen und eine Zykluszeitvarianz von 15–20%, die die Skalierbarkeit der Produktion behinderte. Hinzu kamen Herausforderungen bei der Anpassung an Industrie 4.0‑Standards, bei denen starre Industrieroboter Schwierigkeiten mit flexiblen Aufgaben in dynamischen Umgebungen hatten. Personalmangel nach der Pandemie verschärfte die Lage, mit steigenden Fluktuationsraten und der Notwendigkeit, qualifizierte Mitarbeiter in wertschöpfende Rollen umzuschichten und gleichzeitig Stillstandszeiten zu minimieren. Die begrenzte Leistungsfähigkeit älterer Machine‑Vision‑Systeme erkannte subtile Defekte nicht zuverlässig, was zu Qualitätsausreißern und Nacharbeitskosten in Millionenhöhe pro Jahr führte.

Lösung

BMW ging eine Partnerschaft mit Figure AI ein, um Figure 02 Humanoide Roboter einzusetzen, die mit Maschinellem Sehen zur Echtzeit‑Objekterkennung und ML‑Scheduling‑Algorithmen für dynamische Aufgabenverteilung integriert sind. Diese Roboter nutzen fortschrittliche KI, um Umgebungen über Kameras und Sensoren wahrzunehmen und dadurch autonome Navigation und Manipulation in Mensch‑Roboter‑Kooperationen zu ermöglichen. ML‑Modelle sagen Produktionsengpässe voraus, optimieren die Robot‑Mitarbeiter‑Planung und überwachen die Leistung selbstständig, wodurch die menschliche Aufsicht reduziert wird. Die Implementierung umfasste Pilotversuche im Jahr 2024, bei denen die Roboter repetitive Aufgaben wie Teilekommissionierung und Einbau übernahmen und zentral über eine KI‑Orchestrierungsplattform koordiniert wurden. So konnte eine nahtlose Integration in bestehende Linien erfolgen, wobei Digitale Zwillinge Szenarien für eine sichere Einführung simulierten. Herausforderungen wie anfängliche Kollisionsrisiken wurden durch Feinabstimmung mittels bestärkenden Lernens (Reinforcement Learning) überwunden, was menschähnliche Geschicklichkeit ermöglichte.

Ergebnisse

  • 400% Steigerung der Roboter­geschwindigkeit nach den Tests
  • 7x höhere Erfolgsrate bei Aufgaben
  • Reduzierte Zykluszeiten um 20–30%
  • 10–15% der Mitarbeiter auf qualifizierte Aufgaben umgeschichtet
  • Über $1 Mio. jährliche Kostenersparnis durch Effizienzgewinne
  • Fehlerquoten sanken unter 1%
Fallstudie lesen →

NYU Langone Health

Gesundheitswesen

At NYU Langone Health, one of the largest U.S. academic medical centers, 80% of electronic health record (EHR) data exists as unstructured free-text clinical notes, rich in nuanced patient insights but notoriously difficult to process for predictive analytics . Traditional machine learning models depend on structured data like vital signs and labs, missing subtle signals in physician narratives that could forecast critical outcomes such as in-hospital mortality, prolonged length of stay (LOS), readmissions, and even operational issues like appointment no-shows . This gap leads to less accurate risk stratification, inefficient resource use, and delayed interventions in a system handling millions of encounters yearly . Developing task-specific models exacerbates challenges: each requires laborious feature engineering, labeled data curation, and maintenance, straining resources in a dynamic clinical environment. With rising patient volumes and complexity, NYU Langone needed a scalable, versatile prediction engine capable of leveraging raw notes without preprocessing hurdles .

Lösung

NYU Langone's Division of Applied AI Technologies at the Center for Healthcare Innovation and Delivery Science created NYUTron, a foundational 6.7-billion-parameter large language model (LLM) pretrained on 10+ years of de-identified inpatient clinical notes—4 billion words from 4.4 million encounters . Using a GPT-like architecture, NYUTron learns medical language intricacies, enabling it to serve as an 'all-purpose clinical prediction engine' . The model is fine-tuned on modest labeled datasets for 10 diverse tasks, from clinical predictions (e.g., mortality, LOS) to operational forecasts (e.g., no-shows), bypassing complex pipelines of prior models . This approach yields superior performance over baselines like ClinicalBERT and structured models, with easy deployment into workflows . Ongoing expansions include generative applications and education tools .

Ergebnisse

  • AUROC für stationäre Mortalität: 0.932 (vs. strukturiertes Baseline-Modell 0.886)
  • AUROC für verlängerte Verweildauer (LOS): 0.906 (vs. 0.870)
  • AUROC für 30‑Tage‑Wiederaufnahmen: 0.773 (vs. 0.727)
  • AUROC für 48‑Stunden‑Mortalität: 0.969
  • AUROC für Vorhersage von Hochkostenaufenthalten: 0.842 (vs. 0.808)
  • Durchschnittlicher AUROC‑Zuwachs gegenüber Top‑Baselines: 4.4 Punkte
  • Korpusgröße: 4 Mrd. Wörter aus 10 Jahren von 4.4 Mio. Begegnungen
Fallstudie lesen →

HSBC

Bankwesen

Als eine der weltweit größten Banken nach Vermögenswerten verarbeitet HSBCMilliarden von Transaktionen, wodurch die Betrugserkennung und die Geldwäschebekämpfung (AML) zu einer enormen Herausforderung werden. Traditionelle regelbasierte Systeme litten unter hohen Falsch-Positiv-Raten, was zu übermäßigen manuellen Prüfungen führte, Compliance-Teams belastete, Kosten erhöhte und Kunden-Transaktionen verlangsamte . Die Gewährleistung der regulatorischen Compliance in 62 Ländern bei gleichzeitiger Minimierung finanzieller Kriminalität war kritisch, doch Legacy-Systeme fehlte die Raffinesse für Echtzeit- und nuancierte Bedrohungserkennung. Die Skalierung des Kundenservice stellte eine weitere Hürde dar, da die Nachfrage nach 24/7 personalisiertem Support menschliche Agenten überwältigte. NLP-Chatbots waren erforderlich, um komplexe Anfragen effizient zu bearbeiten, ohne Datenschutz oder Genauigkeit zu gefährden. Gleichzeitig brachte die Erforschung von generativer KI (GenAI) Herausforderungen bei ethischer Implementierung, Bias-Minderung und Integration mit strengen Bankvorschriften wie GDPR und Basel III mit sich, da schnelle technologische Fortschritte das Risiko von Non-Compliance erhöhten . Die Umsetzungsherausforderungen umfassten länderübergreifend isolierte Daten, Fachkräftemangel im KI-Bereich und die Balance zwischen Innovationsgeschwindigkeit und robuster Governance .

Lösung

HSBC begegnete Betrug mit Google Cloud KI-gestützten ML-Modellen für AML, die fortschrittliche Algorithmen nutzen, um Transaktionsmuster, Kundenverhalten und externe Daten für präzise Anomalieerkennung zu analysieren und so Falsch-Positiv-Raten drastisch zu senken . Dies war Teil einer breiteren Strategie, die global Hunderte von KI-Anwendungsfällen implementierte, von Risikomodellen bis zu Überwachungssystemen . Für das Kundenengagement wurden NLP-getriebene Chatbots eingeführt, die natürliche Sprachverarbeitung nutzen, um Anfragen zu interpretieren, maßgeschneiderte Beratung zu liefern und komplexe Fälle nahtlos weiterzuleiten, während Compliance-Standards eingehalten werden . Im GenAI-F&E-Bereich nahm HSBC an einem GenAI-Sandbox-Programm teil und schloss Ende 2025 eine mehrjährige Partnerschaft mit Mistral AI, um generative Werkzeuge bankweit zu integrieren. Ziel ist die Automatisierung interner Aufgaben, personalisierte Kundeninsights, Verstärkung der Betrugserkennung und Produktivitätssteigerungen, untermauert von einem starken ethischen KI-Rahmen, der die menschliche Aufsicht betont .

Ergebnisse

  • Hunderte von global eingesetzten KI-Anwendungsfällen in den Betriebsbereichen
  • Mehrjährige Partnerschaft mit Mistral AI beschleunigt GenAI-Einführung bankweit
  • Verbesserte AML-Erkennung mit reduzierten Falsch-Positiven durch Google Cloud ML
  • Echtzeit-Betrugskennzeichnung für Milliarden täglicher Transaktionen
  • GenAI-Tools zielen auf 20–40% Produktivitätssteigerungen bei Bankaufgaben
  • Transformierter Kundenservice mit 24/7 skalierbaren NLP-Chatbots
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 →

American Eagle Outfitters

Bekleidungs-Einzelhandel

In der wettbewerbsintensiven Bekleidungs-Einzelhandel-Landschaft stand American Eagle Outfitters vor erheblichen Herausforderungen in den Ankleidekabinen, wo Kund:innen nach Styling-Beratung, präziser Größenempfehlung und ergänzenden Artikelvorschlägen verlangen, ohne auf überlastete Mitarbeitende warten zu müssen . Während Stoßzeiten führten Personalknappheiten häufig dazu, dass frustrierte Käufer:innen Waren zurückließen, die Anprobefrequenz sanken und Konversionschancen verpasst wurden, da traditionelle In-Store-Erfahrungen hinter der personalisierten E‑Commerce-Welt zurückblieben . Frühe Ansätze wie Beacon-Technologie im Jahr 2014 verdoppelten zwar die Wahrscheinlichkeit des Betretens der Umkleide, fehlte es ihnen jedoch an Tiefe für Echtzeit-Personalisierung . Hinzu kamen Daten-Silos zwischen Online und Offline, die einheitliche Kundenkenntnisse erschwerten und es schwierig machten, Artikel dynamisch an individuelle Stilpräferenzen, Körpertypen oder sogar Hauttöne anzupassen. American Eagle benötigte eine skalierbare Lösung, um Engagement und Kundentreue in Flagship-Stores zu steigern und gleichzeitig mit KI breiter zu experimentieren .

Lösung

American Eagle ging eine Partnerschaft mit Aila Technologies ein, um interaktive Ankleidekabinen-Kioske einzusetzen, die von Computervision und Maschinellem Lernen angetrieben werden; diese wurden 2019 in Flagship-Filialen in Boston, Las Vegas und San Francisco eingeführt . Kund:innen scannen Kleidungsstücke über iOS-Geräte, wodurch CV‑Algorithmen die Artikel identifizieren und ML‑Modelle — trainiert auf Kaufhistorie und Google Cloud‑Daten — optimale Größen, Farben und Outfit‑Ergänzungen vorschlagen, zugeschnitten auf inferierte Stilpräferenzen . Integriert mit den ML-Funktionen von Google Cloud ermöglicht das System Echtzeit-Empfehlungen, Benachrichtigungen an Mitarbeitende und nahtlose Bestandsabfragen und entwickelte sich von Beacon‑Gimmicks zu einem vollwertigen smarten Assistenten . Dieser experimentelle Ansatz, gefördert vom CMO Craig Brommers, fördert eine KI‑Kultur für Personalisierung im großen Maßstab .

Ergebnisse

  • Zweistellige Conversion-Steigerungen durch KI‑Personalisierung
  • 11% Wachstum der vergleichbaren Verkäufe für die Marke Aerie im Q3 2025
  • 4% Anstieg der gesamten vergleichbaren Verkäufe im Q3 2025
  • 29% EPS‑Wachstum auf $0,53 im Q3 2025
  • Verdoppelte Anprobewahrscheinlichkeit in Ankleidekabinen durch frühe Technik
  • Rekordumsatz im Q3 von $1,36 Mrd.
Fallstudie lesen →

Best Practices

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

Standardisieren Sie den Prospect-Snapshot, den Gemini erzeugen soll

Bevor Sie Gemini prompten, definieren Sie die genaue Struktur der Prospect-Research-Zusammenfassung, die Sie für jeden Kontakt wünschen. Das gibt dem Modell ein klares Ziel und macht das Output über Reps und Accounts hinweg konsistent. Typische Felder sind: Unternehmensüberblick, zentrale Produkte, Zielkunden, aktuelle News oder Trigger-Events, strategische Initiativen, Tools/Tech-Stack und potenzielle Herausforderungen im Zusammenhang mit Ihrer Lösung.

Erstellen Sie ein gemeinsames Google-Doc- oder Sheet-Template, auf das sich Ihr Team einigt, und übersetzen Sie diese Struktur anschließend in einen Gemini-Prompt. Hier ein Beispiel, das Sie anpassen können:

Systemrolle: Sie sind ein B2B-Vertriebsresearch-Assistent.
Aufgabe: Erstellen Sie einen strukturierten Prospect-Snapshot für einen Vertriebsmitarbeiter.

Eingaben, die Sie erhalten:
- Firmenname
- Öffentliche Website-URL
- Name und Rolle des Prospects (falls verfügbar)

Anweisungen:
1. Scannen Sie die Website des Unternehmens, News und andere seriöse Web-Ergebnisse.
2. Erstellen Sie die folgenden Abschnitte:
   - Unternehmenszusammenfassung (2–3 Sätze)
   - Kernprodukte/-services
   - Primäre Kundensegmente
   - Aktuelle News & Trigger-Events (letzte 6–12 Monate)
   - Strategische Initiativen oder Themen (Digitalisierung, Expansion, Kostensenkung etc.)
   - Potenzielle Herausforderungen mit Bezug auf <IHRE LÖSUNGSKATEGORIE>
   - 3 Hypothesen: Warum unsere Lösung gerade jetzt relevant sein könnte
3. Nutzen Sie Aufzählungspunkte, wo hilfreich. Seien Sie sachlich und prägnant.
4. Erfinden Sie keine Fakten. Wenn Sie unsicher sind, schreiben Sie „Nicht gefunden“.

Erwartetes Ergebnis: Reps erhalten innerhalb von Sekunden einen konsistenten, schnell erfassbaren Snapshot, den sie als Grundlage für E-Mails und Call Scripts nutzen können.

Nutzen Sie Gemini in Gmail für personalisierte Erstkontakt-E-Mails

Wenn Sie einen verlässlichen Prospect-Snapshot haben, verbinden Sie ihn direkt mit der E-Mail-Erstellung. Mit Gemini in Gmail können Reps den Snapshot in das E-Mail-Fenster einfügen und Gemini bitten, eine hochrelevante Erstkontakt-Nachricht zu entwerfen. Ergänzen Sie Anweisungen zu Tonalität, Länge und Call-to-Action.

Beispiel-Workflow: Der Rep öffnet Gmail, startet eine neue E-Mail, fügt den Prospect-Snapshot (oder wichtige Abschnitte) ein und gibt Gemini folgenden Prompt:

Sie sind ein Assistent zum Verfassen von Sales-E-Mails.
Verfassen Sie auf Basis des folgenden Prospect-Snapshots eine prägnante Erstkontakt-E-Mail:

[PROSPECT-SNAPSHOT HIER EINFÜGEN]

Schreiben Sie aus der Perspektive von: <Ihr Unternehmen und Produkt in einem Satz>
Zielpersona: <Rolle und Seniorität des Prospects>

Vorgaben:
- 120–160 Wörter
- 100 % auf das Unternehmen und die Rolle personalisiert
- Beginnen Sie mit einer konkreten Beobachtung aus aktuellen News oder Initiativen
- Vermeiden Sie Marketing-Buzzwords; seien Sie konkret
- Schließen Sie mit einem einfachen, reibungsarmen CTA (z. B. 15-minütiger Call nächste Woche?)

Output:
- Betreffzeile Option A (personalisiert)
- Betreffzeile Option B (personalisiert)
- E-Mail-Text

Erwartetes Ergebnis: Reps können maßgeschneiderte Erstkontakt-E-Mails in weniger als einer Minute erstellen und den Inhalt trotzdem vor dem Versand prüfen und anpassen.

Erstellen Sie Call-Prep-Briefings in Google Docs mit Gemini

Über E-Mail hinaus können Sie Gemini in Google Docs nutzen, um aus derselben Recherche strukturierte Call-Prep-Briefings zu generieren. Diese Briefings helfen Reps, smartere Discovery-Fragen vorzubereiten und Einwände auf Basis des Kontexts des Prospects vorauszusehen.

Beispiel-Workflow: Ein Rep öffnet ein Call-Prep-Template in Docs, fügt den Prospect-Snapshot ein und führt Gemini mit einem Prompt wie diesem aus:

Sie sind ein Sales-Stratege und bereiten einen Discovery-Call vor.
Erstellen Sie auf Basis des folgenden Prospect-Snapshots ein Call-Prep-Briefing.

[PROSPECT-SNAPSHOT EINFÜGEN]

Bitte einbeziehen:
1. Vermutete Prioritäten für diese Rolle und dieses Unternehmen (3–5 Aufzählungspunkte)
2. 6–8 maßgeschneiderte Discovery-Fragen
3. 3–4 wahrscheinliche Einwände und wie wir sie adressieren könnten
4. 2–3 kurze Value Stories, die unsere Lösung mit ihrem Kontext verknüpfen

Ton: praxisnah, kein Jargon. Konzentrieren Sie sich auf Fragen, die echte Projekte, Budgets und Zeitpläne offenlegen.

Erwartetes Ergebnis: Kürzere Vorbereitungszeit pro Call, bessere Gespräche und ein gemeinsames Format, anhand dessen Manager coachen können.

Automatisieren Sie Listenanreicherung und Priorisierung in Google Sheets

Gemini kann auch bei Lead-Scoring und Priorisierung helfen – allein auf Basis öffentlicher Daten und einfacher Firmografien. Exportieren Sie eine Liste von Zielaccounts aus Ihrem CRM nach Google Sheets (Firmenname, Website, Schlüsselrolle des Kontakts) und nutzen Sie Gemini, um jede Zeile mit einfachen Signalen anzureichern, die Kaufbereitschaft oder Fit anzeigen.

Beispielprozess: Erstellen Sie eine benutzerdefinierte Gemini-Funktion oder nutzen Sie die Sidebar, um pro Zeile einen Prompt dieser Art auszuführen:

Sie unterstützen bei der Account-Priorisierung.
Analysieren Sie anhand dieses Unternehmens und seiner Website öffentliche Informationen und beantworten Sie:

Unternehmen: <Firmenname>
Website: <URL>

Geben Sie das Ergebnis als JSON mit diesen Feldern aus:
- industry (Branche)
- approximate company size (small, mid, enterprise)
- evidence_of_digital_or_AI_initiatives (yes/no + kurze Notiz)
- evidence_of_expansion_new_products_or_markets (yes/no + kurze Notiz)
- potential_trigger_event_found (Text oder "none")
- fit_score: 1–10 (wie gut sie zu unserem ICP passen, basierend auf Kriterien ...)
- notes_for_rep: 2–3 Stichpunkte

Nutzen Sie nur Informationen, die sich vernünftigerweise aus öffentlichen Quellen ableiten lassen.

Erwartetes Ergebnis: Ihre Liste wird nach Fit und aktueller Aktivität priorisiert und lenkt Reps zuerst auf die aussichtsreichsten Accounts.

Erstellen Sie wiederverwendbare Prompt-Snippets und Playbooks für das Team

Damit nicht jeder Rep das Rad neu erfindet, sollten Sie effektive Gemini-Prompts in standardisierte Playbooks überführen. Speichern Sie diese in einem gemeinsamen Google Doc oder internen Wiki, gruppiert nach Use Case: Research, Erstkontakt-E-Mail, Follow-up, Call-Prep, Proposal-Anpassung usw.

Für jedes Snippet sollten Sie festhalten: den Prompt, eine kurze Erklärung, wann er zu verwenden ist, und 1–2 Beispiel-Outputs (bereinigt). Ermutigen Sie Reps, Varianten hinzuzufügen, die in ihrem Gebiet oder Segment gut funktionieren. Mit der Zeit entsteht so eine lebendige Bibliothek vertriebsreifer KI-Workflows, die neue Teammitglieder schnell übernehmen können.

Beispiel für ein Follow-up-Prompt-Snippet:

Sie sind ein Assistent zum Verfassen von Sales-E-Mails.
Verfassen Sie eine Follow-up-E-Mail (zweiter Kontakt) für diesen Prospect.

Kontext:
- Ursprüngliche E-Mail: [EINFÜGEN]
- Prospect-Snapshot: [EINFÜGEN]
- Nach 5 Werktagen noch keine Antwort.

Anweisungen:
- 70–110 Wörter
- Beziehen Sie sich auf ein neues, konkretes Detail aus dem Unternehmen (News, Initiativen)
- Fügen Sie ein kurzes Kunden-Outcome hinzu, das zu ihrem Kontext passt
- Schlagen Sie 2 präzise Zeitfenster für einen Call in der nächsten Woche vor.

Erwartetes Ergebnis: Schnellere Einarbeitung, konsistentere Nutzung von Gemini im Team und messbare Verbesserungen der Antwortquoten durch bessere, gemeinsam genutzte Prompting-Praktiken.

Verfolgen Sie Performance-Kennzahlen und speisen Sie Ergebnisse zurück in die Prompts

Um KI-gestützte Prospect-Recherche zu einem echten Wachstumstreiber zu machen, brauchen Sie einen Feedback-Loop. Verfolgen Sie zentrale Kennzahlen: Research-Zeit pro Kontakt, Anzahl personalisierter Touchpoints pro Rep und Tag, Antwort- und Terminbuchungsraten nach Template- oder Prompt-Version sowie durchschnittliche Deal-Größe für KI-gestützten Outreach vs. Kontrollgruppe.

Überprüfen Sie regelmäßig (z. B. monatlich), was funktioniert: Welche Hooks, Strukturen oder Tonalitäten erzielen die höchsten Antworten? Passen Sie Ihre Gemini-Prompts entsprechend an. Wenn etwa kurze, problemorientierte E-Mails besser performen als lange Case-Study-Mails, verankern Sie das in den Vorgaben, die Sie Gemini geben. Hier kommt Reruptions Engineering-Mentalität zum Tragen: Wir behandeln Prompts, Templates und Workflows als sich entwickelndes Produkt, nicht als einmalige Übung.

Bei guter Umsetzung sind realistische Ergebnisse: 30–50 % weniger Zeitaufwand für manuelle Prospect-Recherche, eine 2–3-fache Steigerung des personalisierten Outbounds pro Rep und realistische 20–40 % Verbesserungen der Antwortquoten in Zielsegmenten – abhängig von Ausgangsqualität und Listenhygiene.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini kann öffentliche Web-Ergebnisse, Unternehmensseiten, News-Seiten und professionelle Profile innerhalb von Sekunden scannen und in einen strukturierten Prospect-Snapshot verwandeln. Statt dass ein Rep 10–15 Minuten pro Account auf Google und LinkedIn verbringt, erstellt Gemini eine prägnante Zusammenfassung: Was das Unternehmen macht, aktuelle Initiativen, Trigger-Events und Hypothesen, wo Ihre Lösung passen könnte.

Reps nutzen diesen Snapshot anschließend direkt in Gmail oder Google Docs, um personalisierte E-Mails und Call-Prep zu generieren. Das ersetzt nicht das Urteilsvermögen des Reps, entfernt aber 70–90 % der manuellen Informationssuche, die Outreach heute ausbremst.

Sie benötigen keinen eigenen Data-Science-Stack, um zu starten. Mindestens benötigen Sie: Zugang zu Gemini in Google Workspace, eine Sales- oder Revenue-Operations-Person, die Ihr ICP und Ihre Prozesse versteht, sowie jemanden mit grundlegenden Prompt-Engineering-Kenntnissen (oft ein technisch versierter Marketer oder Sales-Ops-Spezialist).

Reruption unterstützt Kunden typischerweise dabei, die Struktur des Prospect-Snapshots zu entwerfen, Prompts zu formulieren und zu testen und sie in Gmail, Docs und Sheets einzubinden. Im Laufe der Zeit befähigen wir interne Champions, diese Workflows selbst zu betreiben und weiterzuentwickeln, sodass Ihr Team Prompts und Templates ohne externe Unterstützung anpassen kann.

Für einen klar umrissenen Use Case wie die Automatisierung manueller Prospect-Recherche können Sie innerhalb weniger Wochen spürbare Zeitersparnisse sehen. Ein typischer Zeitplan sieht so aus: 1–2 Wochen, um die Snapshot-Struktur und erste Prompts zu definieren, 2–4 Wochen Pilot mit einer kleinen Rep-Gruppe und weitere 2–4 Wochen, um Prompts basierend auf Antwortdaten und Nutzerfeedback zu verfeinern.

In vielen Organisationen berichten Reps bereits nach der ersten Schulung über sofortige Zeitgewinne, weil Gemini bereits nutzbare Research-Summaries und Entwürfe personalisierter E-Mails liefern kann. Weitergehende Optimierungen (wie ein konsistenter Uplift der Antwortquoten) entstehen, wenn Sie Prompts und Templates auf Basis realer Performance-Daten iterieren.

Die direkten Kosten von Gemini bestehen in der Regel aus einem Workspace- oder API-bezogenen Abo und sind im Vergleich zu Vertriebspersonalkosten moderat. Der ROI kommt aus drei Haupthebeln: geringere Research-Zeit pro Kontakt, höheres Outreach-Volumen pro Rep und bessere Antwort- und Terminbuchungsraten, weil der Outreach relevanter ist.

Als Anhaltspunkt: Wenn ein Rep pro Tag nur 30 Minuten Prospect-Recherche einspart und diese Zeit in zusätzliche hochwertige Touchpoints investiert, summiert sich der Produktivitätsgewinn über ein Team schnell. Reruption hilft dabei, dies während Piloten zu quantifizieren, indem wir Basiskennzahlen erheben und sie mit KI-gestützten Workflows vergleichen – so basiert der Business Case auf Ihren tatsächlichen Zahlen, nicht auf generischen Benchmarks.

Reruption unterstützt Organisationen End-to-End – von der Idee bis zur funktionierenden Lösung. Mit unserem AI-PoC-Angebot (9.900 €) können wir schnell validieren, ob ein Gemini-basierter Prospect-Research- und Personalisierungs-Workflow mit Ihren Daten, Segmenten und Tools funktioniert. Sie erhalten einen funktionierenden Prototyp, Performance-Kennzahlen und eine konkrete Roadmap für den Rollout.

Über den PoC hinaus bedeutet unser Co-Preneur-Ansatz, dass wir uns eng an Ihr Team andocken: Wir definieren den Prospect-Snapshot, gestalten Prompts, integrieren Gemini in Google Workspace und Ihr CRM und schulen Reps in der effektiven Nutzung des Systems. Wir bleiben nicht bei Folien stehen, sondern liefern reale Workflows, die Ihr Vertrieb täglich nutzen und im Zeitverlauf weiterentwickeln kann.

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