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

Mastercard

Zahlungsverkehr

In der hochbrisanten Welt der digitalen Zahlungen stellten sich Card-Testing-Angriffe als kritische Bedrohung für das Mastercard-Ökosystem heraus. Betrüger setzen automatisierte Bots ein, um gestohlene Kartendaten mittels Mikrotransaktionen bei Tausenden von Händlern zu testen und damit Zugang für größere Betrugsschemata zu validieren. Traditionelle regelbasierte und klassische Machine-Learning-Systeme erkannten diese Angriffe häufig erst, nachdem erste Tests Erfolg hatten, was zu jährlichen Verlusten in Milliardenhöhe führte und legitimen Handel störte. Die Subtilität dieser Angriffe – geringwertige, hochfrequente Tests, die normales Verhalten imitieren – überforderte Legacy-Modelle, verstärkt durch den Einsatz von KI durch Betrüger, um Erkennungsmuster zu umgehen. Als die Transaktionsvolumina nach der Pandemie explodierten, stand Mastercard unter steigendem Druck, von reaktiver zu proaktiver Betrugsprävention überzugehen. Fehlalarme durch überharte Warnungen führten zu abgelehnten legitimen Transaktionen und damit zu Vertrauensverlust bei Kunden, während ausgeklügelte Methoden wie Card-Testing in Echtzeit der Erkennung entgingen. Das Unternehmen benötigte eine Lösung, die kompromittierte Karten präventiv identifizieren kann und dabei riesige Netze miteinander verbundener Transaktionen analysiert, ohne Geschwindigkeit oder Genauigkeit zu opfern.

Lösung

Mastercards Decision Intelligence (DI)-Plattform integrierte generative KI mit graphbasiertem Machine Learning, um die Betrugserkennung zu revolutionieren. Generative KI simuliert Betrugsszenarien und erzeugt synthetische Transaktionsdaten, was das Modelltraining und die Anomalieerkennung beschleunigt, indem seltene Angriffsvarianten nachgebildet werden, die in echten Daten fehlen. Die Graph-Technologie bildet Entitäten wie Karten, Händler, IP-Adressen und Geräte als miteinander verbundene Knoten ab und macht verborgene Betrugsringe sowie Ausbreitungspfade in Transaktionsgraphen sichtbar. Dieser hybride Ansatz verarbeitet Signale in bislang ungekanntem Umfang, nutzt die generative KI zur Priorisierung risikoreicher Muster und Graphen, um Beziehungen zu kontextualisieren. Über Mastercards AI Garage implementiert, ermöglicht er die Echtzeit-Bewertung des Kompromittierungsrisikos von Karten und alarmiert ausgebende Institute, bevor Betrug eskaliert. Das System bekämpft Card-Testing, indem es anomale Testcluster frühzeitig markiert. Die Einführung erfolgte mit iterativen Tests bei Finanzinstituten, wobei Mastercards globales Netzwerk für robuste Validierung genutzt wurde, gleichzeitig wurde auf Erklärbarkeit geachtet, um das Vertrauen der Emittenten zu stärken.

Ergebnisse

  • 2x schnellere Erkennung potenziell kompromittierter Karten
  • Bis zu 300% Steigerung der Effektivität der Betrugserkennung
  • Verdopplung der Rate proaktiver Benachrichtigungen über kompromittierte Karten
  • Deutliche Reduktion betrügerischer Transaktionen nach Erkennung
  • Minimierung falsch abgelehnter legitimer Transaktionen
  • Echtzeit-Verarbeitung von Milliarden von Transaktionen
Fallstudie lesen →

Visa

Zahlungsverkehr

Die Zahlungsbranche sah sich einem Anstieg an Online-Betrug gegenüber, insbesondere Enumeration-Angriffen, bei denen Angreifer automatisierte Skripte und Botnetze einsetzen, um gestohlene Kartendaten in großem Umfang zu testen. Diese Angriffe nutzen Schwachstellen bei Transaktionen ohne Kartenpräsenz (card-not-present) aus und verursachen weltweit jährliche Betrugsverluste in Höhe von 1,1 Mrd. $ sowie erhebliche Betriebskosten für Emittenten. Visa benötigte Echtzeiterkennung, um dem entgegenzuwirken, ohne hohe False-Positive-Raten zu erzeugen, die legitime Kundinnen und Kunden blockieren — insbesondere vor dem Hintergrund steigender E‑Commerce‑Volumina wie bei Cyber Monday-Spitzen. Traditionelle Betrugssysteme kämpften mit der Geschwindigkeit und Raffinesse dieser Angriffe, verstärkt durch KI-gesteuerte Bots. Die Herausforderung für Visa bestand darin, riesige Transaktionsdaten in Millisekunden zu analysieren, anomalische Muster zu erkennen und gleichzeitig nahtlose Nutzererfahrungen beizubehalten. Dafür waren fortgeschrittene KI- und Machine‑Learning‑Lösungen nötig, um Risiken präzise vorherzusagen und zu bewerten.

Lösung

Visa entwickelte den Visa Account Attack Intelligence (VAAI) Score, ein generative KI‑gestütztes Tool, das in Echtzeit die Wahrscheinlichkeit von Enumeration-Angriffen bei Transaktionen ohne Kartenpräsenz bewertet. Durch die Kombination von generativen KI‑Komponenten mit Machine‑Learning‑Modellen erkennt VAAI ausgeklügelte Muster von Botnetzen und Skripten, die legacy, regelbasierte Systeme umgehen. In Visa's breiterem KI-getriebenen Betrugs-Ökosystem, einschließlich Identity Behavior Analysis, verbessert die Lösung das Risikoscoring durch verhaltensbasierte Erkenntnisse. Zunächst 2024 für US‑Emittenten eingeführt, reduziert sie sowohl Betrug als auch falsche Ablehnungen und optimiert die Betriebsabläufe. Dieser Ansatz ermöglicht Emittenten, Bedrohungen in bislang ungekanntem Umfang proaktiv zu mindern.

Ergebnisse

  • 40 Mrd. $ an Betrug verhindert (Okt 2022–Sep 2023)
  • Fast 2x Steigerung YoY bei der Betrugsprävention
  • 1,1 Mrd. $ jährlich an globalen Verlusten durch Enumeration-Angriffe adressiert
  • 85 % mehr betrügerische Transaktionen an Cyber Monday 2024 YoY blockiert
  • 200 % Anstieg an Betrugsversuchen ohne Serviceunterbrechung abgewickelt
  • Verbesserte Genauigkeit des Risikoscorings durch ML und Identity Behavior Analysis
Fallstudie lesen →

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 →

DHL

Logistik

DHL, ein globaler Logistikriese, sah sich erheblichen Herausforderungen durch Fahrzeugausfälle und suboptimale Wartungspläne gegenüber. Unvorhersehbare Ausfälle in der umfangreichen Fahrzeugflotte führten zu häufigen Lieferverzögerungen, gestiegenen Betriebskosten und verärgerten Kunden. Traditionelle reaktive Wartung – Probleme erst nach ihrem Auftreten zu beheben – führte zu übermäßigen Ausfallzeiten, wobei Fahrzeuge stunden- oder tagelang stillstanden und weltweite Lieferketten störten. Ineffizienzen wurden durch unterschiedliche Fahrzeugzustände in den Regionen verschärft, sodass geplante Wartungen ineffizient und verschwenderisch waren, oft gesunde Fahrzeuge zu intensiv gewartet wurden, während andere, gefährdete, unterversorgt blieben. Diese Probleme trieben nicht nur die Wartungskosten in einigen Segmenten um bis zu 20% in die Höhe, sondern untergruben auch das Kundenvertrauen durch unzuverlässige Lieferungen. Mit steigenden E‑Commerce-Anforderungen benötigte DHL einen proaktiven Ansatz, um Ausfälle vorherzusagen, bevor sie auftraten, und so Störungen in der hart umkämpften Logistikbranche zu minimieren.

Lösung

DHL implementierte ein System zur vorausschauenden Wartung, das IoT-Sensoren an Fahrzeugen nutzt, um Echtzeitdaten zu Motorleistung, Reifenverschleiß, Bremsen und mehr zu erfassen. Diese Daten fließen in Machine-Learning-Modelle, die Muster analysieren, potenzielle Ausfälle vorhersagen und optimale Wartungszeitpunkte empfehlen. Die KI-Lösung integriert sich in bestehende Flottenmanagementsysteme von DHL und verwendet Algorithmen wie Random Forests und neuronale Netze zur Anomalieerkennung und Ausfallprognose. Um Datensilos und Integrationsprobleme zu überwinden, ging DHL Partnerschaften mit Technologieanbietern ein und setzte Edge-Computing für schnellere Verarbeitung ein. Pilotprogramme in Schlüssel-Hubs wurden global ausgerollt, wodurch man von zeitbasierten auf zustandsbasierte Wartung umstellte und Ressourcen gezielt auf risikoreiche Fahrzeuge konzentrierte.

Ergebnisse

  • Fahrzeugausfallzeiten um 15% reduziert
  • Wartungskosten um 10% gesenkt
  • Ungeplante Ausfälle um 25% verringert
  • Pünktlichkeitsrate um 12% verbessert
  • Verfügbarkeit der Flotte um 20% erhöht
  • Gesamtbetriebliche Effizienz um 18% gesteigert
Fallstudie lesen →

Duolingo

EdTech

Duolingo, ein Vorreiter im gamifizierten Sprachlernen, sah sich mit wesentlichen Einschränkungen bei der Bereitstellung von praktischer Konversationspraxis und tiefgehendem Feedback konfrontiert. Während die kurzen Lektionen Wortschatz und Grundlagen effektiv vermittelten, sehnten sich Nutzer nach immersiven Dialogen, die Alltagssituationen simulieren – etwas, das statische Übungen nicht leisten konnten . Diese Lücke behinderte den Fortschritt in Richtung Sprachflüssigkeit, da Lernende kaum Gelegenheiten für freies Sprechen und nuancierte Grammatik-Erklärungen ohne teure menschliche Tutoren hatten. Zudem war die Inhaltserstellung ein Engpass. Fachexperten erstellten Lektionen manuell, was die Einführung neuer Kurse und Sprachen bei schnellem Nutzerwachstum verlangsamte. Die Skalierung personalisierter Erfahrungen über 40+ Sprachen erforderte Innovation, um das Engagement ohne proportionale Ressourcensteigerung aufrechtzuerhalten . Diese Herausforderungen drohten erhöhte Abwanderung und begrenzte Monetarisierung in einem wettbewerbsintensiven EdTech-Markt.

Lösung

Duolingo startete Duolingo Max im März 2023 – ein Premium-Abo, das von GPT-4 angetrieben wird und Roleplay für dynamische Dialoge sowie Explain My Answer für kontextuelle Rückmeldungen einführte . Roleplay simuliert reale Interaktionen wie Kaffeebestellungen oder Urlaubsplanung mit KI-Charakteren und passt sich in Echtzeit an Nutzereingaben an. Explain My Answer liefert detaillierte Aufschlüsselungen richtiger/falscher Antworten und verbessert so das Verständnis. Ergänzend automatisiert Duolingo's Birdbrain-LLM (feinabgestimmt auf proprietären Daten) die Lektionserstellung, sodass Experten Inhalte 10× schneller produzieren können . Dieser hybride Mensch‑KI-Ansatz sicherte Qualität bei gleichzeitiger schneller Skalierung und wurde nahtlos in die App für alle Schwierigkeitsstufen integriert .

Ergebnisse

  • DAU-Wachstum: +59 % YoY auf 34,1 Mio. (Q2 2024)
  • DAU-Wachstum: +54 % YoY auf 31,4 Mio. (Q1 2024)
  • Umsatzwachstum: +41 % YoY auf 178,3 Mio. $ (Q2 2024)
  • Bereinigte EBITDA-Marge: 27,0 % (Q2 2024)
  • Lektionserstellung: 10× schneller mit KI
  • Selbstwirksamkeit der Nutzer: deutliche Steigerung nach KI-Nutzung (Studie 2025)
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