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 Einzelhandel bis Streaming‑Medien: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Amazon

Einzelhandel

In der weiten E‑Commerce‑Landschaft stehen Online‑Käufer vor erheblichen Hürden bei der Produktsuche und Entscheidungsfindung. Bei Millionen von Produkten fällt es Kund:innen häufig schwer, Artikel zu finden, die genau ihren Anforderungen entsprechen, Optionen zu vergleichen oder schnelle Antworten auf nuancierte Fragen zu Funktionen, Kompatibilität und Nutzung zu erhalten. Traditionelle Suchleisten und statische Auflistungen stoßen an ihre Grenzen, was zu Warenkorbabbrüchen von branchenweit bis zu 70 % und verlängerten Entscheidungszeiträumen führt, die Nutzer:innen frustrieren. Amazon, das über 300 Millionen aktive Kund:innen bedient, sah sich besonders während Spitzenereignissen wie dem Prime Day mit stark steigenden Anfragevolumina konfrontiert. Käufer:innen verlangten personalisierte, konversationelle Unterstützung ähnlich der Hilfe im Laden, doch die Skalierung menschlicher Unterstützung war nicht möglich. Zu den Problemen gehörten die Bewältigung komplexer Multi‑Turn‑Anfragen, die Einbindung von Echtzeit‑Bestands‑ und Preisangaben sowie die Sicherstellung, dass Empfehlungen Sicherheits‑ und Genauigkeitsstandards erfüllen vor einem Katalog von über $500B.

Lösung

Amazon entwickelte Rufus, einen generativen, KI‑gestützten konversationellen Einkaufsassistenten, der in die Amazon Shopping‑App und die Desktop‑Version integriert ist. Rufus nutzt ein maßgeschneidertes Large Language Model (LLM), das auf Amazons Produktkatalog, Kundenbewertungen und Webdaten feinabgestimmt wurde, um natürliche, mehrstufige Gespräche zu führen, Fragen zu beantworten, Produkte zu vergleichen und maßgeschneiderte Empfehlungen zu geben. Angetrieben von Amazon Bedrock für Skalierbarkeit und AWS Trainium/Inferentia‑Chips für effiziente Inferenz, skaliert Rufus zu Millionen von Sitzungen ohne spürbare Latenz. Es integriert agentische Fähigkeiten für Aufgaben wie Warenkorb‑Hinzufügen, Preisverfolgung und Deal‑Suche und überwindet frühere Personalisierungsgrenzen durch sicheren Zugriff auf Nutzungsverlauf und Präferenzen. Die Implementierung erfolgte iterativ: Beginnend mit einer Beta im Februar 2024, Ausweitung auf alle US‑Nutzer bis September und anschließende globale Rollouts, wobei Halluzinationsrisiken durch Grounding‑Techniken und Mensch‑in‑der‑Schleife‑Sicherungen adressiert wurden.

Ergebnisse

  • 60 % höhere Kaufabschlussrate bei Rufus‑Nutzer:innen
  • Prognostizierte zusätzliche Umsätze von $10B durch Rufus
  • 250M+ Kund:innen nutzten Rufus im Jahr 2025
  • Monatlich aktive Nutzer:innen +140 % YoY
  • Interaktionen stiegen um 210 % YoY
  • Black‑Friday‑Verkaufssitzungen +100 % mit Rufus
  • Kürzlicher Anstieg der Rufus‑Nutzer:innen um 149 %
Fallstudie lesen →

Citibank Hong Kong

Vermögensverwaltung

Citibank Hong Kong sah sich einer wachsenden Nachfrage nach fortschrittlichen persönlichen Finanzmanagement-Tools ausgesetzt, die über mobile Geräte zugänglich sind. Kunden suchten nach prädiktiven Erkenntnissen zu Budgetierung, Investitionen und Finanzverfolgung, doch traditionelle Apps fehlten an Personalisierung und Echtzeit‑Interaktivität. In einem wettbewerbsintensiven Privatkundengeschäft‑Umfeld, insbesondere im Bereich der Vermögensverwaltung, erwarteten Kunden nahtlose, proaktive Beratung inmitten volatiler Märkte und steigender digitaler Erwartungen in Asien. Zu den zentralen Herausforderungen gehörten die Integration großer Kundendatenmengen für präzise Prognosen, die Gewährleistung, dass konversationelle Schnittstellen natürlich wirkten, sowie das Überwinden von Datenschutzhürden im regulierten Umfeld Hongkongs. Frühe mobile Tools zeigten ein niedriges Engagement, da Nutzer Apps wegen generischer Empfehlungen abbrachen — ein klares Signal für die Notwendigkeit KI‑getriebener Personalisierung, um hochvermögende Kunden zu binden.

Lösung

Wealth 360 entstand als Citibank HKs KI‑gestützter persönlicher Finanzmanager, eingebettet in die Citi Mobile App. Er nutzt prädiktive Analytik, um Ausgabemuster, Anlageerträge und Portfoliorisiken vorherzusagen und liefert personalisierte Empfehlungen über eine konversationelle Schnittstelle wie Chatbots. Aufbauend auf Cis globaler KI‑Expertise verarbeitet das System Transaktionsdaten, Markttrends und Nutzerverhalten für maßgeschneiderte Ratschläge zu Budgetierung und Vermögensaufbau. Die Implementierung umfasste Modelle des maschinellen Lernens zur Personalisierung und natürliche Sprachverarbeitung (NLP) für intuitive Chats, aufbauend auf Citibank‑Erfolgen wie Chatbots in der Asien‑Pazifik‑Region und API‑Lösungen. Die Lösung schloss Lücken, indem sie proaktive Alerts und virtuelle Beratungen erlaubte und so die Kundenerfahrung ohne menschliches Eingreifen verbesserte.

Ergebnisse

  • 30% Zunahme der Engagement‑Kennzahlen in der mobilen App
  • 25% Verbesserung der Kundenbindungsrate im Wealth‑Management
  • 40% schnellere Reaktionszeiten durch konversationelle KI
  • 85% Kundenzufriedenheitswert für personalisierte Insights
  • Über 18 Mio. API‑Aufrufe in vergleichbaren Citi‑Initiativen
  • 50% Reduktion manueller Beratungsanfragen
Fallstudie lesen →

NVIDIA

Fertigung

In Halbleiterfertigung ist das Chip-Floorplanning — die Aufgabe, Makros und Schaltungen auf einem Die anzuordnen — berüchtigt komplex und NP-schwer. Selbst erfahrene Ingenieur:innen verbringen Monate damit, Layouts iterativ zu verfeinern, um Leistung, Performance und Fläche (PPA) auszubalancieren, wobei sie Kompromisse wie Minimierung der Leiterlänge, Dichtebeschränkungen und Routbarkeit austarieren. Traditionelle Werkzeuge kämpfen mit dem explosiven kombinatorischen Suchraum, insbesondere bei modernen Chips mit Millionen von Zellen und Hunderten von Makros, was zu suboptimalen Entwürfen und verzögerter Markteinführung führt. NVIDIA erlebte dieses Problem besonders beim Entwurf leistungsstarker GPUs, bei denen ungünstige Floorplans den Stromverbrauch erhöhen und die Effizienz von KI-Beschleunigern beeinträchtigen. Manuelle Prozesse limitierten die Skalierbarkeit für 2,7 Millionen Zellen-Designs mit 320 Makros und drohten Engpässe in ihrer Roadmap für beschleunigtes Rechnen zu verursachen. Die Überwindung des menschintensiven Trial-and-Error war entscheidend, um die Führungsposition bei KI-Chips zu halten.

Lösung

NVIDIA setzte Deep Reinforcement Learning (DRL) ein, um Floorplanning als sequentiellen Entscheidungsprozess zu modellieren: Ein Agent platziert Makros nacheinander und lernt optimale Strategien durch Ausprobieren. Graph Neural Networks (GNNs) kodieren den Chip als Graph, erfassen räumliche Beziehungen und sagen Auswirkungen von Platzierungen voraus. Der Agent nutzt ein Policy-Netzwerk, das auf Benchmarks wie MCNC und GSRC trainiert wurde, mit Belohnungen, die Half-Perimeter Wirelength (HPWL), Stau und Überlappungen bestrafen. Proximal Policy Optimization (PPO) ermöglicht effiziente Explorationen, die auf verschiedene Designs übertragbar sind. Dieser KI-gesteuerte Ansatz automatisiert, was Menschen manuell tun, kann aber weit mehr Konfigurationen durchsuchen.

Ergebnisse

  • Designzeit: 3 Stunden für 2,7M Zellen vs. Monate manuell
  • Chip-Größe: 2,7 Millionen Zellen, 320 optimierte Makros
  • PPA-Verbesserung: Besser oder vergleichbar mit menschlichen Entwürfen
  • Trainingseffizienz: Unter 6 Stunden Gesamtaufwand für Produktionslayouts
  • Benchmark-Erfolg: Übertrifft auf MCNC/GSRC-Suiten
  • Beschleunigung: 10–30 % schnellere Schaltungen in verwandten RL-Designs
Fallstudie lesen →

UPS

Logistik

UPS sah sich mit enormen Ineffizienzen bei der Zustellroutenplanung konfrontiert: Fahrer mussten eine astronomische Anzahl möglicher Routenvarianten berücksichtigen — weit mehr als die Nanosekunden seit der Entstehung der Erde. Traditionelle manuelle Planung führte zu längeren Fahrzeiten, höherem Kraftstoffverbrauch und steigenden Betriebskosten, verschärft durch dynamische Faktoren wie Verkehr, Paketaufkommen, Gelände und Kundenverfügbarkeit. Diese Probleme trieben nicht nur die Kosten in die Höhe, sondern trugen auch erheblich zu CO2‑Emissionen in einer Branche bei, die unter Druck steht, nachhaltiger zu werden. Zu den zentralen Herausforderungen gehörten Widerstand der Fahrer gegenüber neuer Technologie, die Integration in Altsysteme und die Gewährleistung von Echtzeitanpassungsfähigkeit, ohne den täglichen Betrieb zu stören. Pilotversuche zeigten Annahmehürden, da Fahrer, die an vertraute Routen gewöhnt waren, die Vorschläge der KI infrage stellten — ein Hinweis auf die menschliche Komponente bei Technikeinführungen. Die Skalierung auf 55.000 Fahrzeuge erforderte robuste Infrastruktur und die Verarbeitung von Milliarden von Datenpunkten täglich.

Lösung

UPS entwickelte ORION (On‑Road Integrated Optimization and Navigation), ein KI‑gestütztes System, das Operations Research für mathematische Optimierung mit Maschinellem Lernen für prädiktive Analysen zu Verkehr, Wetter und Zustellmustern kombiniert. Es berechnet Routen dynamisch in Echtzeit neu und berücksichtigt Paketziele, Fahrzeugkapazität, Effizienz von Rechts-/Linksabbiegungen und Stoppsequenzen, um Meilen und Zeit zu minimieren. Die Lösung entwickelte sich von statischer Planung zu dynamischer Routenführung weiter und integrierte agentenfähige KI für autonome Entscheidungsfindung. Das Training basierte auf umfangreichen Datensätzen aus GPS‑Telematik, wobei kontinuierliche ML‑Verbesserungen die Algorithmen verfeinerten. Um Akzeptanzbarrieren zu überwinden, wurden Fahrerschulungen und Gamification‑Anreize eingeführt; die Integration erfolgte nahtlos über Fahrzeuginnen‑Displays.

Ergebnisse

  • 100 Millionen Meilen jährlich eingespart
  • 300–400 Millionen $ Kosteneinsparung pro Jahr
  • 10 Millionen Gallonen Kraftstoff jährlich reduziert
  • 100.000 Tonnen CO2‑Emissionen eingespart
  • 2–4 Meilen kürzere Routen pro Fahrer täglich
  • 97 % Flotteneinführung bis 2021
Fallstudie lesen →

Upstart

Bankwesen

Traditionelle Kreditbewertung stützt sich stark auf FICO-Scores, die nur einen engen Faktorensatz wie Zahlungsverhalten und Kreditnutzung bewerten und dadurch häufig kreditwürdige Antragsteller mit dünnen Kreditakten, nicht-traditioneller Beschäftigung oder Bildungswegen, die Rückzahlungsfähigkeit signalisieren, ablehnen. Das führt dazu, dass bis zu 50 % der potenziellen Antragsteller trotz geringem Ausfallrisiko abgelehnt werden, was die Fähigkeit der Kreditgeber einschränkt, Portfolios sicher zu erweitern. Fintech-Kreditgeber und Banken standen vor der Doppelaufgabe, regulatorische Anforderungen gemäß Fair-Lending-Gesetzen einzuhalten und gleichzeitig zu wachsen. Legacy-Modelle hatten Schwierigkeiten mit ungenauer Risikovorhersage in Zeiten wirtschaftlicher Veränderungen, was zu höheren Ausfällen oder zu konservativer Kreditvergabe führte und Chancen in unterversorgten Märkten verpasste. Upstart erkannte, dass die Einbeziehung von alternativen Daten die Vergabe an Millionen zuvor ausgeschlossener Personen ermöglichen könnte.

Lösung

Upstart entwickelte eine KI-gestützte Kreditplattform, die Modelle des maschinellen Lernens einsetzt, um über 1.600 Variablen zu analysieren — darunter Bildungsabschluss, Berufsverlauf und Banktransaktionsdaten, weit über FICOs 20–30 Eingaben hinaus. Ihre Gradient-Boosting-Algorithmen sagen die Ausfallwahrscheinlichkeit mit höherer Präzision voraus und ermöglichen so sicherere Bewilligungen. Die Plattform integriert sich über API mit Partnerbanken und Kreditgenossenschaften und liefert Echtzeitentscheide sowie für die meisten Kredite vollautomatisierte Zeichnung. Dieser Wechsel von regelbasiertem zu datengetriebenem Scoring sichert Fairness durch erklärbare KI-Techniken wie Merkmalswichtungs-Analysen. Die Implementierung umfasste das Training von Modellen an Milliarden von Rückzahlungsereignissen und kontinuierliches Nachtrainieren zur Anpassung an neue Datenmuster.

Ergebnisse

  • 44% mehr genehmigte Kredite im Vergleich zu traditionellen Modellen
  • 36% niedrigere durchschnittliche Zinssätze für Kreditnehmer
  • 80% der Kredite vollständig automatisiert
  • 73% weniger Verluste bei gleichen Genehmigungsraten
  • Bis 2024 von 500+ Banken und Kreditgenossenschaften übernommen
  • 157% Anstieg der Genehmigungen auf gleichem Risikoniveau
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