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.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

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.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

Fallbeispiele aus der Praxis

Von Vermögensverwaltung bis Lieferkette: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Morgan Stanley

Vermögensverwaltung
Finanzberater bei Morgan Stanley hatten Schwierigkeiten, schnell auf die umfangreiche proprietäre Forschungsdatenbank des Unternehmens zuzugreifen, die über 350.000 Dokumente und Jahrzehnte institutionellen Wissens umfasst. Manuelle Recherchen in diesem riesigen Archiv waren zeitraubend und dauerten oft 30 Minuten oder länger pro Anfrage, was die Fähigkeit der Berater einschränkte, während Kundengesprächen zeitnahe, personalisierte Beratung zu liefern .

Lösung

Morgan Stanley arbeitete mit OpenAI zusammen, um AI @ Morgan Stanley Debrief zu entwickeln, einen auf GPT-4 basierenden generativen KI-Chatbot, der speziell für Vermögensverwaltungsberater zugeschnitten ist. Das Tool verwendet retrieval-augmented generation (RAG), um sicher und kontextbewusst Abfragen in der proprietären Forschungsdatenbank durchzuführen und sofortige, quellenbasierte Antworten zu liefern .

Ergebnisse

  • 98% Akzeptanzrate bei Vermögensverwaltungsberatern
  • Zugriff für nahezu 50% der gesamten Mitarbeitenden von Morgan Stanley
  • Anfragen werden in Sekunden statt in über 30 Minuten beantwortet
  • Mehr als 350.000 proprietäre Forschungsdokumente indexiert
  • 60% Mitarbeiterzugriff bei Wettbewerbern wie JPMorgan zum Vergleich
  • Signifikante Produktivitätssteigerungen laut Chief Administrative Officer
Fallstudie lesen →

Associated Press (AP)

Nachrichtenmedien
In der Mitte der 2010er Jahre sah sich die Associated Press (AP) im Wirtschaftsressort mit erheblichen Einschränkungen aufgrund begrenzter manueller Ressourcen konfrontiert. Mit nur wenigen Journalisten, die sich der Berichterstattung zu Quartalszahlen widmeten, konnte AP lediglich rund 300 Quartalsberichte pro Quartal erstellen und konzentrierte sich dabei hauptsächlich auf große S&P-500-Unternehmen.

Lösung

Um dem entgegenzuwirken, ging AP 2014 eine Partnerschaft mit Automated Insights ein und implementierte deren Wordsmith NLG-Plattform. Wordsmith verwendet template-basierte Algorithmen, um strukturierte Finanzdaten—wie Gewinn je Aktie, Umsatzzahlen und jährliche Veränderungen—in lesbaren, journalistischen Text zu überführen.

Ergebnisse

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

bunq

Bankwesen
Als bunq ein rasantes Wachstum als zweitgrößte Neobank in Europa verzeichnete, wurde die Skalierung des Kundenservice zu einer kritischen Herausforderung. Bei Millionen von Nutzern, die personalisierte Banking-Informationen zu Konten, Ausgabeverhalten und Finanzberatung auf Abruf verlangen, stand das Unternehmen unter Druck, sofortige Antworten zu liefern, ohne die Zahl der menschlichen Supportteams proportional zu erhöhen — was Kosten treiben und Abläufe verlangsamen würde.

Lösung

bunq begegnete diesen Herausforderungen durch die Entwicklung von Finn, einer proprietären GenAI-Plattform, die direkt in die mobile App integriert wurde und die herkömmliche Suchfunktion durch einen konversationellen KI-Chatbot ersetzte. Nach der Einstellung von mehr als einem Dutzend Datenexperten im Vorjahr baute das Team Finn so, dass er sicher auf nutzerspezifische Finanzdaten zugreift, Fragen zu Kontoständen, Transaktionen und Budgets beantwortet und sogar allgemeine Ratschläge gibt, wobei der Gesprächskontext über Sitzungen hinweg erhalten bleibt.

Ergebnisse

  • 100.000+ Fragen innerhalb von Monaten nach der Beta beantwortet (Ende 2023)
  • 40 % der Nutzeranfragen bis Mitte 2024 autonom vollständig gelöst
  • 35 % der Anfragen unterstützt, insgesamt 75 % sofortige Support-Abdeckung
  • Vor dem Start 12+ Datenexperten für die Dateninfrastruktur eingestellt
  • Zweitgrößte Neobank Europas nach Nutzerbasis (1M+ Nutzer)
Fallstudie lesen →

Commonwealth Bank of Australia (CBA)

Bankwesen
Als Australiens größte Bank sah sich CBA zunehmenden Betrugs- und Scam-Bedrohungen gegenüber, wobei Kunden erhebliche finanzielle Verluste erlitten. Betrüger nutzten schnelle digitale Zahlungen wie PayID aus, bei denen nicht übereinstimmende Empfängernamen zu unumkehrbaren Überweisungen führten.

Lösung

CBA setzte einen hybriden KI-Stack ein, der Maschinelles Lernen zur Anomalieerkennung und generative KI für personalisierte Warnungen kombiniert. NameCheck überprüft Empfängernamen gegen PayID in Echtzeit und warnt Nutzer bei Abweichungen. CallerCheck authentifiziert eingehende Anrufe und blockiert Nachahmungs-Betrugsversuche. In Partnerschaft mit H2O.ai implementierte CBA von GenAI angetriebene prädiktive Modelle zur Scam-Intelligence.

Ergebnisse

  • 70 % Reduktion der Betrugsverluste
  • 50 % Verringerung der Kundenschäden durch Betrug bis 2024
  • 30 % Rückgang der Betrugsfälle durch proaktive Warnungen
  • 40 % Reduktion der Wartezeiten im Contact Center
  • 95 %+ Genauigkeit bei NameCheck-Empfängerabgleichen
Fallstudie lesen →

Klarna

Einzelhandel
Klarna, ein führender Fintech-BNPL-Anbieter, stand unter enormem Druck durch Millionen von Kundenanfragen in mehreren Sprachen für seine 150 Millionen Nutzer weltweit. Die Anfragen reichten von komplexen Fintech-Themen wie Rückerstattungen, Retouren, Sendungsverfolgung bis hin zu Zahlungen und erforderten hohe Genauigkeit, regulatorische Konformität und 24/7-Verfügbarkeit.

Lösung

Klarna arbeitete mit OpenAI zusammen, um einen generativen KI-Chatbot auf Basis von GPT-4 als mehrsprachigen Kundenservice-Assistenten einzusetzen. Der Bot bearbeitet Rückerstattungen, Retouren, Bestellprobleme und fungiert als konversationeller Einkaufsberater, nahtlos in Klarna's App und Website integriert.

Ergebnisse

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

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.

Bauen Sie jetzt ein KI-System mit uns!

Wir bauen einen Proof of Concept für Ihr Problem für 5.000–8.000€. Sie bekommen eine handfeste Demo statt Folien mit Versprechen.

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