Die Herausforderung: Langsame Angebotserstellung

Für die meisten Vertriebsteams bedeutet ein überzeugendes Angebot immer noch: die letzte Version kopieren, die richtigen Folien zusammensuchen, Preise manuell aktualisieren und Nutzenargumente neu formulieren. Wenn ein RFP eintrifft oder ein Interessent ein formales Angebot anfordert, verlieren Reps oft Stunden damit, alte E-Mail-Threads, geteilte Laufwerke und voneinander getrennte Tools zu durchforsten – nur um etwas zusammenzustellen, das halbwegs maßgeschneidert und korrekt wirkt.

Traditionelle Ansätze der Angebotserstellung passen nicht mehr zu heutigen Kaufprozessen. Statische Vorlagen veralten schnell, und manuelle Individualisierung skaliert nicht, wenn ein Team dutzende Opportunities parallel bearbeitet. Selbst gut aufgebaute Angebotsbibliotheken im CRM werden am Ende kaum genutzt, weil sie schwer zu durchsuchen sind, nicht die aktuellste Messaging- oder Preissituation abbilden und dennoch viel Nachbearbeitung erfordern. Das Ergebnis ist ein Flickenteppich an Dokumenten mit schwankender Qualität und unnötiger Reibung für die Reps.

Die geschäftlichen Auswirkungen sind erheblich. Langsame Angebotsdurchlaufzeiten töten Deal-Momentum – insbesondere in kompetitiven Zyklen, in denen Käufer innerhalb von 24–48 Stunden eine professionelle Antwort erwarten. Fehler in Preisen oder Konditionen führen zu Nacharbeit, Schleifen mit der Rechtsabteilung und im schlimmsten Fall zu Margenverlusten oder Reputationsschäden. Führungskräfte sehen auf dem Papier eine gut gefüllte Pipeline, aber Deals verzögern sich oder platzen, weil das Team in dem Moment, in dem die Käufer am stärksten engagiert sind, nicht schnell genug reagieren kann.

Die gute Nachricht: Das ist ein sehr gut lösbares Problem. Mit modernen KI-Copiloten für den Vertrieb wie Claude ist es heute möglich, lange RFPs, Verträge und Wissensdatenbanken in wenigen Minuten statt Tagen in maßgeschneiderte Angebote zu verwandeln. Bei Reruption haben wir KI-Lösungen entwickelt, die komplexe Dokumente und Workflows handhabbar machen – und wir wissen, wie man diese Tools in realen Vertriebsorganisationen zum Laufen bringt. Im Folgenden finden Sie eine praxisnahe, schrittweise Anleitung, wie Sie Claude nutzen können, um langsame Angebotserstellung zu beheben und Ihrem Team mehr Zeit für den eigentlichen Verkauf zu verschaffen.

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 Reruption’s Arbeit beim Aufbau von KI-first-Workflows für Vertriebs- und Operationsteams sehen wir langsame Angebotserstellung als idealen Einstiegspunkt für den Einsatz von Claude. Sein großes Kontextfenster und das starke Sprachverständnis machen es besonders geeignet, lange RFPs, alte Angebote, Preislisten und Playbooks zu verarbeiten und daraus einen ersten Entwurf zu generieren, der sowohl maßgeschneidert als auch markenkonform ist. Der Schlüssel ist, Claude nicht als magischen Texter zu betrachten, sondern als strukturierten Sales-Proposal-Copiloten, der in Ihre bestehenden Prozesse und Tools eingebettet ist.

Claude an klaren Vertriebsergebnissen ausrichten, nicht nur an Content-Erstellung

Der strategische Fehler vieler Organisationen besteht darin, Claude nur als besseren Texteditor zu sehen. Für die Vertriebsproduktivität geht es aber nicht nur um gut formulierte Angebote, sondern um kürzere Durchlaufzeiten, höhere Gewinnquoten und mehr Verkaufszeit für Reps. Starten Sie mit klar definierten Ergebnissen, die Ihnen wichtig sind: zum Beispiel „Durchschnittliche Angebotserstellung von 3 Tagen auf 24 Stunden reduzieren“ oder „4 Stunden Angebotsaufwand pro Woche und Rep einsparen“.

Wenn die Zielgrößen klar sind, können Sie definieren, wo Claude hineingehört: Vorqualifizierung von RFPs, Erstellung des ersten Angebotsentwurfs, Generierung maßgeschneiderter Executive Summaries oder Vorschläge für Next Best Actions nach dem Versand eines Angebots. Diese Outcome-First-Perspektive verhindert, dass Sie ein weiteres Tool bauen, das das Team ignoriert, und fokussiert auf messbaren Impact im Sales Funnel.

Eine kontrollierte Wissensbasis aufbauen, bevor Sie skalieren

Claude ist nur so gut wie das Material, auf das es zugreifen kann. Strategisch bedeutet das: Investieren Sie in eine kuratierte, aktuelle Vertriebs-Wissensbasis, bevor Sie breit ausrollen. Dazu gehören: freigegebene Angebotsvorlagen, aktuelle Pricing-Logiken, rechtliche Standardtexte, Produktbeschreibungen, Positionierungsstatements und Case Studies.

Statt jedem Rep zu erlauben, eigene Versionen hochzuladen, definieren Sie eine kontrollierte Quelle: einen zentralen Dokumentensatz, der von Vertriebsleitung, Product Marketing, Finance und Legal geprüft wird. Claude arbeitet dann auf dieser kuratierten Grundlage, was das Risiko veralteter Aussagen, falscher Preise oder nicht konformer Formulierungen in Angeboten deutlich reduziert.

Claude in bestehende Vertriebs-Workflows und -Tools integrieren

Aus strategischer Sicht lautet die Frage nicht „Kann Claude Angebote schreiben?“, sondern „Wo sollen Reps Claude in ihrem heutigen Arbeitsalltag erleben?“. Wenn der Einsatz der KI erfordert, zwischen Tools zu springen, Kontext zu kopieren und Dateiversionen zu managen, wird die Adoption leiden. Planen Sie stattdessen, wie die Claude-gestützte Angebotserstellung im CRM, in bestehenden Angebotstools oder sogar als Seitenleiste in E-Mail und Meeting-Notizen sichtbar wird.

Für viele Teams ist der richtige Ansatz, mit einer kleinen Integration zu beginnen: z. B. ein Button im Opportunity-Datensatz, der Claude mit Opportunity-Daten aufruft und einen ersten Angebotsentwurf erstellt, oder ein Workflow, der eine Gesprächszusammenfassung plus RFP in eine maßgeschneiderte Antwort verwandelt. Die KI dort strategisch einzubetten, wo die Arbeit ohnehin stattfindet, macht aus Theorie nachhaltige Nutzung.

Ihr Vertriebsteam auf einen Copiloten vorbereiten, nicht auf einen Ersatz

Vertriebsteams sind oft skeptisch gegenüber Automatisierung, die Kundenschnittstellen berührt. Um Widerstände zu vermeiden, positionieren Sie Claude klar als Copiloten, der ihre Arbeit beschleunigt – nicht als System, das Urteilsvermögen oder Beziehungen ersetzt. Erklären Sie, dass die KI einen starken ersten Entwurf und Vorschläge liefert, während der Rep für Korrektheit, Tonalität und finale Freigabe verantwortlich bleibt.

Strategisch sollten Sie auch Rollen und Verantwortlichkeiten klären: Wer besitzt Prompt-Vorlagen, wer pflegt Wissensquellen, wer gibt rechtliche Formulierungen frei und wie fließt Feedback zurück ins System? Das schafft Vertrauen und vermeidet das „Black-Box“-Gefühl, das KI-Einführungen in Commercial-Teams häufig entgleisen lässt.

Risiken proaktiv managen: Compliance, Genauigkeit und Markenstimme

Der Einsatz von KI für die Angebotserstellung birgt reale Risiken, wenn er nicht sauber gesteuert wird: falsche Zusagen, nicht konforme Klauseln oder nicht markenkonformes Wording. Legen Sie vor dem breiten Einsatz Ihre Leitplanken fest. Entscheiden Sie, welche Angebotssektionen Claude vollständig schreiben darf (z. B. Executive Summaries, Nutzenargumentation) und welche unbedingt mit festen, vorab genehmigten Bausteinen arbeiten müssen (z. B. rechtliche Bedingungen, spezifische Preisformeln).

Strategisch sollten Sie außerdem Review-Prozesse und Monitoring aufsetzen. Stichprobenartige Prüfungen von KI-generierten Angeboten, Korrekturen nachverfolgen und diese Learnings in bessere Prompts und Wissensstrukturen zurückspielen. Wenn Sie Risikomanagement als Teil des Produkts und nicht als nachgelagerten Schritt behandeln, können Sie schnell vorankommen, ohne Compliance oder Markenintegrität zu gefährden.

Claude zur Beschleunigung der Angebotserstellung einzusetzen, funktioniert am besten, wenn Sie ihn als Sales-Copiloten konzipieren, der an klaren Zielen ausgerichtet ist, von einer kuratierten Wissensbasis gespeist wird und in bestehende Workflows eingebettet ist. Richtig umgesetzt verwandelt er RFPs, Call-Notizen und Vorlagen in wenigen Minuten in maßgeschneiderte Entwürfe – während die Reps die Kontrolle über die Botschaft behalten. Bei Reruption sind wir darauf spezialisiert, genau solche KI-first-Workflows in Organisationen aufzubauen und sie über schlanke Prototypen zu validieren. Wenn Sie Claude für Ihren Angebotsprozess in Betracht ziehen und vor einer Entscheidung eine funktionierende Version sehen möchten, unterstützt unser Team Sie dabei, eine Lösung zu scopen, zu testen und auszurollen, die den Revenue-Impact tatsächlich spürbar erhöht.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von EdTech bis Energie: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

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 →

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 →

Goldman Sachs

Investmentbanking

Im schnelllebigen Bereich des Investmentbanking sehen sich Goldman Sachs-Mitarbeiter mit überwältigenden Mengen an wiederkehrenden Aufgaben konfrontiert. Tägliche Routinen wie das Bearbeiten hunderter E-Mails, das Schreiben und Debuggen komplexer Finanzcodes sowie das Durcharbeiten langer Dokumente auf der Suche nach Erkenntnissen beanspruchen bis zu 40 % der Arbeitszeit und lenken von wertschöpfenden Tätigkeiten wie Kundenberatung und Deal-Abwicklung ab. Regulatorische Beschränkungen verschärfen diese Probleme, da sensible Finanzdaten höchste Sicherheitsanforderungen stellen und die Nutzung von Standard-KI-Lösungen einschränken. Traditionelle Werkzeuge skalieren nicht ausreichend für den Bedarf an schneller, genauer Analyse in volatilen Märkten, was Verzögerungen bei den Reaktionszeiten und einen Verlust an Wettbewerbsfähigkeit zur Folge haben kann.

Lösung

Goldman Sachs reagierte mit einem proprietären generativen KI-Assistenten, der auf internen Datensätzen in einer sicheren, privaten Umgebung feinabgestimmt wurde. Das Tool fasst E-Mails zusammen, indem es Aktionspunkte und Prioritäten extrahiert, erzeugt produktionsreifen Code für Modelle wie Risikoabschätzungen und analysiert Dokumente, um zentrale Trends und Anomalien hervorzuheben. Aufgebaut ab frühen 2023er Proof-of-Concepts, nutzt es maßgeschneiderte LLMs, um Compliance und Genauigkeit sicherzustellen und natürliche Sprachinteraktionen ohne externe Datenrisiken zu ermöglichen. Das Unternehmen setzte auf Mitarbeiterunterstützung statt -ersatz und schulte das Personal für den optimalen Einsatz.

Ergebnisse

  • Rollout Scale: 10.000 Mitarbeiter in 2024
  • Timeline: PoCs 2023; erste Einführung 2024; unternehmensweit 2025
  • Productivity Boost: Routineaufgaben optimiert, geschätzte Zeitersparnis 25–40 % bei E-Mails/Code/Dokumenten
  • Adoption: Schnelle Akzeptanz in Technik- und Front-Office-Teams
  • Strategic Impact: Kernbestandteil der 10-Jahres-KI-Strategie für strukturelle Effizienzgewinne
Fallstudie lesen →

Revolut

Fintech

Revolut sah sich einem zunehmenden Authorized Push Payment (APP)-Betrug gegenüber, bei dem Betrüger Kunden psychologisch manipulieren, damit diese Überweisungen an betrügerische Konten autorisieren – oft unter dem Vorwand von Anlageangeboten. Traditionelle regelbasierte Systeme kamen gegen ausgefeilte Social-Engineering-Taktiken kaum an, was trotz Revoluts schnellem Wachstum auf über 35 Millionen Kunden weltweit zu erheblichen finanziellen Verlusten führte. Der Anstieg digitaler Zahlungen verstärkte Verwundbarkeiten, da Betrüger Echtzeit-Überweisungen ausnutzten, die herkömmliche Kontrollen umgingen. APP-Betrügereien entzogen sich der Erkennung, indem sie legitimes Verhalten nachahmten, was weltweit zu jährlichen Milliardenverlusten führte und das Vertrauen in Fintech-Plattformen wie Revolut untergrub. Es bestand dringender Bedarf an intelligenter, adaptiver Anomalieerkennung, die eingreift, bevor Gelder freigegeben werden.

Lösung

Revolut führte eine KI-gestützte Betrugsabwehrfunktion ein, die maschinelles Lernen zur Anomalieerkennung verwendet, um Transaktionen und Nutzerverhalten in Echtzeit zu überwachen. Das System analysiert Muster, die auf Betrug hindeuten – etwa ungewöhnliche Zahlungsaufforderungen im Zusammenhang mit Anlageködern – und greift ein, indem es Nutzer warnt oder verdächtige Aktionen blockiert. Durch den Einsatz von überwachten und unüberwachten ML-Algorithmen erkennt es Abweichungen vom normalen Verhalten in risikoreichen Momenten und "bricht den Zauber" der Betrüger, bevor eine Autorisierung erfolgt. In die App integriert, verarbeitet es große Mengen an Transaktionsdaten für proaktive Betrugsprävention, ohne legitime Zahlungsflüsse zu stören.

Ergebnisse

  • 30% Reduktion der Betrugsverluste bei APP-bezogenen Kartenbetrugsfällen
  • Gezielte Bekämpfung von Anlagebetrugsversuchen
  • Echtzeit-Interventionen während der Testphase
  • Schützt 35 Millionen globale Kunden
  • Eingesetzt seit Februar 2024
Fallstudie lesen →

Duke Health

Gesundheitswesen

Sepsis ist ein lebensbedrohlicher Zustand, der in den USA jährlich für über 270.000 Todesfälle verantwortlich ist, mit Mortalitätsraten von bis zu 40% in Krankenhäusern aufgrund verzögerter Erkennung. Frühsymptome sind oft unspezifisch—Fieber, Tachykardie, veränderter Geisteszustand—und ähneln häufigen Erkrankungen, wodurch eine rechtzeitige Erkennung in stark frequentierten Notaufnahmen (EDs) schwierig ist. Traditionelle Bewertungssysteme wie qSOFA und SIRS leiden unter geringer Sensitivität (etwa 50–60%) und schlechter prädiktiver Leistung Stunden vor Auftreten, was zu späten Interventionen und schlechteren Ergebnissen führt. Duke Health, das hohe Patientenzahlen in seinen drei Notaufnahmen bewältigt, stand vor der doppelten Herausforderung, Frühwarnsysteme zu skalieren und gleichzeitig Alarmmüdigkeit und Workflow-Störungen zu vermeiden. Die Integration neuartiger KI erforderte strenge Validierung, Akzeptanz durch Kliniker und nahtlose Einbettung in das EHR, ohne die Sicherheit zu beeinträchtigen oder unnötige Behandlungen zu erhöhen.

Lösung

Sepsis Watch ist ein auf Deep Learning basierendes Vorhersagemodell, das Echtzeit-EHR-Daten (Vitalwerte, Labore, Demografie) analysiert, um den Sepsisanfall bis zu 48 Stunden im Voraus vorherzusagen, mit dem primären Fokus auf 6-Stunden-Vorhersagen. Entwickelt vom Duke Institute for Health Innovation (DIHI) verwendet es eine rekurrente neuronale Netzwerkarchitektur, die auf historischen Daten von über 600.000 Patientenkontakten (2008–2016) trainiert wurde und eine beeindruckende AUROC von 0,922 erzielte. Die Lösung integriert sich als pflegeorientiertes Best Practice Advisory (BPA) in das Epic EHR und löst nicht-interruptive Warnungen für Hochrisikopatienten aus. Dieses klinikerzentrierte Design fördert Maßnahmen wie frühe Antibiotikagabe und Flüssigkeitszufuhr und minimiert gleichzeitig falsch positive Alarme durch Schwellenwertanpassung. Pilotversuche und iteratives Feedback sicherten eine sichere Einführung.

Ergebnisse

  • AUROC: 92,2% für 6-Stunden-Sepsisvorhersage
  • Früherkennung: Bis zu 6 Stunden vor klinischem Auftreten
  • Einsatzumfang: Alle 3 Duke-Notaufnahmen, Tausende überwachte Patienten
  • Alarm-Compliance: Hohe Akzeptanzraten nach Integration
  • Bundle-Compliance: Deutliche Verbesserungen in Verbindung mit Warnungen
  • Auswirkung auf Sterblichkeit: Assoziiert mit reduzierten in-hospitalen Sepsis-Todesfällen
Fallstudie lesen →

Best Practices

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

Ein zentrales Angebots-Gehirn für Claude aufbauen

Bevor Sie Claude bitten, Angebote zu erstellen, sollten Sie ein strukturiertes „Angebots-Gehirn“ zusammenstellen, aus dem es schöpfen kann. Erstellen Sie einen zentralen Ordner oder eine Wissensbasis mit Ihren aktuellsten Angebotsvorlagen, Produktblättern, Preisregeln, rechtlichen Standardtexten, Standard-SLAs und freigegebenen Case-Study-Texten. Bereinigen Sie Dubletten und kennzeichnen Sie veraltete Inhalte, damit diese nicht versehentlich verwendet werden.

Wenn Sie direkt in der Claude-Oberfläche arbeiten, können Sie diese Dateien einmal hochladen und Claude anweisen, sie bei jedem Entwurf zu berücksichtigen. In fortgeschritteneren Setups wird dieser Content über eine API oder ein Retrieval-System geladen, aber das Prinzip bleibt gleich: kontrollierte, vertrauenswürdige Inputs statt zufälliger Dateisuche.

Prompt-Beispiel zur Initialisierung einer Session:
Sie sind ein Angebots-Copilot für <Unternehmen>.
Ich werde Folgendes hochladen:
- Unsere Master-Angebotsvorlage
- Aktuelle Preis- und Rabattregeln
- Rechtliche Klauseln und Datenschutz-Standardtexte
- 3 kürzlich gewonnene Angebote
Befolgen Sie immer diese Regeln:
- Verwenden Sie ausschließlich die hochgeladenen Dokumente als Single Source of Truth
- Erfinden Sie keine Funktionen, Preise oder Zusagen
- Stellen Sie Rückfragen, wenn Anforderungen unklar sind
Bestätigen Sie, dass Sie diese Rahmenbedingungen verstanden haben.

Erwartetes Ergebnis: Claude verfügt nun über eine verlässliche Grundlage, was das Risiko „halluzinierter“ Aussagen reduziert und sicherstellt, dass Angebote im Einklang mit Ihrem aktuellen Angebot bleiben.

RFPs und Call-Notizen in strukturierte Anforderungen verwandeln

Ein großer Zeitfresser in der Angebotserstellung ist das Verstehen und Strukturieren dessen, was der Käufer wirklich verlangt. Nutzen Sie Claude, um lange RFPs, E-Mail-Threads und Meeting-Transkripte in eine prägnante Anforderungszusammenfassung zu überführen, auf die sich Vertrieb, Pre-Sales und Legal einigen können, bevor der erste Entwurf erstellt wird.

Prompt-Beispiel zur Anforderungsextraktion:
Sie sind ein Vertriebsassistent. Analysieren Sie das folgende RFP und die Call-Notizen.
1. Fassen Sie die Situation und Ziele des Interessenten in 5 Bulletpoints zusammen.
2. Extrahieren Sie alle expliziten Anforderungen und labeln Sie sie mit MUSS, SOLL, NICE-TO-HAVE.
3. Listen Sie alle Unklarheiten als Fragen auf, die wir klären sollten.
4. Schlagen Sie vor, welche unserer Standard-Abschnitte in Angeboten für diese Opportunity relevant sind.
Input:
<RFP-Text und/oder Call-Notizen einfügen>

Erwartetes Ergebnis: Eine strukturierte Sicht auf die Opportunity, die die interne Abstimmung beschleunigt und die anschließende Angebotserstellung deutlich zielgerichteter und genauer macht.

Einen ersten Angebotsentwurf direkt aus CRM-Daten generieren

Sobald Ihr CRM grundlegende Deal-Informationen enthält (Branche, Dealgröße, relevante Produkte, Stakeholder, Pain Points), verbinden Sie diese Daten mit Claude, um einen ersten Entwurf ohne manuelles Copy-Paste zu erzeugen. Auch ohne vollintegrierte Lösung können Reps CRM-Felder exportieren oder in Claude einfügen und mit einem standardisierten Prompt arbeiten, um jedes Mal eine konsistente Struktur zu erhalten.

Prompt-Beispiel unter Nutzung von CRM-Daten:
Sie erstellen ein Angebot für die folgende Opportunity:
- Unternehmen: {{Account Name}}
- Branche: {{Industry}}
- Dealgröße (Schätzung): {{Amount}}
- Produkte/Services: {{Products}}
- Wichtige Pain Points: {{Pain Points field}}
- Entscheidungsbeteiligte: {{Stakeholders}}
Nutzen Sie die hochgeladene Master-Vorlage und:
1. Erstellen Sie eine auf dieses Unternehmen zugeschnittene Executive Summary.
2. Wählen Sie die 3 relevantesten Case-Study-Snippets aus unserer Bibliothek aus.
3. Formulieren Sie einen Nutzenabschnitt in der Sprache ihrer Pain Points.
4. Lassen Sie Preis- und Rechtssektionen als Platzhalter mit klaren TODO-Markern stehen.
Geben Sie einen vollständigen Angebotsentwurf in der Struktur unserer Vorlage aus.

Erwartetes Ergebnis: Reps erhalten innerhalb von Minuten ein zu 60–80 % fertiges Angebot und müssen nur noch Preise finalisieren, Nuancen anpassen und Details prüfen, statt von einer leeren Seite zu starten.

Follow-up-E-Mails und Angebotszusammenfassungen standardisieren

Angebote bleiben oft in der Inbox liegen, weil die Nachfasskommunikation schwach oder inkonsistent ist. Nutzen Sie Claude, um direkt nach Versand eines Angebots prägnante Zusammenfassungen und maßgeschneiderte Follow-up-E-Mails zu erstellen. Speisen Sie die finale Angebotsversion und Meeting-Notizen ein, damit die Botschaft die wichtigsten Punkte für jeden Stakeholder gezielt betont.

Prompt-Beispiel für Follow-up-Entwürfe:
Sie sind ein Assistent für Vertriebs-Follow-ups.
Hier ist das Angebot, das wir gerade gesendet haben:
<Angebot oder relevante Abschnitte einfügen>
Hier sind meine Notizen zu den Stakeholdern und ihren Prioritäten:
<Notizen einfügen>
Aufgaben:
1. Erstellen Sie eine Zusammenfassung mit ca. 150 Wörtern, die ich in den E-Mail-Body einfügen kann.
2. Entwerfen Sie zwei Varianten für Follow-up-E-Mails:
   - Eine für den Economic Buyer
   - Eine für den technischen Champion
3. Jede E-Mail sollte:
   - Die 3 relevantesten Vorteile hervorheben
   - 2 konkrete Fragen stellen, um den Deal voranzubringen
   - Einen konkreten Vorschlag für einen nächsten Gesprächstermin enthalten.

Erwartetes Ergebnis: Schnellere, relevantere Follow-ups, die Deals in Bewegung halten, ohne dass Reps jede Nachricht von Grund auf neu schreiben müssen.

Checklisten und Validierungs-Prompts nutzen, um Fehler zu reduzieren

Um Preisfehler, fehlende Anhänge oder nicht konforme Sprache zu minimieren, sollten Sie Claude nicht nur als Texter, sondern auch als Reviewer einsetzen. Bitten Sie Claude vor dem Versand eines Angebots, den Entwurf gegen eine vordefinierte Checkliste mit kaufmännischen, rechtlichen und Marken-Kriterien zu prüfen. Das fungiert als leichtgewichtige Qualitätssicherung, die sich natürlich in den Vertriebsworkflow einfügt.

Prompt-Beispiel für Angebots-QA:
Sie sind ein Assistent für Angebots-QA.
Hier ist unsere interne Checkliste:
- Korrekte Kundenbezeichnung und juristische Einheit
- Korrekte Version der Preisliste verwendet
- Rabattstufen innerhalb der zulässigen Bandbreiten
- Verpflichtende Rechtstexte enthalten
- Datenschutzhinweis enthalten, falls relevant
- Keine Zusagen zu Features, die wir nicht haben
- Tonalität: professionell, klar, kein interner Jargon
Prüfen Sie nun den folgenden Angebotsentwurf. Listen Sie alle Auffälligkeiten je Checklistenpunkt auf, schlagen Sie korrigierte Formulierungen vor, wo nötig, und heben Sie Risiken hervor, die eine Prüfung durch Legal oder Finance erfordern.
<Angebotsentwurf einfügen>

Erwartetes Ergebnis: Weniger Fehler beim Kunden, weniger Nacharbeit mit Legal und Finance und mehr Vertrauen der Vertriebsleitung in eine skalierte, KI-gestützte Angebotserstellung.

Über einen Feedback-Loop mit Reps kontinuierlich verbessern

Die Wirksamkeit von Claude steigt, wenn Sie Feedback aus dem Feld systematisch einfließen lassen. Ermutigen Sie Reps, zu markieren, wo sie KI-generierte Texte regelmäßig anpassen (z. B. typische Formulierungsänderungen, häufige Einwände, regionale Besonderheiten) und nutzen Sie diese Beispiele, um Ihre Prompt-Vorlagen und Wissensbasis zu verfeinern. Auch ohne komplexe Tools können Sie Beispiele in einem geteilten Dokument sammeln und Ihre Basis-Prompts regelmäßig aktualisieren.

Prompt-Beispiel zur Verfeinerung des Copiloten:
Sie helfen uns, unseren Angebots-Copiloten zu verbessern.
Hier sind 10 Beispiele von KI-generierten Abschnitten und den finalen Versionen, die Reps tatsächlich versendet haben.
Analysieren Sie die Unterschiede und aktualisieren Sie unseren Master-Prompt so, dass er besser passt zu:
- Tonalität
- Fokus auf Outcomes vs. Features
- Grad an technischer Detailtiefe
- Typischer Struktur des Textes
Output: einen überarbeiteten Master-Prompt und eine kurze Guideline, die wir im Team teilen können.

Erwartetes Ergebnis: Innerhalb von 4–8 Wochen können Sie realistisch eine um 30–50 % schnellere Angebotserstellung pro Opportunity erreichen, Rückfragen mit Legal und Finance reduzieren und pro Rep mehrere Stunden pro Woche freisetzen – für Discovery Calls, Verhandlungen und Beziehungsarbeit statt Dokumentenbastelei.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Claude beschleunigt die Angebotsarbeit, indem es die Inputs, die Sie bereits haben – RFPs, Call-Notizen, CRM-Daten und bestehende Vorlagen – in strukturierte, maßgeschneiderte Entwürfe verwandelt. Statt von einer leeren Seite zu starten, laden Reps dieses Material hoch oder referenzieren es und bitten Claude darum, Folgendes zu übernehmen:

  • Anforderungen aus langen RFPs und Gesprächsnotizen zusammenzufassen
  • Ein Angebot auf Basis Ihrer Master-Vorlage und Wissensbasis zusammenzustellen
  • Maßgeschneiderte Executive Summaries und Nutzenabschnitte für jeden Interessenten zu formulieren
  • Follow-up-E-Mails und Angebotszusammenfassungen für unterschiedliche Stakeholder zu erstellen

Damit lässt sich die Angebotsdurchlaufzeit von Tagen auf Stunden reduzieren – bei voller Kontrolle der Reps über Preise und finale Formulierungen.

Für den Start benötigen Sie kein großes Data-Science-Team. Für einen ersten Rollout brauchen Sie typischerweise:

  • Eine Sales- oder Revenue-Operations-Verantwortliche Person, die den aktuellen Angebotsprozess gut versteht
  • Jemanden, der die zentrale Angebotsbibliothek (Vorlagen, Preisregeln, rechtliche Standardtexte) kuratiert und pflegt
  • Basis-technischen Support, um Claude mit Ihrem CRM oder Ihren Dokumentensystemen zu verbinden, falls Sie mehr als die Weboberfläche nutzen möchten

Reruption arbeitet häufig mit einem kleinen, cross-funktionalen Team (Vertrieb, Product Marketing, IT/Legal nach Bedarf), um Workflows zu definieren, Prompts zu erstellen und Leitplanken zu setzen. Danach braucht Ihr Vertriebsteam vor allem Training darin, wie Claude als Copilot eingesetzt wird – nicht in neuen Programmierskills.

Bei einem klar abgegrenzten Scope können die meisten Organisationen innerhalb weniger Wochen spürbare Effekte sehen. Ein typischer Zeitplan sieht so aus:

  • Woche 1–2: Ist-Analyse des aktuellen Angebotsprozesses, Kuratierung der Kern-Content-Bibliothek und Design erster Prompts/Workflows.
  • Woche 3–4: Pilot mit einer kleinen Gruppe von Reps auf realen Deals, Verfeinerung von Prompts und Leitplanken basierend auf deren Feedback.
  • Woche 5+: Breiterer Rollout, Tracking von KPIs wie Angebotsdurchlaufzeit, Win-Rate bei RFPs und Zufriedenheit der Reps.

Da Claude auf Ihren bestehenden Dokumenten und Tools aufsetzt, brauchen Sie kein langes Infrastrukturprojekt, bevor Sie von schnelleren und konsistenteren Angeboten profitieren.

Die direkten Kosten für den Einsatz von Claude hängen vom Nutzungsvolumen und der Frage ab, ob Sie das gehostete Produkt oder eine API-basierte Integration nutzen. Für die meisten B2B-Vertriebsteams entsteht der Haupt-ROI jedoch durch eingesparte Zeit und höhere Conversion – nicht durch Tool-Preise. Bei guter Umsetzung können Unternehmen realistisch mit Folgendem rechnen:

  • 30–50 % weniger Zeitaufwand pro Angebot
  • Schnellere Reaktion auf eingehende RFPs und damit höhere Gewinnwahrscheinlichkeit
  • Konsistentere Botschaften und weniger Fehler, die zu Nacharbeit führen

Wenn ein mittelgroßes Team von 10 Reps jeweils nur 2 Stunden pro Woche einspart, entspricht das grob einem zusätzlichen Verkaufstag pro Monat und Rep – meist deutlich mehr wert als die operativen Kosten von Claude. Reruption unterstützt außerdem dabei, diese Economics für Ihren spezifischen Kontext zu modellieren, sodass Sie vor einem großflächigen Rollout eine klare ROI-Sicht haben.

Reruption begleitet Sie von der Idee bis zur funktionierenden Lösung. Mit unserem KI-PoC-Angebot (9.900 €) starten wir damit, einen konkreten Angebots-Use-Case zu definieren – zum Beispiel „Erstentwürfe von Angeboten automatisiert aus RFPs und CRM-Daten generieren“ – und bauen dann einen funktionierenden Prototypen mit Claude, den Ihr Vertriebsteam an echten Opportunities testen kann.

Wir übernehmen den technischen Machbarkeitscheck, das Design von Prompts und Workflows, Rapid Prototyping und die Performance-Evaluierung. Durch unseren Co-Preneur-Ansatz arbeiten wir wie Mitgründer in Ihren Sales- und RevOps-Teams mit, hinterfragen Annahmen und iterieren so lange, bis etwas Reales live geht – nicht nur eine Folienpräsentation. Nach dem PoC erhalten Sie einen klaren Fahrplan für den Produktionsrollout inklusive Security-, Compliance- und Change-Management-Aspekten, damit Claude zu einem verlässlichen Bestandteil Ihres Angebotsprozesses wird.

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