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 Bankwesen bis Gesundheitswesen: Erfahren Sie, wie Unternehmen Claude erfolgreich einsetzen.

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. Traditionelle Suchfunktionen in der App reichten für komplexe, kontextabhängige Anfragen nicht aus und führten zu Ineffizienzen und Nutzerfrustration. Zudem stellten die Gewährleistung von Datenschutz und Genauigkeit in einem stark regulierten Fintech-Umfeld erhebliche Risiken dar. bunq benötigte eine Lösung, die nuancierte Unterhaltungen führen und gleichzeitig EU-Bankvorschriften einhalten konnte, Halluzinationen vermeiden würde, wie sie in frühen GenAI-Modellen vorkommen, und sich nahtlos integrieren ließe, ohne die App-Performance zu beeinträchtigen. Ziel war es, Routineanfragen zu automatisieren, sodass menschliche Agenten sich auf wertschöpfende Fälle konzentrieren konnten.

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. Nach einer Beta wurde Finn im Dezember 2023 als Europas erster KI-gestützter Bankassistent eingeführt und entwickelte sich schnell weiter. Bis Mai 2024 wurde er vollständig konversationell, was natürliche Mehrfachrunden-Interaktionen ermöglichte. Dieser retrieval-augmented generation (RAG)-Ansatz stützte Antworten auf Echtzeit-Nutzerdaten, minimierte Fehler und erhöhte die Personalisierung.

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 →

BP

Energie

BP, ein globaler Energieführer in Öl, Gas und Erneuerbaren, kämpfte mit hohen Energiekosten in Spitzenzeiten über sein umfangreiches Asset-Portfolio hinweg. Volatile Netzlasten und Preisspitzen während hoher Verbrauchsperioden belasteten den Betrieb und verschärften Ineffizienzen in der Energieproduktion und -nutzung. Die Integration intermittierender Erneuerbarer Energien brachte zusätzliche Prognoseprobleme mit sich, während traditionelle Managementansätze nicht dynamisch auf Echtzeit-Marktsignale reagierten, was zu erheblichen finanziellen Verlusten und Risiken für die Netzstabilität führte . Hinzu kamen bei BP Daten-Silos und Altsysteme, die für prädiktive Analytik ungeeignet waren – von Offshore-Anlagen bis zu datenintensiver Exploration. Spitzenenergiekosten schmälerten die Margen und behinderten den Übergang zu nachhaltigem Betrieb angesichts zunehmender regulatorischer Vorgaben zur Emissionsreduzierung. Das Unternehmen benötigte eine Lösung, um Lasten intelligent zu verschieben und Flexibilität in Energiemärkten zu monetarisieren .

Lösung

Um diese Probleme anzugehen, übernahm BP 2021 Open Energi und erhielt damit Zugriff auf die führende Plato AI-Plattform, die Machine Learning für prädiktive Analytik und Echtzeit-Optimierung einsetzt. Plato analysiert umfangreiche Datensätze von Assets, Wetterdaten und Netzsignalen, um Spitzen vorherzusagen und Demand Response zu automatisieren, indem nicht-kritische Lasten in Nebenzeiten verschoben werden und gleichzeitig an Frequenzregelungsdiensten teilgenommen wird . In die BP-Operationen integriert, ermöglicht die KI die Teilnahme an dynamischen Containment- und Flexibilitätsmärkten und optimiert den Verbrauch, ohne die Produktion zu stören. In Kombination mit BPs interner KI für Exploration und Simulation schafft sie End-to-End-Sichtbarkeit, reduziert die Abhängigkeit von fossilen Brennstoffen in Spitzenzeiten und verbessert die Integration erneuerbarer Energien . Diese Übernahme markierte eine strategische Wende, bei der Open Energis Nachfrageseitenspezialisierung mit BPs Lieferseitenskalierung verschmolz.

Ergebnisse

  • $10 Millionen jährliche Energieeinsparungen
  • >80 MW an Energieassets unter flexibler Steuerung
  • Stärkste Ölexplorationsleistung seit Jahren dank KI
  • Erheblicher Schub bei der Optimierung des Stromverbrauchs
  • Reduzierte Spitzenstromkosten durch dynamische Reaktion
  • Verbesserte Anlageneffizienz in Öl, Gas und Erneuerbaren
Fallstudie lesen →

Three UK

Telekommunikation

Three UK, ein führender Mobilfunkanbieter im Vereinigten Königreich, stand unter erheblichem Druck durch den stark ansteigenden Datenverkehr, getrieben vom 5G‑Ausbau, Video‑Streaming, Online‑Gaming und Remote‑Arbeit. Mit über 10 Millionen Kund:innen führten Spitzenzeiten‑Überlastungen in städtischen Gebieten zu Verbindungsabbrüchen, Buffering bei Streams und hoher Latenz, die das Gaming‑Erlebnis beeinträchtigte. Traditionelle Monitoring‑Tools kamen mit dem Volumen an Big‑Data aus Netzprobes nicht zurecht, sodass Echtzeit‑Optimierung unmöglich war und Kundenabwanderung drohte. Hinzu kam, dass Legacy On‑Premises‑Systeme nicht für 5G‑Network‑Slicing und dynamische Ressourcenallokation skalierten, was zu ineffizienter Spektrumnutzung und steigenden OPEX führte. Three UK benötigte eine Lösung, die Netzengpässe proaktiv vorhersagen und verhindern kann, um niedriglatenzige Dienste für latenzsensible Anwendungen sicherzustellen und gleichzeitig die QoS über verschiedene Verkehrsarten hinweg aufrechtzuerhalten.

Lösung

Microsoft Azure Operator Insights etablierte sich als cloudbasierte KI‑Plattform speziell für Telekommunikationsanbieter und nutzt Big‑Data‑Maschinelles Lernen, um Petabytes an Netztelemetrie in Echtzeit zu verarbeiten. Die Plattform analysiert KPIs wie Durchsatz, Paketverlust und Handover‑Erfolgsraten, erkennt Anomalien und sagt Überlastungen voraus. Three UK integrierte sie in sein Core‑Netzwerk, um automatisierte Erkenntnisse und Handlungsempfehlungen zu erhalten. Die Lösung setzte ML‑Modelle für Root‑Cause‑Analysen, Verkehrsvorhersagen und Optimierungsmaßnahmen wie Beamforming‑Anpassungen und Load‑Balancing ein. Auf Azure's skalierbarer Cloud betrieben, erleichterte sie die Migration von Legacy‑Tools, verringerte die Abhängigkeit von manuellen Eingriffen und stattete Ingenieurteams mit umsetzbaren Dashboards aus.

Ergebnisse

  • 25% Reduktion von Netzüberlastungsereignissen
  • 20% Verbesserung der durchschnittlichen Download‑Geschwindigkeiten
  • 15% Verringerung der End‑to‑End‑Latenz
  • 30% schnellere Anomalieerkennung
  • 10% OPEX‑Einsparungen im Netzbetrieb
  • NPS um 12 Punkte verbessert
Fallstudie lesen →

Cruise (GM)

Automobilindustrie

Die Entwicklung eines selbstfahrenden Taxi‑Dienstes in dicht besiedelten urbanen Umgebungen stellte Cruise vor immense Herausforderungen. Komplexe Situationen wie unberechenbare Fußgänger, erratische Radfahrer, Baustellen und widrige Wetterbedingungen erforderten nahezu perfekte Wahrnehmung und Entscheidungsfindung in Echtzeit. Sicherheit hatte oberste Priorität, da jeder Fehler zu Unfällen, behördlicher Prüfung oder öffentlicher Empörung führen konnte. Frühe Tests zeigten Lücken bei der Handhabung von Randfällen, etwa Einsatzfahrzeuge oder verdeckte Objekte, und verlangten eine robuste KI, die die Leistung menschlicher Fahrer übertreffen sollte. Ein entscheidender Sicherheitsvorfall im Oktober 2023 verschärfte diese Probleme: Ein Cruise‑Fahrzeug erfasste eine Fußgängerin, die von einem Unfallfahrer in seinen Weg gedrängt worden war, und schleifte sie, als das Fahrzeug den Unfallort verließ, was zur Aussetzung der Betriebsführungen landesweit führte. Dies legte Schwachstellen im Nach‑Kollisions‑Verhalten, in der Sensorfusion unter chaotischen Bedingungen und in der regulatorischen Compliance offen. Die Skalierung zu kommerziellen Robotaxi‑Flotten bei gleichzeitiger Erreichung von Null schuldhaften Vorfällen erwies sich angesichts von $10 Mrd.+ Investitionen seitens GM als schwer realisierbar.

Lösung

Cruise begegnete diesen Herausforderungen mit einem integrierten KI‑Stack, der Computervision für die Wahrnehmung und verstärkendes Lernen für die Planung nutzte. Lidar, Radar und mehr als 30 Kameras speisten CNNs und Transformers für Objekterkennung, semantische Segmentierung und Szenenvorhersage, wodurch 360°‑Ansichten mit hoher Detailtreue selbst bei schwachem Licht oder Regen verarbeitet wurden. Verstärkendes Lernen optimierte Trajektorienplanung und Verhaltensentscheidungen, trainiert auf Millionen simulierten Meilen, um seltene Ereignisse zu bewältigen. End‑to‑end‑Neuronale Netze verfeinerten die Bewegungsprognose, während Simulationsframeworks die Iteration ohne reales Risiko beschleunigten. Nach dem Vorfall verstärkte Cruise die Sicherheitsprotokolle und nahm 2024 mit verbesserten Disengagement‑Raten wieder beaufsichtigte Tests auf. GMs Strategiewechsel integrierte diese Technologie in die Weiterentwicklung von Super Cruise für Privatfahrzeuge.

Ergebnisse

  • 1.000.000+ Meilen vollständig autonom gefahren bis 2023
  • 5 Millionen fahrerlose Meilen für das KI‑Modelltraining verwendet
  • $10 Mrd.+ kumulative Investition von GM in Cruise (2016–2024)
  • 30.000+ Meilen pro Eingriff in frühen unbeaufsichtigten Tests
  • Betrieb ausgesetzt Okt 2023; im Mai 2024 mit beaufsichtigten Tests wieder aufgenommen
  • Keine kommerziellen Robotaxi‑Einnahmen; Strategiewechsel Dez 2024
Fallstudie lesen →

Wells Fargo

Bankwesen

Wells Fargo, das 70 Millionen Kunden in 35 Ländern betreut, sah sich mit hoher Nachfrage nach 24/7-Kundendienst in seiner Mobile-Banking-App konfrontiert, in der Nutzer sofortige Unterstützung bei Transaktionen wie Überweisungen und Rechnungszahlungen benötigten. Traditionelle Systeme hatten Schwierigkeiten mit hohen Interaktionsvolumina, langen Wartezeiten und der Notwendigkeit schneller Antworten per Sprache und Text, insbesondere da die Kundenerwartungen sich hin zu nahtlosen digitalen Erlebnissen wandelten. Regulatorischer Druck im Bankwesen verschärfte die Herausforderungen und erforderte strenge Datenschutz-Maßnahmen, um PII-Exposition zu verhindern und KI ohne menschliches Eingreifen skalierbar zu machen. Zusätzlich steckten die meisten großen Banken in Proof-of-Concept-Phasen für generative KI fest und hatten keine produktionsreifen Lösungen, die Innovation und Compliance ausbalancierten. Wells Fargo benötigte einen virtuellen Assistenten, der komplexe Anfragen autonom bearbeiten, Ausgabenanalysen liefern und sich kontinuierlich verbessern konnte, ohne Sicherheit oder Effizienz zu gefährden.

Lösung

Wells Fargo entwickelte Fargo, einen generativen KI-Virtual-Assistenten, der in die Banking-App integriert ist und auf Google Cloud AI setzt, einschließlich Dialogflow für den Konversationsfluss und PaLM 2/Flash 2.0 LLMs für das Verständnis natürlicher Sprache. Diese modell-agnostische Architektur ermöglichte eine datenschutzorientierte Orchestrierung, die Anfragen routet, ohne PII an externe Modelle zu senden. Im März 2023 nach einer Ankündigung 2022 gestartet, unterstützt Fargo Sprach- und Textinteraktionen für Aufgaben wie Überweisungen, Rechnungszahlungen und Ausgabenanalysen. Kontinuierliche Updates ergänzten KI-gesteuerte Insights und agentische Fähigkeiten über Google Agentspace, wodurch keine menschlichen Übergaben erforderlich sind und die Lösung für regulierte Branchen skalierbar bleibt. Der Ansatz löste die Herausforderungen durch Fokus auf sichere, effiziente KI-Bereitstellung.

Ergebnisse

  • 245 Millionen Interaktionen in 2024
  • 20 Millionen Interaktionen bis Januar 2024 seit dem Start im März 2023
  • Prognose: 100 Millionen Interaktionen jährlich (Prognose 2024)
  • Keine menschlichen Übergaben bei allen Interaktionen
  • Keine PII an LLMs weitergegeben
  • Durchschnittlich 2,7 Interaktionen pro Nutzersitzung
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