Die Herausforderung: Schlechte Disziplin bei Nachfassaktionen

Die meisten Vertriebsleiter leiden nicht unter einem Mangel an Opportunities – sie leiden unter einem Mangel an konsequentem Follow-up. Vertriebler jonglieren mit dutzenden offenen Deals, mehreren Stakeholdern und sich überschneidenden Zeitplänen. In diesem Chaos werden selbst gute Opportunities kalt, nur weil niemand die nächste E-Mail gesendet, den letzten Anruf protokolliert oder das Follow-up-Meeting rechtzeitig geplant hat.

Traditionelle Lösungen – wöchentliche Pipeline-Reviews, manuelle Aufgabenlisten, generische CRM-Erinnerungen und Coaching à la „Seien Sie disziplinierter“ – funktionieren nicht im großen Maßstab. Vertriebler ertrinken im Admin-Aufwand: Notizen erfassen, Felder aktualisieren, E-Mails von Grund auf schreiben. Wenn der Druck steigt, priorisieren sie naturgemäß die einfachsten oder lautesten Deals – nicht die, die ein durchdachtes, zeitnahes Follow-up erfordern. Statische Workflows und generische Sequences können zudem die Nuancen realer Kundengespräche nicht abbilden.

Die geschäftlichen Auswirkungen sind direkt und schmerzhaft. Verpasste Follow-ups bedeuten ins Stocken geratene Deals, niedrigere Conversion Rates und einen messbaren Rückgang der Forecast-Genauigkeit. Interessenten erleben eine inkonsistente Kommunikation und verlieren das Vertrauen. Wettbewerber, die schneller reagieren und während des gesamten Kaufprozesses präsent bleiben, gewinnen leise die Deals, in die Sie stark investiert haben. Langfristig untergräbt das den Umsatz, treibt die Akquisitionskosten pro Kunde nach oben und schwächt die Glaubwürdigkeit Ihrer Vertriebsprognosen.

Die gute Nachricht: Dieses Problem ist sehr gut lösbar. Mit modernen KI-Copilots für den Vertrieb wie ChatGPT können Sie Anrufzusammenfassungen automatisieren, kontextbezogene Follow-up-E-Mails generieren und Vorschläge für „Next Best Actions“ direkt aus Ihrem CRM heraus anstoßen. Bei Reruption haben wir Organisationen geholfen, chaotische, ad-hoc Workflows in KI-gestützte Systeme zu verwandeln, die jede Opportunity in Bewegung halten – ohne zusätzliche Headcount. In den restlichen Abschnitten dieses Leitfadens finden Sie praktische, konkrete Wege, wie Sie ChatGPT nutzen können, um Ihre Follow-up-Disziplin zu verbessern und Zeit für das eigentliche Verkaufen zurückzugewinnen.

Brauchen Sie einen Sparring-Partner für diese Herausforderung?

Lassen Sie uns unverbindlich sprechen und brainstormen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

Eine strategische Einschätzung der Herausforderung und High-Level-Tipps, wie Sie sie angehen können.

Aus Reruptions Arbeit an KI-gestützten Workflows und Copilots in Vertriebsorganisationen wissen wir: ChatGPT für Vertriebsnachfassaktionen liefert nur dann echten Mehrwert, wenn es als Teil des Betriebssystems verstanden wird – nicht als Spielerei. Entscheidend ist, KI in die Art und Weise zu integrieren, wie Vertriebler Notizen erfassen, CRM-Daten aktualisieren und Follow-up-Aufgaben auslösen, sodass konsistente, zeitnahe Ansprache zum Standard wird – und nicht zur Heldentat.

Definieren Sie „gutes Follow-up“, bevor Sie es automatisieren

Bevor Sie ChatGPT im Vertrieb einführen, brauchen Sie eine klare Definition davon, wie „gute Follow-up-Disziplin“ in Ihrem Kontext aussieht. Dazu gehören erwartete Reaktionszeiten, bevorzugte Kanäle je Deal-Phase sowie minimale Touchpoint-Muster für unterschiedliche Opportunity-Typen. Ohne diese Grundlagen riskieren Sie, Chaos zu automatisieren – nur schneller.

Arbeiten Sie mit der Vertriebsleitung und Ihren Top-Performern zusammen, um einfache, konkrete Regeln zu formulieren: zum Beispiel „alle eingehenden Demo-Anfragen innerhalb von 2 Stunden beantworten“, „mindestens ein wertstiftender Touchpoint alle 6 Arbeitstage“ oder „Entscheidungen und nächste Schritte nach jedem Gespräch immer schriftlich zusammenfassen“. Diese Standards werden zu den Leitplanken und Anweisungen, die Sie in ChatGPT einspeisen, damit die Ergebnisse mit Ihrer tatsächlichen Vertriebsmethodik übereinstimmen.

Behandeln Sie ChatGPT als Copilot, nicht als Ersatz für Vertriebler

Die erfolgreichsten Teams positionieren ChatGPT als Vertriebs-Copilot, der Reibung entfernt – nicht als Roboter, der das Verkaufen übernimmt. Strategisch ist das sowohl für die Akzeptanz als auch für die Ergebnisse wichtig. Vertriebler bleiben verantwortlich für Beziehungsmanagement, Verhandlung und Priorisierung; ChatGPT übernimmt die repetitiven Tätigkeiten, die ihre Zeit und Aufmerksamkeit binden.

Rahmen Sie die Einführung nach dem Prinzip: „Die KI entwirft, der Vertrieb entscheidet.“ ChatGPT kann zum Beispiel drei Varianten für Follow-up-E-Mails oder eine Liste von Next-Best-Actions auf Basis von CRM-Feldern und Gesprächsnotizen vorschlagen. Der Vertriebler wählt dann aus, bearbeitet oder verwirft. So bleibt die menschliche Ownership des Deals erhalten, während Qualität und Geschwindigkeit der Umsetzung standardisiert werden. Gleichzeitig reduzieren Sie Widerstand gegen Veränderungen, weil Sie Ihr Vertriebsteam verstärken – nicht bedrohen.

Starten Sie mit einem eng gefassten, hochrelevanten Use Case

Auch wenn die Versuchung groß ist, sofort alles zu automatisieren, ist es strategisch sinnvoller, mit einem einzigen, besonders schmerzhaften Use Case zu starten – zum Beispiel „Zusammenfassungen nach qualifizierten Gesprächen und Follow-up-E-Mails“. Dieser fokussierte Umfang ermöglicht es Ihnen, zu beweisen, dass KI für Vertriebsnachfassaktionen präzise, sicher und tatsächlich zeitsparend sein kann.

Ein eng gefasster Pilot erleichtert das Sammeln von Feedback, das Verfeinern von Prompts und das Anpassen von Workflows, bevor Sie skalieren. Gleichzeitig reduzieren Sie Risiken – falls etwas nicht wie erwartet funktioniert, stören Sie nicht gleich den gesamten Vertriebsprozess. Bei Reruption sehen wir immer wieder, dass ein gut designter Pilot mit klaren Metriken (zum Beispiel „50 % weniger Zeitaufwand für das Verfassen von Follow-ups“) interne Dynamik und Unterstützung auf Führungsebene für weitergehende Automatisierung erzeugt.

Richten Sie das Design an Ihrem CRM und Ihrer Datenrealität aus

ChatGPT kann nur sinnvolle Next Best Actions vorschlagen, wenn es Zugriff auf nutzbare, aktuelle Daten hat. Strategisch bedeutet das: Sie müssen Ihren Ansatz an der Qualität Ihres bestehenden CRMs und Ihren Integrationsmöglichkeiten ausrichten. Wenn Kontaktrollen, Phasen und Aktivitäten inkonsistent sind, müssen Sie entweder zunächst die Datenhygiene verbessern oder ChatGPT explizit anweisen, wie mit Lücken umzugehen ist.

Planen Sie die Integration in Stufen: Starten Sie damit, dass ChatGPT zunächst mit Notizen und E-Mail-Threads arbeitet, und binden Sie dann schrittweise ausgewählte CRM-Felder, Deal-Phasen und Aufgabensysteme an. Dieser inkrementelle Ansatz reduziert Integrationsrisiken und erhöht dennoch kontinuierlich die Intelligenz Ihrer Follow-up-Logik. Gleichzeitig vermeiden Sie eine KI-Schicht, die von einem „perfekten CRM“ ausgeht, das es in der Realität nicht gibt.

Adressieren Sie Compliance, Markenstimme und Risiken von Beginn an

Vertriebskommunikation berührt Ihre Kunden direkt, daher müssen KI-generierte Follow-up-E-Mails rechtliche, Compliance- und Markenrichtlinien einhalten. Behandeln Sie dies als strategische Designfrage, nicht als nachträglichen Gedanken. Arbeiten Sie mit Rechtsabteilung, Compliance und Marketing zusammen, um zu definieren, was ChatGPT sagen darf, was es vermeiden muss und wie es Ihren Tonfall widerspiegeln soll.

Implementieren Sie Schutzmechanismen: System-Prompts, die Compliance-Regeln einbetten, Standardvorlagen, die zur Markenstimme passen, und Freigabe-Workflows für sensible Segmente (z. B. Enterprise-Deals oder regulierte Branchen). Diese Klarheit im Vorfeld reduziert das Risiko unpassender Nachrichten und stärkt das Vertrauen der Organisation in KI-gestützte Follow-ups. Gleichzeitig stellen Sie sicher, dass Zeitersparnis nicht auf Kosten von Reputation oder regulatorischer Sicherheit geht.

ChatGPT zur Behebung schwacher Follow-up-Disziplin einzusetzen, hat weniger mit cleveren Prompts zu tun als mit dem richtigen Betriebsmodell: klare Follow-up-Standards, gut abgegrenzte Use Cases, integrierte Daten sowie Leitplanken für Tonalität und Compliance. Wenn diese Bausteine stehen, kann KI zuverlässig die Routinearbeit übernehmen – Gespräche zusammenfassen, Outreach-Entwürfe schreiben und Vertriebler mit nächsten Schritten anstoßen –, damit sie sich auf das Verkaufen konzentrieren können. Reruptions Co-Preneur-Ansatz ist genau für diese Art von Herausforderung gemacht: Wir arbeiten eingebettet in Ihrem Team und verwandeln abstrakte Ideen wie „KI im Vertrieb“ in funktionierende, messbare Workflows. Wenn Sie bereit sind zu erkunden, wie ein maßgeschneiderter ChatGPT-Copilot Ihr Follow-up und Ihre Pipeline aufräumen kann, sprechen wir gerne mit Ihnen über einen realistischen ersten Schritt.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Gesundheitswesen bis Nachrichtenmedien: Erfahren Sie, wie Unternehmen ChatGPT erfolgreich einsetzen.

AstraZeneca

Gesundheitswesen

In der stark regulierten pharmazeutischen Industrie stand AstraZeneca unter erheblichem Druck, die Wirkstoffforschung und klinischen Studien zu beschleunigen, die traditionell 10–15 Jahre dauern und Milliarden kosten, bei geringen Erfolgsraten von unter 10 %. Datensilos, strenge Compliance-Anforderungen (z. B. FDA-Regularien) und manuelle Wissensarbeit behinderten die Effizienz in F&E und Geschäftsbereichen. Forschende hatten Schwierigkeiten, riesige Datensets aus 3D-Bildgebung, Literaturauswertungen und Protokollentwürfen zu analysieren, was zu Verzögerungen bei der Therapiefindung für Patienten führte. Die Skalierung von KI wurde durch Datenschutz-Bedenken, Integration in Altsysteme und die Sicherstellung verlässlicher KI-Ergebnisse in einem hochkritischen Umfeld erschwert. Ohne schnelle Adoption riskierte AstraZeneca, gegenüber Wettbewerbern zurückzufallen, die KI für schnellere Innovationen zur Erreichung der 2030-Ziele nutzten.

Lösung

AstraZeneca startete eine unternehmensweite Strategie für generative KI und setzte ChatGPT Enterprise ein, maßgeschneidert für Pharma-Workflows. Dazu gehörten KI-Assistenten für die Analyse 3D-molekularer Bildgebung, automatische Entwürfe von Protokollen für klinische Studien und die Synthese von Wissen aus wissenschaftlicher Literatur. Sie gingen Partnerschaften mit OpenAI für sichere, skalierbare LLMs ein und investierten in Schulungen: Rund 12.000 Mitarbeitende aus F&E und anderen Funktionen schlossen bis Mitte 2025 GenAI-Programme ab. Infrastruktur-Upgrades wie AMD Instinct MI300X GPUs optimierten das Modelltraining. Governance-Rahmen stellten Compliance sicher, mit menschlicher Validierung in kritischen Aufgaben. Der Rollout erfolgte phasenweise von Pilotprojekten in 2023–2024 bis zur vollständigen Skalierung 2025, mit Schwerpunkt auf der Beschleunigung der F&E durch GenAI für Moleküldesign und Real-World-Evidence-Analysen.

Ergebnisse

  • ~12.000 Mitarbeitende bis Mitte 2025 in generativer KI geschult
  • 85–93 % der Mitarbeitenden berichteten von Produktivitätssteigerungen
  • 80 % der Medical Writer fanden KI-Protokollentwürfe nützlich
  • Signifikante Reduktion der Trainingszeit für Life-Sciences-Modelle durch MI300X-GPUs
  • Hohe AI-Maturity-Bewertung laut IMD-Index (weltweit oben)
  • GenAI ermöglicht schnellere Studienplanung und Dosiswahl
Fallstudie lesen →

AT&T

Telekommunikation

Als führender Netzbetreiber verwaltet AT&T eines der weltweit größten und komplexesten Netzwerke, das Millionen von Funkzellen, Glasfasern und 5G-Infrastruktur umfasst. Die zentralen Herausforderungen umfassten ineffiziente Netzplanung und -optimierung, etwa die Festlegung optimaler Standorte für Funkzellen und die Frequenzakquisition vor dem Hintergrund explodierender Datenanforderungen durch den 5G-Rollout und das Wachstum des IoT. Traditionelle Methoden beruhten auf manueller Analyse, was zu suboptimaler Ressourcenzuteilung und höheren Kapitalaufwendungen führte. Zusätzlich verursachte die reaktive Netzwartung häufige Ausfälle, da die Anomalieerkennung nicht mit den Echtzeitanforderungen Schritt hielt. Probleme proaktiv zu erkennen und zu beheben war entscheidend, um Ausfallzeiten zu minimieren, doch die enormen Datenmengen aus Netzwerksensoren überforderten die Altsysteme. Dies führte zu erhöhten Betriebskosten, Kundenunzufriedenheit und verzögerter 5G-Bereitstellung. AT&T benötigte skalierbare KI, um Ausfälle vorherzusagen, Selbstheilung zu automatisieren und die Nachfrage präzise zu prognostizieren.

Lösung

AT&T integrierte Maschinelles Lernen und Vorhersageanalytik über seine AT&T Labs und entwickelte Modelle für das Netzwerkdesign, einschließlich Spektrum-Refarming und Optimierung von Funkzellenstandorten. KI-Algorithmen analysieren Geodaten, Verkehrsprofile und historische Leistungsdaten, um ideale Standorte für Sendemasten zu empfehlen und so Baukosten zu reduzieren. Für den Betrieb nutzen Systeme zur Anomalieerkennung und Selbstheilung prädiktive Modelle auf NFV (Network Function Virtualization), um Ausfälle vorherzusagen und automatisierte Behebungen durchzuführen, etwa durch Umleitung von Traffic. Kausale KI geht über Korrelationen hinaus und liefert Ursachenanalysen bei Abwanderung und Netzproblemen. Die Implementierung umfasste Edge-to-Edge-Intelligenz und die Bereitstellung von KI in den Arbeitsabläufen von über 100.000 Ingenieurinnen und Ingenieuren.

Ergebnisse

  • Milliarden von Dollar an Einsparungen bei Netzwerkkosten
  • 20–30% Verbesserung der Netzauslastung und Effizienz
  • Signifikante Reduktion von Vor-Ort-Einsätzen (Truck Rolls) und manuellen Eingriffen
  • Proaktive Erkennung von Anomalien, die größere Ausfälle verhindert
  • Optimierte Standortwahl für Funkzellen, die CapEx um Millionen reduziert
  • Bis zu 40% bessere Genauigkeit bei 5G-Nachfrageprognosen
Fallstudie lesen →

Airbus

Luft- und Raumfahrt

In der Flugzeugentwicklung sind Computational Fluid Dynamics (CFD)-Simulationen essenziell, um den Luftstrom um Tragflächen, Rümpfe und neuartige Konfigurationen vorherzusagen — entscheidend für Treibstoffeffizienz und Emissionsreduzierung. Herkömmliche hochgenaue RANS-Solver benötigen jedoch Stunden bis Tage pro Lauf auf Supercomputern, wodurch Ingenieure nur wenige Dutzend Iterationen pro Designzyklus durchführen können und die Innovationsfähigkeit für nächste Generationen wie das hydrogenbetriebene ZEROe eingeschränkt wird. Dieses Rechenengpassproblem war besonders akut im Kontext von Airbus' Vorstoß zur Dekarbonisierung der Luftfahrt bis 2035, bei dem komplexe Geometrien eine umfassende Exploration erfordern, um Auftriebs-Widerstands-Verhältnisse zu optimieren und gleichzeitig Gewicht zu minimieren. Kooperationen mit DLR und ONERA zeigten den Bedarf an schnelleren Werkzeugen auf, da manuelle Abstimmungen nicht skalieren, um die Tausenden Varianten zu testen, die für laminares Strömungsverhalten oder Blended-Wing-Body-Konzepte nötig sind.

Lösung

Maschinelle Lern-Surrogatmodelle, einschließlich physik-informierter neuronaler Netze (PINNs), wurden auf umfangreichen CFD-Datensätzen trainiert, um komplette Simulationen in Millisekunden zu emulieren. Airbus integrierte diese in eine generative Design-Pipeline, in der KI Druckfelder, Geschwindigkeiten und Kräfte vorhersagt und dabei die Navier-Stokes-Physik über hybride Verlustfunktionen zur Genauigkeit erzwingt. Die Entwicklung umfasste die Aufbereitung von Millionen von Simulations-Snapshots aus Legacy-Läufen, GPU-beschleunigtes Training und iterative Feinabstimmung mit experimentellen Windkanaldaten. Dadurch wurden schnelle Iterationen möglich: Die KI sichtet Designs, während hochauflösende CFD nur die besten Kandidaten verifiziert, wodurch der Gesamtaufwand um Größenordnungen reduziert wird und gleichzeitig ein <5% Fehler bei Schlüsselmetriken gehalten wird.

Ergebnisse

  • Simulationszeit: 1 Stunde → 30 ms (120.000x Beschleunigung)
  • Design-Iterationen: +10.000 pro Zyklus im gleichen Zeitraum
  • Vorhersagegenauigkeit: 95%+ für Auftriebs-/Widerstandskoeffizienten
  • 50% Verkürzung der Designphasenlaufzeit
  • 30–40% weniger hochauflösende CFD-Läufe erforderlich
  • Treibstoffverbrauchsoptimierung: bis zu 5% Verbesserung in Vorhersagen
Fallstudie lesen →

Amazon

Einzelhandel

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

Lösung

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

Ergebnisse

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

American Eagle Outfitters

Bekleidungs-Einzelhandel

In der wettbewerbsintensiven Bekleidungs-Einzelhandel-Landschaft stand American Eagle Outfitters vor erheblichen Herausforderungen in den Ankleidekabinen, wo Kund:innen nach Styling-Beratung, präziser Größenempfehlung und ergänzenden Artikelvorschlägen verlangen, ohne auf überlastete Mitarbeitende warten zu müssen . Während Stoßzeiten führten Personalknappheiten häufig dazu, dass frustrierte Käufer:innen Waren zurückließen, die Anprobefrequenz sanken und Konversionschancen verpasst wurden, da traditionelle In-Store-Erfahrungen hinter der personalisierten E‑Commerce-Welt zurückblieben . Frühe Ansätze wie Beacon-Technologie im Jahr 2014 verdoppelten zwar die Wahrscheinlichkeit des Betretens der Umkleide, fehlte es ihnen jedoch an Tiefe für Echtzeit-Personalisierung . Hinzu kamen Daten-Silos zwischen Online und Offline, die einheitliche Kundenkenntnisse erschwerten und es schwierig machten, Artikel dynamisch an individuelle Stilpräferenzen, Körpertypen oder sogar Hauttöne anzupassen. American Eagle benötigte eine skalierbare Lösung, um Engagement und Kundentreue in Flagship-Stores zu steigern und gleichzeitig mit KI breiter zu experimentieren .

Lösung

American Eagle ging eine Partnerschaft mit Aila Technologies ein, um interaktive Ankleidekabinen-Kioske einzusetzen, die von Computervision und Maschinellem Lernen angetrieben werden; diese wurden 2019 in Flagship-Filialen in Boston, Las Vegas und San Francisco eingeführt . Kund:innen scannen Kleidungsstücke über iOS-Geräte, wodurch CV‑Algorithmen die Artikel identifizieren und ML‑Modelle — trainiert auf Kaufhistorie und Google Cloud‑Daten — optimale Größen, Farben und Outfit‑Ergänzungen vorschlagen, zugeschnitten auf inferierte Stilpräferenzen . Integriert mit den ML-Funktionen von Google Cloud ermöglicht das System Echtzeit-Empfehlungen, Benachrichtigungen an Mitarbeitende und nahtlose Bestandsabfragen und entwickelte sich von Beacon‑Gimmicks zu einem vollwertigen smarten Assistenten . Dieser experimentelle Ansatz, gefördert vom CMO Craig Brommers, fördert eine KI‑Kultur für Personalisierung im großen Maßstab .

Ergebnisse

  • Zweistellige Conversion-Steigerungen durch KI‑Personalisierung
  • 11% Wachstum der vergleichbaren Verkäufe für die Marke Aerie im Q3 2025
  • 4% Anstieg der gesamten vergleichbaren Verkäufe im Q3 2025
  • 29% EPS‑Wachstum auf $0,53 im Q3 2025
  • Verdoppelte Anprobewahrscheinlichkeit in Ankleidekabinen durch frühe Technik
  • Rekordumsatz im Q3 von $1,36 Mrd.
Fallstudie lesen →

Best Practices

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

Zusammenfassungen nach Gesprächen und Follow-up-Entwürfe automatisieren

Eine der schnellsten Möglichkeiten, die Produktivität im Vertriebs-Follow-up zu steigern, ist das Eliminieren manueller Notizen und E-Mail-Entwürfe nach Gesprächen. Nutzen Sie ChatGPT, um rohe Gesprächstranskripte oder Stichpunkte in strukturierte Zusammenfassungen und versandfertige Follow-up-E-Mails zu verwandeln. So endet jedes Gespräch mit einem klaren Recap und nächsten Schritten – ohne zusätzlichen Admin-Aufwand für Ihre Vertriebler.

Entwerfen Sie einen Standard-Prompt, den Ihre Vertriebler oder Ihre Integration nach jedem Gespräch nutzen:

Sie sind ein Assistent für Vertriebsnachfassaktionen.

Eingabe:
- Gesprächstranskript oder Stichpunkte
- Opportunity-Phase und Produkt
- Rolle des Interessenten und Unternehmen

Aufgaben:
1. Fassen Sie das Gespräch in 5 Stichpunkten zusammen (Problem, aktuelle Situation, Interessen, Einwände, Entscheidungen).
2. Listen Sie konkrete nächste Schritte mit Verantwortlichen und Terminen auf.
3. Entwerfen Sie eine prägnante Follow-up-E-Mail an den Hauptansprechpartner, die:
   - die wichtigsten Punkte in klarer Sprache zusammenfasst
   - Entscheidungen und Verantwortlichkeiten bestätigt
   - 1–2 konkrete nächste Schritte mit spezifischen Terminvorschlägen vorschlägt.
Ton: Professionell, klar, menschlich, im Einklang mit der Marke <Company>.

Leiten Sie die Ausgabe in Ihr CRM-Aktivitätsprotokoll und Ihr E-Mail-Programm, sodass Vertriebler nur noch kurz prüfen und anpassen müssen, bevor sie senden. So lassen sich pro Gespräch leicht 10–15 Minuten einsparen – bei gleichzeitig standardisierter Follow-up-Qualität.

Mit ChatGPT dealspezifische Follow-up-Sequenzen erzeugen

Statt generischer, „One-Size-fits-all“-Cadences können Sie ChatGPT nutzen, um personalisierte Follow-up-Sequenzen zu erstellen, die auf jede Opportunity zugeschnitten sind. Speisen Sie zentrale Deal-Informationen ein (Pain Points, Stakeholder, Phase, letzte Interaktion) und lassen Sie einen 2–3‑wöchigen Follow-up-Plan mit E-Mails, Anrufversuchen und wertstiftenden Touchpoints vorschlagen.

Beispiel-Prompt für die Konfiguration:

Sie entwerfen eine Follow-up-Sequenz für eine B2B-Vertriebsopportunity.

Eingabedaten:
- Profil des Interessenten (Branche, Größe, Rolle)
- Hauptproblem, das der Interessent lösen möchte
- Deal-Phase und voraussichtliches Abschlussdatum
- Letzte 2 Interaktionen (was besprochen und was zugesagt wurde)

Aufgabe:
Erstellen Sie einen 14-tägigen Follow-up-Plan, der Folgendes umfasst:
- Zeitplan der Touchpoints (Tage und Kanäle: E-Mail, Anruf, LinkedIn)
- Kurze inhaltliche Ausrichtung für jeden Touchpoint (z. B. Case Study, ROI-Argumentation, technische Klärung)
- Entwurf des Textes für die erste E-Mail und die erste LinkedIn-Nachricht.

Vorgaben:
- Keine „spammy“ Sprache, immer werthaltig.
- Maximal 150 Wörter pro E-Mail.
- Im Stil des beratenden Verkaufens formulieren.

Vertriebler können die Sequenz prüfen und anpassen und die Schritte anschließend in ihr Sales-Engagement-Tool übernehmen. Das reduziert die mentale Last bei der Frage „Was mache ich als Nächstes?“ und sorgt für zeitnahe, relevante Follow-ups.

Eine „Next Best Action“-Seitenleiste in Ihrem CRM erstellen

Für die tägliche Umsetzung ist der größte Hebel, klare Next Best Actions für jeden Deal direkt dort anzuzeigen, wo Ihre Vertriebler arbeiten. Nutzen Sie ChatGPT, um ausgewählte CRM-Felder (Phase, Datum der letzten Aktivität, letzte Notiz, Deal-Wert) auszulesen und bei jedem Öffnen einer Opportunity eine knappe Empfehlung zu generieren.

Ihre Integration könnte ChatGPT mit einem Prompt wie diesem aufrufen:

Sie sind ein Assistent für die Vertriebs-Pipeline.

Hier sind die Opportunity-Daten:
- Dealname, Wert, Abschlussdatum, Phase
- Letzte 3 Aktivitäten mit Datum
- Offene Aufgaben und deren Fälligkeiten
- Wichtige Entscheider und ihre Rollen

Aufgabe:
1. Bewerten Sie, ob dieser Deal aufgrund fehlender aktueller Aktivitäten gefährdet ist.
2. Schlagen Sie die eine wirkungsvollste nächste Aktion vor, die der Vertriebler in den nächsten 24 Stunden durchführen sollte.
3. Entwerfen Sie eine kurze Notiz, die der Vertriebler nutzen kann (Telefonleitfaden oder E-Mail-Skelett).

Ausgabeformat:
- Risiko-Einschätzung (niedrig/mittel/hoch) mit 1 Satz Begründung.
- Nächste beste Aktion (1–2 Sätze).
- Skriptvorlage (max. 80 Wörter).

So wird Ihr CRM von einer passiven Datenbank zu einem aktiven Copilot, der Vertrieblern hilft, schnell zu priorisieren, welche Deals sie wie angehen sollten.

Templates für typische Follow-up-Szenarien standardisieren

Viele Follow-up-Situationen wiederholen sich: nach einer Demo, nach dem Versand eines Angebots, nach einem No-Show, nach der Prüfung durch den Einkauf. Erstellen Sie eine kleine Bibliothek mit ChatGPT-Prompts für Follow-up-Templates im Vertrieb, die Ihre Vertriebler in Sekunden wiederverwenden und anpassen können, statt jedes Mal neu zu schreiben.

Beispiel für einen Prompt nach einem No-Show:

Sie schreiben eine höfliche Follow-up-E-Mail nach einem verpassten Vertriebstermin.

Eingabe:
- Name und Unternehmen des Interessenten
- Gesprächsthema
- Bekannter Grund für den No-Show (falls vorhanden)

Aufgabe:
Schreiben Sie eine kurze, freundliche E-Mail, die:
- den No-Show ohne Vorwurf anspricht
- den Nutzen des Gesprächs noch einmal hervorhebt
- 2–3 konkrete neue Terminvorschläge macht
- insgesamt unter 120 Wörtern bleibt.
Ton: Respektvoll, verständnisvoll, effizient.

Wenn Sie Ihr Team mit einer Handvoll solcher Templates ausstatten, reduzieren Sie Reaktionszeiten und Streuung in der Qualität deutlich – bei weiterhin ausreichendem Raum für Personalisierung, wo es darauf ankommt.

ChatGPT mit Aufgabenerstellung und Erinnerungen verbinden

Follow-up-Disziplin bricht oft dort zusammen, wo Aufgaben nicht in dem Moment erstellt werden, in dem der Bedarf klar ist. Nutzen Sie ChatGPT, um automatisch Follow-up-Aufgaben auf Basis von Gesprächsnotizen oder E-Mail-Inhalten vorzuschlagen und zu generieren. Wenn ein Vertriebsmitarbeiter beispielsweise eine Notiz mit Formulierungen wie „Preise senden“, „IT einbinden“ oder „Case Study teilen“ speichert, kann eine Integration ChatGPT aufrufen, um daraus strukturierte Aufgaben mit Fälligkeiten zu erstellen.

Ein Backend-Prompt könnte so aussehen:

Sie analysieren unstrukturierte Vertriebsnotizen und erstellen strukturierte Follow-up-Aufgaben.

Eingabe: Freitext-Notizen aus einem Vertriebsgespräch oder einer internen Abstimmung.

Aufgabe:
1. Identifizieren Sie alle vom Vertriebler eingegangenen Zusagen.
2. Erstellen Sie für jede Zusage eine Aufgabe mit:
   - Titel (max. 8 Wörter)
   - Kurzer Beschreibung
   - Vorgeschlagenem Fälligkeitsdatum (basierend auf der Dringlichkeit im Text)

Geben Sie JSON mit einem Array von Aufgaben aus.

Ihr CRM- oder Projekttool kann diese Ausgabe dann übernehmen und automatisch Aufgaben anlegen – so sinkt das Risiko, dass wichtige Follow-ups vergessen werden.

Impact mit einfachen, konkreten KPIs messen

Damit Ihre Initiative KI für Vertriebsnachfassaktionen auf dem Boden bleibt, definieren und verfolgen Sie vor und nach der Implementierung eine kleine Anzahl von KPIs. Konzentrieren Sie sich auf Metriken, die direkt mit Disziplin und Ergebnissen verknüpft sind – zum Beispiel: durchschnittliche Zeit vom Gespräch bis zum Versand der Follow-up-E-Mail, % der Opportunities mit mindestens einem Touch in den letzten 7 Arbeitstagen, Conversion Rate von Phase X zu Phase Y sowie Zeitaufwand pro Vertriebler für Admin vs. Verkaufen.

Ermitteln Sie zunächst eine einfache Ausgangsbasis über 4–6 Wochen und vergleichen Sie diese dann nach Einführung der ChatGPT-gestützten Workflows. Sie suchen nach realistischen Verbesserungen, etwa 30–50 % schnellere Follow-up-Zeiten, 10–20 % mehr Opportunities mit konsistenten Touchpoints und mehreren pro Woche zurückgewonnenen Stunden pro Vertriebler. Diese Daten rechtfertigen nicht nur die Investition, sondern helfen auch bei der weiteren Optimierung von Prompts und Prozessen.

Wenn Sie ChatGPT auf diese praktische, workflow-orientierte Weise implementieren, kann es die Follow-up-Disziplin spürbar verbessern: mehr konsistente Touchpoints, schnellere Reaktionen, sauberere CRM-Daten und bessere Pipeline-Transparenz. Erwarten Sie zunächst inkrementelle Fortschritte (einige pro Woche eingesparte Stunden, moderater Anstieg der Conversion Rates zwischen den Phasen), die sich mit verfeinerten Prompts, erweiterter Abdeckung und wachsendem Vertrauen der Vertriebler in den Copilot verstärken.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

ChatGPT verbessert die Disziplin im Vertriebs-Follow-up, indem es die repetitivsten und fehleranfälligsten Aufgaben übernimmt: Follow-up-E-Mails schreiben, Gespräche zusammenfassen und nächste Schritte vorschlagen. Statt sich darauf zu verlassen, dass Vertriebler sich an jede Zusage erinnern, können Sie ChatGPT mit Ihrem CRM oder Ihren Call-Tools integrieren, sodass es nach jeder Interaktion automatisch:

  • eine klare Zusammenfassung der besprochenen Punkte und getroffenen Entscheidungen erstellt
  • eine kontextbezogene Follow-up-E-Mail vorbereitet, die nur noch geprüft und versendet werden muss
  • konkrete Next Best Actions und zugehörige Aufgaben vorschlägt

Dadurch sinkt die kognitive Belastung für Vertriebler und „das richtige Follow-up machen“ wird zum Weg des geringsten Widerstands. Das Ergebnis sind mehr konsistente Touchpoints und weniger Deals, die unbemerkt durchrutschen.

Sie benötigen zu Beginn kein großes KI-Team, aber einige Grundlagen müssen vorhanden sein. Auf der Business-Seite: eine Vertriebsführungskraft, die definiert, wie gutes Follow-up aussieht, und eine kleine Gruppe von Vertrieblern, die bereit sind, neue Workflows zu pilotieren. Auf der technischen Seite: jemanden, der APIs oder Low-Code-Tools anbinden kann (z. B. an Ihr CRM, Ihre Gesprächsaufzeichnung oder Ihr E-Mail-System) und grundlegendes Prompt-Design beherrscht.

Reruption kombiniert in der Regel Ihre Vertriebsexpertise mit unseren Kompetenzen in KI-Engineering und Workflow-Design. Gemeinsam definieren wir die Use Cases, entwerfen Prompts und bauen schlanke Integrationen, damit die Lösung zu Ihrem bestehenden Stack passt. Im Zeitverlauf helfen wir Ihrem internen Team, genug Know-how aufzubauen, um das System selbst zu betreiben und weiterzuentwickeln.

Für einen fokussierten Use Case wie Gesprächszusammenfassungen und das Erstellen von Follow-up-E-Mail-Entwürfen sehen Sie innerhalb weniger Wochen greifbare Ergebnisse. Ein typischer Zeitplan sieht so aus:

  • Woche 1: Follow-up-Standards definieren, Pilotteam auswählen, erste Prompts entwerfen.
  • Wochen 2–3: Leichtgewichtige Integration oder manuellen Workflow umsetzen; Vertriebler beginnen, ChatGPT in echten Deals einzusetzen.
  • Wochen 4–6: Prompts anhand von Feedback verfeinern, weitere Szenarien ergänzen und Auswirkungen auf Reaktionszeiten und Pipeline-Aktivität messen.

Verhaltensänderungen und messbare KPI-Verbesserungen (z. B. schnelleres Follow-up, höhere Aktivitätsabdeckung) zeigen sich in der Regel innerhalb von 4–8 Wochen, wenn der Pilot gut abgegrenzt und unterstützt ist.

Die laufenden Kosten für ChatGPT-basierte Vertriebsworkflows sind in der Regel gering im Vergleich zu Vertriebssalären und Deal-Werten. Der Großteil der Investition entfällt auf Konzeption und Integration zu Beginn; die laufenden Modellnutzungskosten skalieren mit dem Volumen, bleiben aber pro E-Mail oder Zusammenfassung sehr niedrig.

Auf der ROI-Seite sind realistische Erwartungen: pro Vertriebler mehrere Stunden an Admin-Zeit pro Woche einsparen, eine höhere Konsistenz im Follow-up über die gesamte Pipeline hinweg und moderate, aber relevante Steigerungen der Conversion Rates zwischen den Phasen (zum Beispiel mehr Opportunities, die von Demo zu Angebot wechseln, weil Follow-ups nicht ins Stocken geraten). Für viele Teams reichen bereits 2–3 zurückgewonnene Stunden pro Woche und Vertriebler sowie ein paar zusätzlich gewonnene Deals pro Quartal aus, um die Initiative mehr als zu bezahlen.

Reruption arbeitet als Co-Preneur an der Seite Ihres Teams, um die Idee „KI für Vertriebsnachfassaktionen“ in eine konkrete, funktionierende Lösung zu übersetzen. Wir starten mit einem fokussierten KI-PoC für 9.900€, um zu validieren, dass ChatGPT Ihre spezifischen Follow-up-Szenarien mit Ihren Daten, Tools und Rahmenbedingungen zuverlässig abdecken kann. Das umfasst Use-Case-Definition, Machbarkeitsprüfung, einen schnellen Prototyp und die Bewertung der Performance.

Darauf aufbauend helfen wir Ihnen, den Copilot in Ihre tatsächlichen Workflows einzubetten: Integration in Ihr CRM oder Ihre Kommunikationstools, Design robuster Prompts und Schulung Ihrer Vertriebler in der effektiven Nutzung. Da wir in Ihrer P&L und nicht in Foliensätzen arbeiten, ist das Ziel kein Bericht, sondern ein Livesystem, das verpasste Follow-ups verlässlich reduziert und die Vertriebsproduktivität steigert.

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