Die Herausforderung: Schlechte Follow-up-Disziplin

Die meisten Vertriebsleiter brauchen nicht mehr Leads – sie brauchen Teams, die die vorhandenen Leads zuverlässig bearbeiten. Mit dutzenden laufenden Opportunities jonglieren Vertriebsteams E-Mails, Anrufe, Meetings und interne Threads über verschiedene Tools hinweg. In diesem Chaos sind Follow-ups leicht zu vergessen, zu verschieben oder uneinheitlich zu behandeln. Das Ergebnis ist eine undichte Pipeline, in der gute Opportunities leise sterben, weil sich niemand zum richtigen Zeitpunkt meldet.

Traditionelle Ansätze, um die Follow-up-Disziplin zu verbessern – mehr CRM-Felder, strengere Regeln, manuelle Aufgabenlisten oder zusätzliche Status-Meetings – passen schlicht nicht zum Tempo und zur Komplexität des modernen B2B-Vertriebs. Ihre Reps leben in Gmail, Calendar, Meet und Docs, nicht in Tabellen und Prozesshandbüchern. Wenn Follow-up-Erwartungen außerhalb des täglichen Workflows existieren, sind sie das Erste, was ignoriert wird, sobald der Druck steigt.

Die geschäftlichen Auswirkungen sind direkt und schmerzhaft: stagnierende Deals, längere Sales-Cycles, inkonsistente Buyer-Erlebnisse und niedrigere Abschlussquoten. Pipeline-Reviews werden zu Detektivarbeit statt zu Entscheidungsrunden. Marketing investiert massiv in Demand Generation, nur um zu sehen, wie qualifizierte Leads wieder kalt werden. Wettbewerber, die schneller reagieren und konsequenter nachfassen, gewinnen Deals, die eigentlich Ihnen gehören sollten. Langfristig untergräbt das die Umsatzplanbarkeit und das Vertrauen in die Sales-Forecasts.

Die gute Nachricht: Dieses Problem ist gut lösbar. Mit KI-Copiloten wie Gemini, die innerhalb von Google Workspace arbeiten, lässt sich ein großer Teil der Follow-up-Disziplin automatisieren, führen und standardisieren – ohne zusätzlichen Administrationsaufwand für Ihre Reps. Bei Reruption haben wir gesehen, wie KI-gestützte Workflows manuelles Hinterhertelefonieren und Notizenmachen durch proaktive, kontextbezogene Impulse ersetzen. In den folgenden Abschnitten finden Sie praxisnahe Hinweise, wie Sie Gemini nutzen, um Follow-ups von einer Schwäche in einen Wettbewerbsvorteil zu verwandeln.

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 Erfahrung im Aufbau und Rollout von KI-Copiloten für Vertriebsteams ist schlechte Follow-up-Disziplin selten ein Motivationsproblem – es ist ein Problem von Workflows und Systemen. Gemini in Google Workspace ist hier einzigartig positioniert, weil es dort sitzt, wo Ihre Reps ohnehin arbeiten: Gmail, Calendar, Meet und Docs. Richtig konzipiert wird Gemini nicht zu „einem weiteren Tool“, sondern zu einer Hintergrund-Engine, die Kontext erfasst, Follow-ups entwirft und Aufgaben erstellt, sodass keine Opportunity zurückbleibt.

Gestalten Sie das Follow-up-System rund um Workspace, nicht rund um das CRM

Die meisten Organisationen versuchen, Follow-up-Disziplin direkt im CRM zu erzwingen. Das klingt logisch, kollidiert aber mit der Realität: Verkäufer verbringen ihre aktive Zeit in Gmail, Calendar und Videocalls. Ein strategischer Ansatz ist es, die Google-Workspace-Umgebung zum primären Follow-up-Cockpit zu machen und das CRM als Daten-Backbone zu behandeln – nicht als wichtigste Benutzeroberfläche.

Mit Gemini können Sie zulassen, dass KI Absicht und Aktionen aus E-Mails und Meetings erfasst und dann strukturierte Updates in Ihr CRM schiebt. Strategisch bedeutet das: Gestalten Sie Ihre Follow-up-Regeln rund um Ereignisse, die ohnehin in Workspace stattfinden (gesendete E-Mails, durchgeführte Meetings, geteilte Angebote), und lassen Sie Gemini diese in nächste Schritte übersetzen. So reduzieren Sie Widerstand, weil Reps nicht den Kontext wechseln müssen, um „diszipliniert zu sein“ – Disziplin ist dort eingebettet, wo sie bereits arbeiten.

Starten Sie mit einem klar abgegrenzten, wirkungsstarken Funnel-Segment

Der Versuch, alle Follow-up-Szenarien auf einmal zu automatisieren, führt fast zwangsläufig zu Komplexität und geringer Akzeptanz. Besser ist es, Gemini zunächst auf eine einzige, besonders wertvolle Phase zu fokussieren – zum Beispiel Follow-ups nach Discovery-Calls oder nach dem Versand von Angeboten. Das sind Momente mit klaren Erwartungen und messbarem Einfluss auf die Conversion.

Von dort aus können Sie Geminis Rolle auf frühere Nurturing-Phasen oder die Unterstützung in späten Verhandlungsphasen ausdehnen. Dieser phasenweise Ansatz hält das Risiko gering und ermöglicht es Ihnen, schnell belastbare Erkenntnisse zu sammeln: Wie viel schneller gehen Follow-ups raus, wie viele zusätzliche Zweittermine werden gebucht, wie viele stagnierende Deals werden reaktiviert. Reruptions Arbeit in zahlreichen KI-Implementierungen zeigt, dass ein eng abgegrenzter Pilot das organisatorische Vertrauen schafft, das Sie für den Skalierungsschritt benötigen.

Definieren Sie klare Leitplanken zwischen menschlichem Urteilsvermögen und KI-Automatisierung

KI sollte die Fleißarbeit übernehmen, nicht die Beziehung. Strategisch müssen Sie definieren, was Gemini eigenständig tun darf und wo Sales-Reps die Kontrolle behalten müssen. Zum Beispiel kann KI Follow-up-E-Mails automatisch vorformulieren, Calls zusammenfassen, nächste Schritte vorschlagen sowie Calendar- oder Tasks-Einträge anlegen – aber die Reps entscheiden, ob sie die E-Mail unverändert senden, anpassen oder verwerfen.

Die Dokumentation dieser KI-Leitplanken sorgt früh für Abstimmung zwischen Vertrieb, Rechtsabteilung und Compliance. Reps verstehen, dass Gemini ein Copilot ist, kein Ersatz. Die Führung weiß, wo Verantwortung verankert ist. Diese Klarheit reduziert Widerstände, vermeidet Überautomatisierung und stellt sicher, dass die Qualität der Buyer-Interaktionen steigt, statt mechanisch zu wirken.

Investieren Sie in Schulungen, damit Reps in Prompts statt nur in Templates denken

Gemini ist nur so gut wie der Kontext, den Sie ihm geben. Strategisch sollten Sie Ihr Vertriebsteam zu einer grundlegenden „Prompt-Kompetenz“ befähigen: Käuferkontext, Absicht und Ton so zu beschreiben, dass Gemini hochwertige Follow-ups generieren kann. Es geht nicht darum, Reps zu KI-Ingenieuren zu machen; es geht darum, ihnen eine wiederholbare Methode zu vermitteln, ihren Copiloten zu briefen.

Wir empfehlen in der Regel eine Handvoll standardisierter Prompt-Muster, die auf Ihren Sales-Prozess zugeschnitten sind, etwa „Recap nach Discovery-Call“, „Angebots-Klärung“ oder „Reaktivierung nach Funkstille“. Diese Muster lassen sich im Laufe der Zeit auf Basis der Performance verfeinern. Organisationen, die Prompting als zentrale Vertriebskompetenz und nicht als Spielerei betrachten, erzielen deutlich bessere Adoption und Resultate mit KI-Tools wie Gemini.

Planen Sie Messung und Governance von Anfang an ein

Follow-up-Disziplin verbessert sich nur nachhaltig, wenn Sie sie messen. Auf strategischer Ebene sollten Sie eine überschaubare Anzahl an KPIs definieren, bei denen Gemini spürbare Effekte erzielen soll: Follow-up-Zeit nach Schlüsselkundenmeetings, Anteil der Opportunities mit einem aktiven nächsten Schritt, Antwortquoten auf Follow-up-E-Mails und Reaktivierung ruhender Deals.

Governance bedeutet dann die regelmäßige Überprüfung dieser Kennzahlen, kombiniert mit Stichproben der KI-generierten Inhalte auf Qualität und Compliance. Reruption richtet häufig einen Feedback-Loop ein, in dem Reps besonders gelungene oder problematische Gemini-Ausgaben markieren können, die dann zur Verfeinerung von Anweisungen und Workflows genutzt werden. So bleibt die KI beim Skalieren an Ihren Tonfall, Ihre Richtlinien und Ihre kommerziellen Prioritäten angepasst.

Sorgfältig eingesetzt kann Gemini in Google Workspace Follow-up-Disziplin von einer manuellen Last in eine verlässliche, KI-gestützte Gewohnheit verwandeln. Indem Sie Automatisierung in Gmail, Calendar, Meet und Docs verankern, geben Sie Ihren Reps genau dort mehr Hebelwirkung, wo ihr Arbeitstag stattfindet – ohne ein weiteres Tool aufzuzwingen. Reruptions praktische Arbeit mit KI-Copiloten zeigt, dass die Kombination aus klaren Leitplanken, fokussierten Piloten und messbaren KPIs Experimente in echten Umsatzimpact verwandelt. Wenn Sie einen Partner suchen, der Sie bei Konzeption, Prototyping und Operationalisierung unterstützt – und nicht nur eine Strategie aufschreibt – steht unser Team bereit, um mit Ihnen End-to-End zu arbeiten.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

Von Fertigung bis Gesundheitswesen: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Ford Motor Company

Fertigung

In Fords Automobilfertigungsstätten stellten Schleifen und Lackieren von Karosserien einen großen Engpass dar. Diese arbeitsintensiven Tätigkeiten erforderten manuelles Schleifen der Karosserien durch Mitarbeitende, ein Prozess, der zu Inkonsistenzen, Ermüdung und ergonomischen Verletzungen aufgrund repetitiver Bewegungen über Stunden führte . Traditionelle Robotersysteme hatten Probleme mit der Variabilität von Karosserieteilen, Krümmungen und Materialunterschieden, was eine vollständige Automatisierung in bestehenden 'Brownfield'-Anlagen erschwerte . Zudem war das Erreichen einer konstanten Oberflächenqualität für die Lackierung entscheidend, da Fehler zu Nacharbeit, Verzögerungen und höheren Kosten führen konnten. Mit steigender Nachfrage nach Elektrofahrzeugen (EVs) und zunehmender Produktionsskalierung musste Ford modernisieren, ohne massive Investitionsausgaben oder Störungen des laufenden Betriebs zu verursachen, und dabei die Sicherheit der Belegschaft und deren Qualifizierung priorisieren . Die Herausforderung bestand darin, eine skalierbare Automatisierung zu integrieren, die nahtlos mit Menschen zusammenarbeitet.

Lösung

Ford begegnete dieser Herausforderung durch den Einsatz von KI-geführten kollaborativen Robotern (Cobots), ausgestattet mit Maschinenvision und Automatisierungsalgorithmen. In der Karosseriewerkstatt scannen sechs Cobots mit Kameras und KI die Karosserien in Echtzeit, erkennen Flächen, Defekte und Konturen mit hoher Präzision . Diese Systeme nutzen Computer-Vision-Modelle für 3D-Mapping und Bahnplanung, wodurch sich die Cobots dynamisch anpassen können, ohne neu programmiert werden zu müssen . Die Lösung setzte auf eine workforce-first Brownfield-Strategie, beginnend mit Pilotprojekten in Werken in Michigan. Cobots übernehmen das Schleifen autonom, während Menschen die Qualitätsüberwachung durchführen, wodurch Verletzungsrisiken reduziert werden. Partnerschaften mit Robotikfirmen und interne KI-Entwicklung ermöglichten Low-Code-Inspektionstools für eine einfache Skalierung .

Ergebnisse

  • Schleifzeit: 35 Sekunden pro vollständiger Karosserie (statt Stunden manuell)
  • Produktivitätssteigerung: 4x schneller in Montageprozessen
  • Verletzungsreduktion: 70 % weniger ergonomische Belastungen in Cobots-Bereichen
  • Konsistenzverbesserung: 95 % fehlerfreie Oberflächen nach dem Schleifen
  • Einsatzumfang: 6 Cobots im Betrieb, Ausbau auf über 50 Einheiten geplant
  • ROI-Zeitraum: Amortisation in 12–18 Monaten pro Werk
Fallstudie lesen →

Ooredoo (Qatar)

Telekommunikation

Ooredoo Qatar, Qatars führender Telekommunikationsanbieter, hatte mit den Ineffizienzen manueller Optimierung und Fehlerbehebung im Radio Access Network (RAN) zu kämpfen. Mit der Beschleunigung des 5G-Ausbaus erwiesen sich traditionelle Methoden als zeitaufwendig und nicht skalierbar , sie konnten die steigenden Datenanforderungen nicht effizient bewältigen, die nahtlose Konnektivität gewährleisten oder hohe Nutzererlebnisse inmitten komplexer Netzdynamiken aufrechterhalten . Leistungsprobleme wie abgebrochene Gespräche, schwankende Datenraten und suboptimale Ressourcenallokation erforderten ständige manuelle Eingriffe, trieben die Betriebskosten (OpEx) in die Höhe und verzögerten Problemlösungen. Da Qatars nationale Digitalisierungsagenda fortgeschrittene 5G-Fähigkeiten forderte, benötigte Ooredoo einen proaktiven, intelligenten Ansatz für das RAN-Management, ohne die Netzzuverlässigkeit zu gefährden .

Lösung

Ooredoo ging eine Partnerschaft mit Ericsson ein, um die cloud-native Ericsson Cognitive Software auf Microsoft Azure bereitzustellen, die einen digitalen Zwilling des RAN mit Deep Reinforcement Learning (DRL) für KI-gesteuerte Optimierung kombiniert . Diese Lösung erstellt eine virtuelle Netzreplik, um Szenarien zu simulieren, umfangreiche RAN-Daten in Echtzeit zu analysieren und proaktive Tuning-Empfehlungen zu erzeugen . Die Suite der Ericsson Performance Optimizers wurde 2022 in einer Pilotphase getestet und entwickelte sich bis 2023 zur vollständigen Bereitstellung, wodurch automatisierte Problemlösungen und Leistungsverbesserungen ermöglicht wurden, die sich nahtlos in Ooredoos 5G-Infrastruktur integrieren ließen . Kürzliche Erweiterungen umfassen Energieeinsparungs-PoCs, die KI weiter für nachhaltigen Betrieb nutzen .

Ergebnisse

  • 15% Reduktion des Funkleistungsverbrauchs (Energy Saver PoC)
  • Proaktive RAN-Optimierung verkürzt Fehlerbehebungszeiten
  • Hohe Nutzererfahrung während der Energieeinsparungen beibehalten
  • Reduzierte Betriebskosten durch automatisierte Problemlösungen
  • Verbessertes 5G-Abonnentenerlebnis mit nahtloser Konnektivität
  • 10% Zuwachs der spektralen Effizienz (Ericsson AI RAN Benchmarks)
Fallstudie lesen →

H&M

Mode‑Einzelhandel

In der schnelllebigen Welt des Bekleidungs-Einzelhandels stand H&M unter massivem Druck durch rasch wechselnde Konsumententrends und volatile Nachfrage. Traditionelle Prognosemethoden konnten nicht mithalten, was häufig zu Out-of-Stock-Situationen in Hochphasen und massiven Überbeständen unverkaufter Artikel führte – beides trug zu hohen Abfallmengen bei und band Kapital. Berichten zufolge kosteten H&Ms Bestandsineffizienzen jährlich Millionen, wobei Überproduktion die ökologischen Probleme einer Branche mit Überangebot verschärfte. Hinzu kamen globale Lieferkettenstörungen und der Wettbewerb durch agile Rivalen wie Zara, die den Bedarf an präziser Trendprognose verstärkten. Die Altsysteme von H&M beruhten ausschließlich auf historischen Verkaufsdaten und verpassten Echtzeitsignale aus sozialen Medien und Suchtrends, was zu fehlallokierten Beständen in über 5.000 Filialen weltweit und suboptimalen Sell-Through-Raten führte.

Lösung

H&M setzte KI-gestützte prädiktive Analytik ein, um seinen Ansatz grundlegend zu verändern, und integrierte maschinelle Lernmodelle, die umfangreiche Datensätze aus sozialen Medien, Modeblogs, Suchmaschinen und internen Verkaufsdaten auswerten. Diese Modelle sagen aufkommende Trends Wochen im Voraus voraus und optimieren die Bestandsallokation dynamisch. Die Lösung umfasste die Zusammenarbeit mit Datenplattformen zum Crawlen und Verarbeiten unstrukturierter Daten, die in kundenspezifische ML-Algorithmen zur Nachfrageprognose eingespeist wurden. Dies ermöglichte automatisierte Nachbestellentscheidungen, reduzierte menschliche Verzerrungen und beschleunigte die Reaktionszeiten von Monaten auf Tage.

Ergebnisse

  • 30 % Gewinnsteigerung durch optimierte Bestände
  • 25 % Reduktion von Abfall und Überbeständen
  • 20 % Verbesserung der Prognosegenauigkeit
  • 15–20 % höhere Sell-Through-Raten
  • 14 % weniger Out-of-Stock-Situationen
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 →

Insilico Medicine

Biotechnologie

Der Wirkstoffentdeckungsprozess in der Biotechnologie ist berüchtigt dafür, lang und teuer zu sein, typischerweise 10–15 Jahre dauernd und 2–3 Milliarden USD pro zugelassenem Wirkstoff kostend, mit einer Fehlerrate von 90 % in klinischen Studien. Bei idiopathischer Lungenfibrose (IPF), einer fortschreitenden Lungenerkrankung mit begrenzten Behandlungsoptionen, sind die Herausforderungen noch größer: die Identifizierung neuartiger Targets inmitten komplexer Biologie, die Entwicklung wirksamer Moleküle sowie die Vorhersage von Eigenschaften wie Toxizität und Wirksamkeit erfordern enorme Datenmengen und aufwändiges Trial‑and‑Error‑Screening. Traditionelle Methoden stützen sich auf Hochdurchsatzscreening und medizinische Chemie, die jedoch bei seltenen Erkrankungen wie IPF ineffizient sind, da die Patientenzahl begrenzt ist und die Heterogenität der Krankheit den Fortschritt hemmt. Insilico stand vor der Herausforderung, die Zielidentifikation und Moleküldesign zu beschleunigen und gleichzeitig die präklinische Durchführbarkeit sicherzustellen — in einem Umfeld, das gegenüber der Zuverlässigkeit von KI in der realen Pharmawelt skeptisch war.

Lösung

Insilico setzte seine End‑to‑End‑Plattform Pharma.AI ein, die generative KI über Chemistry42 zur neuartigen Molekülgenerierung, PandaOmics zur Zielentdeckung (Deep Learning auf Multi‑Omics‑Daten) und InClinico für Trial‑Simulationen integriert. Deep‑Learning‑Modelle, trainiert auf riesigen Datensätzen, generierten 10.000+ neuartige Moleküle de novo und optimierten diese für IPF‑spezifische Targets wie TNIK. Diese KI‑getriebene Pipeline überwand manuelle Beschränkungen, indem sie ADMET‑Eigenschaften vorhersagte, Top‑Kandidaten per Robotik synthetisierte und in Tiermodellen validierte. Der Ansatz reduzierte Iterationen und ermöglichte den schnellen Fortschritt vom Target bis zur IND in 30 Monaten.

Ergebnisse

  • Zeit bis Phase I: 30 Monate (vs. 5+ Jahre traditionell)
  • Generierte Moleküle: 10.000+ neuartige Strukturen
  • Phase‑II‑Einschreibung: 70+ Patienten in mehreren Regionen
  • Kostensenkung: Geschätzt 70–80 % geringere Entdeckungskosten
  • Präklinischer Erfolg: Wirkstoff erfüllte alle Sicherheits‑/Wirksamkeitsmarker
  • Studiengeschwindigkeit: Phase II‑Start 2,5 Jahre nach Target‑Identifikation
Fallstudie lesen →

Best Practices

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

Nutzen Sie Gemini, um Meeting-Notizen in sofortige Follow-ups zu verwandeln

Nach jedem Discovery- oder Demo-Call läuft die Zeit. Anstatt sich darauf zu verlassen, dass Reps Notizen manuell tippen und E-Mails verfassen, nutzen Sie Gemini in Google Docs und Gmail, um einen wiederholbaren Workflow zu schaffen: Erfassen Sie das Gesprächstranskript (aus Google Meet oder Ihrem Recording-Tool), lassen Sie Gemini die wichtigsten Punkte zusammenfassen und diese Zusammenfassung dann in ein personalisiertes Follow-up verwandeln.

In einem mit dem Meeting verknüpften Google Doc können Reps Gemini mit einem Standard-Prompt ausführen wie:

Fassen Sie diesen Sales-Call für eine Follow-up-E-Mail zusammen. Bitte einschließen:
- 3–5 zentrale Probleme, die der Kunde erwähnt hat
- Unsere vorgeschlagenen nächsten Schritte
- Alle Deadlines oder Entscheidungsdaten
Erstellen Sie anschließend eine prägnante Follow-up-E-Mail in einem beratenden, nicht aufdringlichen Ton.
Sprechen Sie den Ansprechpartner mit Namen an und beziehen Sie sich auf sein Unternehmen.

Der Rep prüft und überarbeitet den Entwurf leicht und sendet ihn anschließend aus Gmail. Ergebnis: hochwertigere Follow-ups, die innerhalb weniger Stunden rausgehen – mit minimalem manuellen Aufwand.

Richten Sie kalendergesteuerte Follow-up-Erinnerungen mit Gemini ein

Viele Follow-ups werden vergessen, weil sie nur im Kopf des Reps existieren. Ein praxisnaher Ansatz ist, Follow-ups an Kalenderereignisse zu koppeln und Gemini nächste Schritte vorschlagen zu lassen. Nach jedem Meeting kann der Rep Gemini in Calendar oder einem zugehörigen Doc schnell aufrufen, um To-dos und Termine zu extrahieren.

Beispiel-Prompt in einem Doc, das dem Meeting zugeordnet ist:

Leiten Sie aus den folgenden Meeting-Notizen klare Follow-up-Aktionen für unser Sales-Team ab.
Geben Sie für jede Aktion aus:
- Verantwortlicher (Sales-Rep, SE usw.)
- Fälligkeitsdatum (basierend darauf, wann der Kunde dies erwartet)
- Kurze Beschreibung
Formatieren Sie das Ergebnis als Checkliste, die ich in Google Tasks kopieren kann.

Reps fügen die Checkliste anschließend in Google Tasks (oder ein angebundenes Task-Tool) ein. Da der Workflow direkt an das Kalenderereignis gekoppelt ist, reduzieren Sie das Risiko, dass ein Meeting ohne konkreten, nachverfolgten nächsten Schritt endet.

Standardisieren Sie hochwertige Follow-up-Szenarien mit Prompt-Vorlagen

Statt für jede E-Mail das Rad neu zu erfinden, erstellen Sie eine Reihe von Gemini-Prompt-Vorlagen für die wichtigsten Follow-up-Szenarien. Speichern Sie diese in einem gemeinsamen Doc oder internen Wiki und schulen Sie Reps darin, sie in der Gemini-Sidebar von Gmail wiederzuverwenden.

Beispiel für ein Follow-up zu einem Angebot:

Sie sind ein Assistent für Vertriebs-Follow-ups.
Verfassen Sie eine E-Mail, um auf das Angebot nachzufassen, das wir gesendet haben.
Kontext:
- Ansprechpartner: [Name, Rolle, Unternehmen einfügen]
- Was wir angeboten haben: [kurze Zusammenfassung]
- Datum des Angebotsversands: [Datum]
Ziele:
- Bestätigen, dass das Angebot angekommen ist
- Einen kurzen Termin anbieten, um Fragen zu klären
- Den Ton hilfsbereit und zurückhaltend halten
Vermeiden Sie: generisch oder aufdringlich zu klingen.

Durch die Standardisierung von Prompts stellen Sie eine konsistente Tonalität und Struktur sicher und lassen dennoch Raum für Personalisierung. Das verbessert die Qualität der E-Mails spürbar und verkürzt die Reaktionszeit.

Nutzen Sie Gemini zur Reaktivierung stiller oder stagnierender Opportunities

Alte Opportunities sterben oft, weil Reps das Gefühl haben, nichts Neues sagen zu können. Gemini kann dabei helfen, wertorientierte Re-Engagement-Nachrichten auf Basis früherer E-Mail-Threads und Notizen zu verfassen. In Gmail öffnet ein Rep die letzte Konversation und bittet Gemini um eine Reaktivierungs-E-Mail.

Beispiel-Prompt direkt in Gmail:

Lesen Sie den gesamten E-Mail-Thread mit diesem Ansprechpartner.
Verfassen Sie eine kurze Reaktivierungs-E-Mail, die:
- anerkennt, dass wir länger nicht gesprochen haben
- den besprochenen Mehrwert kurz in Erinnerung ruft
- 2–3 konkrete nächste Schritte anbietet (z. B. kurzes Check-in, aktualisierte Preise, neues Feature)
Begrenzen Sie den Text auf maximal 130 Wörter und verwenden Sie einen freundlichen, professionellen Ton.

So erhalten Reps eine konkrete Möglichkeit, ruhende Deals in Serie wieder anzusprechen, ohne für jede E-Mail zehn Minuten überlegen zu müssen. Über ein Quartal hinweg kann dies einen spürbaren Teil der Pipeline wieder in Bewegung bringen.

Verbinden Sie Gemini-generierte Aktionen mit Ihrem CRM-Workflow

Auch wenn Gemini in Workspace lebt, lebt Ihre Pipeline weiterhin im CRM. Taktisch sollten Sie definieren, wie Gemini-generierte Notizen und Aufgaben mit möglichst wenig manueller Arbeit in Ihr CRM fließen. Beispielsweise können Reps ein Format standardisieren, in dem Gemini Call-Zusammenfassungen und nächste Schritte ausgibt, sodass diese leicht in CRM-Felder kopiert oder über eine Integration synchronisiert werden können.

Beispiel für einen strukturierten Output-Prompt in Docs:

Erstellen Sie aus dem Meeting-Transkript eine CRM-taugliche Zusammenfassung mit:
- Opportunity_stage:
- Decision_makers (Name, Rolle):
- Pain_points (Stichpunktliste):
- Proposed_solution:
- Next_steps (mit Daten):
Halten Sie jedes Feld so knapp, dass ich es direkt in CRM-Felder einfügen kann.

Diese Struktur reduziert Reibung für Reps und erhöht die Datenqualität. Mit der Zeit können Sie Teile dieses Flows über Workspace–CRM-Integrationen automatisieren, doch bereits ein klar definierter manueller Ablauf verbessert die Disziplin.

Überwachen Sie Follow-up-KPIs und verfeinern Sie Prompts anhand der Ergebnisse

Sobald Gemini Teil Ihrer Follow-up-Routine ist, sollten Sie konkrete Leistungskennzahlen für Follow-ups tracken und Ihre Prompts und Workflows entsprechend anpassen. Messen Sie zum Beispiel die durchschnittliche Zeit vom Meeting bis zum ersten Follow-up, Antwortquoten auf KI-unterstützte E-Mails im Vergleich zu früheren Baselines und die Anzahl der Opportunities ohne nächsten Schritt nach 7 Tagen.

Ziehen Sie monatlich Stichproben erfolgreicher E-Mail-Threads und vergleichen Sie sie mit Ihren Standard-Gemini-Prompts. Wenn bestimmte Formulierungen oder Strukturen mit besseren Antwortquoten korrelieren, übernehmen Sie diese in Ihre Templates. Sollten rechtliche oder Marken-Themen auftauchen, aktualisieren Sie Ihre Prompts mit der passenden Sprache. Dieser kontinuierliche Optimierungszyklus sorgt dafür, dass Gemini an realen Ergebnissen ausgerichtet bleibt – nicht nur an Theorie.

Pragmatisch umgesetzt können diese Best Practices realistische Ergebnisse liefern, etwa eine Reduktion der für Follow-up-E-Mails aufgewendeten Zeit um 30–50 %, Same-Day-Follow-ups nach wichtigen Meetings in der Mehrheit der Opportunities und einen deutlich geringeren Anteil an Deals, die ohne dokumentierten nächsten Schritt ins Stocken geraten. Die exakten Zahlen hängen von Ihrem Ausgangsniveau ab, aber mit den richtigen Workflows kann Gemini Ihrem Sales-Team mehr aktive Vertriebszeit und eine engere, verlässlichere Pipeline verschaffen.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini verbessert die Follow-up-Disziplin, indem es die fehleranfälligsten Schritte automatisiert: Kontext erfassen, Outreach entwerfen und Aufgaben erstellen. In Google Docs verwandelt es Call-Transkripte in strukturierte Notizen und nächste Schritte; in Gmail formuliert es personalisierte Follow-up-E-Mails auf Basis vorheriger Threads; in Calendar und Tasks hilft es Ihnen, Meetings in konkrete Aktionen mit Fälligkeitsdaten umzuwandeln.

Statt sich darauf zu verlassen, dass Reps sich alles merken, verlassen Sie sich auf ein System, in dem jede wichtige Interaktion automatisch einen Follow-up-Vorschlag erzeugt, den der Rep nur noch prüfen und senden muss. Diese Kombination aus Automatisierung und menschlicher Freigabe reduziert ausgefallene Konversationen und stagnierende Deals erheblich.

Sie benötigen keinen großen Data-Science-Apparat für den Einstieg. Mindestens brauchen Sie: eine Google-Workspace-Umgebung mit aktiviertem Gemini, eine Vertriebsführungskraft, die Ihre wichtigsten Follow-up-Szenarien definieren kann, und einen Power User (Sales Ops, RevOps oder IT), der bei der Standardisierung von Prompts und Workflows unterstützt.

Nützliche Fähigkeiten sind ein grundlegendes Verständnis Ihres Sales-Prozesses, Routine im Umgang mit Google Docs, Gmail und Calendar sowie die Bereitschaft, an der Formulierung von Prompts iterativ zu arbeiten. Für weitergehende Automatisierung (z. B. das automatische Schreiben von Gemini-Outputs in Ihr CRM) profitieren Sie von leichter Engineering-Unterstützung oder einem Partner wie Reruption, der die technische Integration übernimmt.

Bei den meisten Teams lassen sich deutliche Verbesserungen innerhalb von 4–6 Wochen feststellen, wenn Sie sich auf eine spezifische Funnel-Phase konzentrieren. In den ersten 1–2 Wochen richten Sie Ihre Kernprompts in Docs und Gmail ein, schulen eine Pilotgruppe von Reps und beginnen, Gemini nach wichtigen Meetings einzusetzen. Bis Woche 3–4 hat das Team den Workflow in der Regel in seinen Alltag integriert, und Sie sehen schnellere Follow-up-Zeiten und konsistentere nächste Schritte.

Innerhalb eines Quartals sollten Sie in der Lage sein, Kennzahlen wie die durchschnittliche Follow-up-Zeit und den Anteil stagnierender Deals mit Ihrem alten Ausgangswert zu vergleichen. Diese Daten zeigen dann, ob Sie den Einsatz von Gemini auf weitere Szenarien und Nutzer ausweiten sollten.

Die direkten Kosten ergeben sich aus den Gemini-Lizenzen innerhalb von Google Workspace sowie aus internem oder externem Aufwand für die Konzeption von Workflows und Integrationen. Der ROI entsteht durch eingesparte Zeit pro Rep (weniger manuelle Notizen und Entwürfe), höhere Antwort- und Terminquoten und weniger Opportunities, die aufgrund verpasster Follow-ups „versanden“.

Ein einfacher Weg zur ROI-Betrachtung ist: Schätzen Sie, wie viele Stunden pro Woche jeder Rep für administrativ geprägte Follow-ups aufwendet, und nehmen Sie eine 30–50%ige Reduktion durch Gemini an. Übersetzen Sie diese eingesparte Zeit entweder in mehr Anrufe/E-Mails oder in einen geringeren zusätzlichen Headcount-Bedarf beim Wachstum. Kombinieren Sie das mit einem auch nur leichten Anstieg der Conversion-Rate, und der Business Case für einen fokussierten Gemini-Rollout ist in der Regel sehr überzeugend.

Reruption arbeitet als Co-Preneur an Ihrer Seite – nicht nur beratend, sondern umsetzend. Wir starten mit einem 9.900€ KI-PoC, um zu beweisen, dass Gemini Ihre spezifischen Sales-Follow-up-Szenarien zuverlässig unterstützen kann: Definition von Inputs und Outputs, Prototyping von Workspace-Workflows und deren Test mit echten Reps. Sie erhalten einen funktionierenden Prototyp, Performance-Kennzahlen und eine konkrete Umsetzungs-Roadmap.

Über den PoC hinaus helfen wir Ihnen, Gemini in Ihren täglichen Vertriebsbetrieb einzubetten: Aufbau von Prompt-Bibliotheken, Abstimmung von Leitplanken mit Legal und Compliance sowie Integration der Outputs in Ihr CRM, wo nötig. Da wir innerhalb Ihrer P&L arbeiten und auf das tatsächliche Shipping fokussieren, ist unser Ziel nicht, mehr Foliensätze zu produzieren – sondern spürbar weniger verlorene Follow-ups und eine messbare Steigerung der Sales-Produktivität.

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