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 Technologie bis Automobilindustrie: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

IBM

Technologie

In einer weltweiten Belegschaft von mehr als 280.000 Mitarbeitenden kämpfte IBM mit hohen Mitarbeiterfluktuationsraten, insbesondere bei Leistungsträgern und Schlüsselpersonal. Die Kosten für die Ersetzung einer einzelnen Fachkraft – inklusive Rekrutierung, Onboarding und Produktivitätsverlust – können $4.000–$10.000 pro Einstellung übersteigen, was in einem umkämpften Tech-Arbeitsmarkt die Verluste verstärkt. Das manuelle Erkennen gefährdeter Mitarbeitender war angesichts umfangreicher HR-Datensilos mit Informationen zu Demografie, Leistungsbeurteilungen, Vergütung, Mitarbeiterzufriedenheitsbefragungen und Work-Life-Balance nahezu unmöglich. Traditionelle HR-Ansätze stützten sich auf Austrittsgespräche und anekdotisches Feedback, die reaktiv und für Prävention ungeeignet waren. Da die Fluktuationsraten bei branchenüblichen 10–20 % pro Jahr lagen, entstanden IBM jährliche Kosten in den hunderten Millionen durch Neueinstellungen und Schulungen, ergänzt durch Wissensverluste und sinkende Moral in einem engen Arbeitsmarkt. Die Herausforderung verschärfte sich, weil die Bindung knapper KI- und Tech-Fachkräfte für IBMs Innovationsfähigkeit entscheidend war.

Lösung

IBM entwickelte ein prädiktives Fluktuations-ML-Modell auf Basis der Watson-KI-Plattform und analysierte 34+ HR-Variablen wie Alter, Gehalt, Überstunden, Stellenfunktion, Leistungsbewertungen und Entfernung vom Wohnort anhand eines anonymisierten Datensatzes von 1.470 Mitarbeitenden. Algorithmen wie logistische Regression, Entscheidungsbäume, Random Forests und Gradient Boosting wurden trainiert, um Mitarbeitende mit hoher Weggangsgefährdung zu identifizieren, und erreichten eine 95%ige Genauigkeit bei der Vorhersage, wer innerhalb von sechs Monaten das Unternehmen verlassen würde. Das Modell wurde in HR-Systeme für Echtzeit-Bewertungen integriert und löste personalisierte Maßnahmen wie Karriere-Coaching, Gehaltsanpassungen oder flexible Arbeitsoptionen aus. Dieser datengetriebene Ansatz ermöglichte es CHROs und Führungskräften, proaktiv zu handeln und vorrangig Top-Performer zu halten.

Ergebnisse

  • 95% Genauigkeit bei der Vorhersage von Mitarbeiterfluktuation
  • Verarbeitete 1.470+ Mitarbeiterdatensätze mit 34 Variablen
  • 93% Genauigkeit im optimierten Extra-Trees-Modell
  • Reduzierte Einstellungskosten durch Vermeidung wertvoller Abgänge
  • Potenzielle Jährliche Einsparungen von über $300M durch verbesserte Bindung (berichtet)
Fallstudie lesen →

JPMorgan Chase

Bankwesen

In der hochdynamischen Welt des Asset Management und der Vermögensverwaltung bei JPMorgan Chase waren Berater mit erheblichen zeitlichen Belastungen durch manuelle Recherche, Dokumentenzusammenfassungen und Berichtsentwürfe konfrontiert. Die Erstellung von Investmentideen, Marktanalysen und personalisierten Kundenberichten dauerte oft Stunden oder Tage, wodurch die Zeit für Kundeninteraktion und strategische Beratung eingeschränkt wurde. Diese Ineffizienz verstärkte sich nach dem Aufkommen von ChatGPT, sodass die Bank den Bedarf an sicherer, interner KI erkannte, die mit umfangreichen proprietären Daten arbeiten kann, ohne Compliance- oder Sicherheitsrisiken einzugehen. Die Private-Bank-Berater hatten es besonders schwer, sich auf Kundentermine vorzubereiten, sich durch Research-Reports zu arbeiten und maßgeschneiderte Empfehlungen zu erstellen – und das unter regulatorischer Beobachtung und in einer Umgebung mit Datensilos, was die Produktivität und Reaktionsfähigkeit gegenüber Kunden in einem wettbewerbsintensiven Umfeld behinderte.

Lösung

JPMorgan begegnete diesen Herausforderungen durch die Entwicklung der LLM Suite, einer internen Suite aus sieben feinabgestimmten Large Language Models (LLMs), die von generativer KI angetrieben und in eine sichere Dateninfrastruktur integriert sind. Diese Plattform ermöglicht es Beratern, Berichte zu entwerfen, Investmentideen zu generieren und Dokumente schnell zusammenzufassen, wobei proprietäre Daten genutzt werden. Ein spezialisiertes Tool, Connect Coach, wurde für Private-Bank-Berater entwickelt, um bei der Vorbereitung auf Kundengespräche, der Ideenfindung und der Synthese von Research zu unterstützen. Die Implementierung legte starken Wert auf Governance, Risikomanagement und Mitarbeiterschulungen durch KI-Wettbewerbe und 'learning-by-doing'-Ansätze, um eine sichere Skalierung in der gesamten Firma zu gewährleisten. Die LLM Suite wurde schrittweise eingeführt, beginnend mit Proof-of-Concepts und einer anschließenden Ausweitung auf die gesamte Organisation.

Ergebnisse

  • Erreichte Nutzer: 140.000 Mitarbeitende
  • Entwickelte Use Cases: 450+ Proof-of-Concepts
  • Finanzieller Nutzen: Bis zu 2 Mrd. $ an KI-Wert
  • Bereitstellungsgeschwindigkeit: Vom Pilot bis zu 60.000 Nutzern in wenigen Monaten
  • Berater-Tools: Connect Coach für die Private Bank
  • Firmenweite PoCs: Strikte ROI-Messung über 450 Initiativen
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 →

Commonwealth Bank of Australia (CBA)

Bankwesen

Als Australiens größte Bank sah sich CBA zunehmenden Betrugs- und Scam-Bedrohungen gegenüber, wobei Kunden erhebliche finanzielle Verluste erlitten. Betrüger nutzten schnelle digitale Zahlungen wie PayID aus, bei denen nicht übereinstimmende Empfängernamen zu unumkehrbaren Überweisungen führten. Traditionelle Erkennungssysteme hinkten hinter komplexen Angriffen her, was zu hohem Kundenschaden und regulatorischem Druck führte. Parallel dazu waren die Contact Center überlastet und bearbeiteten Millionen von Anfragen zu Betrugswarnungen und Transaktionen. Das führte zu langen Wartezeiten, steigenden Betriebskosten und angespannten Ressourcen. CBA benötigte proaktive, skalierbare KI, um in Echtzeit einzugreifen und gleichzeitig die Abhängigkeit von menschlichen Agenten zu reduzieren.

Lösung

CBA setzte einen hybriden KI-Stack ein, der Maschinelles Lernen zur Anomalieerkennung und generative KI für personalisierte Warnungen kombiniert. NameCheck überprüft Empfängernamen gegen PayID in Echtzeit und warnt Nutzer bei Abweichungen. CallerCheck authentifiziert eingehende Anrufe und blockiert Nachahmungs-Betrugsversuche. In Partnerschaft mit H2O.ai implementierte CBA von GenAI angetriebene prädiktive Modelle zur Scam-Intelligence. Ein KI-virtueller Assistent in der CommBank-App bearbeitet Routineanfragen, generiert natürliche Antworten und eskaliert komplexe Fälle. Die Integration mit Apate.ai liefert nahezu in Echtzeit Scam-Intelligence und verbessert das proaktive Blockieren über alle Kanäle hinweg.

Ergebnisse

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

Royal Bank of Canada (RBC)

Finanzdienstleistungen

RBC‑Kunden sahen sich erheblichen Problemen bei der Verwaltung ihrer persönlichen Finanzen gegenüber, insbesondere beim Sparen von Kleingeld, klugen Investitionen und Einhalten des Budgets. Traditionelle Banktools boten allgemeine Ratschläge, die individuelle Ausgabemuster nicht berücksichtigten, was zu suboptimalen Finanzentscheidungen und geringer Nutzung von Sparprodukten führte. Viele Kunden kämpften mit unregelmäßigen Cashflows, Impulsausgaben und fehlender Sichtbarkeit künftiger Ausgaben, was zu niedrigeren Sparquoten und verpassten Investitionschancen führte. Als der Wettbewerb im Privatkundengeschäft zunahm, erkannte RBC die Notwendigkeit für hyper‑personalisierte Einsichten, um Kundenloyalität aufzubauen und Wachstum zu fördern. Ohne fortgeschrittene Analytik fehlten proaktive Anstöße wie das Aufrunden von Käufen zum Sparen oder die Vorhersage von Liquiditätsengpässen, was besonders nach der Pandemie finanziellen Stress verstärkte.

Lösung

RBC führte NOMI ein, einen KI‑gesteuerten Finanzassistenten in der mobilen Banking‑App, der maschinelles Lernen nutzt, um Transaktionsdaten zu analysieren, Ausgaben zu kategorisieren und maßgeschneiderte Empfehlungen zu liefern. Funktionen wie NOMI Insights beleuchten Ausgabentrends, NOMI Budgets generieren automatisch personalisierte Budgets und NOMI Find & Save identifiziert Kleingeld‑Potentiale für automatische Überweisungen auf verzinste Sparkonten oder in Investments. Über RBC Borealis, das KI‑Innovationszentrum der Bank, wurde NOMI skaliert und auf robuste Datenplattformen gestellt, die Datenschutz und Genauigkeit gewährleisten. Diese ML‑Personalisierungs‑Engine verarbeitet umfangreiche Datensätze in Echtzeit und bietet Anstöße wie 'Überweise 25 $ Kleingeld in ein GIC' oder 'Passe das Essensbudget um 15 % an', wodurch Nutzer umsetzbare, kontextbezogene Ratschläge erhalten.

Ergebnisse

  • 700 Mio. $–1 Mrd. $ Unternehmenswert durch KI‑Investitionen bis 2027
  • Top‑3 Platzierung in der globalen KI‑Reife unter Banken
  • Über 98.000 Mitarbeitende, die KI in den Betriebsprozessen nutzen
  • 57 Mrd. $ Jahresumsatz mit KI‑getriebenem Wachstum
  • Millionen NOMI‑Nutzer mit verbesserten Sparquoten
  • 20–30% Zuwachs bei Sparbeiträgen durch gezielte Anstöße
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