Die Herausforderung: Unvorbereitete Kundentermine

In vielen Vertriebsorganisationen starten Kundentermine noch immer mit generischen Vorstellungen und breiten Produktpitches, weil den Mitarbeitenden Zeit oder Werkzeuge für eine saubere Vorbereitung fehlen. Um wirklich vorbereitet zu sein, müssten sie E-Mails, CRM-Notizen, frühere Angebote, LinkedIn-Profile, Unternehmensnews und Branchentrends sichten – oft über sechs oder mehr Tabs hinweg. Unter konstantem Quotendruck und dicht getakteten Calls findet diese Recherche schlicht nicht statt. Meetings beginnen daher mit Rätselraten statt mit fundierten Insights.

Traditionelle Ansätze zur Vorbereitung funktionieren im Enterprise-Maßstab nicht mehr. Die Forderung, der Vertrieb solle „mehr recherchieren“, oder das Bereitstellen statischer Battlecards und Foliensätze lösen das Kernproblem nicht: Informationen sind fragmentiert, ändern sich schnell und müssen für jeden Account, jedes Buying Committee und sogar jedes einzelne Meeting individuell zugeschnitten werden. Manuelle Vorbereitung überlebt nicht in einer Welt mit 8–10 Stakeholdern pro Deal, komplexen Lösungsportfolios und Interessenten, die erwarten, dass Sie ihren Kontext besser kennen als sie selbst.

Die geschäftlichen Auswirkungen unvorbereiteter Kundentermine sind erheblich. Reps verfallen in One-Size-Fits-All-Demos, verpassen kritische Discovery-Fragen und übersehen Kaufsignale, die sich in E-Mail-Verläufen oder früheren Gesprächen verstecken. Das führt zu niedrigeren Conversion Rates, längeren Sales-Zyklen und verlorenen Deals an Wettbewerber, die mit schärferen Perspektiven auftreten. Führungskräfte kompensieren das dann mit mehr Headcount oder mehr Meetings statt mit besserer Execution pro Meeting – was die Akquisekosten in die Höhe treibt und Teams ausbrennt.

Die gute Nachricht: Dieses Problem ist lösbar. Mit dem richtigen Einsatz von KI-Copilots wie Gemini können Sie verstreute Informationen in Minuten statt Stunden in prägnante, dealspezifische Briefings verwandeln. Bei Reruption haben wir KI-Lösungen gebaut, die grundlegend verändern, wie Teams sich vorbereiten, entscheiden und handeln. Im weiteren Verlauf dieses Guides sehen Sie, wie Sie Gemini strategisch und taktisch einsetzen, damit Ihre Reps in jedes Kundengespräch informiert, selbstbewusst und bereit gehen, den Deal voranzubringen.

Brauchen Sie einen Sparring-Partner für diese Herausforderung?

Lassen Sie uns unverbindlich sprechen und brainstormen.

Innovatoren bei diesen Unternehmen vertrauen uns:

Unsere Einschätzung

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

Aus Reruption’s praktischer Arbeit beim Aufbau von KI-Copilots für Commercial-Teams wissen wir: Die größten Hebel entstehen nicht durch noch ein weiteres Dashboard – sondern dadurch, dass Intelligenz direkt in Workflows wie die Meeting-Vorbereitung eingebettet wird. Google Gemini ist hier besonders stark: Die Plattform kann öffentliche Web-Recherche, Unternehmensinformationen und interne Inhalte (E-Mails, Dokumente, CRM-Exporte) zu fokussierten, salesfähigen Briefings verknüpfen. Richtig eingesetzt wird Gemini zu einem Always-on-Analysten, der Reps in Minuten statt Stunden auf jede Kundeninteraktion vorbereitet.

Verankern Sie Gemini in einem klaren Sales-Workflow, nicht als generisches „Research-Tool“

Viele Teams führen KI für den Vertrieb als allgemeinen Assistenten ein und wundern sich dann über ausbleibende Adoption. Für die Meeting-Vorbereitung brauchen Sie jedoch einen konkreten Workflow: welche Inputs Gemini erhält, welche Outputs die Reps bekommen und an welcher Stelle im Sales-Prozess das Tool genutzt wird. Definieren Sie zum Beispiel, dass jeder Discovery-Call automatisch ein standardisiertes Gemini-Prep-Paket auslöst: Account-Zusammenfassung, Stakeholder-Map, zugeschnittene Value-Hypothesen und 10 Discovery-Fragen.

Mit dieser Denkweise wird Gemini von einem „Nice-to-have“-Tool zu einem unverzichtbaren Schritt in Ihrem Playbook. Gleichzeitig entsteht eine Grundlage für Coaching durch Sales Manager:innen: Sie können die KI-generierte Vorbereitung prüfen, mit den Call-Ergebnissen abgleichen und Prompts sowie Templates im Zeitverlauf verfeinern. Ohne diese Struktur wird Gemini schnell zu einem weiteren Browser-Tab – gelegentlich genutzt, aber ohne messbaren Impact.

Für Variabilität über Segmente, Branchen und Deal-Phasen hinweg designen

Unvorbereitete Meetings sehen im SMB-Umfeld anders aus als im Enterprise-Segment – und in der frühen Discovery-Phase anders als in späten Verhandlungen. Ein strategischer Einsatz von Gemini für Vertriebsproduktivität berücksichtigt diese Unterschiede. Sie sollten unterschiedliche Prep-Templates für New-Logo-Discovery, Expansion in Bestandskunden und Executive-Briefings konfigurieren – jeweils mit klarer Fokussierung auf erwartete Outcomes und Stakeholder-Typen.

Denken Sie in „Prep-Playbooks“ statt in einem einzigen universellen Prompt. Enterprise-Meetings könnten zum Beispiel Organigramme, strategische Initiativen und Risikonarrative priorisieren, während im Mid-Market eher Differenzierung zum Wettbewerb und schneller ROI im Vordergrund stehen. Diese Segmentierung erhöht die Relevanz, vermeidet Informationsüberflutung und hilft Reps dabei, dem KI-Output zu vertrauen, weil er die nächste Kundenkonversation tatsächlich unterstützt.

Früh in Datenfundament und Zugriffsgrenzen investieren

Gemini ist nur so gut wie die Daten und Dokumente, auf die es zugreifen kann. Um daraus einen verlässlichen Copilot für die Vorbereitung von Sales-Meetings zu machen, müssen Sie festlegen, auf welche internen Quellen die KI zugreifen soll (CRM-Exporte, Angebotsbibliotheken, Case Studies, frühere Call-Notizen) und unter welchen Security- und Compliance-Bedingungen. Fragmentierte oder veraltete Daten führen zu schlechter Vorbereitung; zu weit gefasster Zugriff kann Compliance- oder Vertraulichkeitsrisiken erzeugen.

Strategisch bedeutet das: frühzeitige Abstimmung mit IT, Security und Legal. Definieren Sie, was für KI genutzt werden darf, wie PII und sensible Deal-Daten gehandhabt werden und wo Logs gespeichert werden. Bei Reruption laufen unsere Workstreams AI Engineering und Security & Compliance typischerweise parallel – aus gutem Grund: Starke Leitplanken erhöhen Vertrauen und Adoption, was kritisch ist, sobald KI in Interaktionen auf Executive-Level eingesetzt wird.

Bereiten Sie Ihr Team auf einen Copilot vor – nicht auf einen Ersatz

Ein wiederkehrendes Scheitermuster in Projekten zu KI im Vertrieb ist der Glaube, das Tool werde den Kunden „magisch kennen“. In der Realität ist Gemini hervorragend darin, Informationen zu aggregieren und zu strukturieren, aber Ihre Reps müssen weiterhin Urteilsvermögen einbringen, Annahmen hinterfragen und das Gespräch in Echtzeit anpassen. Positionieren Sie Gemini als Copilot, der die schwere Recherche- und Entwurfsarbeit übernimmt – während der Mensch für Entscheidungen und Nuancen verantwortlich bleibt.

Organisatorisch heißt das, Reps darin zu schulen, KI-Outputs kritisch zu prüfen und zu verbessern: Namen und Titel checken, Value-Hypothesen anpassen und Account-spezifische Nuancen ergänzen. Sales Leader sollten dieses Verhalten vorleben, etwa indem sie KI-vorbereitete Briefings in Pipeline-Reviews gemeinsam durchgehen. Wenn Reps sehen, dass „KI-Prep“ der Startpunkt und nicht die finale Antwort ist, steigt die Bereitschaft zur Nutzung – und das Risiko sinkt, Inhalte unreflektiert in kritische Meetings zu kopieren.

Mit einem fokussierten Pilot und klaren Produktivitätsmetriken starten

Statt Gemini direkt in der gesamten Vertriebsorganisation auszurollen, beginnen Sie mit einem gezielten Pilot rund um das konkrete Problem unvorbereiteter Kundentermine. Wählen Sie eine repräsentative Gruppe von Reps, einen klar definierten Satz von Meeting-Typen (z. B. erste Discovery-Calls in einer Region) und einen klaren Ausgangswert für aktuelle Vorbereitungszeit, Call-Ergebnisse und subjektive Meeting-Qualität.

Messen Sie dann den Impact: Reduktion manueller Recherchezeit, steigender Anteil von Meetings mit dokumentierter Vorbereitung, Veränderungen in der Conversion vom ersten Meeting zur Opportunity sowie qualitatives Feedback von Interessenten. Dieses Vorgehen passt gut zu Reruption’s AI-PoC-Philosophie: Sie validieren, dass der Use Case in der Praxis funktioniert – inklusive der menschlichen Faktoren – bevor Sie in eine vollständige Integration in CRM- und Kommunikationssysteme investieren.

Gemini für die Vorbereitung von Sales-Meetings zu nutzen bedeutet nicht, ein weiteres glänzendes Tool hinzuzufügen – es geht darum, einen konsistenten, KI-gestützten Workflow zu etablieren, der verstreute Informationen in präzise, maßgeschneiderte Kundengespräche verwandelt. Wenn Sie Gemini als strukturierten Copilot definieren, verankert in Ihren Daten und Sales-Playbooks, kommen Reps besser vorbereitet in Meetings und Deals bewegen sich schneller voran. Reruption hat wiederholt Organisationen dabei unterstützt, von abstrakten KI-Ideen zu funktionierenden Copilots in den täglichen Workflows zu kommen. Wenn Sie einen fokussierten PoC rund um unvorbereitete Meetings prüfen möchten, helfen wir Ihnen, ein Vorhaben zu scopen, zu prototypisieren und so auszurollen, dass es tatsächlich genutzt wird.

Hilfe bei der Umsetzung dieser Ideen?

Nehmen Sie gerne unverbindlich Kontakt zu uns auf.

Fallbeispiele aus der Praxis

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

NYU Langone Health

Gesundheitswesen

At NYU Langone Health, one of the largest U.S. academic medical centers, 80% of electronic health record (EHR) data exists as unstructured free-text clinical notes, rich in nuanced patient insights but notoriously difficult to process for predictive analytics . Traditional machine learning models depend on structured data like vital signs and labs, missing subtle signals in physician narratives that could forecast critical outcomes such as in-hospital mortality, prolonged length of stay (LOS), readmissions, and even operational issues like appointment no-shows . This gap leads to less accurate risk stratification, inefficient resource use, and delayed interventions in a system handling millions of encounters yearly . Developing task-specific models exacerbates challenges: each requires laborious feature engineering, labeled data curation, and maintenance, straining resources in a dynamic clinical environment. With rising patient volumes and complexity, NYU Langone needed a scalable, versatile prediction engine capable of leveraging raw notes without preprocessing hurdles .

Lösung

NYU Langone's Division of Applied AI Technologies at the Center for Healthcare Innovation and Delivery Science created NYUTron, a foundational 6.7-billion-parameter large language model (LLM) pretrained on 10+ years of de-identified inpatient clinical notes—4 billion words from 4.4 million encounters . Using a GPT-like architecture, NYUTron learns medical language intricacies, enabling it to serve as an 'all-purpose clinical prediction engine' . The model is fine-tuned on modest labeled datasets for 10 diverse tasks, from clinical predictions (e.g., mortality, LOS) to operational forecasts (e.g., no-shows), bypassing complex pipelines of prior models . This approach yields superior performance over baselines like ClinicalBERT and structured models, with easy deployment into workflows . Ongoing expansions include generative applications and education tools .

Ergebnisse

  • AUROC für stationäre Mortalität: 0.932 (vs. strukturiertes Baseline-Modell 0.886)
  • AUROC für verlängerte Verweildauer (LOS): 0.906 (vs. 0.870)
  • AUROC für 30‑Tage‑Wiederaufnahmen: 0.773 (vs. 0.727)
  • AUROC für 48‑Stunden‑Mortalität: 0.969
  • AUROC für Vorhersage von Hochkostenaufenthalten: 0.842 (vs. 0.808)
  • Durchschnittlicher AUROC‑Zuwachs gegenüber Top‑Baselines: 4.4 Punkte
  • Korpusgröße: 4 Mrd. Wörter aus 10 Jahren von 4.4 Mio. Begegnungen
Fallstudie lesen →

Rolls-Royce Holdings

Luft- und Raumfahrt

Triebwerke sind hochkomplex und arbeiten unter extremen Bedingungen, mit Millionen von Bauteilen, die Verschleiß ausgesetzt sind. Fluggesellschaften sahen sich unerwarteten Ausfällen gegenüber, die zu kostspieligen Bodenbleiben führten, wobei ungeplante Wartungen täglich Millionenverluste pro Flugzeug verursachten. Traditionelle geplante Wartungsintervalle waren ineffizient und führten oft zu Überwartung oder übersehenen Problemen, was die Ausfallzeiten und den Treibstoffverbrauch verschlimmerte. Rolls-Royce musste Ausfälle proaktiv vorhersagen angesichts der enormen Datenmengen von Tausenden von Triebwerken im Einsatz. Zu den Herausforderungen gehörten die Integration von Echtzeit-IoT-Sensordaten (Hunderte pro Triebwerk), die Verarbeitung von Terabytes an Telemetrie und die Sicherstellung der Genauigkeit der Vorhersagen, um Fehlalarme zu vermeiden, die den Betrieb stören könnten. Die strengen Sicherheitsvorschriften der Luft- und Raumfahrtbranche erhöhten den Druck, verlässliche KI-Lösungen ohne Leistungseinbußen zu liefern.

Lösung

Rolls-Royce entwickelte die Plattform IntelligentEngine, die digitale Zwillinge—virtuelle Abbildungen physischer Triebwerke—mit maschinellen Lernmodellen kombiniert. Sensoren streamen Live-Daten in cloudbasierte Systeme, wo ML-Algorithmen Muster analysieren, um Verschleiß, Anomalien und optimale Wartungsfenster vorherzusagen. Digitale Zwillinge ermöglichen die Simulation des Triebwerksverhaltens vor und nach Flügen und optimieren Design sowie Wartungspläne. Partnerschaften mit Microsoft Azure IoT und Siemens verbesserten die Datenverarbeitung und VR-Modelle und skalierten die KI über Trent‑Serien-Triebwerke wie Trent 7000 und 1000. Ethische KI‑Rahmen gewährleisten Datensicherheit und vorurteilsfreie Vorhersagen.

Ergebnisse

  • 48% Steigerung der Einsatzdauer vor der ersten Demontage
  • Verdopplung der Einsatzdauer des Trent 7000
  • Reduzierung ungeplanter Ausfallzeiten um bis zu 30%
  • Verbesserte Treibstoffeffizienz um 1–2% durch optimierte Betriebsabläufe
  • Reduzierte Wartungskosten für Betreiber um 20–25%
  • Verarbeitete Terabytes an Echtzeitdaten von Tausenden von Triebwerken
Fallstudie lesen →

Wells Fargo

Bankwesen

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

Lösung

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

Ergebnisse

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

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 →

Mayo Clinic

Gesundheitswesen

Als führendes akademisches medizinisches Zentrum verwaltet die Mayo Clinic jährlich Millionen von Patientenakten, doch die früherkennung von Herzinsuffizienz bleibt schwierig. Traditionelle Echokardiographie erkennt niedrige linksventrikuläre Ejektionsfraktionen (LVEF <50%) meist erst bei Symptomen und übersieht asymptomatische Fälle, die bis zu 50 % des Herzinsuffizienzrisikos ausmachen können. Kliniker kämpfen mit umfangreichen unstrukturierten Daten, was die Gewinnung patientenspezifischer Erkenntnisse verlangsamt und Entscheidungen in der kardiologischen Spitzenmedizin verzögert. Zudem verschärfen Personalengpässe und steigende Kosten die Lage; kardiovaskuläre Erkrankungen verursachen weltweit 17,9 Mio. Todesfälle pro Jahr. Manuelle EKG-Interpretation übersieht subtile Muster, die auf niedrige LVEF hinweisen, und das Durchsuchen elektronischer Gesundheitsakten (EHRs) dauert Stunden, was die personalisierte Medizin behindert. Mayo benötigte skalierbare KI, um reaktive Versorgung in proaktive Vorhersage zu verwandeln.

Lösung

Die Mayo Clinic setzte einen Deep-Learning-EKG-Algorithmus ein, der auf über 1 Million EKGs trainiert wurde und niedrige LVEF aus routinemäßigen 10-Sekunden-Ableitungen mit hoher Genauigkeit identifiziert. Dieses ML-Modell extrahiert Merkmale, die für Menschen nicht sichtbar sind, und wurde intern sowie extern validiert. Parallel dazu beschleunigt ein generatives KI-Suchtool in Partnerschaft mit Google Cloud EHR-Abfragen. Eingeführt 2023, nutzt es Large Language Models (LLMs) für natürliche Sprachsuche und liefert klinische Erkenntnisse sofort. Integriert in die Mayo Clinic Platform, unterstützt es über 200 KI-Initiativen. Diese Lösungen überwinden Datensilos durch föderiertes Lernen und eine sichere Cloud-Infrastruktur.

Ergebnisse

  • EKG-KI AUC: 0,93 (intern), 0,92 (externe Validierung)
  • Sensitivität bei Niedriger EF: 82 % bei 90 % Spezifität
  • Erkannte asymptomatische niedrige EF: 1,5 % Prävalenz in der gescreenten Population
  • GenAI-Suche Geschwindigkeit: 40 % Reduktion der Abfragezeit für Kliniker
  • Modell trainiert auf: 1,1 Mio. EKGs von 44.000 Patienten
  • Einsatzreichweite: Seit 2021 in kardiologischen Workflows der Mayo integriert
Fallstudie lesen →

Best Practices

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

Erstellen Sie ein standardisiertes Gemini-Template für „Meeting Prep“-Prompts

Der schnellste Weg, KI-gestützte Vorbereitung von Sales-Meetings zu operationalisieren, ist ein wiederverwendbarer Prompt, den jede Vertriebsmitarbeiterin und jeder Vertriebsmitarbeiter vor einem Call nutzen kann. Dieses Template sollte öffentliche Web-Recherche mit internen Informationen zum Account, zur Opportunity und zu den Produktlinien kombinieren. Ermutigen Sie Reps, relevante Snippets aus dem CRM, aus aktuellen E-Mails und eventuellen Briefing-Notes direkt in den Prompt zu kopieren.

Beispiel-Prompt für Gemini:

Sie sind ein Copilot für die Vorbereitung von Vertriebsmeetings.

Ziel: Bereiten Sie mich auf einen 45-minütigen Discovery-Call mit folgendem Interessenten vor.

Interessentendaten:
- Unternehmen: <Unternehmensname>
- Website: <URL>
- Rollen der Ansprechpersonen und LinkedIn-Profile: <Namen/URLs, falls verfügbar>
- Meeting-Kontext: <kurze Beschreibung, z. B. Inbound-Demo-Anfrage, RFP, Expansion>

Interne Informationen:
- CRM-Notizen: <relevante Notizen einfügen>
- Aktuelle E-Mails: <letzte 3–5 E-Mails einfügen>
- Relevante Produkte/Lösungen: <auflisten>

Aufgaben:
1) Fassen Sie das Unternehmen in 5 Bullet Points zusammen (Geschäftsmodell, Größe, Kernmärkte).
2) Identifizieren Sie wahrscheinliche geschäftliche Prioritäten und Herausforderungen basierend auf Branche und aktuellen News.
3) Schlagen Sie 3–5 maßgeschneiderte Value-Hypothesen vor, die unsere Lösungen mit deren Kontext verknüpfen.
4) Entwickeln Sie 10 Discovery-Fragen, nach Themen gruppiert.
5) Heben Sie potenzielle Risiken oder Red Flags hervor, über die ich Bescheid wissen sollte.
6) Erstellen Sie ein prägnantes Meeting-Briefing auf einer Seite, das ich in 3 Minuten lesen kann.

Schulen Sie Reps darin, diesen Prompt zu speichern (z. B. in einem Snippet-Manager oder im internen Wiki) und ihn je Segment leicht anzupassen. Mit der Zeit können Sie den Prompt auf Basis der Teile des KI-Outputs verfeinern, die am stärksten mit erfolgreichen Meetings korrelieren.

Nutzen Sie Gemini, um lange E-Mail-Verläufe und Dokumente in ein Deal-Briefing zu verwandeln

Vor vielen Meetings liegen die wertvollsten Signale in langen E-Mail-Ketten, technischen Anhängen oder internen Slack-Threads verborgen. Statt Reps alles durchscrollen zu lassen, nutzen Sie Gemini, um dieses Rauschen in ein kurzes Deal-Briefing zu überführen, das sie schnell aufnehmen können. Besonders wirkungsvoll ist dies bei Handover-Situationen zwischen SDRs und AEs oder zwischen Sales und Customer Success.

Beispiel-Prompt für Gemini:

Sie unterstützen bei der Vorbereitung eines Vertriebsdeals.

Gegeben sind:
- E-Mail-Verläufe zwischen unserem Team und dem Interessenten
- Interne Notizen und Slack-Nachrichten zu diesem Account
- Alle angehängten Anforderungen oder Dokumente

Aufgaben:
1) Fassen Sie die Historie des Deals in einer Erzählung von maximal 10 Bullet Points zusammen.
2) Listen Sie alle bekannten Stakeholder, ihre Rollen und vermuteten Interessen auf.
3) Extrahieren Sie zentrale Anforderungen, Rahmenbedingungen und Entscheidungskriterien.
4) Identifizieren Sie offene Fragen, die wir im nächsten Meeting klären sollten.
5) Schlagen Sie eine kurze Meeting-Agenda vor, um die Opportunity voranzubringen.

Dieser Workflow kann die Handover-Zeit drastisch reduzieren und sicherstellen, dass selbst ein Rep, der mitten im Zyklus neu einsteigt, genügend Kontext hat, um ein sicheres, fokussiertes Meeting zu führen.

Branchenspezifische Discovery-Fragensets nach Persona generieren

Generische Discovery-Fragen sind ein sicheres Zeichen unvorbereiteter Meetings. Mit Gemini können Sie personaspezifische Discovery-Fragen generieren und verfeinern, die an Brancheneigenheiten und Ihr Lösungsportfolio gekoppelt sind. Starten Sie mit Master-Fragensets für Schlüssel-Personas (CFO, CIO, Head of Operations, Sales Leader) und Branchen und lassen Sie Gemini diese anschließend für einzelne Accounts adaptieren.

Beispiel-Prompt für Gemini:

Sie sind ein Experte für Sales-Discovery.

Kontext:
- Branche: <Branche>
- Persona: <z. B. CFO, VP Operations>
- Unser Lösungsfokus: <kurze Beschreibung>
- Situation des Interessenten (falls bekannt): <kurze Zusammenfassung>

Aufgabe:
Erstellen Sie 15 Discovery-Fragen, die:
- generische Aufforderungen wie „Erzählen Sie mir etwas über Ihr Geschäft“ vermeiden
- sich direkt auf wahrscheinliche KPIs und Initiativen dieser Persona beziehen
- aktuellen Pain, bestehende Lösungen und den Entscheidungsprozess sichtbar machen
- in einem beratenden, nicht suggestiven Ton formuliert sind

Gruppieren Sie die Fragen in 3 Abschnitte: Current State, Impact & Priorities, Decision & Next Steps.

Speichern Sie die besten Outputs in einem gemeinsamen Repository und lassen Sie Reps 5–8 Fragen aus dieser Bibliothek in ihre konkrete Meeting-Vorbereitung übernehmen. So bauen Sie im Zeitverlauf ein lebendes Asset auf, das mit Feedback aus realen Calls immer schärfer wird.

Verbinden Sie Gemini-Prep mit Ihrem CRM und Ihren Notizgewohnheiten

Um kein weiteres isoliertes Artefakt zu erzeugen, integrieren Sie die Gemini-Meeting-Prep in Ihr CRM und Ihre Dokumentationsgewohnheiten. Nachdem Gemini das Briefing erstellt hat, sollten Reps die wichtigsten Teile (Zusammenfassung, Stakeholder, Value-Hypothesen, geplante Fragen) in die entsprechenden CRM-Felder oder einen standardisierten Meeting-Prep-Bereich einfügen. So wird Vorbereitung sichtbar und messbar.

Nach dem Meeting können Reps ihre Rohnotizen oder Auszüge aus dem Call-Transcript wieder in Gemini einfügen – mit einem Folgeprompt wie: „Fassen Sie das Meeting in 8 Bullet Points zusammen, aktualisieren Sie die Opportunity-Beschreibung und listen Sie Next-Best-Actions inklusive Verantwortlichen und Terminen auf.“ Damit schließen Sie den Kreis: Derselbe Copilot, der das Meeting vorbereitet, strukturiert auch dessen Ergebnisse, reduziert Admin-Aufwand und verbessert die Datenqualität.

Nutzen Sie Gemini zum Verfassen maßgeschneiderter Opening- und Recap-E-Mails

Gute Vorbereitung wird durch klare Kommunikation vor und nach dem Meeting verstärkt. Nutzen Sie Gemini, um personalisierte Pre-Meeting- und Post-Meeting-E-Mails auf Basis des Briefings und der Notizen zu verfassen. Das spart Zeit und stellt sicher, dass jeder Kundenkontaktpunkt maßgeschneidert und professionell wirkt.

Beispiel-Prompt für eine Pre-Meeting-E-Mail:

Sie helfen einem Vertriebsmitarbeitenden, eine prägnante, professionelle Pre-Meeting-E-Mail zu schreiben.

Inputs:
- Details zum Interessenten und Meeting-Kontext: <aus dem Briefing einfügen>
- Geplante Agenda: <auflisten>

Aufgabe:
Verfassen Sie eine E-Mail, die:
- Zeitpunkt und Teilnehmende bestätigt
- eine Agenda mit 2–3 Bullet Points teilt
- zeigt, dass wir den Kontext des Kunden verstehen
- den Kunden einlädt, weitere Themen oder Fragen zu ergänzen

Halten Sie die E-Mail unter 180 Wörtern und wählen Sie einen neutralen, businessfreundlichen Ton.

Für Recap-E-Mails können Sie Gemini bitten, vereinbarte Pain Points, Next Steps, Verantwortliche und Timelines hervorzuheben. Das reduziert Reibung in der Nachbereitung und hilft, die Opportunity ohne zusätzlichen manuellen Aufwand voranzutreiben.

Prompts kontinuierlich anhand von Call-Ergebnissen und Manager-Feedback verfeinern

Ihre erste Version der Gemini-Prompts für die Meeting-Vorbereitung wird nicht perfekt sein. Behandeln Sie sie als lebende Assets: Fragen Sie Reps und Manager:innen nach wichtigen Calls, wo die Vorbereitung hilfreich war und wo sie danebenlag. Verfeinern Sie die Prompts dann – gewichten Sie bestimmte Bereiche stärker oder schwächer, fügen Sie neue Fragen hinzu oder passen Sie den Detaillierungsgrad an.

Wenn Reps beispielsweise berichten, dass die KI zu viel Zeit auf generische Unternehmensbeschreibungen verwendet und zu wenig auf potenzielle Blocker, passen Sie den Prompt so an, dass explizit nach „3 potenziellen internen Blockern und möglichen Gegenmaßnahmen“ gefragt wird. Dokumentieren Sie diese Iterationen zentral, damit Verbesserungen im gesamten Team ankommen. Nach einigen Zyklen werden Sie feststellen, dass die Qualität der Vorbereitung stabil hoch ist und zur konsistenten Stärke statt zum Zufallsprodukt wird.

Wenn dieser Ansatz konsequent umgesetzt wird, sehen Unternehmen typischerweise konkrete Ergebnisse: 30–50 % weniger manuelle Recherchezeit pro Meeting, nahezu 100 % dokumentierte Vorbereitung für Schlüssel-Calls, fokussiertere Discovery-Gespräche und einen messbaren Anstieg der Conversion vom ersten Meeting zur qualifizierten Opportunity. Die exakten Kennzahlen variieren, doch das Muster ist konsistent: Besser vorbereitete Reps schließen mehr Deals – mit gleicher oder sogar geringerer Teamgröße.

Brauchen Sie jetzt Umsetzungskompetenz?

Lassen Sie uns über Ihre Ideen sprechen!

Häufig gestellte Fragen

Gemini agiert als Copilot für die Vorbereitung von Sales-Meetings. Reps geben einige Basisinformationen ein – Unternehmensname, Meeting-Kontext, aktuelle E-Mails und relevante CRM-Notizen – und Gemini erstellt daraus ein kompaktes Briefing: Unternehmensüberblick, wahrscheinliche Prioritäten, Stakeholder-Map, maßgeschneiderte Value-Hypothesen und gezielte Discovery-Fragen. Außerdem kann Gemini lange E-Mail-Verläufe und interne Notizen durchsuchen, um die Deal-Historie und offene Punkte zu summarisch aufzubereiten.

Statt 30–60 Minuten zwischen mehreren Tabs zu springen, erhalten Reps ein strukturiertes Briefing von 3–5 Minuten Lesezeit, das sie vor dem Call durchgehen können. So sinkt das Risiko von „Blank-Slate“-Meetings drastisch, und selbst neue Teammitglieder können mit einem Kontext auf Senior-Level-Niveau arbeiten.

Sie benötigen kein großes Data-Science-Team, um zu starten. Minimal erforderlich sind: (1) eine Projektverantwortliche oder ein Projektverantwortlicher im Sales- oder Revenue-Operations-Bereich, (2) Zugang zu Gemini (über Google Workspace oder API) und (3) Zusammenarbeit mit IT/Security zur Definition von Datenzugriffsregeln. Die Kernarbeit liegt darin, wirksame Prompts zu designen, Workflows zu standardisieren und Outputs in Ihre bestehenden Tools (CRM, E-Mail, Notizen) zu integrieren.

Reruption bringt typischerweise eine:n KI-Engineer und eine:n produktorientierte:n Lead mit, die mit Ihrer Vertriebsleitung zusammenarbeiten. Gemeinsam definieren wir Workflows, entwickeln und testen Prompt-Templates und richten leichte Integrationen oder Automatisierungen ein, damit das Erlebnis für Ihre Reps reibungslos ist.

Für einen fokussierten Pilot zum Thema unvorbereitete Kundentermine sehen Sie in der Regel innerhalb von 2–4 Wochen erste Ergebnisse. In der ersten Woche definieren Sie Workflows und initiale Prompts; in Woche zwei und drei nutzt eine Teilgruppe von Reps Gemini in echten Meetings, während Sie Feedback einsammeln und das Setup anpassen. Bis Woche vier sollten Sie klare Indikatoren zu reduzierter Vorbereitungszeit, Adoption und ersten Effekten auf die Meeting-Qualität haben.

Eine tiefere Integration ins CRM und ein Rollout über das gesamte Unternehmen hinweg können je nach Tech-Landschaft und Change-Management-Bedarf mehrere zusätzliche Wochen erfordern. Sie müssen jedoch nicht auf die vollständige Integration warten, um zu profitieren – selbst ein Copy-&-Paste-Workflow kann schnell sichtbare Effekte bringen.

Der ROI entsteht sowohl durch Zeitersparnis als auch durch bessere Deal-Ergebnisse. Auf der Zeitachse reduzieren Teams manuelle Recherche und Strukturierung von Notizen häufig um 30–50 % – das schafft pro Rep mehrere zusätzliche Stunden pro Woche für echte Vertriebsarbeit. Auf der Effektivitätsseite führen besser vorbereitete Meetings typischerweise zu höheren Conversion-Raten vom ersten Call zur qualifizierten Opportunity und zu kürzeren Sales-Zyklen, insbesondere in komplexen B2B-Deals.

Da Gemini eine flexible Plattform ist, können Sie klein starten – z. B. mit einer begrenzten Anzahl Lizenzen oder einem eng umrissenen Use Case – und nach dem Nachweis des Impacts skalieren. Während eines PoC unterstützt Reruption Sie bei der Definition und dem Tracking konkreter Metriken (Vorbereitungszeit, Adoption, Conversion Rates), damit Sie den ROI quantifizieren und nicht nur anhand von Anekdoten bewerten.

Reruption unterstützt Sie End-to-End mit einem Co-Preneur-Ansatz: Wir arbeiten eingebettet mit Ihrem Team, hinterfragen bestehende Sales-Workflows und bauen Lösungen, die tatsächlich live gehen. Unser AI-PoC-Angebot (9.900€) ist ein strukturierter Weg, diesen Use Case schnell zu validieren. Wir helfen Ihnen, den Meeting-Prep-Workflow zu definieren, Gemini-Prompts zu designen und zu testen, Machbarkeit und Security zu bewerten und einen funktionierenden Prototyp zu liefern, den Ihre Reps in realen Opportunities nutzen können.

Über den PoC hinaus stellen unsere Kompetenzen in AI Engineering, Strategy und Enablement sicher, dass die Lösung skaliert: Wir integrieren sie in Ihr CRM und Ihre Produktivitätstools, setzen Governance auf und trainieren Ihre Vertriebsorganisation, sodass Gemini zu einem natürlichen Bestandteil jedes wichtigen Kundentermins wird – und nicht zu einem weiteren ungenutzten Tool im Stack.

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