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 Fintech: Erfahren Sie, wie Unternehmen Gemini erfolgreich einsetzen.

Stanford Health Care

Gesundheitswesen

Stanford Health Care, ein führendes akademisches medizinisches Zentrum, sah sich steigender Klinikermüdung durch überwältigende administrative Aufgaben gegenüber, darunter das Verfassen von Patientenkorrespondenz und das Management überfüllter Postfächer. Bei großen EHR-Datenmengen war das Gewinnen von Erkenntnissen für die Präzisionsmedizin und die Echtzeitüberwachung von Patienten manuell und zeitaufwendig, was die Versorgung verzögerte und das Fehlerpotenzial erhöhte. Traditionelle Arbeitsabläufe hatten Schwierigkeiten mit prädiktiver Analytik für Ereignisse wie Sepsis oder Stürze und mit Computer Vision für die Bildauswertung, bei gleichzeitig steigenden Patientenzahlen. Klinikteams verbrachten übermäßig viel Zeit mit Routinekommunikation, z. B. Benachrichtigungen zu Laborergebnissen, was die Konzentration auf komplexe Diagnosen beeinträchtigte. Der Bedarf an skalierbaren, unbeeinflussten KI-Algorithmen war entscheidend, um umfangreiche Datensätze für bessere Ergebnisse zu nutzen.

Lösung

In Partnerschaft mit Microsoft wurde Stanford eines der ersten Gesundheitssysteme, das den Azure OpenAI Service innerhalb von Epic EHR pilotierte und so generative KI zum Verfassen von Patientennachrichten und für natürliche Sprachabfragen zu klinischen Daten ermöglichte. Diese Integration nutzte GPT-4, um Korrespondenz zu automatisieren und manuellen Aufwand zu reduzieren. Ergänzend dazu setzte das Healthcare AI Applied Research Team maschinelles Lernen für prädiktive Analytik (z. B. Sepsis- und Sturzvorhersage) ein und untersuchte Computer Vision in Bildgebungsprojekten. Tools wie ChatEHR erlauben den konversationellen Zugriff auf Patientenakten und beschleunigen Chart-Reviews. Gestaffelte Pilotprojekte adressierten Datenschutz und Bias und stellten sicher, dass klinische Anwender durch erklärbare KI unterstützt werden.

Ergebnisse

  • 50% Reduktion der Zeit für das Verfassen von Patientenkorrespondenz
  • 30% Verringerung der Belastung durch Nachrichten im Postfach der Klinikteams durch KI-gestützte Nachrichtenzuweisung
  • 91% Genauigkeit bei prädiktiven Modellen für unerwünschte Ereignisse bei stationären Patienten
  • 20% schnellere Kommunikation von Laborergebnissen an Patienten
  • Verbesserte Erkennung von Autoimmunerkrankungen bis zu 1 Jahr vor der Diagnose
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 →

BMW (Spartanburg Plant)

Automobilproduktion

Die BMW Spartanburg Plant, das weltweit größte Werk des Unternehmens zur Produktion der X‑Serie‑SUVs, stand unter großem Druck, die Montageprozesse angesichts steigender Nachfrage nach SUVs und gestörter Lieferketten zu optimieren. Die traditionelle Fertigung setzte stark auf menschliche Arbeitskräfte für repetitive Tätigkeiten wie Teiletransport und Einbau, was zu Arbeiterermüdung, Fehlerquoten von bis zu 5–10% bei Präzisionsaufgaben und ineffizienter Ressourcenzuteilung führte. Bei über 11.500 Mitarbeitern, die die Hochvolumenproduktion bewältigen, verursachte manuelle Schichtplanung und Zuordnung von Mitarbeitern zu Aufgaben Verzögerungen und eine Zykluszeitvarianz von 15–20%, die die Skalierbarkeit der Produktion behinderte. Hinzu kamen Herausforderungen bei der Anpassung an Industrie 4.0‑Standards, bei denen starre Industrieroboter Schwierigkeiten mit flexiblen Aufgaben in dynamischen Umgebungen hatten. Personalmangel nach der Pandemie verschärfte die Lage, mit steigenden Fluktuationsraten und der Notwendigkeit, qualifizierte Mitarbeiter in wertschöpfende Rollen umzuschichten und gleichzeitig Stillstandszeiten zu minimieren. Die begrenzte Leistungsfähigkeit älterer Machine‑Vision‑Systeme erkannte subtile Defekte nicht zuverlässig, was zu Qualitätsausreißern und Nacharbeitskosten in Millionenhöhe pro Jahr führte.

Lösung

BMW ging eine Partnerschaft mit Figure AI ein, um Figure 02 Humanoide Roboter einzusetzen, die mit Maschinellem Sehen zur Echtzeit‑Objekterkennung und ML‑Scheduling‑Algorithmen für dynamische Aufgabenverteilung integriert sind. Diese Roboter nutzen fortschrittliche KI, um Umgebungen über Kameras und Sensoren wahrzunehmen und dadurch autonome Navigation und Manipulation in Mensch‑Roboter‑Kooperationen zu ermöglichen. ML‑Modelle sagen Produktionsengpässe voraus, optimieren die Robot‑Mitarbeiter‑Planung und überwachen die Leistung selbstständig, wodurch die menschliche Aufsicht reduziert wird. Die Implementierung umfasste Pilotversuche im Jahr 2024, bei denen die Roboter repetitive Aufgaben wie Teilekommissionierung und Einbau übernahmen und zentral über eine KI‑Orchestrierungsplattform koordiniert wurden. So konnte eine nahtlose Integration in bestehende Linien erfolgen, wobei Digitale Zwillinge Szenarien für eine sichere Einführung simulierten. Herausforderungen wie anfängliche Kollisionsrisiken wurden durch Feinabstimmung mittels bestärkenden Lernens (Reinforcement Learning) überwunden, was menschähnliche Geschicklichkeit ermöglichte.

Ergebnisse

  • 400% Steigerung der Roboter­geschwindigkeit nach den Tests
  • 7x höhere Erfolgsrate bei Aufgaben
  • Reduzierte Zykluszeiten um 20–30%
  • 10–15% der Mitarbeiter auf qualifizierte Aufgaben umgeschichtet
  • Über $1 Mio. jährliche Kostenersparnis durch Effizienzgewinne
  • Fehlerquoten sanken unter 1%
Fallstudie lesen →

bunq

Bankwesen

Als bunq ein rasantes Wachstum als zweitgrößte Neobank in Europa verzeichnete, wurde die Skalierung des Kundenservice zu einer kritischen Herausforderung. Bei Millionen von Nutzern, die personalisierte Banking-Informationen zu Konten, Ausgabeverhalten und Finanzberatung auf Abruf verlangen, stand das Unternehmen unter Druck, sofortige Antworten zu liefern, ohne die Zahl der menschlichen Supportteams proportional zu erhöhen — was Kosten treiben und Abläufe verlangsamen würde. Traditionelle Suchfunktionen in der App reichten für komplexe, kontextabhängige Anfragen nicht aus und führten zu Ineffizienzen und Nutzerfrustration. Zudem stellten die Gewährleistung von Datenschutz und Genauigkeit in einem stark regulierten Fintech-Umfeld erhebliche Risiken dar. bunq benötigte eine Lösung, die nuancierte Unterhaltungen führen und gleichzeitig EU-Bankvorschriften einhalten konnte, Halluzinationen vermeiden würde, wie sie in frühen GenAI-Modellen vorkommen, und sich nahtlos integrieren ließe, ohne die App-Performance zu beeinträchtigen. Ziel war es, Routineanfragen zu automatisieren, sodass menschliche Agenten sich auf wertschöpfende Fälle konzentrieren konnten.

Lösung

bunq begegnete diesen Herausforderungen durch die Entwicklung von Finn, einer proprietären GenAI-Plattform, die direkt in die mobile App integriert wurde und die herkömmliche Suchfunktion durch einen konversationellen KI-Chatbot ersetzte. Nach der Einstellung von mehr als einem Dutzend Datenexperten im Vorjahr baute das Team Finn so, dass er sicher auf nutzerspezifische Finanzdaten zugreift, Fragen zu Kontoständen, Transaktionen und Budgets beantwortet und sogar allgemeine Ratschläge gibt, wobei der Gesprächskontext über Sitzungen hinweg erhalten bleibt. Nach einer Beta wurde Finn im Dezember 2023 als Europas erster KI-gestützter Bankassistent eingeführt und entwickelte sich schnell weiter. Bis Mai 2024 wurde er vollständig konversationell, was natürliche Mehrfachrunden-Interaktionen ermöglichte. Dieser retrieval-augmented generation (RAG)-Ansatz stützte Antworten auf Echtzeit-Nutzerdaten, minimierte Fehler und erhöhte die Personalisierung.

Ergebnisse

  • 100.000+ Fragen innerhalb von Monaten nach der Beta beantwortet (Ende 2023)
  • 40 % der Nutzeranfragen bis Mitte 2024 autonom vollständig gelöst
  • 35 % der Anfragen unterstützt, insgesamt 75 % sofortige Support-Abdeckung
  • Vor dem Start 12+ Datenexperten für die Dateninfrastruktur eingestellt
  • Zweitgrößte Neobank Europas nach Nutzerbasis (1M+ Nutzer)
Fallstudie lesen →

Unilever

Personalwesen

Unilever, ein Riese im Konsumgüterbereich, der jährlich 1,8 Millionen Bewerbungen bearbeitet, kämpfte mit einem manuellen Rekrutierungsprozess, der extrem zeitaufwendig und ineffizient war . Traditionelle Methoden dauerten bis zu vier Monate, um Positionen zu besetzen, was Recruiter überlastete und die Talentgewinnung in den globalen Einheiten verzögerte . Der Prozess barg zudem das Risiko unbewusster Verzerrungen bei der Sichtung von Lebensläufen und Interviews, schränkte die Workforce-Diversität ein und ließ potenziell geeignete Kandidaten aus unterrepräsentierten Gruppen übersehen . Hohe Volumina machten eine gründliche Bewertung jeder Bewerbung unmöglich, führten zu jährlichen Kosten in geschätzter Millionenhöhe und zu inkonsistenter Einstellungsqualität . Unilever benötigte ein skalierbares, faires System, um das Screening in frühen Phasen zu straffen und gleichzeitig psychometrische Strenge zu wahren.

Lösung

Unilever implementierte einen KI-gestützten Rekrutierungstrichter in Partnerschaft mit Pymetrics für neuro-wissenschaftlich basierte gamifizierte Assessments, die kognitive, emotionale und verhaltensbezogene Merkmale mittels ML-Algorithmen messen, die auf vielfältigen globalen Daten trainiert sind . Darauf folgten KI-analysierte Video-Interviews unter Einsatz von Computer Vision und NLP, um Körpersprache, Gesichtsausdrücke, Stimmlage und Wortwahl objektiv zu bewerten . Bewerbungen wurden anonymisiert, um Verzerrungen zu minimieren; die KI kürzte die Liste auf die Top 10–20 % der Kandidaten für die menschliche Prüfung und integrierte psychometrische ML-Modelle zur Persönlichkeitsprofilierung . Das System wurde zuerst bei volumenstarken Einstiegsrollen pilotiert, bevor es global ausgerollt wurde .

Ergebnisse

  • Time-to-hire: 90 % Reduktion (4 Monate auf 4 Wochen)
  • Recruiter time saved: 50.000 Stunden
  • Annual cost savings: £1 Million
  • Diversity hires increase: 16 % (inkl. neuro-atypischer Kandidaten)
  • Candidates shortlisted for humans: 90 % Reduktion
  • Applications processed: 1,8 Millionen/Jahr
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