Rémi Kokabi23. April 202615 Min. Lesezeit
KI im Outbound-Vertrieb: 10 Use Cases, die 2026 wirklich funktionieren
Vor drei Jahren hat eine personalisierte erste Zeile eine Antwort gebracht. Heute hat jeder Prospect zehntausend „personalisierte" erste Zeilen erhalten. Der Prospect ist nicht schwerer erreichbar geworden. Er ist besser im Filtern geworden.
KI hat dieses Problem nicht verursacht. Aber Teams, die KI falsch einsetzen, beschleunigen es - sie automatisieren die sichtbare Ebene, während die unsichtbare Ebene unangetastet bleibt.
Hier sind 10 konkrete Use Cases, in denen KI im Outbound einen echten Unterschied macht - geordnet nach Phase im Sales-Zyklus. Jeder enthält einen Prozess, den Sie diese Woche umsetzen können.
Was bedeutet KI im Outbound Sales?
KI im Outbound Sales heißt: Machine Learning übernimmt die Arbeit, die keinen Menschen braucht - Recherche, Scoring, Timing, Routing. Damit sich Reps auf die Arbeit konzentrieren können, die einen Menschen braucht. Nicht mehr Nachrichten generieren. Die Entscheidungen dahinter verbessern.
Warum die meisten Teams KI an der falschen Stelle einsetzen
KI auf ein kaputtes System angewendet repariert es nicht. Sie beschleunigt es.
Wenn Sie die sichtbare Ebene automatisieren - den E-Mail-Text, die ersten Zeilen, die Follow-up-Sequenzen - steigern Sie das Volumen, ohne die Entscheidungen dahinter zu verbessern. Und wenn jedes Team in einem Markt dieselbe sichtbare Ebene automatisiert, kann der Prospect Ihr Outreach nicht mehr von dem Ihrer Konkurrenz unterscheiden.
Der wahrgenommene Aufwand hinter jeder Nachricht sinkt. Antwortraten fallen. Und Accounts, die zu oft mit zu wenig Relevanz kontaktiert wurden, lassen sich schwerer reaktivieren als kalte Accounts, die nie angesprochen wurden.
Das ist TAM-Erosion. Sie taucht nicht in den wöchentlichen Aktivitätskennzahlen auf. Sie zeigt sich sechs Monate später, wenn Ihr ehemals responsives Segment aufhört zu konvertieren.
Bei lemlist erzielen die Teams, die bessere Ergebnisse mit KI im Outbound sehen, nicht mehr Sequenzen. Sie fahren weniger - mit besserem Targeting, besserem Timing und einer Recherche-Ebene, die skaliert, ohne Headcount aufzubauen.
Phase 1: Listenerstellung - wen Sie ansprechen, bevor Sie Kontakt aufnehmen
Use Case #1 - Schluss mit E-Mails an Accounts, die gut aussehen, aber nicht konvertieren
Der Pain Point:
Die meisten Teams erstellen Listen nach Bauchgefühl. Ein Jobtitel, ein Branchenfilter, eine Mitarbeiterzahl. Das Ergebnis ist eine Sequenz voller Accounts, die auf dem Papier passen, aber nicht konvertieren.
Die Lösung:
KI erstellt Outbound-Prospecting-Listen von Grund auf - basierend auf den firmografischen und verhaltensbezogenen Mustern Ihrer besten Closed-Won-Kunden. Dann wird jeder Account in die richtige Sequenz-Stufe eingeordnet, bevor ein Rep ihn anfasst.
Prozess:
Extrahieren Sie Ihre ICP-Signale aus Closed-Won-Daten: Mitarbeiterzahl, Tech-Stack, Einstellungsmuster, Finanzierungsphase, Branchenvertikale
Speisen Sie diese Signale in ein Listenerstellungs-Tool ein, um passende Unternehmen skalierbar zu identifizieren
Nutzen Sie einen Scoring-Prompt, um jeden Account nach Fit zu bewerten und die richtige Stufe zuzuordnen
Finden Sie die richtigen Kontakte bei jedem Account
Ordnen Sie sie der entsprechenden Sequenz-Stufe in lemlist zu
ICP-Scoring-Prompt:
You are an ICP scoring assistant. Here are the firmographic attributes of our 20 best closed-won accounts: [paste data]. Score the following account against this profile. Return: fit score (0-100), top 3 matching signals, top 1 disqualifying signal. Then route as follows: Score 80-100 -> Tier 1 (high-touch, priority outreach). Score 60-79 -> Tier 2 (standard outreach). Below 60 -> Exclude. Account to score: [paste account data].
So beschleunigen Sie den Prozess in lemlist:
In lemlist suchen Sie direkt nach Unternehmen anhand Ihrer ICP-Filter: Branche, Mitarbeiterzahl, Standort, Tech-Stack - und identifizieren die richtigen Kontakte innerhalb jedes Accounts. Sobald Ihre Liste erstellt und extern mit dem obigen Prompt gescort ist, importieren Sie sie in lemlist mit der Stufe als benutzerdefinierter Variable. Tier-1-Accounts gehen in eine Multichannel-Sequenz mit LinkedIn-Schritten und manuellen Anruf-Aufgaben. Tier 2 läuft über einen leichteren E-Mail-only-Flow.
Use Case #2 - Kontaktaufnahme vor Ihrer Konkurrenz, basierend auf Signalen, die andere nicht auf dem Schirm haben
Der Pain Point:
Die meisten Teams beobachten dieselben Signale: neue Einstellung, Finanzierungsrunde, Stellenanzeige. Das Problem: Alle machen es. Der Posteingang des Prospects wird geflutet mit „Gratulation zur Finanzierung"-Mails am Tag der Bekanntgabe. Das Signal funktioniert noch, aber das Zeitfenster ist kürzer als früher - und das Rauschen ist lauter.
Die Lösung:
KI überwacht Ihre Ziel-Accounts auf Kaufsignale und macht sie als umsetzbare Alerts sichtbar, bevor Ihre Konkurrenz reagiert. Teams, die voraus sind, arbeiten mit Signalen, die noch nicht jeder nutzt: Wer hat Ihre Website besucht, ohne zu konvertieren? Wer hat mit bestimmten LinkedIn-Inhalten interagiert? Welche Stack-Änderungen deuten auf aktive Evaluation hin? Dort liegt der Timing-Vorteil.
Prozess:
Laden Sie Ihre Ziel-Account-Liste in ein Monitoring-Tool hoch
Definieren Sie die Trigger-Events, die bei Ihrem ICP mit Kaufintention korrelieren - priorisieren Sie die, die Ihre Konkurrenz nicht trackt
Richten Sie automatisierte Alerts ein, wenn ein Trigger auslöst
Leiten Sie den Alert an den zuständigen Rep weiter, inklusive eines vorgeschlagenen Einstiegswinkels für die erste Nachricht
Trigger-Signale zum Monitoren - von am stärksten differenzierend bis am stärksten commoditisiert:
Starkes Signal, wenig Wettbewerb - schnell handeln:
Website-Besucher auf Pricing- oder Demo-Seite identifiziert: höchste Kaufabsicht, Echtzeit, Zeitfenster schließt sich in 48 Stunden
LinkedIn-Post oder Kommentar, in dem der Prospect einen Pain beschreibt, den Ihr Produkt löst - nicht pitchen, den Post referenzieren
Stack-Änderung erkannt: Wettbewerber entfernt oder komplementäres Tool hinzugefügt, mit dem Sie integrieren
Ex-Mitarbeitende oder Champions eines bestehenden Kunden sind zu einem neuen Account gewechselt - sie kennen Ihr Produkt bereits, überspringen Sie den Pitch
Mittleres Signal, mittlerer Wettbewerb:
Prospect hat mit Inhalten eines Wettbewerbers auf LinkedIn interagiert - im Markt aktiv, aber noch nicht bei Ihnen
LinkedIn-Stellenbeschreibung gescrapt und auf relevante Keywords analysiert - zeigt aktuellen Pain, Tech-Stack und Teamstruktur, bevor jemand Kontakt aufnimmt
Account ist nach einem Deal in der Spätphase verstummt - 3-6 Monate später erneut ansprechen, der Kontext hat sich verändert
Neuer VP Sales / CRO / RevOps-Hire - erste 90 Tage, Mandat für Veränderung, Budget-Zyklus wird zurückgesetzt
Series-A/B-Finanzierung angekündigt - Wachstumsmodus, Headcount kommt, neue Anforderungen
Neuer Produktlaunch oder Marktexpansion - neue GTM-Motion, neue Stack-Anforderungen
Schwächeres Signal, hoher Wettbewerb - differenzieren Sie den Winkel oder lassen Sie es:
SDR/AE-Stellenanzeigen - Intent-Signal, aber 60-90 Tage verzögert
Pressemeldung in Fachmedien - einfach zu referenzieren, einfach zu ignorieren, macht jeder
Abgang einer Führungskraft - mindestens 30 Tage warten, die Organisation ist instabil
So beschleunigen Sie den Prozess in lemlist:
Richten Sie Ihre bevorzugten Signale ein, die Sie tracken möchten. Die Intent-Signal-Agents von lemlist überwachen Ihre Ziel-Accounts kontinuierlich und machen Kaufsignale direkt in Ihrem Dashboard sichtbar - einschließlich Website-Besuche, LinkedIn-Interaktionen, Jobwechsel, Finanzierungsrunden und mehr. Wenn ein Signal auslöst, sehen Sie den gesamten Account-Kontext: Wer hat es ausgelöst, was ist passiert und wann. Von dort aus fügen Sie den Kontakt mit wenigen Klicks in die richtige Sequenz ein - die Signaldaten stehen bereits als Personalisierungsvariablen in Ihren Schritten bereit.
Kein Rätselraten mehr, wann der richtige Zeitpunkt ist. Intent-Signal-Agents sagen Ihnen genau, wann ein Prospect in Bewegung ist - damit Ihr Outreach dann ankommt, wenn es zählt.
Phase 2: Sequenz-Design - die Storyline bauen, bevor Sie den Text schreiben
Use Case #3 - Schluss mit Sequenzen, denen ab Schritt 3 die Ideen ausgehen
Der Pain Point:
Die meisten Reps fangen bei Schritt 1 an zu schreiben, ohne einen Plan für Schritt 2 bis 6. Das Ergebnis: eine Sequenz, der ab Schritt 3 die Ideen ausgehen und die standardmäßig bei „wollte nur nochmal nachfragen" landet.
Die Lösung:
KI entwirft den gesamten narrativen Bogen, bevor Sie ein einziges Wort schreiben - damit jeder Schritt einen eigenen Winkel, eine eigene Kanallogik und einen Grund hat zu existieren.
Prozess:
Definieren Sie Ihre Inputs: ICP (Rolle, Branche, Unternehmensgröße), Trigger-Signal und zentrales Nutzenversprechen
Speisen Sie sie in einen Sequenz-Design-Prompt ein
Sie erhalten ein komplettes Grundgerüst: Anzahl der Schritte, Kanal pro Schritt, Winkel pro Schritt und vorgeschlagene Textrichtung
Validieren Sie gegen Ihre historischen Antwortdaten
Sequenz-Design-Prompt:
I'm building an outbound sequence for the following ICP: [role, industry, company size]. The trigger signal is: [signal]. My core value prop is: [value prop]. Design a X-step multichannel sequence (email + LinkedIn + call). For each step, specify: channel, delay from previous step, messaging angle, tone, and a one-sentence direction for the copy. The sequence should escalate progressively and never repeat the same angle twice.
So beschleunigen Sie den Prozess in lemlist:
Sie öffnen Copilot und beschreiben Ihr Ziel und Ihre Zielgruppe. Copilot stellt Ihnen strukturierte Fragen, Sie wählen aus Optionen, und es baut die komplette Kampagne für Sie: Schritte, Kanäle, Timing und Nachrichten. Das Ergebnis landet direkt im lemlist-Kampagnen-Builder, wo Sie alles bearbeiten können, bevor Sie starten.
Phase 3: Ihre Nachricht - damit sie ankommt
Use Case #4 - Die erste Zeile schreiben, basierend auf dem, was gerade im Unternehmen passiert ist
Der Pain Point:
Generische KI-Personalisierung ist mittlerweile überall. „Ich habe Ihren LinkedIn-Post gesehen" signalisiert keinen Aufwand mehr. Prospects filtern es instinktiv aus.
Die Lösung:
Nutzen Sie ein Live-Trigger-Event als Input für eine KI-generierte erste Zeile, die spezifisch, zeitnah und relevant ist. Das ist die einzige Form von KI-Personalisierung, die skalierbar noch funktioniert. Eine konkrete Reaktion auf etwas, das gerade im Unternehmen passiert ist - gesendet innerhalb von 48 Stunden nach dem Trigger. Der Rep schreibt sie nicht von Grund auf - er prüft und genehmigt eine erste Zeile, die KI aus echtem Kontext erstellt hat.
Prozess:
Trigger feuert: Finanzierung angekündigt, LinkedIn-Post oder Kommentar, Produktlaunch
Ihr Monitoring-Tool zieht die Trigger-Daten in eine Sequenzvariable
KI generiert eine erste Zeile mit einem strukturierten Prompt
Rep prüft vor dem Senden - 10 Sekunden, nicht 10 Minuten
Trigger-basierter Erste-Zeile-Prompt:
Write a cold email first line for a sales rep reaching out to [contact name], [title] at [company]. The trigger event is: [trigger]. The rep's product helps [one-line value prop]. The first line should: reference the trigger specifically, connect it naturally to a relevant challenge for their role, and end with a bridge into the value prop. Max 2 sentences. No exclamation marks. No 'Congrats on'. Tone: direct, peer-to-peer.
So beschleunigen Sie den Prozess in lemlist:
Wenn ein Signal auslöst - z. B. ein Prospect hat gerade auf LinkedIn über einen Pain gepostet, den Ihr Produkt löst - zieht lemlist den Inhalt des Posts als Variable und speist ihn in einen KI-Gesprächseinstieg-Prompt ein. Der Rep sieht eine vorgenerierte erste Zeile in seiner Review-Queue, liest sie in 10 Sekunden, genehmigt oder bearbeitet sie und sendet. Die einzige Aufgabe des Reps: die 10-Sekunden-Entscheidung, ob die erste Zeile passt.
Use Case #5 - Erst Mehrwert liefern, bevor Sie etwas verlangen
Der Pain Point:
Die meisten Cold-Opener beschreiben Nutzen. Prospects haben Tausende davon gelesen. Sobald sie einen Pitch wittern, sind sie weg.
Die Lösung:
Liefern Sie dem Prospect ein fertiges, nutzbares Arbeitsergebnis, bevor ein Verkaufsgespräch stattfindet. Kein Audit. Keine Empfehlung. Etwas, das sie tatsächlich verwenden können - speziell für sie erstellt, mit Ihrem eigenen Tool oder Ihrer Expertise. Ein Rep bei lemlist, der einem Prospect eine komplett aufgebaute Outbound-Sequenz für deren ICP schickt - geschrieben in deren Tonalität, mit deren Positionierung - hat bereits Mehrwert geliefert. Der Prospect bewertet nicht, ob er es braucht. Er erlebt es. Das ist ein komplett anderes Gespräch.
Prozess:
Identifizieren Sie ein beobachtbares, erstellbares Asset für den Prospect: deren ICP, deren letztes Webinar, deren bestehende Texte, deren LinkedIn-Content
Nutzen Sie Ihr eigenes Tool oder Ihre Kompetenz, um eine fertige Version dieses Assets zu produzieren - kein Mockup, ein echtes Ergebnis
Halten Sie die Nachricht drumherum minimal: Hier ist, was ich erstellt habe, hier ist warum, eine Zeile dazu, wie es weitergehen könnte
CTA: „Wollen Sie den Rest sehen?" oder „Lohnt sich ein 10-Minuten-Gespräch dazu?" Keine generische Demo-Anfrage.
Value-First-Opener-Prompt:
You are a [role: outbound strategist / video editor / voice AI specialist]. Based on the following information about [company]: their ICP: [paste], their current messaging: [paste], their recent content: [paste]. Produce a finished [sequence draft / 3-bullet short script / voice intro sample] that they could use immediately. Make it specific to their business. Do not explain what you did. Just deliver the output, followed by one sentence on the single most important creative decision you made.
Use Case #6 - Eine Sequenz schreiben. Für jede Persona anders wirken lassen.
Der Pain Point:
Ein VP of Sales und ein Head of Revenue Operations interessieren sich für unterschiedliche Dinge, messen Erfolg anders und sprechen intern unterschiedliche Sprachen. Beiden dieselbe Nachricht mit einem anderen Vornamen zu schicken, ist keine Personalisierung. Das ist Seriendruck.
Die Lösung:
KI passt Framing, Vokabular und Schwerpunkt einer Kernbotschaft an verschiedene Personas an - ohne die Sequenz für jede einzelne von Grund auf neu zu schreiben.
Prozess:
Schreiben Sie eine Kern-Sequenz rund um Ihr stärkstes Nutzenversprechen
Definieren Sie 3-4 Persona-Profile: Was ist ihnen wichtig, welche Sprache nutzen sie, an welchen Ergebnissen werden sie gemessen
Erstellen Sie eine KI-Variable-Spalte in Ihrer Leadliste und schreiben Sie einen Kalibrierungs-Prompt für jede Persona
Die KI generiert einen einzigartigen Wert für jeden Lead und speichert ihn als Variable
Fügen Sie diese Variable in Ihr E-Mail-Template ein. Eine Sequenz, automatisch personalisiert für jede Rolle.
Persona-Kalibrierungs-Prompt:
Write a one-sentence cold email opener for a {{jobTitle}} at {{companyName}}. Reference the main challenge someone in their role typically faces when managing outbound. Tone: direct, peer-to-peer, no flattery.
So beschleunigen Sie den Prozess in lemlist:
Erstellen Sie eine KI-Variable-Spalte in Ihrer Leadliste und verweisen Sie auf einen Prompt. Die KI generiert einen einzigartigen Wert für jeden Lead und speichert ihn als {{personalizedOpener}}. Dann schreiben Sie eine Sequenz und fügen diese Variable in Ihr E-Mail-Template ein. Ein VP of Sales und ein Head of RevOps erhalten jeweils einen Opener, der für ihre Rolle geschrieben ist - obwohl Sie die Sequenz nur einmal erstellt haben. Kein Copy-Paste zwischen Tools, kein manuelles Versions-Tracking.
Use Case #7 - Kalte Accounts reaktivieren, basierend auf dem, was beim letzten Mal wirklich passiert ist
Der Pain Point:
Die meisten Re-Engagement-Nachrichten fangen bei null an. Ein generisches „wollte nur mal nachhören" sechs Monate später ist schlimmer als Stille. Die Accounts, die bei Re-Engagement konvertieren, sind fast immer die, bei denen die Nachricht etwas Konkretes aus dem ersten Gespräch referenziert.
Die Lösung:
KI erstellt Re-Engagement-Nachrichten auf Basis des vorherigen Gesprächskontexts, sodass echte Kontinuität entsteht statt bei null anzufangen. „Beim letzten Mal sprachen wir über …" ist einer der stärksten Outbound-Ansätze überhaupt. Die meisten Teams nutzen ihn nicht, weil es zu lange dauert, den Kontext früherer Gespräche manuell zusammenzusuchen.
Prozess:
Closed-Lost- oder inaktive Accounts aus dem CRM ziehen (90-180 Tage alt)
Die Zusammenfassung des letzten Gesprächs in einen Re-Engagement-Prompt einspeisen
KI generiert eine Nachricht, die den bisherigen Kontext aufgreift, die Pause anerkennt und einen neuen Ansatz oder Trigger liefert
Als eigenständige Sequenz ausspielen, nicht als Fortsetzung der ursprünglichen
Re-Engagement-Prompt:
Schreibe eine Re-Engagement-E-Mail für einen Prospect, der nach [Hauptgrund aus der letzten Interaktion extrahieren, z. B. „einem Discovery Call, bei dem der Preis das Hauptargument war"] nicht mehr reagiert hat. Vergangene Zeit: [X Monate]. Was sich seitdem geändert hat: [neues Feature / neue Preise / neue Case Study / externer Trigger]. Die E-Mail soll: direkt an den letzten Stand anknüpfen, die Pause ansprechen ohne sich übermäßig zu entschuldigen und einen konkreten neuen Grund für ein Gespräch liefern. Maximal 5 Sätze. Kein „Ich wollte nur mal nachfragen". Kein „Ich melde mich nochmal kurz".
So funktioniert es mit lemlist + Claap:
Der KI-Agent von lemlist verbindet sich direkt mit Claap. Wenn ein inaktiver Account wieder auf Ihrem Radar erscheint, ruft der Agent automatisch die Claap-Zusammenfassung jedes früheren Calls mit diesem Prospect ab: vorgebrachte Einwände, geteilter Kontext, was den Deal beinahe abgeschlossen hätte. Daraus generiert er die Re-Engagement-Nachricht, ohne dass jemand im Team etwas tun muss. Das Ergebnis ist kein generisches „Ich wollte nur mal nachfragen", sondern eine Nachricht, die auf dem basiert, was beim ersten Mal tatsächlich passiert ist, geschrieben von einem Agenten, der beim Gespräch dabei war.
Phase 4: Sequenz-Optimierung - verbessern, was bereits läuft
Use Case #8 - Generische Benchmarks durch Kadenzen aus Ihren eigenen Daten ersetzen
Das Problem:
Die meisten Teams arbeiten mit Standard-Kadenzen. Generische Benchmarks, geschrieben für einen anderen Markt in einem anderen Jahr. Ihre besten Versandzeiten stecken längst in Ihren Daten. Sie lesen sie nur nicht.
Die Lösung:
KI analysiert Antwortmuster in Ihren bestehenden Sequenzen und identifiziert die Tage, Uhrzeiten und Intervalle mit der besten Conversion, aufgeschlüsselt nach Segment, Persona und Branche.
Prozess:
Sequenz-Performance-Daten aus Ihrem Outbound-Tool exportieren: Versandzeitpunkt, Antwortzeitpunkt, Schrittnummer der ersten Antwort
In einen einfachen Analyse-Prompt einspeisen
Die drei stärksten Muster identifizieren, z. B. Dienstag 8-9 Uhr für VP-Level, Donnerstagnachmittag für Mid-Market Ops
Segmentspezifische Kadenz-Vorlagen erstellen
Analyse-Prompt:
Hier ist ein Datensatz zur Performance von Outbound-Sequenzen: [Export einfügen]. Jede Zeile enthält: Versanddatum, Versandzeit, Persona, Branche, Schrittnummer, Antwort (Ja/Nein), Antwortzeit. Identifiziere die drei stärksten Versandzeit-Muster mit der höchsten Antwortrate. Schlüssle nach Persona auf, sofern die Stichprobe groß genug ist. Output: Muster, Antwortrate, Stichprobengröße, empfohlene Kadenz-Anpassung.
Phase 5: Der Call - den Rep vorbereiten und festhalten, was passiert
Use Case #9 - In jeden Call gehen und genau wissen, wo Sie aufgehört haben
Das Problem:
Reps überspringen die Call-Vorbereitung nicht aus Faulheit. Sie überspringen sie, weil sie zu lange dauert. Und im Outbound müssen Sie sich die Aufmerksamkeit Ihres Prospects oft direkt zu Beginn des Calls neu verdienen und daran erinnern, warum er Ihnen überhaupt seine Zeit gegeben hat.
Die Lösung:
KI fasst alles zusammen, was über einen Prospect bekannt ist: CRM-Historie, E-Mail-Verlauf, LinkedIn-Aktivität, aktuelle Unternehmensnews. Daraus entsteht ein 5-Punkte-Briefing, das der Rep in 2 Minuten vor dem Call liest. Wer in den ersten 60 Sekunden den richtigen Kontext nennt, signalisiert sofort: Das hier ist kein weiterer Cold Call.
Prozess:
Vor dem Call eine automatisierte Briefing-Erstellung auslösen
Daten aus: CRM-Notizen, E-Mail-Verlauf-Zusammenfassung, LinkedIn-Profil, aktuellen News
Bereitstellung in Ihrer Sales-Engagement-Plattform oder direkt in der CRM-Aufgabe
Pre-Call-Briefing-Prompt:
Erstelle ein Pre-Call-Briefing für einen Sales Rep, der gleich mit [Name], [Titel] bei [Unternehmen] spricht. Nutze folgende Quellen: CRM-Notizen, Claap-Aufzeichnungen, LinkedIn-Zusammenfassung, aktuelle Unternehmensnews. Output: genau 5 Stichpunkte: (1) Rollenkontext und Verweildauer, (2) aktueller Trigger oder Unternehmensnews, (3) wahrscheinliche Top-Priorität in diesem Quartal, (4) wichtigster Punkt aus dem bisherigen Gespräch zum Aufgreifen, (5) vorgeschlagene Einstiegsfrage. Jeder Stichpunkt maximal 25 Wörter.
So funktioniert es mit lemlist + Claap:
Der KI-Agent von lemlist löst das Briefing automatisch vor dem Call aus. Er zieht parallel aus allen Quellen: Claap-Aufzeichnungen für den Kontext vergangener Calls, LinkedIn für aktuelle Aktivitäten und Rollenwechsel, das Web für Unternehmensnews und Trigger-Events. Alles wird in ein 5-Punkte-Briefing zusammengefasst, das direkt im lemlist-Task-Feed des Reps ankommt. Kein Tab-Wechsel, keine manuelle Recherche. Der Rep liest es in zwei Minuten, geht in den Call und weiß genau, wo er aufgehört hat und was sich seitdem geändert hat.
Use Case #10 - Vom Call-Ende zum CRM-Update in 60 Sekunden
Das Problem:
Manuelle CRM-Updates kosten 15-20 Minuten pro Call und werden unter Zeitdruck übersprungen. Das Ergebnis: ein CRM, das nicht die Realität abbildet. Und das bricht jeden nachgelagerten Prozess, der darauf aufbaut: Forecasting, Re-Engagement, Übergaben.
Die Lösung:
KI transkribiert den Call, extrahiert die wichtigsten Punkte (erwähnte Entscheidungstragende, aufgedeckte Pain Points, vereinbarte nächste Schritte) und aktualisiert das CRM automatisch. Im Outbound ist das genauso entscheidend, besonders im Mid-Market- und Enterprise-Bereich, wo Sie jede Interaktion bis hin zu den Entscheidenden dokumentieren und zeigen wollen, dass Sie die Situation bereits von innen kennen.
Prozess:
Call endet in Ihrem Conversation-Intelligence-Tool
KI erstellt eine strukturierte Zusammenfassung: Kontext / Pain Points / Einwände / nächste Schritte / Entscheidungsprozess
Zusammenfassung wird automatisch ins CRM übertragen, getaggt nach Deal-Phase
Rep prüft und handelt, 60 Sekunden
So funktioniert es mit lemlist + Claap:
Sobald ein Call in lemlist endet, aufgezeichnet von Claap, erstellt die KI eine strukturierte Zusammenfassung: besprochene Themen, genannte Pain Points, vorgebrachte Einwände, erwähnte Stakeholder und vereinbarte nächste Schritte. Diese Zusammenfassung wird automatisch an HubSpot oder Salesforce gepusht, kein Copy-Paste, keine manuellen Felder. Die einzige Aufgabe des Reps: den nächsten Schritt umsetzen. Die gesamte Historie von der ersten E-Mail bis zum letzten Call liegt an einem Ort, durchsuchbar und für alle im Team zugänglich, die den Deal übernehmen.
Was KI im Outbound nicht ersetzen kann
Die 10 Use Cases oben decken viel ab. Aber bevor Sie alles automatisieren, was geht, lohnt ein klarer Blick darauf, was KI nicht gut kann und was passiert, wenn Sie es ihr trotzdem anvertrauen.
Zwischen den Zeilen lesen. KI kann ein Trigger-Event erkennen. Sie kann Ihnen nicht sagen, ob ein Prospect politisch in der Position ist zu kaufen, ob das Timing angesichts interner Dynamiken wirklich passt oder ob das Unternehmen gerade einen Einstellungsstopp hat, der noch nicht öffentlich ist.
Urteilsvermögen bei komplexen Deals. Multi-Stakeholder-Deals, sensible Branchen, Accounts mit komplizierter Vorgeschichte: Das erfordert menschliches Urteilsvermögen, das kein Scoring-Modell abbilden kann.
Das Gespräch selbst. KI kann Sie auf einen Call vorbereiten. Die Beziehung darin aufbauen kann sie nicht.
Die besten Outbound-Teams behandeln KI als Infrastruktur, nicht als Rep. Jeder Use Case oben ist darauf ausgelegt, den Rep schneller zum richtigen Gespräch zu bringen, nicht das Gespräch zu ersetzen.
So setzen Sie das um, ohne zu zerstören, was funktioniert
Bauen Sie nicht den ganzen Stack um. Starten Sie mit der Stelle, die Sie am meisten kostet.
Listen, die nicht konvertieren: starten Sie mit #1-2. Sequenzen, denen ab Schritt 3 die Ansätze ausgehen: starten Sie mit #3. Nachrichten, die nicht ankommen: starten Sie mit #4-6. Calls, die nicht konvertieren: starten Sie mit #9-10.
Wählen Sie einen Use Case. Lassen Sie ihn 30 Tage laufen. Messen Sie den Unterschied, bevor Sie den nächsten hinzufügen.
Die Teams, die mit KI im Outbound scheitern, sind die, die alles gleichzeitig ausrollen und keinem Ergebnis eine Ursache zuordnen können. Die Teams, die Erfolg haben, behandeln KI wie jede andere Variable: eine Änderung, sauber gemessen.
Was die besten Outbound-Teams gemeinsam haben
Sie nutzen KI nicht, um mehr vom Gleichen zu tun. Sie nutzen sie für Dinge, die manuell schlicht nicht möglich waren: 500 Accounts auf Trigger-Events monitoren, 3.000 Leads gegen eine echte ICP-Definition scoren, ein Pre-Call-Briefing generieren, das in unter 30 Sekunden aus 6 verschiedenen Datenquellen zieht.
Die Reps in diesen Teams sind nicht weniger wichtig. Sie sind fokussierter. Jede Stunde, die vorher in Recherche oder CRM-Updates floss, geht jetzt in echte Gespräche.
Das ist der Wandel. Nicht KI statt Reps. Sondern KI, die den Weg frei macht, damit Reps das tun können, was KI nicht kann: die Beziehung aufbauen, die den Deal abschließt.
KI-gestützte Outbound-Kampagnen starten
Automatisiere dein Prospecting und personalisiere KI-Sequenzen, um mehr Meetings zu buchen.