So nutzen Sie KI für die Prospect-Recherche vor dem ersten Kontakt

Stellen Sie sich vor: Ein:e Vertriebler:in sitzt um 8 Uhr morgens vor zehn Leads und einer leeren Sequenz. Drei Stunden später hat sie zehn LinkedIn-Profile gelesen, fünf Unternehmensseiten und eine Handvoll Nachrichtenartikel. Das Ergebnis: ein brauchbarer Fakt, vielleicht zwei. Diese Rechnung skaliert nie über eine kurze Liste hinaus.

KI schafft dieses Lesen in wenigen Sekunden. Das Problem: Die meisten Vertriebler:innen vertrauen entweder blind auf das Ergebnis oder ignorieren es komplett, weil sie einmal auf einen erfundenen Fakt reingefallen sind. Beides funktioniert auf Dauer nicht.

In diesem Artikel zeige ich Ihnen, wie Sie KI für Ihre Prospect-Recherche so einsetzen, dass das Ergebnis vor dem ersten Touchpoint standhält: wie Sie entscheiden, was Sie wirklich wissen müssen, wie Sie dem Modell echte Daten statt Vermutungen liefern und wie Sie aus einem verifizierten Fakt eine Zeile machen, die Ihr Prospect tatsächlich liest. Außerdem zeige ich, wo KI echte Zeit spart und wo nicht, damit Sie aufhören, Urteilsvermögen von ihr zu erwarten, für das sie nie gebaut wurde.

Am Ende haben Sie einen wiederholbaren Prozess von der Recherchefrage bis zum personalisierten Schritt, inklusive Prompts und Checks, die das Ergebnis ehrlich halten.

Was KI-gestützte Prospect-Recherche im Vertrieb abdeckt

KI-gestützte Prospect-Recherche bedeutet, Sprachmodelle und Agenten einzusetzen, um Account- und Kontaktinformationen vor der Kontaktaufnahme zu sammeln, zusammenzufassen und zu strukturieren. Im Vertrieb heißt das: Sie geben dem Modell echte Daten und bekommen etwas zurück, das Sie direkt in einer Nachricht verwenden können.

Kurzer Hinweis: „Prospect Research" bedeutet im Non-Profit-Bereich die Bewertung von Spenderpotenzial und Spendenhistorie. Das ist eine andere Disziplin. Hier geht es um Sales-Outreach.

Die wichtigsten Inputs für die KI-gestützte Prospect-Recherche:

• •

  Unternehmenswebsite (Über-uns-Seite, Produktseiten, Pricing)

• •

  Aktuelle Nachrichten (Finanzierungsrunden, Übernahmen, Führungswechsel)

• •

  Stellenanzeigen (offene Stellen zeigen, wo investiert wird)

• •

  LinkedIn-Aktivität (Posts, Kommentare, Profilaktualisierungen des Kontakts)

• •

  Tech-Stack (welche Tools bereits im Einsatz sind)

All diese Quellen sind öffentlich, strukturiert genug für ein Modell und direkt nützlich in einer Cold Email. Das Ziel: Stunden des Tab-Wechselns in wenige Sekunden generierten Output verwandeln und Ihre Zeit fürs Prüfen statt fürs Lesen nutzen.

1. Klären Sie, was Sie wissen müssen, bevor Sie recherchieren

Die meisten Vertriebler:innen öffnen LinkedIn, scrollen los und hoffen, dass etwas ins Auge springt. Das ist Browsen. Recherche beginnt mit einer Frage.

Die Frage sollte Ihren ICP mit der Nachricht verbinden, die Sie senden wollen. Wenn Sie an VP Sales in Mid-Market-SaaS-Unternehmen verkaufen, ist „Welchen Channel-Mix fährt dieses Team?" eine Recherchefrage. „Was hat diese Person letzte Woche gepostet?" ist Browsen, es sei denn, Sie wissen, wie die Antwort Ihre E-Mail verändert.

Die Recherchetiefe sollte mit dem Account-Wert skalieren. Hier ein einfaches Tier-System:

Tier 1 (Top-Accounts, hohe Dealgröße)

• •

  Was sind die zwei bis drei wichtigsten Prioritäten dieses Quartals?

• •

  Gab es in den letzten 90 Tagen eine relevante Neueinstellung oder einen Führungswechsel?

• •

  Welche Initiative oder welches Projekt passt zu Ihrer Lösung?

• •

  Gibt es einen Trigger, der gerade Dringlichkeit erzeugt?

Tier 2 (mittelpriorisierte Accounts)

• •

  Ein Pain Point oder eine Initiative, die zur Rolle des Kontakts passt

• •

  Ein aktueller Trigger (Neueinstellung, Finanzierung, Tech-Wechsel)

Tier 3 (Volumen-Accounts)

• •

  Ein relevanter Fakt, der zeigt, dass Sie sich informiert haben

Das ist der Teil, den die meisten KI-Prospecting-Guides überspringen. Wenn Sie der KI für jeden Account die gleiche Recherchetiefe vorgeben, recherchieren Sie entweder zu viel bei Low-Value-Leads oder zu wenig bei denen, die tatsächlich abschließen könnten. Recherchetiefe an den Account-Tier anzupassen hält den Prozess effizient und den Output brauchbar.

2. Account- und Kontaktdaten sammeln

KI arbeitet auf Daten. Wenn die Datenbasis fehlerhaft ist, erbt die Recherche jeden Fehler.

Starten Sie mit verifizierten Kontaktdaten und Firmografien: Unternehmensname, Branche, Mitarbeiterzahl, Rolle des Kontakts, verifizierte E-Mail-Adresse. Das ist das Fundament. Diese Daten müssen stimmen, bevor Sie ein Modell irgendetwas generieren lassen.

In lemlist können Sie Kontakte aus einer Datenbank mit über 650 Mio. Kontakten bei über 65 Mio. Unternehmen ziehen und dann Waterfall-Enrichment über 14+ Anbieter laufen lassen, um E-Mails zu verifizieren und Telefonnummern zu finden. So erhalten Sie die saubere Datenbasis.

Sobald die strukturierten Daten stimmen, setzen Sie KI obendrauf. Agentic Enrichment zieht Kontext aus Quellen wie LinkedIn-Profilen, Unternehmenswebsites und CRM-Einträgen und gibt ihn als strukturierte Felder zurück, die Sie in Prompts oder direkt in Ihrer Sequenz verwenden können. Die Reihenfolge zählt: erst anreichern, dann recherchieren.

3. Timing durch Signale hinzufügen

Der wertvollste Recherche-Input ist ein Grund, jetzt Kontakt aufzunehmen.

Eine Unternehmenszusammenfassung ist nützlich. Eine Unternehmenszusammenfassung plus die Info, dass letzte Woche drei SDR-Stellen ausgeschrieben wurden, ist umsetzbar. Timing macht aus Recherche statt „interessantem Kontext" ein „relevantes Outreach".

Die wichtigsten Signale fürs Prospecting:

• •

  Eine Neueinstellung in einer Rolle, die Ihr Produkt unterstützt

• •

  Eine Finanzierungsrunde (besonders Series A bis C, wo Teams schnell skalieren)

• •

  Ein Jobwechsel Ihres Kontakts (neue Rolle heißt neue Prioritäten)

• •

  Ein Website-Besuch auf Ihrer Seite oder der eines Wettbewerbers

• •

  Engagement auf LinkedIn (Kommentare zu einem Thema, das Sie lösen)

Jedes dieser Signale schafft einen natürlichen Einstieg für Ihre Nachricht. Statt „Mir ist aufgefallen, dass Ihr Unternehmen X macht" können Sie schreiben: „Sie haben gerade eine:n neue:n Head of Ops eingestellt. Das heißt meistens, dass das Team Y gerade neu denkt."

Signalbasiertes Prospecting macht Ihre Recherche zeitkritisch statt statisch. Wenn Sie ein Signal mit einem recherchierten Fakt kombinieren, wirkt die E-Mail, als wäre sie heute für genau diese Person geschrieben worden. Weil sie es wurde.

4. Recherche-Prompts schreiben, die brauchbaren Output liefern

Ein vager Prompt liefert vagen Output. Jeder Recherche-Prompt sollte vier Dinge enthalten: die Eingabefelder, die das Modell nutzen soll, das gewünschte Ausgabeformat, ein Längenlimit und die explizite Anweisung, bei fehlenden Informationen „unknown" zu antworten.

Der letzte Punkt ist entscheidend. Ohne ihn füllt das Modell Lücken mit plausibel klingender Fiktion.

Hier eine Prompt-Tabelle, die Sie anpassen können:

Zwei Dinge fallen auf: Jeder Prompt begrenzt die Länge, denn eine 200-Wörter-Unternehmenszusammenfassung ist in einer Cold Email nutzlos. Und jeder Prompt hat den „unknown"-Fallback, denn ein falscher Fakt ist schlimmer als kein Fakt.

5. Recherche in Personalisierung umwandeln

Ein recherchierter Fakt übernimmt drei Aufgaben in einer Cold Email: Er eröffnet die Nachricht (erste Zeile), er erklärt, warum Sie sich melden (Relevanzgrund), und er formt die Handlungsaufforderung (CTA).

So funktioniert das mit einem einzigen Trigger. Angenommen, das Signal lautet: „Unternehmen X hat gerade eine:n VP Revenue Operations eingestellt."

• •

  Erste Zeile „Sie haben gerade eine:n VP RevOps an Bord geholt. Das heißt meistens, dass das Team den Outbound-Stack neu aufbaut."

• •

  Relevanzgrund „Wir helfen RevOps-Teams, Prospecting und Sequenzen in einem Prozess zu bündeln. Das ist besonders in den ersten 90 Tagen nach einer Neueinstellung relevant."

• •

  CTA „Lohnt sich ein 15-Minuten-Blick darauf, wie Ihr:e neue:r RevOps-Lead das ab Tag eins aufsetzen könnte?"

Ein Fakt. Drei Einsatzmöglichkeiten. Das reicht.

Der häufigste Fehler: mehrere recherchierte Fakten in eine E-Mail packen. „Ich habe gesehen, dass Sie eine Series B abgeschlossen haben, drei AEs eingestellt, auf LinkedIn über Outbound gepostet und Salesforce nutzen." Das liest sich wie ein Dossier und macht den Prospect nervös. Nehmen Sie den stärksten Fakt und bauen Sie die Nachricht darum.

Für einen tieferen Einblick, wie Sie das skalierbar umsetzen, geht der Guide zu KI-E-Mail-Personalisierung den kompletten Prozess durch.

6. Menschliche Prüfung einbauen

KI wird Fehler machen. Die Frage ist, ob Sie sie finden, bevor der Prospect es tut.

Die häufigsten Fehler:

• •

  Halluzinierte Fakten. Das Modell erfindet einen Produktlaunch, eine Partnerschaft oder eine Kennzahl, die nicht existiert. Das passiert am häufigsten, wenn der Prompt keine Quelldaten oder keinen „unknown"-Fallback enthält.

• •

  Veraltete Nachrichten. Das Modell referenziert eine Finanzierungsrunde von vor zwei Jahren, als wäre sie letzten Monat passiert. Prüfen Sie immer das Datum.

• •

  Falsche Person, gleicher Name. Es gibt viele „John Smiths" auf LinkedIn. Wenn das Modell Kontext vom falschen Profil zieht, ist die E-Mail sofort erledigt.

• •

  Angenommene Kaufabsicht. Das Modell liest eine Stellenanzeige und schließt daraus, das Unternehmen „suche aktiv nach einer Lösung wie Ihrer". Das ist eine Interpretation, und eine riskante in einer Cold Email.

Nutzen Sie diese Checkliste für jeden Batch:

• •

  Quellencheck. Können Sie den Fakt auf eine echte, öffentliche Seite zurückverfolgen?

• •

  Datumscheck. Stammt die Nachricht oder das Ereignis aus den letzten 90 Tagen?

• •

  Tonalitätscheck. Klingt die Nachricht, als hätte ein Mensch sie geschrieben, oder als hätte ein Modell eine Pressemitteilung zusammengefasst?

• •

  Stichproben-Review. Prüfen Sie mindestens 10 % jedes Batches vor dem Versand. Bei Tier-1-Accounts jede einzelne Nachricht.

Sie müssen nicht jede E-Mail in einer 500-Lead-Kampagne prüfen. Aber Sie müssen genug prüfen, um systematische Fehler zu erkennen, bevor sie massenhaft in Posteingängen landen.

Wo KI-Recherche Zeit spart und wo nicht

KI übernimmt das Lesen. Menschen übernehmen die Bewertung. So einfach ist die Aufteilung.

KI-gestützte Prospect-Recherche in lemlist umsetzen

So bildet sich der Prozess in lemlist ab, Schritt für Schritt.

Kontakte finden und anreichern. Nutzen Sie die Filter der People-Datenbank, um über 650 Mio. Kontakte bei über 65 Mio. Unternehmen zu durchsuchen. Wenn Sie Ihre Liste haben, starten Sie Waterfall-Enrichment über 14+ Anbieter für verifizierte E-Mails und Telefonnummern.

Timing durch Signale hinzufügen. Signal-Agenten überwachen kontinuierlich Kaufsignale in Ihrem ICP, ob Neueinstellungen, Finanzierungsrunden, Website-Besuche, Tech-Wechsel oder individuelle Signale, und zeigen Treffer automatisch in Ihrer Beobachtungsliste an. Wenn ein Signal auslöst, können Leads mit angehängtem Kontext direkt in eine Kampagne geschoben werden.

Jeden Lead mit KI recherchieren. Nutzen Sie KI-Variablen, um einen einzigen Recherche-Prompt über jeden Lead in Ihrer Kampagne laufen zu lassen. Der Output wird zur Variable, die Sie direkt in Ihren E-Mail-Schritt einfügen.

Sequenzen mit lemAgent bauen. lemAgent ist der integrierte KI-Assistent von lemlist. Über das Erstellen und Verbessern Ihrer Sequenz hinaus kann er Leads suchen und Ergebnisse früherer Kampagnen analysieren, sodass der generierte Text auf dem basiert, was in Ihrem Account bereits funktioniert hat.

Eigenen KI-Assistenten verbinden. Der lemlist-MCP-Server stellt Aktionen für Lead-Suche, Enrichment, Sequenz-Erstellung und Kampagnen-Management bereit. Sie können Claude, Cursor oder einen anderen MCP-kompatiblen Client verbinden und Ihren Prospect-Recherche-Prozess aus einer einzigen Konversation heraus steuern. Setup-Ideen und Anwendungsfälle finden Sie im Guide zu lemlist-MCP-Anwendungsfälle.

Fazit

KI-gestützte Prospect-Recherche funktioniert, wenn Sie mit einer klaren Frage starten, dem Modell echte Daten liefern und das Ergebnis vor dem Versand prüfen. Passen Sie die Recherchetiefe an den Account-Wert an, nutzen Sie Signale fürs Timing und behalten Sie einen Menschen in der Schleife für Ermessensentscheidungen.

Der Prozess ist einfach: Kontakte finden, anreichern, Signale drauflegen, Recherche-Prompt laufen lassen und aus einem Fakt eine personalisierte Nachricht machen. Erstellen Sie Ihre erste signalbasierte Sequenz in lemlist.