Rémi Kokabi5. September 20269 Min. LesezeitAktualisiert: 28. Sept. 2026
5 Prompt-Engineering-Techniken, die Ihre Cold-Email-Recherche verkürzen (inkl. Sales-Templates)
Letzte Woche habe ich beobachtet, wie ein SDR „Schreib mir eine Cold Email für einen VP of Sales" in Claude eingegeben und das Ergebnis an 200 Prospects geschickt hat. Die Antwortrate lag bei 1,2 %. Am selben Nachmittag hat ein anderer Rep im Team einen Prompt genutzt, der mit Prospect-Kontext, Tonalitätsvorgaben und einem klaren Ziel gefüttert war. Gleiches Tool, gleiches Listensegment. Antwortrate: 6,4 %.
Der Unterschied hatte nichts mit dem Produkt oder dem KI-Modell zu tun. Es lag am Prompt.
In diesem Beitrag zeige ich Ihnen im Detail, wie Prompt Engineering für Sales Outreach funktioniert, welche fünf Techniken die Antwortrate tatsächlich verbessern, welche Vorlagen Sie direkt in Ihre nächste Kampagne übernehmen können und wie der Workflow aussieht, der alles in lemlist zusammenbringt.
Was ist Prompt Engineering
Prompt Engineering ist die Praxis, Anweisungen (sogenannte Prompts) so zu formulieren und zu verfeinern, dass ein KI-Modell das Ergebnis liefert, das Sie tatsächlich wollen. MCP (Model Context Protocol) ist ein offener Standard, mit dem KI-Agenten externe Tools aufrufen können (lemlist MCP | KI-Agenten mit Sales Outreach und Lead-Daten verbinden), aber bevor das relevant wird, muss der Prompt selbst stimmen. Wie Sie eine Anfrage formulieren, bestimmt direkt die Qualität des Ergebnisses. IBM definiert es als den Prozess, Eingaben zu schreiben, zu verfeinern und zu optimieren, um spezifische, hochwertige Ergebnisse aus generativen KI-Systemen zu erhalten.
Bitten Sie ein Modell, „eine Cold Email zu schreiben", und Sie bekommen etwas Generisches. Sagen Sie ihm, wer der Prospect ist, was ihn interessiert und wie lang die E-Mail sein soll, und das Ergebnis verändert sich komplett. Diese Lücke zwischen vage und spezifisch ist der ganze Skill auf den Punkt gebracht.
Tipp: Behandeln Sie einen Prompt weniger wie eine Suchanfrage und mehr wie ein Briefing, das Sie einem neuen Rep am ersten Tag geben würden.
Warum Prompt Engineering für Sales-Teams wichtig ist
KI-generiertes Outreach landet mittlerweile in fast jedem Posteingang, was bedeutet, dass die meisten Prospects ähnlich klingende Nachrichten sehen. Die Reps, die auffallen, verkaufen meistens kein besseres Produkt. Sie arbeiten mit besseren Prompts.
Ich bin ehrlich: Prompting allein rettet keine schlechte Liste und kein schwaches Angebot. Wenn Sie die falschen Leute ansprechen, sorgt ein besserer Prompt nur dafür, dass Sie schneller ignoriert werden. Aber wenn das Targeting stimmt, ist der Prompt der Hebel.
Stellen Sie sich vor, zehn SDRs tippen „Schreib eine Cold Email für einen VP of Sales" in dasselbe Tool. Das Ergebnis sieht bei allen zehn nahezu identisch aus. Ein Prompt mit Prospect-Kontext, Tonalitätsvorgaben und einem klaren Ziel gibt dem Modell etwas, womit es tatsächlich arbeiten kann, sodass das Ergebnis klingt, als wäre echte Recherche eingeflossen. lemlist hat eine Bewertung von 4,6 / 5 auf G2 bei über 2.000 Reviews, und ein wiederkehrendes Thema in diesen Reviews ist, dass die KI-Personalisierung nur so gut funktioniert wie die Eingaben, die Sie ihr geben.
Dieser Unterschied potenziert sich schnell:
Ein starkes Prompt-Template kann Hunderte personalisierter E-Mails über Ihre gesamte Pipeline hinweg generieren
Ein schwacher Prompt, hundertmal wiederholt, erzeugt nur mehr Rauschen im Posteingang
Wie Prompt Engineering funktioniert
Bestandteile eines Prompts
Jeder Prompt, ob Cold Email oder LinkedIn-Zusammenfassung, basiert auf denselben Bausteinen. Sie werden nicht immer alle nutzen, aber zu wissen, was verfügbar ist, hilft Ihnen, präzisere Eingaben zu schreiben.
Bestandteil | Funktion | Sales-Beispiel |
|---|---|---|
Anweisung | Sagt dem Modell, was es tun soll | „Schreib eine Cold Email mit 2 Sätzen" |
Kontext | Liefert Hintergrundinformationen, die das Modell nicht hat | „Dieses Unternehmen hat gerade eine Series B abgeschlossen" |
Beispiele | Zeigt, wie gutes Ergebnis aussieht | Eine Beispiel-E-Mail in Ihrer Markenstimme |
Format | Definiert Struktur und Länge | „Maximal 3 Sätze, keine Betreffzeile" |
Einschränkungen | Setzt Grenzen bei Tonalität oder Inhalt | „Keine Ausrufezeichen" |
Je mehr dieser Bausteine Sie einbauen, desto weniger muss das Modell raten. Und wenn es rät, wird es fast immer generisch.
Wie LLMs Ihre Prompts verarbeiten
Ein LLM funktioniert als Vorhersagemaschine. Es liest Ihre Eingabe Stück für Stück und sagt das nächste Token vorher, ein Wortfragment, basierend auf Mustern, die es im Training gelernt hat.
Deshalb haben Wortreihenfolge und Spezifität so viel Gewicht. Verschieben Sie eine Einschränkung vom Ende eines Prompts an den Anfang, und das Ergebnis kann sich spürbar verändern. Sehen Sie es als Steuerung einer Vorhersage, nicht als Programmierung einer Maschine.
Prompt-Engineering-Techniken für Sales Outreach
Bevor wir zu den fünf Techniken kommen, die ich am häufigsten nutze, ein Hinweis zum breiteren Kontext. Leitfäden von Google Cloud und promptingguide.ai behandeln acht oder mehr Techniken, darunter Self-Consistency, Tree of Thoughts, ReAct und Meta-Prompting. Die sind relevant, wenn Sie in der KI-Forschung arbeiten oder komplexe Agent-Pipelines bauen. Für Sales Outreach erledigen die folgenden fünf die eigentliche Arbeit.
Zero-Shot und Few-Shot Prompting
Beim Zero-Shot Prompting soll das Modell eine Aufgabe nur mit seinem vorhandenen Trainingswissen lösen, ohne Beispiele. Beim Few-Shot Prompting fügen Sie ein paar Beispiel-Eingaben und -Ausgaben direkt in den Prompt ein, um den Stil zu steuern.
Zero-Shot funktioniert gut bei einfachen, klar definierten Aufgaben, wie ein LinkedIn-Profil in zwei Sätzen zusammenzufassen. Few-Shot liefert bessere Ergebnisse, wenn das Ergebnis zu einer bestimmten Stimme passen soll: Fügen Sie zwei Ihrer besten Cold Emails ein und fragen Sie nach einer neuen im gleichen Stil.
Role Prompting
Wenn Sie der KI eine Persona geben, verändert das ihren Schreibstil. Starten Sie mit „Du bist ein erfahrener SDR, der an VP-Level SaaS-Buyer verkauft", und das Vokabular verschiebt sich im Vergleich zu einer einfachen Anfrage.
Beim Role Prompting weisen Sie dem Modell eine Rolle zu, die Ton und Stil festlegt, bevor es irgendetwas generiert. Starten Sie dieselbe Anfrage einmal mit und einmal ohne Rolle und vergleichen Sie die Ergebnisse nebeneinander. Der Unterschied ist meistens offensichtlich.
Chain-of-Thought Prompting
Beim Chain-of-Thought Prompting wird das Modell aufgefordert, ein Problem Schritt für Schritt durchzudenken, bevor es eine finale Antwort liefert. Anstatt direkt zu einer Schlussfolgerung zu springen, arbeitet es zuerst die Logik durch.
Das hilft bei Aufgaben, die Urteilsvermögen erfordern. Versuchen Sie: „Analysiere das LinkedIn-Profil und die Unternehmensseite dieses Prospects. Identifiziere zuerst einen wahrscheinlichen Pain Point für das Team. Schreib dann eine Cold Email, die diesen Pain Point adressiert." Der zusätzliche Denkschritt verbessert oft das Endergebnis deutlich.
Retrieval-Augmented Prompting
Die meisten Prompt-Engineering-Leitfäden behandeln Retrieval Augmented Generation (RAG) als eigenständige Technik, und das aus gutem Grund. Wenn Sie echte, abgerufene Daten in einen Prompt einfügen, bevor das Modell seine Antwort generiert, basiert das Ergebnis auf Fakten statt auf Vermutungen.
Im Sales-Kontext bedeutet das: CRM-Notizen, LinkedIn-Profildaten, aktuelle Unternehmensnews oder vergangene Call-Transkripte direkt in den Prompt ziehen. lemlist's KI Agentic Enrichment macht das skalierbar: KI-Agenten analysieren zentrale Seiten, um zu verstehen, wie sich ein Unternehmen positioniert, lesen LinkedIn-Profile für Rollenhistorie und Karriereverlauf und decken Signale wie Neueinstellungen oder Launches auf (lemlist KI Agentic Enrichment) (lemlist KI Agentic Enrichment). Die angereicherten Daten fließen direkt in Ihre Prompt-Variablen, sodass das Modell mit Kontext schreibt, den ein generischer Prompt nie hätte.
Prompt Chaining für mehrstufige Workflows
Beim Prompt Chaining wird eine komplexe Aufgabe in eine Abfolge verbundener Prompts aufgeteilt, wobei jede Ausgabe in die nächste einfließt. Eine typische Sales-Kette könnte so aussehen:
Das Unternehmen und die Rolle des Prospects recherchieren
Einen relevanten Pain Point aus dieser Recherche identifizieren
Eine First-Touch-E-Mail rund um den Pain Point entwerfen
Eine Follow-up-Sequenz auf Basis dieser E-Mail erstellen
Machen Sie das manuell, oder übergeben Sie die gesamte Kette an lemlist MCP, das den Prozess direkt aus Claude, Cursor oder Windsurf heraus ausführt. MCP ist ein offener Standard, mit dem KI-Agenten externe Tools aufrufen können. Der lemlist MCP-Server stellt über 40 Aktionen bereit: Lead-Suche, Enrichment, Sequenz-Erstellung, Kampagnen-Management. Ihr Agent steuert den gesamten Outbound-Prozess von einem einzigen Prompt aus. (lemlist MCP | KI-Agenten mit Sales Outreach und Lead-Daten verbinden)
So schreiben Sie wirkungsvolle Prompts für Sales Outreach
Definieren Sie Ziel und Format. Sagen Sie, was Sie wollen, eine Cold Email oder eine LinkedIn-Nachricht, und welche Form sie haben soll. Überspringen Sie diesen Schritt, und das Modell füllt Lücken mit eigenen Vermutungen.
Fügen Sie Prospect-spezifischen Kontext hinzu. Ein Prompt ohne Prospect-Daten liefert eine Vorlage. Einer mit firmografischen Details oder einem aktuellen Trigger Event liefert etwas, das nach Recherche klingt. lemlist's Enrichment-Agenten ziehen diese Art von Detail automatisch von LinkedIn und Unternehmensseiten.
Definieren Sie Tonalität und Anti-Patterns. Sagen Sie dem Modell, was es vermeiden soll, genauso klar wie das, was es liefern soll: „keine rhetorischen Fragen, keine Ausrufezeichen." Die meisten schwachen Ergebnisse entstehen, weil der Prompt sagt, was er will, aber nie sagt, was er nicht will.
Iterieren Sie anhand der Ergebnisse. Sehen Sie das als Schleife, nicht als einmalige Aufgabe. Meistens reichen ein bis zwei Runden Feinschliff, um von generisch zu versandbereit zu kommen.
Prompt-Beispiele für Cold Email, LinkedIn und Follow-ups
Cold Email:
„Du bist ein SDR, der [Produkt] an [ICP] verkauft. Schreib eine Cold Email mit 3 Sätzen an [Name], [Titel] bei [Unternehmen]. Das Unternehmen hat kürzlich [Trigger Event]. Fokus auf [Pain Point]. Keine rhetorischen Fragen, keine Ausrufezeichen."
Tauschen Sie die Variablen in Klammern pro Prospect aus. Die Struktur bleibt gleich, während sich die Details ändern, und genau das lässt das Ergebnis persönlich wirken, auch bei großem Volumen.
LinkedIn-Kontaktanfrage:
„Schreib eine LinkedIn-Kontaktanfrage unter 200 Zeichen an [Name], [Titel] bei [Unternehmen]. Bezug auf [gemeinsamer Kontext]. Kein Pitch, nur ein Grund zur Vernetzung."
Follow-ups funktionieren besser mit einem Trigger Event, z. B. einem Jobwechsel oder einem relevanten Beitrag, den der Prospect geteilt hat. Das gibt dem Modell etwas Konkretes statt einem generischen Check-in.
„Schreib ein Follow-up mit 2 Sätzen an [Name], der auf meine erste E-Mail nicht geantwortet hat. Bezug auf [Trigger Event]. Nenne einen konkreten Grund, wieder anzuknüpfen."
Häufige Prompt-Engineering-Fehler, die Ihre Antwortrate senken
Ohne Prospect-Kontext kann das Modell Personalisierung nur erraten.
Ohne Längenvorgabe bekommen Sie lange, generische Absätze zurück.
Einen einzelnen Prompt mit Recherche, Qualifizierung und Texterstellung gleichzeitig zu überladen, schwächt in der Regel jeden Teil des Ergebnisses. Nutzen Sie stattdessen verkettete Prompts.
Wenn Sie Buzzwords nicht vorab ausschließen, tauchen sie trotzdem auf.
Wer den ersten Entwurf als finale Version behandelt, verschickt etwas Halbfertiges. Erste Ergebnisse sind ein Ausgangspunkt.
So bauen Sie eine Prompt-Bibliothek für Ihr Sales-Team auf
Eine nützliche Bibliothek deckt die Prozesse ab, die Ihr Team täglich durchläuft: Prospecting nach Kanal, Follow-ups, Einwandbehandlung, Call-Vorbereitung und Reporting. Jeder Eintrag enthält klar markierte Variablen, damit jeder Rep seine eigenen Daten einsetzen und sofort loslegen kann.
Speichern Sie die Bibliothek dort, wo Ihr Team bereits arbeitet, in einem geteilten Dokument oder direkt in Ihrer Outbound-Plattform. KI-Variablen sind der manuelle Prompt-Baustein in lemlist. Sie schreiben einen Prompt, und lemlist führt ihn über Ihre Leads aus. Sie sind Teil von Smart Messaging, der KI von lemlist zur Generierung kompletter Outbound-Sequenzen. (6 Wege, lemlist KI-Variablen zur skalierbaren Outreach-Personalisierung zu nutzen (2026)) Sie können die vorgefertigte Prompt-Bibliothek direkt in der App durchsuchen, ein Template auswählen und es gegen Ihre Leads laufen lassen, ohne lemlist zu verlassen. Taggen Sie Einträge nach Kanal und ICP-Segment und prüfen Sie monatlich: Entfernen Sie alles, was an veraltetes Messaging geknüpft ist, und ergänzen Sie, was ein Rep entdeckt hat und gut performt.
Vom Prompt-Schreiben zum Prompt-gesteuerten Outbound
Gute Prompts bringen Sie auf halben Weg. Der echte Effekt zeigt sich, wenn ein Prompt eine tatsächliche Aktion auslöst: Leads finden, Kontakte anreichern, eine Sequenz erstellen, eine Kampagne starten.
lemlist MCP verbindet Claude, ChatGPT und KI-Agenten mit über 600 Mio. Leads, Multichannel-Kampagnen und automatisierten Outreach-Prozessen. (lemlist MCP | KI-Agenten mit Sales Outreach und Lead-Daten verbinden) Statt Daten zwischen Tabs hin und her zu schieben, beschreiben Sie ein Ergebnis, z. B. „Finde SaaS-CMOs in den USA, die kürzlich eine Finanzierungsrunde abgeschlossen haben, reichere sie an und starte eine 3-Schritt-Sequenz", und der Agent führt es aus.
MCP erfordert ein lokales Client-Setup (Claude Desktop, Cursor etc.). Claude Skills ist die Alternative ohne Setup. Gehen Sie auf lemlist.com/claude-skills, geben Sie Ihre Anfrage ein, und Claude führt sie direkt im Browser aus. Gleiche Power, kein Setup. (lemlist MCP | KI-Agenten mit Sales Outreach und Lead-Daten verbinden) Wenn Ihre Reps keinen MCP-Client konfigurieren wollen, bietet Claude Skills denselben Prompt-to-Action-Workflow ohne Installation.
Jetzt sind Sie dran
Prompt Engineering für Sales dreht sich nicht um KI-Theorie. Es geht darum, klarere Briefings zu schreiben, bessere Daten einzuspeisen und das Ergebnis mit einer Aktion zu verbinden, die tatsächlich Pipeline bewegt.
Starten Sie mit einem Template aus diesem Beitrag. Füllen Sie es mit echtem Prospect-Kontext. Lassen Sie es gegen zehn Leads laufen und lesen Sie jedes Ergebnis, bevor Sie es versenden. Diese Schleife, schreiben, testen, verfeinern, ist der ganze Skill.
Sie wollen Ihren gesamten Outbound mit einem einzigen Prompt steuern? 14 Tage kostenlos testen. Keine Kreditkarte, jederzeit kündbar.
KI-gestützte Outbound-Kampagnen starten
Automatisiere dein Prospecting und personalisiere KI-Sequenzen, um mehr Meetings zu buchen.