Ich wollte es wissen. Nicht theoretisch, nicht von einem Konferenz-Vortrag, nicht aus einer Case Study mit geschönten Zahlen. Ich wollte selbst testen, was passiert, wenn ich KI als Marketing-Agent einsetze. Nicht für Content. Nicht für Bewertungen. Sondern für den härtesten Job im Marketing: Leads finden, qualifizieren und ansprechen.
Das Experiment: 800 Leads aus verschiedenen Quellen. Ein KI-Agent auf Basis von Claude. Drei Wochen Zeit. Das Ziel: Herausfinden, ob KI den Lead-to-Meeting-Prozess wirklich besser macht — oder nur schneller.
Hier ist, was passiert ist.
Das Setup: 800 Leads, 4 Quellen
Die 800 Leads kamen aus vier Quellen:
- 200 aus LinkedIn Sales Navigator — Marketing-Verantwortliche bei Filialisten mit 20+ Standorten in DACH
- 200 aus einer Messekontakt-Liste — Visitenkarten von der OMR und der Franchise Expo
- 200 aus Web-Scraping — Filialisten, deren Google Business Profile Optimierungspotenzial zeigten
- 200 aus Content-Downloads — Leute, die ein Whitepaper zum Thema lokales Marketing heruntergeladen hatten
Jeder Lead hatte mindestens Name, Unternehmen und eine Kontaktmöglichkeit. Die Datenqualität variierte stark — von vollständigen LinkedIn-Profilen bis zu unleserlichen Visitenkarten.
Phase 1: Datenanreicherung
Der erste Job für den KI-Agent: Aus Basisdaten verwertbare Profile machen. Für jeden Lead sollte Claude folgende Informationen zusammentragen:
- Unternehmensgröße und Branche
- Anzahl der Standorte (grobe Schätzung)
- Aktueller Stand des lokalen Marketings (GBP-Qualität, lokale Ads, Bewertungsmanagement)
- Letzte öffentliche News oder Pressemitteilungen
- Potenzielle Pain Points basierend auf öffentlich sichtbaren Daten
Das Ergebnis war beeindruckend — und ernüchternd zugleich.
Was funktionierte: Claude konnte aus öffentlich verfügbaren Daten erstaunlich gute Profile erstellen. Für Unternehmen mit aktiver Online-Präsenz lieferte die Analyse in 2-3 Minuten, wofür ein Mensch 15-20 Minuten gebraucht hätte. Bei 800 Leads: statt 200 Arbeitsstunden rund 40 Stunden KI-Verarbeitungszeit plus 15 Stunden menschliche Überprüfung.
Was nicht funktionierte: Bei Unternehmen mit schwacher Online-Präsenz (ironischerweise oft die, die am meisten Hilfe brauchen) war die Datenanreicherung dünn. Claude konnte nicht erfinden, was nicht da war. Und bei 12% der Leads war die Zuordnung von Person zu Unternehmen falsch — Namensvetter, veraltete Positionen, verwechselte Firmen.
Phase 2: Lead Scoring
Aus den angereicherten Daten hat Claude ein Scoring-System entwickelt. Fünf Kriterien, je 1-5 Punkte:
- Standortanzahl: Mehr Standorte = mehr Bedarf an skalierbarem Marketing
- GBP-Qualität: Schlecht gepflegte Profile = höherer Handlungsdruck
- Online-Aktivität: Wenig lokaler Content = Optimierungspotenzial
- Wachstumssignale: Neue Standorte, Stellenanzeigen, Pressemitteilungen
- Kontaktqualität: Direkter Entscheider vs. allgemeine Info-Adresse
Die Verteilung:
- A-Leads (20-25 Punkte): 87 von 800 = 11%
- B-Leads (14-19 Punkte): 234 von 800 = 29%
- C-Leads (8-13 Punkte): 312 von 800 = 39%
- D-Leads (unter 8 Punkte): 167 von 800 = 21%
Die Überraschung: Als ich das Scoring manuell bei einer Stichprobe von 50 Leads überprüfte, stimmte es in 78% der Fälle mit meiner eigenen Einschätzung überein. Bei 16% hatte Claude zu optimistisch bewertet (meist wegen oberflächlicher Wachstumssignale), bei 6% zu pessimistisch (meist weil relevante Offline-Informationen fehlten).
78% Trefferquote bei einem vollautomatischen Scoring-System — das ist nicht perfekt, aber deutlich besser als gar kein Scoring, was die Realität bei den meisten Vertriebsteams ist.
Phase 3: Personalisierter Outreach
Jetzt der spannende Teil. Claude sollte für jeden A- und B-Lead eine personalisierte Erstansprache schreiben. Nicht "Hallo [Name], ich habe gesehen, dass Sie bei [Firma] arbeiten." Sondern echte Personalisierung basierend auf den gesammelten Daten.
Ein Beispiel — Lead: Marketing-Leiterin einer Bäckerei-Kette mit 45 Standorten in NRW. GBP-Qualität: mittel. Letzte News: Eröffnung von 3 neuen Filialen.
Claude generierte:
"Hi [Name], herzlichen Glückwunsch zu den drei neuen Standorten in Düsseldorf, Essen und Bochum! Bei der Gelegenheit — ich habe mir eure Google Business Profile angeschaut. Die bestehenden Filialen haben solide Bewertungen (4.2 Durchschnitt), aber die neuen Standorte sind noch ziemlich leer. Erfahrungsgemäß brauchen neue Filialen 6-8 Monate, um organisch auf 50+ Bewertungen zu kommen. Es gibt einen Weg, das auf 8-10 Wochen zu verkürzen. Hast du 15 Minuten diese Woche?"
Das ist eine andere Liga als "Ich möchte Ihnen unsere Lösung für lokales Marketing vorstellen." Claude hatte die neuen Standorte gefunden, die Bewertungslage analysiert und einen konkreten Mehrwert formuliert.
Die Ergebnisse des Outreach-Experiments:
- 87 A-Leads angeschrieben, KI-personalisiert: 23% Antwortrate, 14% Meeting-Rate
- 234 B-Leads angeschrieben, KI-personalisiert: 11% Antwortrate, 5% Meeting-Rate
- Kontrollgruppe: 50 Leads mit Standard-Template: 4% Antwortrate, 1% Meeting-Rate
Die KI-personalisierten E-Mails performten 5-6x besser als das Standard-Template. Das allein rechtfertigt den gesamten Aufwand.
Was ich daraus gelernt habe
Lektion 1: KI ist ein Multiplikator, kein Ersatz. Der KI-Agent hat meine Arbeit nicht überflüssig gemacht. Er hat sie multipliziert. Statt 10 Leads pro Tag zu recherchieren und anzuschreiben, konnte ich 80 bearbeiten. Aber die strategischen Entscheidungen — wen spreche ich an, welchen Winkel wähle ich, wie gehe ich mit Einwänden um — die bleiben bei mir.
Lektion 2: Datenqualität schlägt Algorithmus-Qualität. Die besten KI-generierten E-Mails waren die, bei denen Claude auf reichhaltige Daten zurückgreifen konnte. Bei Leads mit dünner Online-Präsenz war auch der Output dünn. Investiere 60% deiner Zeit in Daten, 20% in Prompts, 20% in Nachbearbeitung.
Lektion 3: Die 12%-Fehlerquote ist real. Bei 800 Leads bedeuten 12% Zuordnungsfehler: 96 falsch zugeordnete Profile. Wenn du eine dieser fehlerhaften Personalisierungen versendest ("Glückwunsch zur neuen Filiale in Düsseldorf" — an jemanden, der gar keine neue Filiale hat), ist das schlimmer als gar keine Personalisierung. Menschliche Prüfung bleibt Pflicht.
Lektion 4: Follow-up schlägt Erstansprache. Die erste E-Mail öffnet die Tür. Aber die Meetings kamen überwiegend aus dem Follow-up. Und hier war die KI ebenfalls stark: Sie konnte für jedes Follow-up einen neuen Aufhänger finden, basierend auf zwischenzeitlichen Veränderungen beim Lead (neue Google-Bewertungen, Social-Media-Posts, News).
Lektion 5: Transparenz gewinnt. Ich habe in keiner E-Mail verschwiegen, dass KI im Spiel war. In der Signatur stand: "Recherche unterstützt durch KI, geschrieben von mir." Kein einziger Lead hat das negativ kommentiert. Mehrere haben gefragt, wie der Workflow funktioniert.
Der Workflow zum Nachmachen
Wenn du das selbst testen willst, hier der Minimal-Setup:
Tools: Claude API (für Analyse und Texterstellung), ein Spreadsheet (für Lead-Management), dein E-Mail-Tool (für den Versand)
Budget: ~50 EUR/Monat für Claude API bei 200-300 Leads. Mehr als überschaubar.
Zeitaufwand: 1 Tag Setup, danach 2-3 Stunden pro Woche für Prüfung und Follow-up bei 100 Leads.
Wichtig: Starte mit 50 Leads. Optimiere den Prozess. Dann skaliere. Wer sofort 800 Leads durch die Pipeline jagt, produziert 96 peinliche Fehler.
Wie der Artikel Lokales Marketing ist kaputt zeigt: Die Branche braucht neue Ansätze. KI-gestütztes Lead Management ist einer davon. Und wenn du mehr über KI-Agenten im Filialmarketing wissen willst — da geht der Kaninchenbau weiter.
800 Leads. 12 Meetings. 4 neue Kunden. Der ROI des Experiments war positiv — aber der eigentliche Wert war das Verständnis dafür, wo KI im Vertrieb wirklich hilft und wo nicht. Spoiler: Sie hilft am meisten da, wo du am wenigsten Lust hast — bei der Recherche.
Quellen
- McKinsey — AI-Powered Marketing and Sales (2024): Generative KI steigert die Vertriebsproduktivität um 15-20% bei Unternehmen mit strukturierten Daten.
- HubSpot — State of AI in Sales Report 2025: 78% der Vertriebsteams nutzen KI für mindestens eine Phase des Lead-Management-Prozesses.
- Gartner — AI in Sales: KI-gestützte Personalisierung erhöht die Antwortrate bei Kaltakquise um den Faktor 3-5.