Wenn von KI im Unternehmen die Rede ist, denken die meisten an Chatbots: ein Fenster unten rechts auf der Website, das Kundenfragen beantwortet. Das ist ein guter Anfang – ich habe selbst einen gebaut und darüber geschrieben. Aber es kratzt nur an der Oberfläche dessen, was heute möglich ist. In diesem Artikel zeige ich Ihnen ein konkretes Beispiel aus meiner Arbeit bei veer.io, einem Berliner Energiedaten-Startup, wo ich mich um Operational Excellence kümmere: eine agentische Pipeline, die Business Development in 18 Ländern unterstützt – aufgebaut mit KI-Agenten, ohne klassische Softwareentwicklung, und mit einem Menschen an jeder entscheidenden Stelle.
Das Problem: Outbound in 18 Ländern mit einem kleinen Team
Stellen Sie sich folgende Aufgabe vor: Sie sollen in 18 Ländern von Grund auf Geschäftskontakte aufbauen. Für jedes Land müssen Sie herausfinden, welche Unternehmen überhaupt in Frage kommen. Dann müssen Sie jedes einzelne Unternehmen recherchieren: Was machen die genau? Passen sie zu unserem Angebot? Sind sie gerade in einer Phase, in der unser Thema für sie relevant ist? Und schließlich müssen Sie eine Ansprache formulieren, die nicht nach Massenmail klingt, sondern zeigt, dass Sie Ihre Hausaufgaben gemacht haben.
Manuell bedeutet das pro Lead schnell ein bis zwei Stunden Arbeit – Quellen durchsuchen, Websites lesen, Notizen machen, Texte schreiben. Bei hunderten potenziellen Kontakten pro Land und 18 Ländern ist das für ein kleines Team schlicht nicht machbar. Die übliche Abkürzung – generische Massenmails an gekaufte Listen – wollten wir bewusst nicht gehen. Sie funktioniert schlecht und beschädigt die eigene Reputation.
Die eigentliche Frage lautete also: Wie skaliert man gründliche, individuelle Recherche und persönliche Ansprache, ohne die Qualität zu opfern?
Die Lösung: Eine Pipeline aus sechs Stufen
Die Antwort war keine einzelne KI, die "alles macht". Die Antwort war ein Prozess – zerlegt in sechs klar definierte Stufen, jede als eigener Slash-Command in Claude Code umgesetzt. Slash-Commands kann man sich vorstellen wie Rezepte: eine präzise Arbeitsanweisung, die der KI-Agent Schritt für Schritt abarbeitet, mit definierten Eingaben und definierten Ergebnissen.
Stufe 1: Aggregator-Quellen finden
Bevor man Leads suchen kann, muss man wissen, wo man sucht. Die erste Stufe identifiziert pro Land die relevanten Quellen: Verzeichnisse, Verbände, Register – die Orte, an denen die interessanten Unternehmen gelistet sind. Das ist vergleichbar mit einem Bibliothekar, der erst einmal den Katalog aufbaut, bevor jemand ein Buch ausleiht.
Stufe 2: Lead-Sourcing pro Land
Aus diesen Quellen wird dann pro Land eine Rohliste potenzieller Unternehmen zusammengestellt. Noch keine Bewertung, keine Recherche – einfach eine strukturierte Liste als Ausgangsmaterial.
Stufe 3: Lead-Enrichment mit parallelen Sub-Agenten
Hier wird es technisch spannend. Für jeden Lead startet ein eigener Sub-Agent, der per Web-Recherche Informationen über das Unternehmen sammelt: Geschäftsmodell, Größe, aktuelle Entwicklungen, öffentlich verfügbare Signale. Diese Sub-Agenten laufen parallel – während ein menschlicher Rechercheur ein Unternehmen nach dem anderen abarbeitet, bearbeitet die Pipeline viele gleichzeitig.
Sub-Agenten sind ein Konzept, das ich für unterschätzt halte: Statt einer KI eine riesige Aufgabe zu geben (und zuzusehen, wie sie den Überblick verliert), gibt man vielen kleinen Agenten je eine klar umrissene Aufgabe. Jeder Sub-Agent recherchiert genau ein Unternehmen, liefert ein strukturiertes Ergebnis ab und ist fertig. Das ist dasselbe Prinzip wie gute Arbeitsteilung im Team: klare Zuständigkeit, klare Übergabe.
Stufe 4: Lead-Scoring auf zwei Achsen
Die angereicherten Leads werden anschließend bewertet – nicht mit Bauchgefühl, sondern auf zwei kalibrierten Skalen von 0 bis 100:
- Fit: Wie gut passt das Unternehmen grundsätzlich zu unserem Angebot?
- Readiness: Wie wahrscheinlich ist es, dass das Thema für dieses Unternehmen gerade jetzt relevant ist?
Die Trennung ist wichtig. Ein Unternehmen kann perfekt passen, aber gerade keinen Anlass haben, sich mit dem Thema zu beschäftigen – oder umgekehrt. Zwei Achsen statt einer Gesamtnote machen die Priorisierung transparent und diskutierbar. "Kalibriert" heißt dabei: Die Kriterien hinter den Zahlen sind schriftlich definiert, damit ein Score von 70 heute dasselbe bedeutet wie nächste Woche.
Stufe 5: Personalisierte Outreach-Entwürfe
Für die vielversprechendsten Leads erstellt die Pipeline Entwürfe für die Erstansprache – basierend auf der Recherche aus Stufe 3 und im eigenen Sprachstil formuliert. Nicht "Sehr geehrte Damen und Herren, wir sind ein innovatives Unternehmen…", sondern eine Nachricht, die konkret Bezug nimmt auf das, was wir über das Unternehmen gelernt haben.
Stufe 6: Menschliches Review vor jedem Versand
Und hier die vielleicht wichtigste Design-Entscheidung: Nichts wird automatisch versendet. Jeder Entwurf geht durch ein menschliches Review. Der Mensch prüft, korrigiert, verwirft oder gibt frei. Die KI bereitet Entscheidungen vor – sie trifft sie nicht.
Das Fundament: Eine strukturierte Wissensbasis
Was ich bisher beschrieben habe, ist die sichtbare Pipeline. Was sie trägt, ist weniger sichtbar, aber entscheidender: eine strukturierte Wissensbasis aus rund 40 Markdown-Dateien. Dort steht alles, was die Agenten über das Unternehmen, das Angebot, die Zielgruppen und die Bewertungskriterien wissen müssen.
Für diese Wissensbasis gelten harte Regeln:
- Keine Erfindungen. Was nicht belegt ist, steht nicht drin.
- Jede Aussage mit Quellenangabe. Woher stammt diese Information, und wie aktuell ist sie?
Und weil eine Wissensbasis ohne Pflege verrottet wie ein ungewarteter Werkzeugkasten, gibt es dafür eigene Agenten: Ein Auditor prüft regelmäßig auf Lücken und Widersprüche (Gap-Analyse), ein Curator nimmt neue Informationen kontrolliert auf – nach denselben Regeln, mit Quellen, ohne Wildwuchs.
Warum dieser Aufwand? Weil hier das älteste Gesetz der Datenverarbeitung gilt: Garbage in, garbage out. Ein KI-Agent, der auf schlechtem Wissen arbeitet, produziert selbstbewusst formulierten Unsinn – und zwar in Serie. Ein Agent, der auf einer sauberen, belegten Wissensbasis arbeitet, produziert verlässliche Ergebnisse. Der Unterschied liegt nicht im KI-Modell, sondern im Fundament.
Die Pipeline ist übrigens kein Konzeptpapier: Sie ist im aktiven Einsatz. Das Pilotland läuft live, weitere Länder sind in Arbeit.
Was Sie daraus mitnehmen können
Ich habe dieses Projekt nicht beschrieben, um zu zeigen, wie man Lead-Generierung baut. Ich habe es beschrieben, weil dahinter vier Erkenntnisse stecken, die für jedes Unternehmen gelten, das über KI-Agenten nachdenkt.
1. KI-Agenten sind Workflows, keine Magie
Die Pipeline funktioniert nicht, weil die KI "intelligent" ist. Sie funktioniert, weil sie wie ein guter Geschäftsprozess aufgebaut ist: klare Prozessschritte, definierte Übergaben zwischen den Schritten, Qualitätskontrolle am Ende. Das ist exakt dieselbe Disziplin wie bei klassischer Prozessautomatisierung. Wer erwartet, dass man einer KI sagt "mach mal Vertrieb" und Ergebnisse bekommt, wird enttäuscht. Wer bereit ist, seinen Prozess sauber zu durchdenken, bekommt ein Werkzeug, das diesen Prozess vervielfacht.
2. Die Wissensbasis ist das Fundament
Der größte Hebel liegt nicht in der Wahl des KI-Modells, sondern in der Qualität des Wissens, mit dem es arbeitet. Bevor Sie über Agenten nachdenken, fragen Sie sich: Ist unser Wissen über Kunden, Produkte und Kriterien irgendwo strukturiert, aktuell und belegt aufgeschrieben? Wenn nicht, ist das der erste Schritt – und er ist auch ohne KI wertvoll.
3. Human-in-the-Loop ist ein Feature, kein Kompromiss
Dass bei uns kein Text ohne menschliche Freigabe das Haus verlässt, ist keine Notlösung, bis die KI "gut genug" ist. Es ist bewusstes Design. Der Mensch bleibt verantwortlich für das, was nach außen geht – die KI nimmt ihm die Fleißarbeit ab, nicht die Entscheidung. Genau diese Kombination macht das System vertrauenswürdig: Geschwindigkeit der Maschine, Urteilsvermögen des Menschen.
4. Das Muster ist übertragbar
Recherchieren, bewerten, Entwurf erstellen, Mensch entscheidet – dieses Muster passt auf viele Bereiche: Kundensupport-Triage (Anfragen einordnen und Antwortentwürfe vorbereiten), Angebotserstellung (Anforderungen analysieren und Angebotsbausteine zusammenstellen), Recherche jeder Art (Märkte, Lieferanten, Wettbewerber). Und das Beste: Es braucht dafür kein Entwicklerteam. Die gesamte Pipeline besteht aus Textdateien – Arbeitsanweisungen und Wissen in Markdown. Das ist für kleine Teams ohne eigene Entwickler-Ressourcen erreichbar, wenn jemand den Prozess sauber strukturiert.
Fazit: Vom Chatbot zum Kollegen
Der Chatbot auf der Website beantwortet Fragen. Ein agentisches System wie diese Pipeline erledigt Arbeit – recherchiert, bewertet, bereitet vor – und legt dem Menschen fertige Entscheidungsvorlagen hin. Das ist der eigentliche Sprung: von KI als Auskunftssystem zu KI als strukturiertem Mitarbeiter, der nach Ihren Regeln arbeitet und dessen Ergebnisse Sie kontrollieren.
Der Weg dorthin führt nicht über mehr Technologie, sondern über sauber durchdachte Prozesse und eine gepflegte Wissensbasis. Beides ist klassisches Handwerk der Prozessoptimierung – nur das Werkzeug ist neu.
Sie fragen sich, welcher Prozess in Ihrem Unternehmen sich für ein solches agentisches System eignet? Lassen Sie uns das gemeinsam herausfinden – in einem kostenlosen 30-minütigen Gespräch: Termin buchen. Ich freue mich auf den Austausch.
