Für ähnliche MVP-Projekte siehe Startup & MVP Development.
Entscheidungskontext
Jedes KI-gestützte Outbound-Werkzeug im EU-Kontext bringt reale operative und regulatorische Verantwortung mit sich, und das wollten wir von Anfang an offen benennen.
Wir haben das „KI erledigt das schon"-Narrativ bewusst abgelehnt. Werkzeuge, die eigenständig Nachrichten versenden, personenbezogene Daten scrapen oder Massenkommunikation ohne Mensch in der Schleife auslösen, erzeugen Risiken für den Absender und Lärm für die Empfänger. Wir wollten etwas bauen, das ein kleines Team schneller macht, ohne menschliches Urteilsvermögen aus dem Outbound-Prozess zu entfernen.
Grundsätze, die wir zu Beginn festgelegt haben:
- Kein autonomes Versenden — jede Nachricht wird vor dem Versand von einem Operator geprüft und freigegeben.
- Keine gescrapten personenbezogenen Daten und keine gekauften Listen ohne vorherige Prüfung von Quelle und Grundlage durch den Operator.
- Mit KI unterstützte Entscheidungen müssen nachvollziehbar und überprüfbar sein, nicht intransparent.
- Experiment-Daten müssen strukturiert genug sein, um sie ehrlich auszuwerten — nicht, um Vanity-Zahlen zu erzeugen.
Das Werkzeug wurde von Anfang an mit menschlicher Prüfung, Nachvollziehbarkeit und Operator-Kontrolle als zentralen Anliegen entworfen. KI ist als unterstützende Ebene gedacht — sie entwirft, schlägt vor, fasst zusammen — sensible Aktionen bleiben beim Operator.
Was das Werkzeug konkret tut
LEAD LAB unterstützt die tägliche Revenue-Operations-Arbeit eines kleinen Teams: relevanten Account-Kontext sichtbar machen, Accounts gegen ein Ideal-Customer-Profil bewerten, Outreach-Entwürfe vorschlagen und CRM-Daten sauber halten. Die Abläufe sind auf Nachvollziehbarkeit und DSGVO-orientierten Umgang mit Kontaktdaten ausgerichtet und passen damit zu einem EU-Arbeitskontext.
Wobei es konkret hilft:
- Zentrale Sicht auf Accounts, Kontakte, Kampagnen und Interaktionen für den Operator
- KI-gestützte Recherche- und Scoring-Entwürfe, die der Operator prüft und bearbeitet
- Outreach-Entwürfe werden von der KI vorgeschlagen und vor jedem Versand vom Operator bestätigt
- Hinweise auf riskante Outreach-Muster (hohe Volumen pro Domain, Mehrfachkontakte, Spam-ähnliche Muster) mit Bestätigungspflicht
- Vom Operator gesteuerte Versanddomains, Opt-out-Handling, Frequenzgrenzen und Abmeldewege
Ziel ist weniger Recherche-Handarbeit pro Account und reibungsärmere Outreach-Vorbereitung — kein versprochener Pipeline-Output. Was tatsächlich rausgeht, entscheidet der Operator.
Spezialisierte KI-Komponenten
Intern arbeitet das Werkzeug mit mehreren spezialisierten KI-Komponenten. Jede übernimmt eine klar begrenzte Aufgabe: Recherchenotizen vorbereiten, Account-Bewertungen vorschlagen, Anschreiben entwerfen, Antworten zusammenfassen oder bei der Datenpflege helfen. Die Grenzen setzt der verantwortliche Mensch. Risikoarme und umkehrbare Ergebnisse wie Notizen, Zusammenfassungen und Entwürfe darf die KI erzeugen. Alles, was einen Empfänger oder eine externe Datenquelle berührt — ein Versand, eine Änderung der Versanddomain oder das Hinzufügen eines Kontakts — erfordert eine ausdrückliche Freigabe. So kann ein kleines Team mehr relevante Accounts sorgfältig bearbeiten, ohne Verantwortung für die ausgehende Kommunikation an ein automatisiertes System abzugeben.
Governance und Datenumgang
Datenumgang und Outbound-Governance waren von Tag eins eingebaut, nicht nachträglich. Das Werkzeug umfasst eine Governance-Schicht für:
- DSGVO-orientierten Umgang mit Kontaktdaten, mit klarer Nutzungsgrundlage und vom Operator gesteuerter Aufbewahrung
- Risiko-Hinweise und operative Limits für Outbound-Volumen, Frequenz und Domain-Wiederverwendung
- Interne Protokolle zu KI-Vorschlägen und Operator-Entscheidungen, damit Schritte später nachvollzogen werden können
- Menschliche Freigabe für jeden Versand, jeden Datenimport aus externer Quelle und jede neue Versanddomain
Das ist Governance für unseren eigenen Einsatzkontext — keine Zertifizierung Dritter als DSGVO-konform. Die Account-Recherche stützt sich auf öffentlich verfügbare Informationen; gescrapte personenbezogene Daten und gekaufte Listen werden nicht ohne Operator-Prüfung verwendet. Gespeicherte Daten sind auf das beschränkt, was der Operator wirklich braucht; die Aufbewahrung wird quartalsweise überprüft.
Technischer Aufbau
Die Umsetzung erfolgt als pnpm-Monorepo mit mehreren koordinierten Anwendungen und geteilten Paketen — Web-Oberflächen, Hintergrundprozesse, Dateningestion, Geschäftslogik und Enrichment-Services. Das System ist auf stabilen Betrieb durch ein kleines Team ausgelegt, nicht auf grenzenlose Skalierung. Der Stack nutzt moderne Frontend-Frameworks, strukturierte Backend-Services, ein geteiltes Datenmodell und KI-gestützte Logik dort, wo sie ihren Mehrwert hat. Die Infrastruktur ist auf Beobachtbarkeit und kontrollierten Betrieb ausgelegt, nicht auf offene Automatisierung.
Einsatzkontext
LEAD LAB wurde gebaut und wird intern genutzt, um die Revenue-Operations-Arbeit eines kleinen B2B-Teams zu unterstützen. Der Sinn des Projekts ist zu zeigen, wie KI in Outbound- und Account-Workflows eingebracht werden kann, ohne den Operator aus dem Prozess herauszunehmen. Das Ergebnis, das uns interessiert, ist intern: weniger wiederkehrende Recherche-Handarbeit, sauberere CRM-Daten, sorgfältiger formulierter Outreach. Wir positionieren das Werkzeug bewusst nicht als Lead-Maschine, die jemandem eine Zahl liefert.
Was wir gebaut haben
- Internes KI-gestütztes Revenue-Operations-Werkzeug mit Mensch in der Schleife
- Multi-Komponenten-KI-Aufbau mit vom Operator gesetzten Grenzen
- Workflow für Account-Recherche, Scoring, Outreach-Entwürfe und CRM-Hygiene
- DSGVO-orientierter Datenumgang und Governance-Schicht für unseren eigenen Einsatz
- Strukturierte Experimente und Auswertung von Outreach-Hypothesen
- Interne Auswertungen zu Operator-Workload und Outbound-Hygiene
- Vom Operator gesteuertes Outbound: Versanddomains, Opt-outs, Frequenzgrenzen, Abmeldewege
- Pnpm-Monorepo-Codebasis, die von einem kleinen Team gepflegt wird
Erkenntnisse aus dem internen Einsatz
Im eigenen Betrieb reduziert das Werkzeug wiederkehrende Recherche- und Pflegearbeit und schafft einen einheitlichen Ablauf von der Account-Prüfung bis zum freigegebenen Entwurf. Der Nutzen liegt vor allem in besser vorbereitetem Kontext, saubereren CRM-Daten und nachvollziehbaren Entscheidungen. Das ist eine Beschreibung unseres internen Arbeitsablaufs, kein Versprechen für Leads, Termine oder Umsatz: Ergebnisse hängen weiterhin von Markt, Angebot, Datenqualität und sorgfältiger menschlicher Arbeit ab.
