[ Anstoßen ]
Ein Name oder ein Thema
Farming beginnt mit einem Kundennamen, einzeln oder als Massenimport aus dem Bestand. Hunting beginnt mit Thema, Beschreibung und Region. Mehr Eingabe braucht es nicht, den Rest erledigen die Agenten.
[ deep research × vertrieb ]
Deep Research für den Vertrieb: Farming und Hunting.
Kollegen im Vertrieb kennen das Problem: Generische Ansprache erreicht niemanden, gute Vorbereitung kostet Stunden je Unternehmen, und das Wissen über Kunden und Märkte liegt verstreut im Web. Genau daraus ist dieses Werkzeug entstanden: Deep-Research-Agenten übernehmen die Vorbereitung. Im Farming wird ein Bestandskunde durchleuchtet, bis priorisierte KI-Use-Cases auf dem Tisch liegen. Im Hunting wird aus einem Suchprofil eine geprüfte Liste passender Zielunternehmen.
Agenten-Kette
Der größte Hebel: Die Agenten arbeiten zusammen. Jedes Rechercheergebnis wird zum Input für die nächste Rechercheaufgabe.
Farming
Das Ergebnis: recherchierte Herausforderungen je Kunde, verknüpft mit passenden KI-Lösungsansätzen, priorisiert und belegt.
Hunting
Das Ergebnis: eine Liste von Unternehmen, die den Suchkriterien entsprechen, geprüft und mit Quelle je Urteil.
Kosten im Griff
Deep-Research-Modelle sind kostenintensiv. Deshalb ist saubere Architektur Pflicht: Budgets, Kontingente, keine Doppelabrechnung.
[ vorbereitung schlägt kaltakquise ]
Der beste Pitch beginnt lange vor dem Gespräch.
Der Vertrieb von KI-Leistungen scheitert selten am Angebot, sondern am Einstieg: Generische Pitches erreichen niemanden, und individuelle Vorbereitung kostet Stunden je Unternehmen. Deep Research macht diese Vorbereitung skalierbar: Agenten mit Live-Zugriff auf das Web erledigen die Recherche, die vorher Handarbeit war, und liefern belegte Anknüpfungspunkte statt Vermutungen.
Die Agenten sind dabei keine Blackbox. Jeder Agent ist ein bearbeitbarer Rechercheauftrag: Das Team kann ihn umformulieren, neu anordnen oder eigene ergänzen, ganz ohne Code. Und sie arbeiten als Kette statt als Einzelschuss: Jeder Agent erhält die Ergebnisse seiner Vorgänger als Kontext, die Reihenfolge bestimmt, worauf spätere Agenten aufbauen.
Das Ergebnis: Gespräche werden an der Sache geführt, nicht auf Vermutungen. Es geht darum, Probleme zu lösen, die der Kunde wirklich spürt, statt Lösungen für Probleme zu platzieren, die er nicht hat. So bringt jedes Gespräch von der ersten Minute an Mehrwert: keine Werbeshow, sondern eine Diskussion über Problemlösungen.
[ zwei modi, eine maschine ]
Vom Namen zur Analyse, vom Thema zur Liste
Farming heißt: Ein Bestandskunde wird durchleuchtet, vom Namen bis zu priorisierten KI-Use-Cases. Hunting heißt: Ein Markt wird durchsucht, vom Suchprofil bis zur geprüften Zielkundenliste. Beide Modi teilen sich dieselbe Recherche-Maschine und unterscheiden sich nur in Eingabe und Ergebnis. Diese Stationen durchläuft jeder Lauf.
[ Recherchieren ]
Agenten mit Live-Zugriff
Deep-Research-Agenten durchsuchen das offene Web: Geschäftsberichte, Presse, Stellenanzeigen, Branchenverzeichnisse, Messelisten. Der Fortschritt ist live sichtbar, minutengenau, je Agent.
[ Aufbauen ]
Die Kette statt Einzelschuss
Im Farming greifen drei Agenten ineinander: Profil und Prozesslandschaft, dann Herausforderungen, dann priorisierte KI-Use-Cases samt Wettbewerber-Benchmark. Jeder erhält die Ergebnisse der Vorgänger, die Reihenfolge wird per Drag and Drop bestimmt.
[ Verdichten ]
Vom Text zum Werkzeug
Aus den Analyseberichten entstehen auf Knopfdruck ein Foliensatz je Use Case, ein persönlicher E-Mail-Entwurf und ein Newsletter als Outlook-Datei. Dazu ein Chat-Assistent, der strikt in der Recherche bleibt und Lücken ehrlich benennt.
[ Validieren ]
Hunting mit Belegpflicht
Erst die Breitensuche in mehreren Durchläufen, bis nichts Neues mehr kommt. Dann die Tiefenprüfung in kleinen Paketen: bestätigt, unbestätigt oder abgelehnt, jedes Urteil mit Quelle. Gelöscht wird nichts, auch Abgelehntes bleibt nachvollziehbar.
[ Übergeben ]
In den Vertriebsalltag
Die Zielkundenliste geht als Excel-Datei in den Vertrieb, Kontakte aus dem CRM sind angebunden, und die Analyseberichte liefern die Gesprächsgrundlage. Aus Recherche wird ein vorbereiteter erster Termin.
[ architektur ]
Zusammenhängende Rechercheaufträge
Recherche-Maschine
Deep Research mit Live-Websuche, ohne eigenen Crawler
Die Recherche übernimmt ein gehostetes Deep-Research-Modell mit nativer Websuche: Das System formuliert den Auftrag, das Modell durchsucht das Web und liefert Bericht plus Quellen. Kein eigener Crawler, kein Scraping, keine Suchmaschinen-Anbindung.
Darunter arbeitet eine nicht-blockierende Zustandsmaschine: Ein wartender Agent belegt keinen Rechenplatz, der Zustand lebt in der Datenbank. Gestrandete Läufe lassen sich fortsetzen, ohne erfolgreiche Agenten neu zu bezahlen.
Auch Teilergebnisse zählen: Bricht ein Lauf am Ausgabelimit ab, rettet ein toleranter Parser die vollständigen Zeilen. Ein halber Marktscan ist mehr wert als keiner.
Agenten & Wissen
Bearbeitbare Rechercheaufträge, verkettet je Projekt
Agenten sind bearbeitbare Aufträge, kein Code: drei je Farming-Projekt, zwei je Hunt. Das Team formuliert um, sortiert per Drag and Drop und ergänzt eigene.
Ergebnisse sind dreifach nutzbar: als Bericht mit Quellen, als durchsuchbarer Volltext über alle Kunden und als Vektor für die Ähnlichkeitssuche. Themen-Cluster über den Bestand entstehen automatisch dazu.
Im Hunting schützt ein mehrstufiger Dubletten-Schutz die Liste: Die Website-Domain schlägt den Namen, Rechtsformen werden normalisiert, gefüllte Felder nie durch leere überschrieben.
Vertriebsschicht
Berichte, Folien, Entwürfe, Listen, Cockpit
Aus der Recherche werden Werkzeuge: ein Foliensatz je Use Case, ein E-Mail-Entwurf, ein Newsletter als Outlook-Datei. Der Chat-Assistent bleibt strikt in der Recherche und sagt ehrlich, wenn ihm etwas fehlt.
Die Zielkundenliste zeigt ihre Prüfstände offen: bestätigt, unbestätigt, abgelehnt, mit Begründung und Quelle je Zeile, exportierbar als Excel-Datei. Kontakte aus dem CRM werden zugeordnet.
Und die Kosten bleiben Teil der Schicht: Kontingente werden vor dem Start geprüft, interaktive Recherchen ziehen an Massenimporten vorbei, und jeder Lauf wird einzeln abgerechnet.
[ erfahrungen ]
Recherche, die Geld kostet, braucht Betriebsdisziplin.
Der prägendste Vorfall: Das Guthaben beim Modellanbieter war erschöpft, Läufe schlugen fehl, und angefangene Recherchen ließen sich nicht fortsetzen, nur löschen und neu bezahlen. Daraus wurde das Fundament der Architektur: dauerhafter Job-Zustand in der Datenbank, Wiederaufnahme genau dort, wo ein Lauf stehen blieb, und keine Doppelabrechnung, selbst wenn ein Prozess mitten im Lauf abstürzt.
Genauso lehrreich war das Hunting: In der ersten Fassung ersetzte jedes Agenten-Ergebnis die komplette Liste, und was der letzte Agent nicht wieder ausgab, war verloren. Heute wird zusammengeführt statt ersetzt, abgeschnittene Ergebnisse werden repariert statt verworfen, und die Suche läuft in Durchgängen, bis ein Markt wirklich abgegrast ist. Verlustfreiheit ist bei bezahlter Recherche kein Komfort, sondern Pflicht.
[ zahlen ]
Das System in Zahlen
3 + 2
Deep-Research-Agenten in der Standard-Kette: drei fürs Farming, zwei fürs Hunting, frei bearbeitbar und beliebig erweiterbar
50+
Unternehmen liefert ein typischer Markt-Scan im Hunting, gesucht in Durchläufen, bis nichts Neues mehr kommt
5
Werkzeuge entstehen je Kunde aus einer Recherche: Analysebericht, Foliensatz, E-Mail-Entwurf, Newsletter und Chat-Assistent
auf den Cent
wird jeder Recherche-Lauf abgerechnet: Kontingente je Nutzer, Prüfung vor dem Start, keine Doppelabrechnung
[ technologie ]
Eingesetzte Technologie
OpenAI
FastAPI
Celery
Redis
PostgreSQL
OpenAI
FastAPI
Celery
Redis
PostgreSQL
Elasticsearch
React
TypeScript
Docker
Azure
Elasticsearch
React
TypeScript
Docker
Azure
Nutzen Sie das Potenzial dieser Technologie.
Fragen Sie sich, wie Deep Research Ihre Marktbearbeitung oder Ihren Vertrieb unterstützen kann? Dann lassen Sie uns sprechen: Sie bringen die Herausforderung mit, ich bringe die Erfahrung und die Werkzeuge.