[ 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.
Dieses Werkzeug habe ich für den eigenen Einsatz gebaut: um den Marktangang von KI-Leistungen in einer Beratungsorganisation zu unterstützen. Zwei Modi teilen sich dieselbe Recherche-Maschine. Farming: Ein Kundenname aus dem Bestand geht in die Pipeline, und Deep-Research-Agenten erarbeiten nacheinander Profil, Herausforderungen und priorisierte KI-Use-Cases. Hunting: Ein Suchprofil aus Thema und Region wird zur validierten Zielkundenliste, jedes Urteil mit Quelle. Diese Seite zeigt, wie das System aufgebaut ist, welche Entscheidungen dahinterstehen und welche Erfahrungen auf dem Weg entstanden sind.
Agenten-Kette
Die Agenten arbeiten nacheinander und bauen aufeinander auf: Das Profil speist die Herausforderungen, beides speist die Use Cases.
Farming
Ein Kundenname genügt: Am Ende stehen Dossiers mit Quellen, priorisierte KI-Use-Cases und ein Wettbewerber-Benchmark.
Hunting
Aus Thema und Region wird eine validierte Zielkundenliste: erst Breitensuche, dann Tiefenprüfung mit Quelle je Urteil.
Kosten im Griff
Jeder Lauf wird auf den Cent abgerechnet: Budgets je Agent, Kontingente je Nutzer, 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.
Und weil jede Recherche echtes Geld kostet, ist Kostendisziplin Teil der Architektur: Budgets je Agent, Kontingente je Nutzer, Abrechnung je Lauf, keine Doppelabrechnung. Recherche in Serie funktioniert nur, wenn die Rechnung stimmt.
[ zwei modi, eine maschine ]
Vom Namen zum Dossier, vom Thema zur Liste
Farming und Hunting 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 Dossiers 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 Dossiers liefern die Gesprächsgrundlage. Aus Recherche wird ein vorbereiteter erster Termin.
[ architektur ]
Drei Schichten, ein Rechercheauftrag
Recherche-Maschine
Deep Research mit Live-Websuche, ohne eigenen Crawler
Die eigentliche Recherche übernimmt ein gehostetes Deep-Research-Modell mit nativer Websuche: Das System formuliert den Auftrag, das Modell durchsucht das Web selbstständig und liefert Bericht plus Quellenliste zurück. Kein eigener Crawler, kein Scraping, keine Suchmaschinen-Anbindung, die gepflegt werden will.
Darunter arbeitet eine nicht-blockierende Zustandsmaschine: Ein wartender Agent belegt keinen Rechenplatz, der Zustand jedes Laufs lebt in der Datenbank und übersteht Neustarts. Läufe dürfen Stunden dauern, gestrandete Jobs lassen sich gezielt fortsetzen, ohne erfolgreiche Agenten neu zu bezahlen.
Auch Teilergebnisse zählen: Bricht ein Lauf am Ausgabelimit ab, rettet ein toleranter Parser die vollständigen Zeilen, statt alles zu verwerfen. Ein halber Marktscan ist mehr wert als kein Marktscan.
Agenten & Wissen
Bearbeitbare Rechercheaufträge, verkettet je Projekt
Agenten sind bearbeitbare Aufträge in der Datenbank, kein Code: drei Standard-Agenten je Farming-Projekt, zwei je Hunt. Das Team formuliert um, sortiert per Drag and Drop und ergänzt eigene, die Kette ist so lang wie gewünscht.
Ergebnisse landen dreifach nutzbar: als Dossier mit Quellen, als durchsuchbarer Volltext über alle Kunden und als Vektor je Kunde und Fokus für die Ähnlichkeitssuche. Themen-Cluster über den ganzen Bestand entstehen automatisch dazu.
Im Hunting schützt ein mehrstufiger Dubletten-Schutz die Liste: Die Website-Domain schlägt den Namen, Rechtsformen werden normalisiert, und gefüllte Felder werden nie durch leere überschrieben.
Vertriebsschicht
Dossiers, Folien, Entwürfe, Listen, Cockpit
Aus der Recherche werden Werkzeuge: ein Foliensatz je Use Case, ein E-Mail-Entwurf im Live-Stream, ein Newsletter als Outlook-Datei mit eingebettetem Bild. Der Chat-Assistent bleibt strikt in der Recherche geerdet und sagt ehrlich, wenn ihm eine Information fehlt.
Die Zielkundenliste zeigt ihre Prüfstände offen: bestätigt, unbestätigt, abgelehnt, mit Begründung und Quelle je Zeile, als Excel-Datei exportierbar. Kontakte aus dem CRM werden gelesen und zugeordnet.
Und die Kosten bleiben Teil der Schicht: Kontingente werden vor dem Start geprüft, eine Prioritäten-Warteschlange lässt interaktive Recherchen an Massenimporten vorbeiziehen, 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.
Entstanden ist die Plattform im Alleingang in viereinhalb Monaten: 335 Commits, rund 35.000 Zeilen Anwendung und fast 11.000 Zeilen Tests, jeder größere Schritt mit einem Design-Dokument vorab. Ausgelegt auf den Schritt von einer Handvoll auf hunderte Nutzer.
[ zahlen ]
Das System in Zahlen
3 + 2
Deep-Research-Agenten in der Standard-Kette: drei fürs Farming, zwei fürs Hunting, alle frei bearbeitbar
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: Dossier, 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.