Hintergrund: RetailCorp und die Skalierungsproblematik
Der Fall beschreibt ein Zusammenspiel aus mehreren realen Projekten, die Forfis in den letzten 18 Monaten für E-Commerce- und Retail-Unternehmen in Deutschland umgesetzt hat. Die beschriebene Firma, nennen wir sie „RetailCorp“, ist ein mittelständischer Online-Händler mit 2.400 Mitarbeitern, einem Jahresumsatz von 180 Millionen Euro und einem Vertriebs- und Marketing-Team von 85 Personen. Die IT-Infrastruktur basiert auf Salesforce als CRM, Microsoft Dynamics 365 als ERP und Microsoft Teams als Kommunikationsplattform. RetailCorp befindet sich in der Phase „Running Isolated Pilots“: Einzelne Abteilungen testen AI-Tools, aber es fehlt eine übergreifende Strategie und eine messbare ROI-Struktur. Die Herausforderung war konkret: Das Marketing-Team produzierte monatlich 1.200 Leads aus Content-Marketing, Webinaren und Paid-Ads, aber nur 18 Prozent davon wurden als „Sales-Ready“ eingestuft. Die Senior-Account-Manager verbrachten 40 Prozent ihrer Arbeitszeit mit der manuellen Qualifizierung dieser Leads, statt neue Kunden zu gewinnen. Die Geschäftsführung stellte eine Deadline: Innerhalb von zwei Wochen sollte ein Pilot laufen, der die Routinearbeit reduziert, ohne neue Stellen zu schaffen.
Herausforderung: Routinearbeit bindet Senior-Kapazitäten
Der Druck kam aus drei Richtungen. Erstens: Die Vertriebsleitung meldete, dass die Senior-Manager 12 bis 15 Stunden pro Woche mit der manuellen Prüfung von Leads verbrachten – ein Aufwand, der bei 85 Mitarbeitern im Vertrieb und Marketing auf 1.000 Stunden pro Monat kam. Zweitens: Die Conversion-Rate von „MQL“ (Marketing Qualified Lead) zu „SQL“ (Sales Qualified Lead) lag bei nur 12 Prozent, weil die Qualifizierung inkonsistent war. Jeder Manager hatte eigene Kriterien, was zu Doppelarbeit und verpassten Chancen führte. Drittens: Die Personalabteilung hatte ein Hiring-Freeze für operative Rollen, weil die Umsatzmargen unter Druck standen. Eine Lösung, die bestehende Kapazitäten effizienter nutzte, war daher die einzige Option. Forfis startete mit einem AI Automation Audit: In drei Tagen analysierte das Team die Lead-Generierungsprozesse, identifizierte die 15 häufigsten Qualifikationskriterien und definierte die Datenpunkte, die der Agent aus dem CRM und aus den Chat-Verläufen in Microsoft Teams extrahieren musste. Das Ergebnis war ein klarer Scope: Ein konversationeller Agent, der in Microsoft Teams eingebunden wird, Leads automatisch prüft und nur die qualifizierten an die Senior-Manager weiterleitet.
Ansatz: Audit, Pilot und Integration in Microsoft Teams
Die technische Umsetzung folgte einem festen Plan. In Woche 1 wurde die OpenAI API (GPT-4o) als Backend für den konversationellen Agenten konfiguriert. Der Agent wurde als Bot in Microsoft Teams registriert und erhielt Zugriff auf die Salesforce-API, um Lead-Daten zu lesen und zu schreiben. Die Qualifikationslogik wurde in einem Prompt-Template definiert, das die 15 Kriterien aus dem Audit abfragt: Budget, Zeithorizont, technische Kompatibilität, Entscheidungsträger-Kontakt und bisherige Interaktionshistorie. In Woche 2 wurde der Agent in einen geschlossenen Testkanal in Microsoft Teams eingebunden, in dem 10 Senior-Manager und 5 Marketing-Mitarbeiter arbeiteten. Jeder Lead, der im CRM als „New“ angelegt wurde, löste eine Nachricht des Agents im Teams-Kanal aus. Der Agent stellte die Qualifikationsfragen, dokumentierte die Antworten und klassifizierte den Lead als „Qualified“, „Nurified“ oder „Disqualified“. Die Mitarbeiter konnten die Klassifizierung in einem Klick bestätigen oder korrigieren. Diese Korrekturen flossen in ein Feedback-Log, das Forfis täglich auswertete, um den Prompt zu optimieren. Die Architektur war bewusst modell-agnostisch: Die Integrationsschicht war so gestaltet, dass ein Wechsel auf ein Open-Weight-Modell auf eigener Hardware möglich wäre, falls die API-Kosten oder Datenschutzanforderungen es erforderten.
Ergebnis: Messbare Effekte nach 14 Tagen
Nach 14 Tagen Betrieb zeigten die Messwerte einen klaren Effekt. Die Zykluszeit von der Lead-Erstellung bis zur Qualifizierung sank von durchschnittlich 45 Minuten auf 8 Minuten. Die Fehlerquote bei der Klassifizierung lag nach der Feintuning-Phase bei 9 Prozent, was bedeutet, dass 91 Prozent der Leads korrekt eingestuft wurden. Die Senior-Manager meldeten, dass sie 35 Prozent weniger Zeit mit der manuellen Prüfung verbrachten und diese Zeit für aktive Kundenakquise nutzten. Die Conversion-Rate von MQL zu SQL stieg von 12 auf 19 Prozent, weil die Qualifizierung konsistenter wurde und keine Leads mehr durch die Lappen gingen. Die API-Kosten für OpenAI lagen bei 280 EUR pro Monat für das Testvolumen von 1.200 Leads. Im Vergleich zu den 1.000 Stunden manueller Arbeit, die eingespart wurden (bei einem durchschnittlichen Stundensatz von 85 EUR), ergab sich ein ROI von 1:32 in den ersten vier Wochen. Die Geschäftsführung genehmigte den Rollout auf alle 85 Vertriebs- und Marketing-Mitarbeiter, mit einer schrittweisen Einführung über sechs Wochen.
Erkenntnisse für ähnliche Teams
Die wichtigsten Erkenntnisse für ähnliche Teams: Erstens, der Audit-Prozess ist nicht verhandelbar. Ohne die drei Tage Analyse der bestehenden Prozesse und die Definition der 15 Qualifikationskriterien wäre der Agent ein Black-Box-System, das niemanden überzeugt hätte. Zweitens, die Integration in das bestehende Kommunikationsmedium (Microsoft Teams) war entscheidend für die Akzeptanz. Hätte der Agent ein eigenes Dashboard oder eine separate App erfordert, wäre die Nutzung durch die Mitarbeiter deutlich geringer ausgefallen. Drittens, der Human-in-the-Loop-Prozess ist kein Overhead, sondern die Kernkomponente. Die täglichen Korrekturen der Mitarbeiter waren die einzige Quelle für die Verbesserung der Genauigkeit von 78 auf 91 Prozent. Viertens, die Modell-Agnostizität der Architektur hat sich als strategischer Vorteil erwiesen. Als die API-Kosten im zweiten Monat um 15 Prozent stiegen, konnte Forfis innerhalb einer Woche auf ein Open-Weight-Modell auf eigener Hardware umstellen, ohne die Integrationsschicht zu ändern. Fünftens, die Messung vor und nach dem Piloten ist die Grundlage für jede weitere Skalierung. Ohne die Baseline-Messung der 45 Minuten Zykluszeit und der 12 Prozent Conversion-Rate hätte die Geschäftsführung den ROI nicht quantifizieren können.
Leave a Reply