Lead-Quellen und Buying Signals scannen
Recherchieren, klassifizieren und den Angle wählen
Deduplizieren, enrichern und durch das CRM routen
Die personalisierte Kampagne bauen
Landingpage, Ads und Video rendern
Queuen, senden und Follow-up routen
Kontext & Problem
Outbound bricht meistens an den Übergaben. Eine Person baut die Liste, eine andere prüft das CRM, jemand recherchiert das Unternehmen, und dann müssen Copy und Creatives erst noch produziert werden, bevor Sales überhaupt etwas senden kann. Die Arbeit ist so teuer, dass Teams entweder nur eine Handvoll Accounts personalisieren oder generische Nachrichten automatisieren, die niemand lesen will.
Das Sales-Team brauchte das Gegenteil: eine wiederholbare tägliche Motion, die Relevanz auf Account-Ebene behält, ohne jeden Prospect in ein kleines manuelles Projekt zu verwandeln. Ein neuer Produktlaunch, Hiring Signal, Wachstumsschritt oder eine Roadmap-Änderung musste den Angle bestimmen, und das System musste wissen, was schon im CRM existiert, bevor es etwas Neues anlegt.
Ich habe die daraus entstandene GTM Engine als einen gerichteten Workflow mit neun Schritten gebaut. Sie verbindet deterministische Daten- und CRM-Operationen mit eng begrenztem AI Judgement und Content Generation. Der Output ist kein Score in einer Tabelle. Es ist die komplette Kampagne, die ein Sales-Mitarbeiter braucht, damit sich der Account wirklich recherchiert anfühlt: Landingpage, VSL und gerendertes Video, Ads, E-Mail, Kontext und Next Action.
So funktioniert es
Das Diagramm oben zeigt den Ablauf; hier steht, was jeder Schritt tut. Deterministisch bleibt deterministisch, und ein Agent taucht nur da auf, wo Judgement, Sprache oder Synthese wirklich gebraucht werden.
- 01Deterministisch
Lead-Quellen und Buying Signals scannen
Ein geplanter täglicher Lauf scannt Apollo und die konfigurierten Lead-Quellen anhand der aktiven ICP-Konfiguration: Branche, Headcount, Seniority, Wachstum und Hiring Signals. Anschließend wird jeder Account über definierte Quellen mit aktuellen News, Launches und Produktkontext angereichert. Der normalisierte Input Contract akzeptiert ebenso Clay-Tabellen, wenn ein Team Clay bereits für Enrichment nutzt.
- 02Agent
Recherchieren, klassifizieren und den Angle wählen
Claude verdichtet die Company Evidence zu einem kurzen Account Brief, ordnet die passende interne Persona zu, scort den Fit von 0–100, nennt die wichtigsten Gründe und empfiehlt den Outreach Angle. Das Modell übernimmt das Judgement; Rubrik und Structured Output bleiben fest und versioniert.
- 03Deterministisch
Deduplizieren, enrichern und durch das CRM routen
Company- und Contact-Checks laufen gegen das Live-CRM, bevor etwas angelegt wird. Fehlende Decision Maker werden enrichert und mit Score, Persona, Evidence und Kampagnenfeldern zurückgeschrieben; bestehende Datensätze werden aktualisiert statt dupliziert.
- 04Agent
Die personalisierte Kampagne bauen
Für jeden qualifizierten Account schreibt die Engine die Narrative der Custom Landingpage, ein gebrandetes visuelles Mockup oder einen kurzen Video-Preview, das VSL- und Video-Skript, die Ad-Konzepte und die Outreach-Mail rund um dasselbe recherchierte Buying Signal. Alle Assets teilen einen Account-spezifischen Angle, statt wie unverbundene Templates auszusehen.
- 05Deterministisch
Landingpage, Ads und Video rendern
Die freigegebenen Strukturen werden zu einer Landingpage pro Company mit eingebettetem VSL zusammengesetzt. Das personalisierte visuelle Mockup, gebrandete Ad-Varianten und der Video-Preview werden aus kontrollierten Templates gerendert, in denen generierte Copy, Clips und Overlays in bekannte, sichere Positionen eingesetzt werden.
- 06Deterministisch
Queuen, senden und Follow-up routen
Asset-URLs, Klassifizierung, Score, Persona und Next Action werden in den Source Record und ins CRM zurückgeschrieben. Ein Slack Digest gibt Sales eine Review Queue mit allen Assets und dem Entwurf der Outreach-Mail. Nach der Freigabe werden Antworten nach Intent klassifiziert und in die passende CRM-Follow-up-Cadence geroutet.
Checkpoints & Logging
Das System stoppt vor dem Senden an einer Review Queue. Sales kann Research, gewählten Angle, alle generierten Assets und die E-Mail prüfen, bevor die nächste Aktion freigegeben wird. Automation entfernt Produktionsarbeit, übernimmt aber nicht still die Brand Authority.
Jede Klassifizierung und Verzweigung wird zusammen mit ihrer Source Evidence in Postgres protokolliert. Das Team sieht, warum ein Account hoch gescort wurde, ob Company oder Contact schon existierten, welche Prompt-Version die Kampagne erzeugte und welche URLs zurückgeschrieben wurden. So wird Prompt Iteration messbar statt anekdotisch.
Fehlende Daten scheitern geschlossen. Wenn das Research zu dünn, der CRM-State unklar oder ein Render nicht vollständig ist, wird der Account zurückgehalten und der Fehler im Run Log sichtbar, statt eine unvollständige Kampagne in die Sales Queue gelangen zu lassen.
Stack, und warum
n8n orchestriert den Produktionslauf mit neun Schritten, weil jeder Input, jede Verzweigung und jeder Output einsehbar bleiben muss. Apollo übernimmt Account Discovery im Live-Setup; derselbe normalisierte Contract kann Clay-Enrichment-Tabellen annehmen. Das CRM bleibt Source of Truth, und Postgres hält Raw Evidence und Audit Trail. Claude und OpenAI sitzen nur an den Stellen, die Judgement oder neue Sprache brauchen: Research-Synthese, Klassifizierung, Campaign Narrative, visuelle Mockups, VSL, Ads, E-Mail und Reply Intent. Scheduling, Deduplizierung, Routing, Rendering und Follow-up Delivery bleiben deterministisch.
Ergebnisse
Läuft live · Metriken kommen hierher, sobald die Run-Daten da sind, nicht bevor sie verifiziert werden können.
Die Engine läuft täglich für eine Live-Sales-Motion. Statt einer kalten Liste übergibt sie qualifizierte Accounts mit Kontext und individuellen Assets, die Sales zum Handeln braucht: Landingpage, visuelles Mockup, VSL und Video, gerenderte Ads, E-Mail-Entwurf, CRM-State und klare Next Action.
Das stärkste Ergebnis ist strukturell und belegbar: Account Research, Qualification, CRM-Hygiene, Content Production und Sales Handoff laufen jetzt als ein nachvollziehbares System. Die vertraulichen Lead-Daten bleiben privat, deshalb nutzt der öffentliche Proof anonymisierte Outputs statt erfundener Pipeline- oder Revenue-Claims.
Soll deine GTM Motion Kampagnen statt Listen produzieren?
Wenn Research, CRM-Arbeit, Personalisierung und Creative Production noch in getrennten Tabs stattfinden, mappt das Audit die Übergaben und zeigt, welcher Teil zuerst zum System werden sollte.