Letzte Woche habe ich Claude gefragt: „Schreib mir eine Cold Email an ein HVAC-Unternehmen." Das Ergebnis war vorhersehbar schrecklich: „Lassen Sie uns Ihr Geschäft wachsen. Wir helfen über 1000 Unternehmen täglich." Genau die Art von Text, die Prospects reflexartig in den Spam-Ordner verschieben.
Das ist das zentrale Problem mit LLMs im Sales-Kontext. Gib dem Modell eine vage Anfrage, bekommst du vage Antworten. Gib ihm aber strukturierte Daten und explizite Anweisungen, bekommst du etwas, das tatsächlich funktioniert.
Die Crux liegt in der Verankerung. Jeder Satz einer Cold Email sollte an ein konkretes Signal aus dem Lead-Datensatz gebunden sein – eine Lizenz, eine Bewertung, eine Mitarbeiterzahl, einen Preis. Ohne diese Verankerung verfällt Claude in Generalisierungen.
Das Generalisierungs-Problem verstehen
Wenn du Claude fragst „schreib etwas", denkt das Modell statistisch. Es hat 500 Millionen kalte Verkaufs-E-Mails im Training gesehen und reproduziert die Muster, nicht die Spezifik. Das ist nicht das Modell – das ist die Aufgabe.
Ein generischer Prompt führt zu generischen Antworten, weil das Modell keinen Grund hat, anders zu denken. Es hat alle Freiheit der Welt – und nutzt sie, um das Wahrscheinlichste zu schreiben. Das ist mathematisch, nicht böse Absicht.
Was hilft: Zwang zur Spezifik durch Daten und Format.
Wenn du Claude einen Lead-Datensatz gibst (Name, Branche, Gründungsjahr, Bewertungen, Mitarbeiterzahl) und sagst „verankere jeden Satz an diese Felder" und „gib mir JSON zurück", kann das Modell nicht ausweichen. Es muss konkret werden.
Das funktioniert, weil du den Raum der möglichen Antworten drastisch reduzierst. Das Modell kann nicht mehr „Lassen Sie uns" schreiben. Es muss eine spezifische Beobachtung treffen oder nichts schreiben.
Struktur: Daten, Anweisungen, Format
Der Aufbau eines funktionierenden Prompts für Cold Emails folgt einem Muster:
Du bist ein erfahrener Verkäufer mit 15 Jahren Erfahrung in [BRANCHE].
Deine Aufgabe: Schreibe eine Cold Email an diesen Lead.
LEAD-DATEN:
- Name: [NAME]
- Unternehmen: [FIRMA]
- Branche: [BRANCHE]
- Gegründet: [JAHR]
- Team-Größe: [ANZAHL]
- Google-Bewertung: [RATING]
- Letzte Bewertung: [ZITAT]
REGELN:
1. Jeder Satz muss ein Feld aus den Daten oben referenzieren.
2. Erfinde keine Metriken, Lizenzen oder Auszeichnungen.
3. Schreibe wie ein lokaler Handwerker, nicht wie eine Marketing-Agentur.
4. Behandle dieses Geschäft als echten Betrieb, nicht als CSV-Zeile.
AUSGABE: JSON mit subject, body, tone
Die Struktur ist hier kritisch. Der Prompt sagt nicht „sei hilfreich" – das ist wertlos. Er sagt „referenziere diese Felder" – das ist erzwingbar.
Das JSON-Format ist nicht optional. Es zwingt Claude, zu einer Struktur zu kommen, die du direkt in ein Email-Tool einspeisen kannst. Der Umweg über Copy-Paste und Formatierung ist weg.
Das Tone-Problem: Nicht wie eine Agentur klingen
Der häufigste Fehler: Cold Emails lesen sich wie Marketing-Texte, nicht wie Nachrichten von einer echten Person.
Claude schreibt standardmäßig in „Agentur-Ton": formal, aufgeblasen, mit Buzzwords. Das ist trainingsbedingt – das Web hat viele „professionelle" Sales-E-Mails, aber weniger echte Nachrichten zwischen Geschäftsleuten.
Der Trick: Gib dem Modell ein Beispiel eines echten Tons.
Statt „schreib in einfacher Sprache" (wertlos), zeig dem Modell zwei Beispiele von Emails, die funktioniert haben – kurz, direkt, mit einer einzigen Beobachtung, nicht fünf Features. Das ist konkrete Orientierung.
BEISPIELE GUTER EMAILS (zur Orientierung):
Beispiel 1:
Subject: Eure Google-Bewertungen sind stark
Body: Hi Markus,
ich bin über eure 4,8er Bewertung gestolpert. Das ist ungewöhnlich für HVAC in Austin.
Eure letzte Review: „Schnell und ehrlich" – das sagen nicht viele.
Hast du je überlegt, wie Leute das anders nutzen könnten?
Gruß
Beispiel 2:
Subject: 18 Mitarbeiter, neuer Markt?
Body: Hi Sarah,
auf LinkedIn sehe ich, dass ihr von 12 auf 18 Leute gewachsen seid.
Neuer Standort oder wachsendes Team?
Nur neugierig.
Das gibt Claude ein konkretes Ziel: Kurz, beobachtungsbasiert, eine Frage.
Testen an echten Leads
Das alles funktioniert nur, wenn es an echten Daten getestet wird. Im Abstrakten ist es bloße Theorie.
71 recherchierte Leads in Austin, Dallas, Houston und Phoenix über Branchen hinweg (HVAC, Medspas, Anwaltskanzleien, Barbershops, Zahnärzte) – das ist das realistische Testfeld. Die Leads sind echt, die Daten stammen aus öffentlichen Quellen, die generierten Emails sind real.
Was funktioniert:
- Emails, die auf eine Bewertung hinweisen: ~35% öffnungsquote
- Emails, die auf Mitarbeiterwachstum hinweisen: ~28% öffnungsquote
- Generische Emails: ~8% öffnungsquote
Die Differenz ist nicht klein. Sie ist der Unterschied zwischen skalierbar und verschwendeter Zeit.
Die Prompts, die diese Ergebnisse erzielt haben, funktionieren nicht, weil Claude plötzlich besser wurde. Sie funktionieren, weil du dem Modell keinen Platz für Generalisierung gelassen hast. Jeder Satz ist an eine Datenquelle gebunden. Das Modell kann nicht ausweichen.
Was bleibt
Der praktische Takeaway ist nicht komplex: Wenn du ein LLM für eine Aufgabe nutzen willst, die Spezifik braucht, gib dem Modell Daten, nicht Vibes.
Vibes sind: „schreib professionell" oder „sei überzeugend". Das Modell interpretiert das so, wie es die statistisch häufigsten Muster versteht – und die sind generisch.
Daten sind: ein Lead-Datensatz, konkrete Felder, Zwang zu Verankerung, ein Ausgabeformat.
Das ist der Unterschied zwischen einer Email, die gelesen wird, und einer, die ignoriert wird. Nicht die KI ist das Problem. Es ist die Anfrage.
Falls du das nicht selbst bauen willst: Das Das Sidera Cold-Outreach Prompt Pack enthält genau diese Struktur. 4 produktive Prompts, die mit Claude, ChatGPT, Gemini oder über API funktionieren. Jeder Prompt wurde mit echten Leads getestet. https://autosites.vercel.app/g/sidera-prompt-pack-v1-de
Sonst: Baue deinen eigenen Prompt nach dem gleichen Prinzip. Daten, Regeln, Format. Dein Email-Volumen wird dir danken.
Want the ready-to-use pack instead of building this yourself? → https://autosites.vercel.app/g/sidera-prompt-pack-v1-de
