AI im Workflow des Demand Gen Managers

Sie haben diese Woche 14 Vendor-E-Mails geöffnet. 13 davon enthielten das Wort "AI". Keine einzige hat Ihnen gesagt, was Sie am Montag um 9 Uhr mit dem Kampagnen-Briefing tun sollen, das am Mittwoch fällig ist.

Lassen Sie uns das ändern.

Ich werde Ihnen keine Zukunft verkaufen, in der das LLM Ihr Lead-Nurturing übernimmt, während Sie Espresso trinken. Ich habe mich bei drei solcher Tools bereits verbrannt. Ich sage Ihnen, welche Teile eines Demand Gen Manager-Jobs AI Ihnen Zeit abnehmen kann, welche Teile sie aktiv beschädigt, wenn Sie ihr vertrauen, und welchen 30-Tage-Plan ich starten würde, wenn ich am Montag neu anfangen würde.

Das Grundprinzip vorab: AI ist ein Kraft-Multiplikator für Urteilsvermögen. Sie macht aus einem schlechten DGM keinen guten. Sie macht einen guten DGM bei den Teilen des Jobs, die kein Urteilsvermögen erfordern, etwa 30 % schneller, damit er mehr Zeit für die Teile aufwenden kann, die es erfordern. Der ICP, die Abstimmung mit Sales, die Pipeline-Zahl auf dem Board neben Ihrem Namen. Diese gehören noch immer Ihnen.

Wo AI dem DGM tatsächlich hilft

Das sind die Anwendungsfälle, bei denen ich gesehen habe, dass Pipeline entsteht, nicht nur ein paar Minuten gespart werden. Seien Sie konkret, welchen Anwendungsfall Sie anstreben. "AI für Marketing nutzen" ist die Ambition. Die Arbeit unten ist der Job.

Kampagnen-Briefings und Copy-Varianten: Erster Entwurf in 8 Minuten statt 80

Dies ist der aktuell höchste ROI-Anwendungsfall von AI für einen DGM, und gleichzeitig der, den die meisten Teams zu wenig nutzen, weil sie das Ergebnis als Endprodukt behandeln. Das ist es nicht. Es ist das Gerüst.

Ein typisches Kampagnen-Briefing kostet mich 60-90 Minuten von einem leeren Dokument aus: Positionierung, Zielgruppe, Hook, kanalspezifische Copy, CTA, Messung. Mit Claude oder ChatGPT und einem präzisen Prompt, der den ICP, das Angebot und den Kanalmix enthält, bekomme ich einen akzeptablen v0.5-Entwurf in 8 Minuten. Dann bringe ich 30 Minuten damit zu, ihn in etwas zu verwandeln, das wie von einem Menschen geschrieben klingt, statt 80 Minuten von Null aufzubauen.

Gleiches gilt für Copy-Varianten. Zwölf Betreffzeilen aus einem Modell dauern 90 Sekunden. Zehn davon sind mittelmäßig. Zwei sind interessant. Die hätte ich an einem langen Freitagabend in der dritten Arbeitsstunde nie selbst geschrieben. Das ist der Mehrwert.

Was Sie nicht tun: den v0.5-Entwurf versenden. Modelle produzieren standardmäßig sichere, generische, leicht hochtrabende Prosa. Ihr ICP riecht das nach zwei Sätzen.

Zielgruppen-Recherche zusammenfassen: 30 Sales-Calls in 6 Einwände

Wenn Sie Zugang zu Gong- oder Chorus-Gesprächsaufnahmen haben, amortisiert sich AI hier am stärksten. Nehmen Sie 30 Discovery-Call-Transkripte aus dem letzten Quartal für Ihr ICP-Segment, geben Sie diese in Claude mit einem Prompt wie "Nennen Sie die häufigsten wiederkehrenden Einwände aus diesen Calls und ordnen Sie diese nach Häufigkeit. Zitieren Sie für jeden Einwand die genaue Formulierung der Käufer." Zwanzig Minuten später haben Sie die sechs Einwände, die wirklich zählen, in der eigenen Sprache Ihrer Käufer, bereit, direkt in Nurture-Copy und Paid-Creative einzufließen.

Manuell dauert das anderthalb Tage, und die meisten DGMs tun es deshalb nie. So schreiben sie Copy auf Grundlage der Meinung des VP Sales über den Käufer, statt auf den tatsächlichen Worten des Käufers. AI hat diese Übung nicht erfunden. Sie hat sie nur günstig genug gemacht, um sie wirklich durchzuführen.

Beschleunigung von Paid-Creative-Tests

Der alte Workflow: 3 Anzeigenvarianten schreiben, starten, langsam lernen. Der neue Workflow: 12 Varianten-Headlines, 6 Hooks, 4 Visual-Briefings schreiben, die 4 stärksten Kombinationen starten, die untersten zwei innerhalb einer Woche stoppen, die beste skalieren.

Meta und LinkedIn Paid-Programme belohnen Variantenvolumen. Das Modell weiß nicht, welche Variante gewinnt. Sie auch nicht. Aber das Modell kann 12 in fünf Minuten produzieren, und Sie können die vier auswählen, die nicht nach Vendor-Einheitsbrei klingen. Das ist dreimal die Testbreite für denselben menschlichen Zeitaufwand.

MQL-Scoring-Ergänzung: mit menschlichem Kontrollpunkt

Ihr Scoring-Modell ist wahrscheinlich veraltet. Es wurde vor zwei Jahren von jemandem gebaut, der das Unternehmen verlassen hat, und es bewertet "VP+ bei Unternehmen mit mehr als 200 Mitarbeitern" genauso wie "Praktikant bei Stripe, der die Dokumentation durchsucht." Ein Modell kann firmografische und verhaltensbasierte Signale aus Ihren historischen abgeschlossenen und verlorenen Deals abgleichen und aufzeigen, was tatsächlich prädiktiv ist, in der Regel eine Handvoll unerwarteter Signale, die in den ursprünglichen Regeln nicht berücksichtigt wurden.

Zwei Warnungen. Erstens: Das funktioniert nur, wenn Sie genug historische Deals für ein echtes Muster haben (mindestens einige Hundert). Zweitens: Lassen Sie das Modell niemals Scores im CRM automatisch aktualisieren. Zeigen Sie die vorgeschlagenen Gewichtungen einem Menschen, diskutieren Sie diese in einem Dienstagstreffen, und implementieren Sie die Änderungen dann manuell. Automatisches Scoring ist dort, wo gute Absichten auf schlechte Daten treffen und Sales Ihrem MQL-Flag für immer misstraut.

Attributions-Analyse: narrative Zusammenfassungen des Dashboards

Multi-Touch-Attributions-Dashboards sind für niemanden lesbar, der nicht die Person ist, die sie gebaut hat. Ein DGM endet entweder damit, Zahlen vorzutragen, die niemand verinnerlicht, oder Geschichten ohne Belege zu erzählen. AI sitzt in der Mitte: Geben Sie dem Modell die letzten 90 Tage Attributionsdaten und bitten Sie um eine 200-Wörter-Zusammenfassung dessen, was sich verändert hat und warum. Sie erhalten einen Zusammenfassungsentwurf, den Sie mit dem abgleichen können, was Sie bereits über das Quartal wissen. Präsentieren Sie diese Zusammenfassung im QBR-Deck, nicht das Spaghettidiagramm.

Wo AI den DGM schadet

Dies ist der Abschnitt, den Vendor-E-Mails nicht schreiben werden. Jedes dieser Versagen hat mir an irgendeinem Punkt echte Pipeline gekostet. Lernen Sie aus meinen Erfahrungen.

ICP-Nuancen

Das Modell mittelt Ihren Käufer. Ihr Käufer ist nicht der Durchschnitt. Es wird Copy für einen generischen VP of Sales bei einem generischen SaaS-Unternehmen schreiben, und Ihr tatsächlicher ICP ist "VP Sales bei einem 80-200-Mitarbeiter-Series-B-Unternehmen mit einem hybriden Sales-Ansatz, das gerade seinen CRO verloren hat und wegen Q3-Pipeline in Panik ist." Der zweite Käufer liest die Copy des ersten nicht.

Sie können sich durch detaillierten ICP-Kontext im Prompt annähern, aber ab einem gewissen Punkt verbringen Sie mehr Zeit mit dem Prompt als mit dem Schreiben der Copy selbst. Die ehrliche Grenze: AI ist nützlich für die 70 % der Käufer, die ungefähr dem Durchschnitt entsprechen. Für Ihre wertvollsten Accounts schreiben Sie die Copy von Hand.

Sales-Marketing-Abstimmung

Kein LLM übersteht ein Meeting, in dem der VP Sales sagt "Diese MQLs sind wertlos und Ihr gesamter Funnel ist eine Fantasie." Dieses Meeting gewinnt der DGM, der die Belege vorweisen kann: welche MQL-Definitionen sich geändert haben, welche Kampagnen die fragwürdigen Leads generiert haben, welche SDRs was und warum disqualifiziert haben. Sie können das Meeting nicht dem Modell überlassen. Sie können das Modell zur Vorbereitung nutzen (fassen Sie das letzte Quartal der MQL-zu-SQL-Conversion nach Quelle zusammen), aber das Meeting selbst ist ein menschlicher Kontaktsport.

Inhaltliche Originalität

Wenn Sie und Ihr Mitbewerber beide GPT mit "Schreibe einen Thought-Leadership-Artikel über Demand Gen im Jahr 2026" promten, veröffentlichen Sie beide denselben Artikel. Das Modell ist auf dem offenen Internet trainiert, daher ist sein Standard-Output der Durchschnitt von allem, was bereits im offenen Internet steht. Originalität liegt in den Teilen, die noch nicht da sind: die tatsächlichen Experimente Ihres Teams, das Unerwartete, das bei Ihrem Unternehmen funktioniert hat, die konträre Einschätzung einer Kategorie. AI kann diese bearbeiten. Sie kann sie nicht generieren, weil sie sie nicht kennt.

Intent-Signale

Bombora, 6sense, G2: Diese Tools zeigen Accounts mit erhöhtem Interesse an Ihrer Kategorie. Die Daten sind real. Sie gegen Ihre Account-Liste zu interpretieren, ist noch immer menschliche Arbeit. Das Modell wird bereitwillig sagen "Account X zeigt hohe Kaufabsicht, Outreach empfohlen." Account X ist ein ehemaliger Kunde, der vor sechs Monaten abgewandert ist, und Ihr AE wird die E-Mail in Brand setzen, wenn Sie ihn einer weiteren Sequenz zuführen. Dieser Kontext liegt bei Ihrem Team, nicht im Datensatz.

Der praktische Tech-Stack: echte Tools, echte Grenzen

Hier ist der Stack, den ich für einen DGM IC aufbauen würde, der heute startet, mit einer kurzen Einschätzung zu jedem Tool.

Claude / ChatGPT. Bester ROI für einen DGM heute. Verwenden Sie ihn für Ideenfindung, Zusammenfassung, Entwurfsgerüste, Transkriptanalyse, Briefing-Erstellung. Beide sind gut. Claude schreibt tendenziell etwas natürlicher; ChatGPT hat eine breitere Plugin- und Integrationsoberfläche. Wählen Sie eines, werden Sie gut im Prompting, zahlen Sie nicht für beide. Etwa $20-40 pro Monat und Nutzer.

Jasper / Copy.ai. Klare Einschätzung: eine dünne Schicht über GPT mit Brand-Voice-Training und einem marketing-orientierten UI. Das Brand-Voice-Training ist der einzige echte Differenzierungsfaktor, und die meisten Teams trainieren ihn nicht wirklich gut. Wenn Ihr Team keine AI-Kompetenz hat, können die Workflow-Templates helfen. Wenn Ihr Team promten kann, zahlen Sie für eine Hülle. Ich verwende diese nicht mehr.

Mutiny / Personalisierungs-Tools. Funktionieren für Top-of-Funnel A/B-Tests in großem Maßstab auf Ihren meistbesuchten Landing Pages. Echter Lift, messbar. Versagen, wenn "Personalisierung" auf -Token reduziert wird, die seit 2014 jeder ignoriert. Es lohnt sich, diese auf Ihren drei Top-Seiten zu testen, nicht überall einzusetzen.

Clay / Apollo mit AI-Anreicherung. Hier liegen die echten Zeiteinsparungen für List-Building und Outbound-Unterstützung. Eine Liste ziehen, mit firmografischen und Intent-Daten anreichern, mit bereits angehängtem relevantem Kontext an SDRs weitergeben. Der DGM, der das gut einrichtet, spart dem SDR-Team Stunden pro Woche und lässt Sales Marketing wieder mögen, zumindest kurz.

Gong / Chorus AI-Zusammenfassungen. Lohnenswert, wenn Sie bereits für die Plattform zahlen. Die automatischen Zusammenfassungen sind zu 80 % genau, was für einen DGM, der nach Einwandmustern sucht, ausreicht. Zitieren Sie sie nicht in einem Board-Deck ohne Überprüfung.

Alles, das "vollständig automatisiertes Lead-Nurturing" verspricht. Siehe nächster Abschnitt.

Die "vollständig automatisiertes Lead-Nurturing"-Falle

Alle sechs Monate präsentiert ein Vendor einem DGM die Vision, AI das gesamte Lead-Nurturing übernehmen zu lassen: das Segment auswählen, die E-Mail schreiben, den Sendezeitpunkt wählen, die Betreffzeile umschreiben, wenn die Öffnungsrate sinkt. Das klingt großartig. Es senkt die Öffnungsraten innerhalb von 60 Tagen. Warum:

Vollständig automatisierte Systeme optimieren exakt für die Metrik, die Sie ihnen vorgeben. Geben Sie ihnen die Öffnungsrate, entwickeln sie Betreffzeilen, die Öffnungen steigern, sich aber manipulativ anfühlen: Clickbait, falsche Dringlichkeit, "Re:" vor kalten E-Mails. Öffnungen steigen für zwei Wochen, dann sinkt Ihr Domain-Ruf. Geben Sie ihnen die Klickrate, entwickeln sie klickstarke, aber inhaltsleere CTAs, und Ihre Meeting-Rate sinkt. Geben Sie ihnen gebuchte Meetings, überaktivieren sie hochwertige Segmente und verbrennen Ihre wärmsten Accounts.

Die Lösung sind menschliche Kontrollpunkte an den kritischen Stellen. AI entwirft. Mensch veröffentlicht.

Die vier Kontrollpunkte, die ich ohne Ausnahme menschlich halte:

Betreffzeilen bei Cold-Sends. Eine ungewöhnliche Betreffzeile mit 18 % Öffnungsrate schlägt jedes Mal eine polierte mit 11 %. Modelle tendieren zu poliert. Ein Mensch wählt ungewöhnlich.
Entscheidungen über Sendetage. Dienstag um 10 Uhr ET ist die Antwort des Modells auf jeden Send. Manchmal ist der richtige Sendezeitpunkt Sonntag um 19 Uhr, weil Ihr Käufer ein Gründer ist, der E-Mails am Wochenende durchgeht. Modelle wissen das nicht. Sie schon.
Segment-Aufteilungen. Wenn Sie "Tier-1-Accounts" von "allen anderen" trennen, ist der Unterschied meist eine Handvoll Accounts, bei denen Sie durch die falsche Nachricht sechs Monate Beziehungsaufbau zunichtemachen. Ein Mensch zeichnet ab.
Alles, was an Ihre Top-50-Zielaccounts geht. ABM-Listen gehören Menschen. Der Mehrwert einer einzigen handgefertigten E-Mail an einen Zielaccount schlägt 1.000 automatisierte Sends.

Die eine Regel, noch einmal für alle: AI entwirft, Mensch veröffentlicht. Behandeln Sie jeden Vendor, der widerspricht, so, wie Sie einen Auftragnehmer behandeln würden, der vorschlägt, das Fundament wegzulassen.

Optional: die ACE-Framework-Perspektive

Wenn Sie ein Vokabular-Gerüst für Gespräche mit Ihrem VP über AI-Anwendungsfälle wünschen, unterteilt das ACE-Framework AI-Arbeit in fünf Fähigkeiten: Ingest, Analyze, Predict, Generate, Execute. Die DGM-Anwendungsfälle oben lassen sich klar zuordnen:

Ingest: Sales-Call-Transkripte, Attributionsdaten, Intent-Signale an einen Ort bringen, den das Modell lesen kann
Analyze: 30 Calls in 6 Einwände zusammenfassen, das Attributions-Dashboard in einen Absatz umwandeln
Predict: MQL-Scoring mit historischen Opp-Mustern ergänzen
Generate: Kampagnen-Briefing-Entwürfe, Copy-Varianten, Paid-Creative-Gerüste
Execute: automatisierter Send (mit den menschlichen Kontrollpunkten aus dem obigen Abschnitt)

Verwenden Sie das Vokabular, wenn es Ihnen hilft, nach oben zu kommunizieren. Verwenden Sie es nicht als Pitch-Rahmen für Ihr Team. Die meisten DGMs brauchen kein Framework, sie müssen liefern.

Was Sie in Ihren ersten 30 Tagen umsetzen sollten

Hören Sie auf, Vendor-Blogposts zu lesen. Nehmen Sie diesen Plan, setzen Sie ihn um, messen Sie ihn, passen Sie ihn an.

Woche 1: Bauen Sie eine persönliche Prompt-Bibliothek in Notion. Acht Prompts, die Sie tatsächlich wiederverwenden werden. Machen Sie keine Bibliothek mit 50, die Sie nie öffnen werden. Meine Prompts: Kampagnen-Briefing-Generator, Headline-Test (12 Varianten), Einwand-Zusammenfassung aus Call-Transkripten, Nurture-Überarbeitung für ein stagniertes Segment, ICP-angepasster Copy-Editor, Attributions-Zusammenfassungsgenerator, Paid-Creative-Varianten-Briefing, wöchentliche QBR-Zusammenfassung. Jeder Prompt sollte oben einen ausfüllbaren ICP-Block haben, damit Sie ihn nicht jedes Mal neu eintippen.

Woche 2: Ersetzen Sie eine wöchentliche Aufgabe durch eine AI-unterstützte Version. Wählen Sie die Aufgabe, die Sie am meisten scheuen. Bei mir war das die wöchentliche Kampagnen-Performance-Zusammenfassung, die ich für den VP Marketing schrieb. Mit einem Prompt und einem CSV-Export wurde aus dieser 90-minütigen Aufgabe eine 20-minütige. Messen Sie die gesparte Zeit ehrlich. Wenn die AI-Version schlechter war, verwerfen Sie sie und geben Sie das zu. Halten Sie nicht an etwas fest, das schlechter ist, nur weil es besser sein sollte.

Woche 3: Führen Sie einen Paid-Creative-Test mit dreimal so vielen Varianten durch wie üblich. Was auch immer Ihr normaler Rhythmus ist (sagen wir 4 Anzeigenvarianten pro Quartal auf LinkedIn), starten Sie diese Woche 12. Messen Sie CTR und CPL-Steigerung gegenüber Ihrer historischen Baseline. Der Sinn ist nicht zu beweisen, dass AI funktioniert. Der Sinn ist, Sie in den Workflow mit höherem Variantenvolumen zu zwingen, den AI erschwinglich macht.

Woche 4: Schreiben Sie das "AI-Regeln"-Dokument Ihres Teams. Eine Seite. Drei Abschnitte:

Was AI entwerfen darf (Briefings, Varianten, Zusammenfassungen, Transkript-Auswertungen)
Was Menschen berühren müssen, bevor es veröffentlicht wird (Betreffzeilen, Messaging an Zielaccounts, alles Kundenseitige bei Tier-1-Accounts)
Was niemals in ein öffentliches Modell eingefügt wird (proprietäre Kundendaten, ungeschwärzte Call-Transkripte mit Namen, interne Finanzzahlen)

Lassen Sie den VP Marketing die Seite abnehmen. Jetzt haben Sie die politische Rückendeckung, AI zu nutzen, ohne dass jemand wegen eines Datenschutzvorfalls in Panik gerät, und die Disziplin, sie gut zu nutzen.

Der abschließende Gedanke

AI macht aus einem schlechten DGM keinen guten. Sie macht einen guten DGM bei den Teilen des Jobs, die kein Urteilsvermögen erfordern, etwa 30 % schneller, damit er mehr Zeit für die Teile aufwenden kann, die es erfordern.

Die Teile, die Urteilsvermögen erfordern: der ICP. Die Abstimmung. Die Pipeline-Zahl. Diese gehören noch immer Ihnen. Immer.

Jetzt schließen Sie Ihren Posteingang und schreiben Sie das Briefing.

Demand Generation Manager Playbooks