KI im PMM-Workflow: Was wirklich funktioniert (und was Reps sofort erkennen)

Jedes PMM-Tool wirbt inzwischen mit KI. Die meisten geben dieselben Marketingtexte wieder, die der Praktikant eines Wettbewerbers geschrieben hat, und liefern sie Ihnen dann als "Competitive Intelligence" zurück. Ihre Reps riechen eine KI-geschriebene battlecard quer durch den ganzen Slack-Kanal. Kunden erkennen KI-geschriebene Einseiter, bevor sie die Überschrift zu Ende gelesen haben.

Die PMM-Aufgabe besteht aus Urteilsvermögen, Stimme und Kundenwahrheit. Drei Dingen, in denen KI wirklich schlecht ist.

Aber es gibt fünf Stellen, an denen sie Ihnen einen ganzen Tag pro Woche spart. Der Trick besteht darin, zu wissen, welche fünf das sind, und beim Rest ehrlich zu bleiben. Ich habe einen Top-AE erlebt, der eine "KI-generierte battlecard" vor mir zerriss, sie mir zurückgab und fragte, ob wir "die echte schicken" könnten. Dieser Leitfaden ist also klar positioniert. Das Ziel ist nicht, mehr KI zu nutzen. Das Ziel ist, KI für die Teile von PMM einzusetzen, die Mustererkennung sind, und bei den Teilen, die es nicht sind, die menschliche Hand am Werk zu halten.

Wo KI wirklich hilft

Fünf Workflows, grob nach ROI sortiert.

1. Win-Loss-Transkriptanalyse. Das ist die wirkungsvollste KI-Anwendung im PMM, ohne jede Einschränkung. Zwanzig Gong-Calls bedeuteten früher zwei Wochen Zuhören, Taggen und den Versuch, sich daran zu erinnern, was der Interessent in Call 14 gesagt hatte. Jetzt fügen Sie 20 Transkripte mit einem strukturierten Prompt in Claude ein und erhalten in 30 Minuten codierte Themen. Sie validieren weiterhin mit Reps, bevor Sie etwas veröffentlichen, aber KI verkürzt die Synthese von Wochen auf Stunden.

2. Zusammenfassung von Competitive Intelligence. 14 G2-Bewertungen, die letzten drei Earnings-Transkripte und die neue Preisseite eines Wettbewerbers zu lesen, ist stumpfe Arbeit. Werfen Sie sie in Claude und fragen Sie: "Was hat sich in den letzten 90 Tagen geändert, welche Einwände haben die Rezensenten erhoben, welche neuen Funktionen haben sie ausgeliefert?" Sie erhalten einen saubereren Ausgangspunkt, als ihn Ihnen ein "KI-Competitive-Intelligence"-Tool für 40.000 Dollar im Jahr verkaufen wird. Hinweis: Der Input ist das Quellmaterial. Der Output ist Ihre eigene Ausarbeitung, keine weitergeleitete Zusammenfassung.

3. Varianten für Message-Tests. Sie führen einen A/B test mit Überschriften auf einer Launch-Seite durch und brauchen 8 Variationen. Sie von Hand zu erstellen dauert eine Stunde und produziert sechs Beinahe-Duplikate, weil Ihr Gehirn in alten Bahnen läuft. Sie mit KI zu erstellen dauert vier Minuten und liefert Ihnen acht Richtungen, von denen die Hälfte absichtlich schlecht ist, weil Varianz der Sinn der Sache ist. Sie beurteilen sie als Mensch. KI hat nur den Suchraum erweitert.

4. Erste Entwürfe von Vertriebsassets. battlecard-Gerüste. FAQ-Rohlinge. Gliederungen zur Einwandbehandlung. Das strukturelle Gerüst eines Einseiters. KI bringt Sie in 15 Minuten zu einer v0, die sonst 90 gedauert hätte. Dann schreiben Sie 70 % davon neu. Die Ersparnis liegt darin, nicht auf ein leeres Dokument zu starren, nicht in den Worten, die KI generiert.

5. Briefing-Memos. Eine unübersichtliche Produktspezifikation muss zu einem Launch-Briefing für Marketing, Vertrieb, Support und CS werden. Fügen Sie die Spezifikation ein, fügen Sie Ihre Launch-Briefing-Vorlage ein, bitten Sie die KI um einen Entwurf. Sie werden die Hälfte streichen und den Rest neu schreiben, aber Sie haben den Teil übersprungen, in dem Sie die Spezifikation dreimal durchlesen, um herauszufinden, wo Sie anfangen sollen.

Das ist die Liste. Beachten Sie, was nicht darauf steht.

Wo KI versagt (und Reps es merken)

Das sind die Fehlermodi, bei denen ich PMMs auf die Nase fallen sehe. Jeder einzelne kostet Vertrauen beim Vertrieb, und Vertrauen ist das, was PMM seine Hebelwirkung verschafft.

Positionierungs-Urteil

KI mittelt alles aus. Positionierung ist eine scharfe Entscheidung.

Wenn Sie Claude fragen "was ist die beste Positionierung für unser Produkt", wird es Ihnen etwas geben, das vernünftig klingt und genau deshalb falsch ist. April Dunfords ganzer Punkt ist, dass Positionierung erfordert, eine Wettbewerbsalternative zu wählen, zu wählen, für wen man am besten geeignet ist, und alle anderen ausdrücklich zurückzulassen. KI hasst es, irgendjemanden zurückzulassen. Das Modell will gefallen. Positionierung erfordert den Mut, zu enttäuschen.

Anti-Muster: KI-generierte Positionierungsaussagen, die Dinge sagen wie "die führende Plattform für zukunftsorientierte Teams." Das ist keine Positionierung. Das ist genau das Rauschen, das Positionierung durchschneiden soll.

Markenstimme

Tonfall ist Geschmack. Geschmack ist kein Prompt.

Sie können Claude 30 Ihrer besten Blogbeiträge füttern und es bitten, in Ihrer Stimme zu schreiben. Es wird etwas produzieren, das zu 70 % stimmt. Die fehlenden 30 % sind der Teil, der einen Leser zum Innehalten beim Scrollen bringt. Markenstimme ist das Ergebnis hunderter kleiner Urteilsentscheidungen: welches Adjektiv zu streichen ist, wann eine Regel zu brechen ist, wann ein halber Satz härter trifft als ein ganzer. KI glättet das alles weg.

Ich sage nicht, dass Sie KI nicht für Entwürfe nutzen sollen. Ich sage, dass Sie KI keine Texte unter Ihrer Marke ausliefern lassen dürfen, ohne dass ein Mensch zuletzt darübergeht. Leser merken es. Besonders die, die Sie haben wollen.

Kundenwahrheit

KI erfindet Zitate. Kunden reden nicht so.

Wenn Sie ein Modell bitten, "ein Kundenstatement über unser Onboarding zu schreiben", erhalten Sie etwas, das wie ein Kundenstatement klingt. Es wird nicht wie ein echter Kunde klingen, denn echte Kunden sagen "ja, die Implementierung hat länger gedauert, als wir dachten, aber der SE war großartig", und KI sagt "die intuitive Benutzeroberfläche der Plattform hat die Time-to-Value unseres Teams beschleunigt".

Reps haben dafür einen sechsten Sinn. Interessenten auch. In der Sekunde, in der jemand ein Zitat liest, das KI-geschrieben klingt, wird jedes Zitat auf der Seite verdächtig.

Anti-Muster: Alles, was KI-generierte "Kundenstimme" ist. Zitate, Einleitungen von Fallstudien, herausgehobene Statements. Greifen Sie auf echte Call-Transkripte zurück oder verwenden Sie sie nicht.

Eigenständige POV

Wenn Ihr Launch-Narrativ genauso über einen Wettbewerber hätte geschrieben werden können, haben Sie kein Narrativ.

KI ist auf den Launch-Texten aller anderen trainiert. Sie zu bitten, Ihren zu schreiben, produziert den Durchschnitt der Launch-Texte aller anderen. Die Launches, die Pipeline bewegen, sind die mit einer scharfen Meinung, die die Kategorie noch nicht ausspricht. Diese Meinung muss aus Ihren Kundeninterviews, Ihren Win-Loss-Daten, der tatsächlichen Überzeugung Ihres Gründers darüber kommen, warum das jetzt wichtig ist. Nicht aus einem Prompt.

Die Gong-+-Claude-Kombination für Win-Loss

Das ist der eine Workflow, der die Existenz von KI im PMM rechtfertigt. Hier ist der Ablauf, den ich fahre.

Schritt 1. Ziehen Sie die Transkripte. Holen Sie sich 15-20 Transkripte von verlorenen Geschäften aus Gong (oder Chorus oder Fathom). Filtern Sie nach Deal-Phase = "Proposal" oder später, damit Sie Calls bekommen, in denen der Käufer tatsächlich evaluiert hat. Entfernen Sie Namen und Unternehmenskennungen. Sie können das für 20 Calls manuell tun oder Gongs Export mit einem kleinen Skript nutzen.

Schritt 2. In Claude einfügen, mit einem strukturierten Prompt. Langer Kontext ist hier entscheidend. Claude verarbeitet 15-20 Transkripte in einer Session besser als ChatGPT, weshalb ich standardmäßig Claude für die Synthese und ChatGPT für die Variantenerstellung verwende. Die Prompt-Struktur, die ich nutze:

You are analyzing 18 closed-lost call transcripts from sales calls.
Each transcript is delimited by "=== TRANSCRIPT N ===".

For each transcript:
1. Identify the deal stage where the loss happened (discovery, demo, proposal, late-stage)
2. Code the primary loss reason using these categories:
   - Price / TCO concern
   - Feature gap (specify which)
   - Competitor preferred (specify which, why)
   - Internal champion lost / org change
   - Bad fit / disqualified
   - Timing / no decision
3. Pull 1-2 verbatim quotes that support the coding (preserve exactly)

After all transcripts, produce a synthesis:
- Top 3 themes by frequency
- For each theme: 3-5 verbatim quotes, deal-stage distribution,
  and which competitors came up most often
- Surprises: anything that contradicts our current narrative

Do not invent quotes. If a transcript doesn't support a theme, say so.

Schritt 3. Vor der Veröffentlichung mit Reps validieren. Das ist nicht verhandelbar. Nehmen Sie die Top-3-Themen, die Claude aufgedeckt hat, und legen Sie sie 3 AEs vor. Zwei Fragen: "Passt das zu dem, was ihr hört?" und "Was fehlt?" In der Hälfte der Fälle wird Ihnen der Rep ein Thema nennen, das nicht in den Transkripten auftauchte, weil Reps Kontext kennen, den das Transkript nicht erfasst (wie das Budgetgespräch, das per Textnachricht stattfand).

Schritt 4. Veröffentlichen Sie die Synthese mit belegten Zitaten. Jedes Thema in Ihrer finalen Ausarbeitung wird an ein echtes wörtliches Zitat und eine Call-ID gehängt. Kein umschriebener "Kunden sagen uns ..."-Unsinn. Wenn Sie es nicht zitieren können, können Sie es nicht behaupten.

Das ist der Workflow, der mich von "wir sollten Win-Loss machen" zu "wir liefern jedes Quartal einen Win-Loss-Readout" gebracht hat. KI hat die Analyse verkürzt. Reps haben die Wahrheit validiert. Die Kombination ist das, was es für die Führungsebene glaubwürdig macht.

Die Falle der "KI-geschriebenen battlecard"

Reps erkennen KI-battlecards sofort. Drei Gründe.

Generische Vergleiche. KI produziert "wir sind einfacher zu bedienen, flexibler und besser für wachsende Teams." Die KI-battlecard jedes Wettbewerbers sagt dasselbe. Eine echte battlecard sagt "wenn sie X ansprechen, hier ist die Fangfrage; wenn sie nach Y fragen, hier ist der Demo-Move; wenn sie die Acme-Fallstudie zitieren, hier ist die Antwort darauf." Das ist Deal-Kontext, den KI nicht hat.

Kein Insiderwissen. Echte battlecards enthalten Dinge wie "ihr Vertriebsleiter ist im Februar gerade zu einem Series-B-Unternehmen gewechselt" und "sie unterstützen Workday SSO nicht von Haus aus; Sie brauchen genau diese Antwort." KI weiß nicht, dass der Vertriebsleiter weg ist. Sie hat kein Signal zur SSO-Lücke, es sei denn, Sie füttern ihr beides, und in dem Fall machen Sie die Arbeit ohnehin schon selbst.

Es fehlt der Deal-Kontext, den Reps brauchen. Die Aufgabe einer battlecard ist es, eine bestimmte Art von Deal zu gewinnen: den Mid-Market-Deal, bei dem der Interessent den günstigeren Wettbewerber bereits evaluiert hat und beim Preis zögert. KI weiß nicht, dass das der Deal ist. Sie schreibt eine generische Vergleichsseite.

Was Sie stattdessen tun sollten: Lassen Sie KI die Struktur entwerfen (Abschnitte, Überschriften, Gerüst der Vergleichstabelle). Sie füllen die Fangfragen aus, die Fallstricke, die Namen der Wettbewerbs-Reps, die anders abschließen, die jüngsten Produktänderungen. KI bringt Sie in 10 Minuten zu einer v0. Der Rest ist menschlich. Ihre Reps werden das Ergebnis nutzen. Die reine KI-Version werfen sie weg.

Der praktische Stack

Womit ein PMM als Einzelperson tatsächlich arbeiten sollte.

Was Sie weglassen sollten: jedes "KI-battlecard-Generator"- oder "KI-Launch-Narrativ"-Tool, das durchgängige Automatisierung verspricht. Der Output ist genau der minderwertige Kram, den Ihre Reps und Kunden ablehnen werden. Die Ersparnis, die der Anbieter verspricht, verflüchtigt sich beim ersten Mal, wenn ein Deal ins Stocken gerät, weil der Rep einem scharfen Interessenten eine generische Vergleichsseite vorgelegt hat.

Ein 30-Tage-Plan, um KI einzuführen, ohne zu Schrott zu werden

Versuchen Sie nicht, alles auf einmal zu "KI-isieren". Die PMMs, die das richtig machen, picken sich einen Workflow heraus, machen ihn scharf und fügen dann den nächsten hinzu.

Woche 1. Wählen Sie einen Workflow und bauen Sie einen wiederverwendbaren Prompt. Win-Loss ist der Startpunkt mit dem höchsten ROI. Bauen Sie die obige Prompt-Struktur. Lassen Sie sie auf 10 Transkripten laufen, die Sie bereits manuell analysiert haben, damit Sie den Output der KI mit Ihrem eigenen vergleichen und kalibrieren können. Speichern Sie den Prompt in einem Notion-Dokument mit Notizen dazu, was funktioniert hat.

Woche 2. Liefern Sie einen KI-gestützten Output. Holen Sie Rep-Feedback ein. Protokollieren Sie, was scheiterte. Bringen Sie die Win-Loss-Synthese in ein QBR oder ein Sales-Kickoff. Beobachten Sie, wie Reps reagieren. Notieren Sie jede Stelle, an der ein Rep widerspricht, jedes Thema, das die Validierung nicht überlebt hat, jedes Zitat, das sich falsch anfühlte. Das sind Ihre Trainingsdaten für Runde zwei.

Woche 3. Bauen Sie eine Prompt-Bibliothek für Ihre 3 wichtigsten wiederkehrenden Aufgaben. Win-Loss-Synthese. Zusammenfassung der Wettbewerbslandschaft. Launch-Briefing-Entwurf. Jede bekommt ihre eigene Prompt-Vorlage, verfeinert auf Basis dessen, was Woche 2 Sie gelehrt hat. Legen Sie sie irgendwo ab, wo Ihr Team sie nutzen kann, etwa in Notion, in einem geteilten Dokument oder in einem Claude-Projekt.

Woche 4. Definieren Sie die "KI-freien Zonen" Ihres Teams. Schreiben Sie sie auf. Meine: Positionierungsdokumente, Gründer-Narrativ, Kundenzitate, Tier-1-Launch-Texte, alles mit meinem Namen darauf, das an einen Kunden geht. Es geht nicht darum, KI vom Entwerfen zu verbannen. Es geht darum, ausdrücklich festzulegen, dass die finale Stimme und das Urteilsvermögen menschlich bleiben und dass jeder im Team ein KI-geschriebenes Kundenzitat ansprechen kann, ohne dass es peinlich wird.

Bis Tag 30 haben Sie zwei oder drei sauber laufende Workflows, eine Prompt-Bibliothek und eine klare Grenze zwischen KI-entworfen und vom Menschen ausgeliefert. Das ist das ganze Ziel.

Schluss

KI ist Hebelwirkung für die langweiligen 60 % der PMM-Arbeit. Synthese, Zusammenfassung, Entwerfen, Variantenerstellung. Das ist das Zeug, das Mustererkennung im großen Maßstab ist. Nutzen Sie es. Sparen Sie den Tag pro Woche.

Die 40 %, die Deals gewinnen, also Positionierung, Stimme, Kundenwahrheit, eigenständige POV, bleiben Ihre Aufgabe. Reps merken es. Kunden merken es. Suchmaschinen beginnen, es zu merken.

Die PMMs, die KI als Kraftverstärker für ihr Urteilsvermögen behandeln, gewinnen. Die, die sie als Ersatz für Urteilsvermögen behandeln, liefern minderwertige Inhalte, verlieren das Vertrauen der Reps und werden still umgangen. Wählen Sie das Erste.

Wenn Sie mit dem ACE Framework arbeiten, liegen die meisten PMM-KI-Anwendungsfälle in Analyze (Win-Loss, Wettbewerbssynthese) und Generate (Asset-Entwürfe, Message-Varianten). Widerstehen Sie der Versuchung, Positionierung als Generate-Aufgabe zu rahmen. Sie ist keine Mustervervollständigung. Sie ist eine scharfe menschliche Entscheidung darüber, für wen Sie da sind und für wen nicht.

Mehr erfahren

• Stellenbeschreibung Product Marketing Manager
• Win-Loss-Analyse, die die Strategie wirklich verändert
• Competitive Intelligence ohne minderwertige Inhalte
• Sales-Enablement-Assets, die ein PMM besitzen sollte
• Messaging, das den Vertrieb übersteht