Warum wir unser eigenes Cold-Email-System mit Claude, Instantly und Supabase gebaut haben

Das ist kein theoretischer Architektur-Post. Wir betreiben dieses System seit Monaten in der Produktion und versenden tausende personalisierte E-Mails, die tatsächlich Antworten erhalten. Ich werde dir genau zeigen, warum wir es gebaut haben, wie die einzelnen Teile zusammenpassen und was wir auf die harte Tour gelernt haben.

Inhaltsverzeichnis

• Das Problem mit käuflichen Outreach-Tools
• Unser Tech Stack und warum wir ihn gewählt haben
• Architektur-Übersicht
• Leads mit Hunter finden und anreichern
• KI-Personalisierung mit Claude
• Supabase als Orchestrierungsschicht
• Versand im großen Maßstab mit Instantly
• Das Automations-Bindemittel
• Ergebnisse und was wir gelernt haben
• Kostenaufschlüsselung
• FAQ

Das Problem mit käuflichen Outreach-Tools

Wir haben die üblichen Verdächtigen ausprobiert. Lemlist. Apollo. Woodpecker. Sie sind für viele Anwendungsfälle gute Tools. Aber als Headless-Web-Development-Agentur waren unsere Outreach-Anforderungen auf Wege spezifisch, die diese Plattformen nicht bewältigen konnten.

Hier ist, was immer wieder zusammenbrach:

Generische Personalisierungsfelder sind keine Personalisierung. Den Namen und die Berufsbezeichnung eines Prospects in eine Vorlage einzufügen, täuscht 2025 niemanden. Wir brauchten E-Mails, die auf den tatsächlichen Tech Stack eines Prospects verwiesen, ihre Website-Performance-Probleme oder spezifische architektonische Entscheidungen, die auf ihrer öffentlichen Website sichtbar sind.

Der Research-Schritt war der Engpass. Unser am besten funktionierendes Outreach beinhaltete immer, dass jemand aus dem Team die Website eines Prospects tatsächlich besuchte, sie durch PageSpeed Insights laufen ließ, ihr Framework überprüfte und etwas Spezifisches schrieb. Das dauerte 10-15 Minuten pro Lead. Im großen Maßstab ist das ein Vollzeitjob.

Daten lebten an zu vielen Orten. Leads in einer Tabelle, E-Mail-Sequenzen in einer anderen Plattform, Ergebnisse in einem dritten Dashboard. Wir konnten keine Feedback-Schleifen aufbauen, weil nichts mit irgendetwas anderem sprach.

Die KI-Integrationen waren oberflächlich. Einige Plattformen fügten „KI-Schreib"-Funktionen hinzu, aber das waren im Grunde GPT-Wrapper, die die gleiche langweilige Kopie generierten, die alle anderen versendeten. Keine Möglichkeit, benutzerdefinierte Kontexte einzuspeisen, keine Kontrolle über Prompts, keine Möglichkeit, mehrstufige Reasoning-Ketten zu erstellen.

Wir brauchten ein System, in dem KI die Recherche durchführte, nicht nur das Schreiben.

Unser Tech Stack und warum wir ihn gewählt haben

Hier ist, worauf wir nach ein paar Iterationen landeten:

Komponente	Tool	Rolle	Monatliche Kosten
Lead-Recherche & E-Mail-Verifizierung	Hunter.io	E-Mail-Adressen finden und verifizieren	$49 (Starter)
KI-Recherche & Copywriting	Claude (Anthropic API)	Prospects analysieren, personalisierte E-Mails generieren	~$30-60
Datenbank & Orchestrierung	Supabase	Leads speichern, Zustand verwalten, Workflows auslösen	$25 (Pro)
E-Mail-Versand & Warmup	Instantly.ai	Zustellbarkeit, Versand-Infrastruktur, Warmup	$30 (Growth)
Automations-Bindemittel	Custom Edge Functions + Cron	Alles zusammenverbinden	$0 (in Supabase enthalten)

Wir haben verschiedene Alternativen evaluiert. Hier ist die Kurzfassung, warum wir gewählt haben, was wir gewählt haben:

Claude statt GPT-4: Wir haben beide ausgiebig getestet. Claude 3.5 Sonnet (und jetzt Claude 4 Sonnet in 2025) produzierte konstant E-Mails, die natürlicher klangen und weniger „KI-isch" waren. Es war auch besser darin, komplexe System-Prompts zu befolgen, ohne abzuweichen. Die Preisgestaltung war vergleichbar, aber Claudes längeres Kontext-Fenster bedeutete, dass wir mehr Recherche-Daten pro Prospect eingeben konnten.

Supabase gegenüber Airtable oder einem benutzerdefinierten Postgres-Setup: Wir brauchten eine echte Datenbank mit Sicherheit auf Zeilenebene, wollten aber nicht die Infrastruktur verwalten. Supabase bot uns Postgres, Edge Functions, Cron Jobs und ein anständiges Dashboard — alles an einem Ort. Wir nutzen Supabase intensiv auch für Kundenprojekte, daher kannte das Team es bereits gut.

Instantly gegenüber Lemlist oder Smartlead: Das Warmup-Netzwerk von Instantly ist wirklich gut, ihre API ist sauber und die Preisgestaltung macht für unser Volumen Sinn. Wir brauchen Instantly's eingebauten Sequence Builder nicht, da wir die Sequenzierungs-Logik selbst handhaben.

Hunter gegenüber Apollo oder Snov.io: Hunters E-Mail-Verifizierung ist konstant am genauesten, die wir getestet haben. Ihre Domain-Search-API ist schnell und die Datenqualität ist hoch. Apollo hat mehr Datenpunkte, aber wir fanden ihre E-Mail-Genauigkeit niedriger, was die Zustellbarkeit zerstört.

Architektur-Übersicht

Das System funktioniert in fünf Stufen, jede läuft unabhängig:

[Lead-Quellen] → [Hunter-Anreicherung] → [Supabase DB] → [Claude-Recherche + Kopie] → [Instantly-Versand]
     ↑                                       ↑                                           |
     |                                       |                                           |
     +----------- Feedback-Schleife ----------+-------------------------------------------+

1. Aufnahme: Wir speisen Prospect-Domains aus verschiedenen Quellen ein (manuelle Listen, Scraper, Referral-Daten)
2. Anreicherung: Hunter findet Kontakte und verifiziert E-Mails
3. Speicherung: Alles landet in Supabase mit Status-Verfolgung
4. Recherche + Schreiben: Claude analysiert jeden Prospect und generiert personalisierte Kopie
5. Versand: Genehmigte E-Mails werden zu Instantly-Kampagnen verschoben
6. Lernen: Reply-Daten fließen zurück zu Supabase und informieren zukünftige Personalisierung

Jede Stufe ist entkoppelt. Wenn Hunters API ausfällt, staut sich die Anreicherungs-Warteschlange einfach — sie bricht den Versand nicht. Wenn wir Claude durch ein anderes Modell austauschen möchten, ändern wir eine Funktion.

Leads mit Hunter finden und anreichern

Hunter.io übernimmt zwei kritische Aufgaben: die richtige Person bei einem Unternehmen finden und überprüfen, dass ihre E-Mail tatsächlich funktioniert.

Hier ist eine vereinfachte Version unserer Anreicherungs-Funktion:

import { createClient } from '@supabase/supabase-js';

const HUNTER_API_KEY = Deno.env.get('HUNTER_API_KEY');

async function enrichLead(domain: string) {
  // Domain-Suche zum Finden von Entscheidungsträgern
  const searchRes = await fetch(
    `https://api.hunter.io/v2/domain-search?domain=${domain}&department=executive,it&api_key=${HUNTER_API_KEY}`
  );
  const searchData = await searchRes.json();
  
  const contacts = searchData.data.emails
    .filter((e: any) => e.confidence > 70)
    .slice(0, 3); // Top 3 Kontakte pro Domain
  
  // Jede E-Mail verifizieren
  for (const contact of contacts) {
    const verifyRes = await fetch(
      `https://api.hunter.io/v2/email-verifier?email=${contact.value}&api_key=${HUNTER_API_KEY}`
    );
    const verifyData = await verifyRes.json();
    
    if (verifyData.data.status === 'valid') {
      await supabase.from('leads').insert({
        domain,
        email: contact.value,
        first_name: contact.first_name,
        last_name: contact.last_name,
        position: contact.position,
        confidence: contact.confidence,
        status: 'enriched',
        enriched_at: new Date().toISOString()
      });
    }
  }
}

Wir filtern nach den Abteilungen executive und it, weil das unsere Käufer sind — CTOs, VPs of Engineering, technische Gründer. Die Abteilungs-Filterung von Hunter ist nicht perfekt, aber sie filtert viel Rauschen.

Eines haben wir gelernt: Überspringe nie die E-Mail-Verifizierung. Selbst mit Hunters Confidence-Scores verifizieren wir noch jede Adresse. Eine Bounce-Rate über 3% zerstört den Ruf deiner Sending-Domain. Wir haben gesehen, wie Domains von 95% Inbox-Platzierung auf 40% Spam-Ordner von einem schlechten Batch gingen.

Wir führen etwa 500 Credits von Hunter-Suchen pro Woche durch, die problemlos in ihren Starter-Plan passen.

KI-Personalisierung mit Claude

Hier wird es interessant. Die Claude-Integration ist nicht einfach „Schreib mir eine Cold Email." Es ist eine mehrstufige Recherche- und Schreib-Pipeline.

Schritt 1: Website-Analyse

Bevor Claude etwas schreibt, geben wir ihm Daten über die Website des Prospects. Wir scrapen grundlegende Informationen mit einer leichten Funktion:

async function analyzeProspectSite(domain: string) {
  // Homepage und Schlüsselseiten abrufen
  const homepage = await fetch(`https://${domain}`);
  const html = await homepage.text();
  
  // Tech-Signale aus HTML extrahieren
  const signals = {
    hasNextJs: html.includes('__next') || html.includes('_next/static'),
    hasReact: html.includes('react') || html.includes('__REACT'),
    hasWordPress: html.includes('wp-content') || html.includes('wp-includes'),
    hasShopify: html.includes('shopify') || html.includes('cdn.shopify'),
    hasGatsby: html.includes('gatsby'),
    usesJQuery: html.includes('jquery'),
    metaGenerator: extractMeta(html, 'generator'),
    pageSize: html.length,
    // ... mehr Signale
  };
  
  // PageSpeed-Check über API durchführen
  const psiData = await fetchPageSpeedInsights(domain);
  
  return {
    ...signals,
    performanceScore: psiData.lighthouseResult.categories.performance.score * 100,
    lcp: psiData.lighthouseResult.audits['largest-contentful-paint'].numericValue,
    cls: psiData.lighthouseResult.audits['cumulative-layout-shift'].numericValue,
    fid: psiData.lighthouseResult.audits['max-potential-fid'].numericValue
  };
}

Das gibt Claude echte Daten zum Arbeiten. Nicht „Hi, ich habe bemerkt, dass dein Unternehmen X macht" — mehr wie „Deine Homepage-LCP ist 4,2 Sekunden und du führst immer noch jQuery neben React aus, was 90KB zu deinem Initial-Bundle hinzufügt."

Schritt 2: Claude-Research-Prompt

Wir verwenden Claudes API mit einem sorgfältig erstellten System-Prompt. Hier ist eine vereinfachte Version:

const researchPrompt = `Du bist ein Senior-Web-Entwickler, der die Website eines Prospects für eine Headless-Development-Agentur analysiert. Identifiziere anhand der folgenden technischen Daten über ihre Website:

1. Ihren aktuellen Tech Stack (sei spezifisch)
2. 2-3 konkrete Performance- oder Architektur-Probleme
3. Was eine Migration zu einer modernen Headless-Architektur verbessern könnte
4. Eine spezifische, nicht-offensichtliche Beobachtung, die echte Analyse zeigt

Sei NICHT generisch. Wenn du etwas Spezifisches nicht finden kannst, sag das.
Erwähne NICHT „in der heutigen digitalen Landschaft" oder ähnliche Füllwörter.
Sei direkt und technisch.

Website-Daten:
${JSON.stringify(siteAnalysis, null, 2)}

Prospect: ${lead.first_name} ${lead.last_name}, ${lead.position} bei ${lead.domain}`;

const research = await anthropic.messages.create({
  model: 'claude-sonnet-4-20250514',
  max_tokens: 1000,
  messages: [{ role: 'user', content: researchPrompt }]
});

Schritt 3: E-Mail-Generierung

Die Research-Ausgabe wird in einen zweiten Claude-Aufruf eingegeben, der die tatsächliche E-Mail schreibt. Recherche und Schreiben zu trennen war eine Schlüssel-Einsicht — wenn wir versuchten, beides in einem Prompt zu machen, waren die E-Mails schlechter. Claude würde die Recherche überspringen, um schneller zum Schreiben zu kommen.

const emailPrompt = `Schreib eine Cold Email von einem Senior-Entwickler einer Headless-Web-Agentur.

Recherche-Notizen:
${research.content[0].text}

Regeln:
- 4-6 Sätze max. Jeder Satz muss seinen Platz verdienen.
- Führe mit der spezifischsten technischen Beobachtung an.
- Keine Schmeicheleien. Kein „Ich liebe, was ihr macht."
- Ein klarer CTA: Frag, ob sie einen Performance-Audit sehen möchten.
- Klingt wie ein Entwickler, nicht wie ein Verkäufer.
- Verwende ihren Vornamen. Kein Nachname in der Anrede.
- Subject Line: kurz, spezifisch für ihr Tech-Problem, kleingeschrieben.`;

Das Resultat? E-Mails, die mit Dingen beginnen wie „Dein Shopify Plus Store rendert Produktseiten server-seitig, die statisch generiert werden könnten — das addiert 2+ Sekunden zu jeder Produktansicht" statt „Ich habe dein beeindruckendes Unternehmen bemerkt und wollte Kontakt aufnehmen."

Supabase als Orchestrierungsschicht

Supabase ist das Gehirn der Operation. Hier ist unser Kern-Schema:

create table leads (
  id uuid primary key default gen_random_uuid(),
  domain text not null,
  email text,
  first_name text,
  last_name text,
  position text,
  confidence int,
  status text default 'new', -- new, enriched, researched, drafted, approved, sent, replied, bounced
  site_analysis jsonb,
  research_notes text,
  email_subject text,
  email_body text,
  instantly_campaign_id text,
  sent_at timestamptz,
  opened_at timestamptz,
  replied_at timestamptz,
  created_at timestamptz default now(),
  updated_at timestamptz default now()
);

create index idx_leads_status on leads(status);
create index idx_leads_domain on leads(domain);

Das status-Feld steuert alles. Supabase Cron Jobs laufen alle 15 Minuten, holen Leads in jeder Stufe ab und schieben sie zur nächsten:

-- Cron: Verarbeitete Leads durch Claude-Recherche verarbeiten
select cron.schedule(
  'process-research',
  '*/15 * * * *',
  $$select net.http_post(
    'https://your-project.supabase.co/functions/v1/process-research',
    '{}',
    '{"Authorization": "Bearer your-service-key"}'::jsonb
  )$$
);

Wir verarbeiten 20 Leads pro Durchlauf in Batches, um innerhalb von Claudes Rate-Limits zu bleiben und die Kosten vorhersehbar zu halten.

Die site_analysis-JSONB-Spalte ist unglaublich nützlich. Wir können über alle unsere Leads abfragen, um Muster zu finden — wie „Zeig mir alle Leads, die WordPress ausführen mit einem Performance-Score unter 50" — und gezielte Kampagnen aus diesen Segmenten erstellen.

Versand im großen Maßstab mit Instantly

Instantly verwaltet den tatsächlichen E-Mail-Versand. Wir pushen genehmigte E-Mails über ihre API:

async function pushToInstantly(lead: Lead) {
  const response = await fetch('https://api.instantly.ai/api/v1/lead/add', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
      api_key: INSTANTLY_API_KEY,
      campaign_id: lead.instantly_campaign_id,
      skip_if_in_workspace: true,
      leads: [{
        email: lead.email,
        first_name: lead.first_name,
        last_name: lead.last_name,
        company_name: lead.domain,
        personalization_1: lead.email_subject,
        personalization_2: lead.email_body
      }]
    })
  });
  
  if (response.ok) {
    await supabase
      .from('leads')
      .update({ status: 'sent', sent_at: new Date().toISOString() })
      .eq('id', lead.id);
  }
}

Instantly's Kampagnen-Templates verwenden {{personalization_1}} und {{personalization_2}}-Variablen, die unserer Claude-generierten Subject und Body zugeordnet sind. Die Kampagne selbst ist nur eine Shell — all die Intelligenz lebt in unserem System.

Wir führen 3 Sending-Accounts durch Instantly's Warmup für mindestens 2 Wochen, bevor wir irgendwelche Outreach versenden. Domain-Warmup ist nicht optional. Wir haben das auf die harte Tour mit unserer ersten Domain gelernt, die innerhalb einer Woche flagged wurde.

Zustellbarkeits-Setup

Unsere Versand-Infrastruktur:

• 3 Domains (Variationen unserer Marke, nicht unsere Hauptdomain)
• SPF, DKIM und DMARC auf allen konfiguriert
• Google Workspace-Accounts (nicht Outlook — Google verhandelt Cold Email in unseren Tests besser)
• Instantly Warmup läuft kontinuierlich, auch an aktiven Versand-Tagen
• Max 35 E-Mails pro Account pro Tag
• Zufällige Versand-Intervalle zwischen 3-7 Minuten

Das Automations-Bindemittel

Supabase Edge Functions verbinden alles. Hier ist der Flow in Pseudocode:

Alle 15 Minuten:
  1. Führe Leads mit status='new' auf, führe Hunter-Anreicherung durch → status='enriched'
  2. Führe Leads mit status='enriched' auf, führe Website-Analyse durch → status='analyzed'
  3. Führe Leads mit status='analyzed' auf, führe Claude-Recherche + E-Mail-Gen durch → status='drafted'
  4. (Mensch reviewed entworfene E-Mails im Supabase Dashboard)
  5. Führe Leads mit status='approved' auf, push zu Instantly → status='sent'
  6. Ziehe Engagement-Daten von Instantly API → update opened_at, replied_at

Schritt 4 ist wichtig. Wir automatisieren den Versand nicht vollständig. Jede E-Mail wird von einem Menschen überprüft, bevor sie rausgeht. Das fängt die gelegentliche Halluzination (Claude behauptete einmal, eine Website sei mit Remix gebaut worden, wenn es eindeutig Next.js war) und lässt uns persönliche Berührungen hinzufügen.

Der Review-Schritt dauert etwa 2-3 Sekunden pro E-Mail, da Claude 95% der Arbeit korrekt erledigt. Wir approven in Batches mit einer einfachen Supabase Dashboard-View.

Ergebnisse und was wir gelernt haben

Wir führen dieses System seit Q1 2025 aus. Hier sind echte Zahlen:

Metrik	Unser System	Industrie-Durchschnitt (2025)
Open Rate	62%	24%
Reply Rate	8,4%	1-3%
Positive Reply Rate	4,1%	0,5-1%
Bounce Rate	0,8%	3-5%
Kosten pro kontaktiertem Lead	$0,18	$0,50-2,00
Zeit pro Lead (human)	~5 Sekunden (Review)	10-15 Minuten

Die Open Rate ist hoch, weil die Subject Lines spezifisch sind. „your shopify lcp is 4.2s" wird geöffnet. „Quick question" nicht.

Die Reply Rate ist hoch, weil die E-Mails echtes technisches Wissen zeigen. Wenn ein CTO eine E-Mail liest, die seinen Tech Stack korrekt identifiziert und ein echtes Performance-Problem anspricht, ist er eher geneigt, sich zu engagieren — selbst wenn er weiß, dass es Outreach ist.

Was nicht funktioniert hat

Vollständig automatisierter Versand (keine Human-Review): Wir haben das zwei Wochen versucht. Claude halluzinierte Tech-Stack-Details etwa 5% der Zeit. Das ist eine niedrige Error-Rate für ein LLM, aber eine E-Mail zu versenden, die „deine React App" an jemanden sagt, der Vue ausführt, ist schlechter als eine generische E-Mail zu versenden. Der Vertrauensschaden ist real.

Lange E-Mails: Unsere ersten Claude-Prompts generierten 8-10 Satz-E-Mails. Reply-Raten waren die Hälfte davon, was wir jetzt mit 4-6 Sätzen sehen. Kürzer ist besser. Immer.

Versand von mehr als 40 E-Mails pro Tag pro Account: Die Zustellbarkeit bricht ab. 30-35 ist der Sweet Spot in 2025.

Claude für Follow-ups basierend auf Opens verwenden: Wir versuchten, Follow-up-E-Mails zu generieren, die durch Opens ausgelöst wurden. Die Follow-ups fühlten sich aufdringlich an und die Konvertierung war nicht die Kosten wert. Wir versenden jetzt eine einfache, nicht-KI-generierte Follow-up drei Tage später.

Kostenaufschlüsselung

Hier ist, was das monatlich für uns kostet, um etwa 2.000 Leads zu verarbeiten:

Service	Monatliche Kosten	Notizen
Hunter.io (Starter)	$49	500 Suchen + Verifizierungen
Anthropic API (Claude)	$45	~2.000 Recherche + E-Mail-Generierungen
Supabase (Pro)	$25	Datenbank, Edge Functions, Cron
Instantly (Growth)	$30	Versand, Warmup, Analytik
Google Workspace (3 Accounts)	$21	Versand-Infrastruktur
Domains (3)	$10	Amortisierte jährliche Kosten
Gesamt	~$180	$0,09 pro verarbeitetem Lead

Vergleiche das mit Apollos $79/Monat-Plan (begrenzte Anreicherung, grundlegende Sequenzen) oder Lemlist's $69/Monat pro Sitz. Wir geben weniger aus und bekommen dramatisch bessere Ergebnisse, weil die Personalisierung echt ist, nicht template-basiert.

Zum Kontext: Dieses System hat direkt zu Leads geführt, die zu Next.js-Entwicklungs- und Astro-Entwicklungs-Projekten wurden, die 50-100x die monatlichen Kosten wert sind. Der ROI ist absurd.

FAQ

Wie lange dauerte es, dieses System zu bauen?

Die erste funktionierende Version dauerte etwa zwei Wochen Teilzeit-Aufwand — etwa 40 Stunden gesamt. Wir haben ständig daran iteriert, hauptsächlich Claude-Prompts angepasst und Edge-Case-Handling hinzugefügt. Wenn du mit Supabase Edge Functions und REST APIs vertraut bist, könntest du eine grundlegende Version an einem Wochenende laufen lassen.

Ist das nicht nur Spam mit zusätzlichen Schritten?

Faire Frage. Der Unterschied ist, dass jede E-Mail eine echte technische Beobachtung über die Website des Empfängers enthält. Wir blasen nicht „lass uns einen Call machen" an 10.000 Menschen. Wir versenden spezifische, nützliche Einsichten an eine gezielte Liste von Menschen, die tatsächlich die Probleme haben, die wir lösen. Unsere Unsubscribe-Rate ist unter 0,5%, was darauf hindeutet, dass Empfänger das nicht als Spam sehen.

Warum Claude statt GPT-4 oder Gemini?

Wir haben alle drei getestet. Claude befolgten unsere System-Prompts zuverlässiger — besonders die Einschränkungen wie „sei nicht generisch" und „verwende keine Füllwörter." GPT-4 würde zu verkäuferischer Sprache abdriften, selbst mit expliziten Anweisungen, das nicht zu tun. Gemini war schnell, aber die Ausgabe-Qualität war inkonsistent. Das kann sich ändern, wenn sich Modelle entwickeln, und unser System ist dafür konzipiert, Modelle leicht auszutauschen.

Wie handhabst du GDPR und CAN-SPAM-Compliance?

All unser Outreach zielt auf geschäftliche E-Mails (nicht persönliche) ab, enthält unsere physikalische Adresse und hat ein klares Opt-Out in jeder E-Mail. Für GDPR verarbeiten wir Daten unter „legitimes Interesse" für B2B-Outreach, führen Aufzeichnungen von Verarbeitungsaktivitäten und ehren Removal-Anfragen sofort über einen automatisierten Webhook. Wir löschen auch Leads älter als 90 Tage automatisch aus unserer Datenbank. Sprich mit einem Anwalt für deine spezifische Situation — das ist keine Rechtsberatung.

Was passiert, wenn ein Lead antwortet?

Replies fließen von Instantly's API zurück zu Supabase. Wir erhalten eine Slack-Benachrichtigung für jede Reply, und ein Mensch übernimmt das Gespräch sofort. Wir verwenden niemals KI für Reply-Handling. Sobald sich jemand engagiert, verdienen sie eine echte Person. Interessierte Prospects werden zu unserer Kontaktseite oder direkt zu einem Call-Booking-Link geleitet.

Kann dieser Ansatz für nicht-technische Services funktionieren?

Das Website-Analyse-Teil ist spezifisch für Web-Entwicklung, aber das Architektur-Muster — Leads anreichern, KI verwenden, um zu recherchieren und zu personalisieren, versenden über ein dediziertes Tool — funktioniert für jeden B2B-Outreach. Du müsstest einfach andere Research-Eingaben haben. Eine Design-Agentur könnte visuelles Design und UX-Muster analysieren. Eine Marketing-Agentur könnte SEO-Metriken ziehen. Der Schlüssel ist, Claude echte Daten zu geben, nicht sie fragen, Dinge auszudenken.

Was ist der schwierigste Teil, dieses System zu warten?

Prompt-Wartung. Wenn Claude-Modelle aktualisiert werden, brauchen Prompts, die perfekt funktioniert haben, manchmal Anpassung. Wir verbringen auch Zeit mit der Überwachung der E-Mail-Zustellbarkeit — Überprüfung von Google Postmaster Tools, Beobachtung für Spam-Rate-Spitzen, Rotation der Sending-Accounts. Es ist vielleicht 2-3 Stunden pro Woche Wartung gesamt.

Würdest du das als Produkt verkaufen?

Wir haben daran gedacht, aber ehrlich gesagt ist der Wettbewerbsvorteil zu wertvoll. Wenn jede Agentur dieses genaue System ausführen würde, würde die Effektivität sinken, weil Empfänger anfangen würden, KI-recherchierte E-Mails überall zu sehen. Vorerst halten wir es als internes Tool. Wenn du Hilfe beim Bauen von etwas Ähnlichem für dein Business brauchst, kontaktiere uns — wir haben ein paar Clients geholfen, ähnliche Systeme als Teil unserer Headless-CMS-Entwicklung einzurichten.