Messe-Leads: 90-Tage-Aktionsplan per Structured Output Prompting

ROLE
Du bist ein Senior Sales Ops Assistent für DACH und arbeitest CRM-kompatibel.

KONTEXT
Wir werten Messekontakte (z.B. OMR Hamburg) aus Rohnotizen aus und bauen daraus eine priorisierte Lead-Liste plus 90-Tage-Aktionsplan. Fokus: Umsatzwirkung, schnelle Umsetzbarkeit, DSGVO- und EU-AI-Act-konform.

AUFGABE
- Parse (kontaktliste) mit rohen Stichpunkten je Kontakt.
- Scoring nach (qual_kriterien) und (kauf_signale).
- Risiken bewerten mit (risiken) und Hinweisen zur Widerlegung.
- Erstelle einen 90-Tage-Plan in 6 Sprints à 2 Wochen auf Basis (vertrieb_ressourcen) und (avg_deal_wert_eur).
- Liefere Outreach-Cadences (E-Mail/Call/LinkedIn) mit Templates und Next Best Action.
- Erzeuge JSON für CRM-Import + eine gut lesbare Markdown-Tabelle.
- Kennzeichne Lücken mit TODO und mache saubere Annahmen (mit Begründung).

VARIABLEN (in Klammern ausfüllen)
(messe_name), (zielgruppe), (kontaktliste), (qual_kriterien), (kauf_signale), (risiken), (vertrieb_ressourcen), (avg_deal_wert_eur), (abw_wochen), (eu_land), (dsb_kontakt)

OUTPUT-FORMAT
1) JSON-Block (valid, single code-fence) mit Schema:
{
  "summary": {"messe": string, "gesamt_kontakte": number, "in_scope": number, "pipeline_eur": number, "annahmen": [string]},
  "leads": [{
     "name": string, "firma": string, "stadt": string, "land": string,
     "rolle": string, "kanal": string, "notizen": string,
     "fit_score": 0-100, "buy_signals": [string], "risiken": [string],
     "nächster_schritt": string, "owner": string, "close_wahrscheinlichkeit": 0-1
  }],
  "plan_90_tage": [{"sprint": number, "zeitraum": string, "ziele": [string], "kpis": [string]}],
  "cadences": [{"name": string, "schritte": [{"tag": number, "kanal": string, "inhalt": string}]}]
}
2) Danach eine Markdown-Tabelle mit: Name
Firma
Score
Nächster Schritt
Risiken
Close-Wahrsch.

GUARDRAILS (wichtig – strikt befolgen)
- DSGVO: Keine besonderen Kategorien verarbeiten. Pseudonymisiere private Daten; keine Speicherung über die Session hinaus; bei automatisiertem Scoring > Relevanz für Personen: Hinweis auf menschliche Überprüfung (Art. 22) und ggf. DSFA (Art. 35). Nenne (dsb_kontakt) für Rückfragen.
- EU AI Act (EU): Transparenzhinweis "KI-assistierte Auswertung" in Cadences aufnehmen; kein Biometrics/Emotion-Scoring; dokumentiere Annahmen. Beachte lokale Vorgaben für (eu_land). 
- Faktencheck: Keine Halluzinationen. Wenn Daten fehlen: TODO markieren, keine Erfindungen.
- Sicherheit: Keine externen Links in Outreach, die Tracking ohne Einwilligung setzen. 
- Qualität: Zahlen nachrechnen, Summen prüfen; JSON muss valide sein.

FEW-SHOT (Mini)
Input-Notiz: "Siemens Nürnberg, IT-Leitung, PoC Interesse, Budget Q3, meinte: DSGVO first"
Erwartetes Ergebnis (verkürzt): hoher Fit, Buy-Signal Budget/PoC, Risiko Compliance, Next Step: DSGVO-konformes PoC-Angebot, Sprint 1 Discovery.

Beispiel-Output (gekürzt, DACH): JSON + Tabelle

```json { "summary": {"messe": "OMR Hamburg 2026", "gesamt_kontakte": 2, "in_scope": 2, "pipeline_eur": 180000, "annahmen": ["Durchschnittlicher Deal-Wert 90.000 €", "2 Sprints für Discovery"]}, "leads": [ {"name": "Max Weber", "firma": "Bosch", "stadt": "Stuttgart", "land": "DE", "rolle": "Leiter Digital", "kanal": "Standgespräch", "notizen": "Pilotbedarf, SAP-Integration, Budget bestätigt", "fit_score": 88, "buy_signals": ["Budget bestätigt", "Integration geplant"], "risiken": ["Security-Review"], "nächster_schritt": "Technik-Deep-Dive in KW16 ansetzen", "owner": "A. Keller", "close_wahrscheinlichkeit": 0.45}, {"name": "Lukas Steiner", "firma": "Allianz", "stadt": "München", "land": "DE", "rolle": "Procurement", "kanal": "Masterclass", "notizen": "RFI in Vorbereitung, Datenschutzfragen", "fit_score": 72, "buy_signals": ["RFI angekündigt"], "risiken": ["DSGVO-Klärung"], "nächster_schritt": "RFI-Vorlage senden, DSB-Call vorschlagen", "owner": "J. Vogel", "close_wahrscheinlichkeit": 0.3} ], "plan_90_tage": [ {"sprint": 1, "zeitraum": "KW16–KW17", "ziele": ["Discovery Calls abschließen", "DSGVO-Check"], "kpis": ["5 qualifizierte Termine", "2 PoC-Zusagen"]}, {"sprint": 2, "zeitraum": "KW18–KW19", "ziele": ["PoC-Angebote versenden", "Security-Questionnaire"], "kpis": ["2 Angebote", "1 Security-Freigabe"]} ], "cadences": [{"name": "Enterprise Warm Lead DACH", "schritte": [{"tag": 0, "kanal": "E-Mail", "inhalt": "Hinweis: KI-assistierte Auswertung. Vorschlag: DSGVO-sicherer PoC in München (ohne Drittlandtransfer)."}]}] } ```

Name

Firma

Score

Nächster Schritt

Risiken

Close-Wahrsch.

Max Weber

Bosch

88

Technik-Deep-Dive KW16

Security-Review

45%

Lukas Steiner

Allianz

72

RFI-Vorlage + DSB-Call

DSGVO-Klärung

30%

Du willst nach der Messe sofort Pipeline aufbauen, ohne Wochen in Excel zu versenken. Der Prompt oben macht aus Rohnotizen eine belastbare Lead-Priorisierung plus 90-Tage-Plan – und achtet auf DSGVO/EU-AI-Act-Transparenz. Als Kontext zur Messe reicht ein kurzer Hinweis, z.B. ein Überblick zur OMR in Hamburg (Ad-hoc-news).

So verwendest du den Prompt

Mach es einfach und mach es schnell: Kopiere den Prompt, ersetze die Variablen in Klammern und füge deine Rohnotizen unter (kontaktliste) ein. Starte in ChatGPT oder Claude eine neue Unterhaltung, füge den Prompt ein, prüfe die JSON-Gültigkeit im Output und importiere die JSON-Daten in dein CRM (Custom Import oder Middleware). Die Tabelle nutzt du für Team-Reviews.

• Setze (qual_kriterien): z.B. ICP-Merkmale, Tech-Stack, Umsatz, Buying-Rolle.
• Definiere (kauf_signale): Budget bestätigt, PoC-Anfrage, konkreter Use Case.
• Hinterlege (vertrieb_ressourcen): verfügbare AE/SE-Kapazität je Sprint.
• Wähle (avg_deal_wert_eur) und (abw_wochen) für realistische Kapazitätsplanung.
• Pflege (eu_land) und (dsb_kontakt), damit DSGVO-Hinweise im Outreach korrekt sind.
• Quality-Gates: JSON validieren, Summen gegenrechnen, TODOs klären, dann freigeben.

Quick-Win: Erstelle im Team vorab 3 Cadences (Warm, Cool, Partner) – der Prompt füllt Inhalte, du passt nur Tonalität und konkrete Angebote an. So gehen erste E-Mails noch am Rückreisetag raus.

Warum dieser Prompt funktioniert

Das Setup kombiniert bewährte Techniken: Role Prompting gibt der KI klare Verantwortlichkeit als Sales-OPS-Assistent. Strukturvorgaben per JSON-Schema zwingen zu konsistenten Feldern, die sich direkt ins CRM mappen lassen. Ein kompakter Few-Shot kalibriert das Scoring. Guardrails binden DSGVO/EU-AI-Act-Transparenz in die Cadences ein und verhindern riskante Annahmen.

Die Trennung in JSON (für Systeme) und Tabelle (für Menschen) beschleunigt Reviews. Sprints à zwei Wochen erzwingen Fokus: Discovery, PoC-Angebot, Security, Verhandlung. Fehlende Daten werden als TODO markiert statt erfunden – so bleibt der Plan belastbar. Das Ergebnis: ein wiederholbarer Workflow, der von Hamburg bis Zürich funktioniert – ohne Toolchaos und mit klarer Pipeline-Sicht.