Entdecken Sie folk das CRM für personenorientierte Unternehmen
Ein Chatbot wartet auf die nächste Eingabe. Ein KI-Agent arbeitet weiter. Er kann ein Ziel interpretieren, aktuelle Kontextinformationen abrufen, ein Werkzeug auswählen, Maßnahmen ergreifen, das Ergebnis überprüfen und seine Vorgehensweise anpassen, ohne bei jedem Schritt Anweisungen zu erhalten.
Wie funktionieren KI-Agenten also im Jahr 2026? Sie durchlaufen einen iterativen Entscheidungszyklus, der auf einem Sprachmodell, Geschäftsdaten, Speicher, Tools und Sicherheitsvorkehrungen basiert. Ein KI-Vertriebsassistentkann beispielsweise ein CRM nach ins Stocken geratenen Geschäften durchsuchen, den Interaktionsverlauf überprüfen, das wahrscheinliche Hindernis identifizieren, einen Plan zur Wiederbelebung des Geschäfts erstellen und genehmigte Felder aktualisieren. Das Modell liefert die Argumentation, aber die Agent-Architektur setzt diese Argumentation in eine kontrollierte Ausführung um.
Wie funktionieren KI-Agenten? Die kurze Antwort
KI-Agenten durchlaufen einen kontinuierlichen Zyklus aus Schlussfolgerung und Handlung:
Ziel → Kontext → Plan → Einsatz des Werkzeugs → Beobachtung → Anpassung → Fertigstellung
Der Agent geht nicht nach einer starren Abfolge von Klicks vor, sondern orientiert sich an einem Ziel. Er prüft die verfügbaren Informationen, entscheidet, was als Nächstes geschehen soll, und ruft das entsprechende Tool auf. Dieses Tool kann beispielsweise ein CRM durchsuchen, eine Datenbank abfragen, eine Webseite öffnen, Code ausführen oder einen Geschäftsdatensatz aktualisieren.
Das Tool gibt eine Beobachtung zurück: Daten, eine Bestätigung, einen Fehler oder ein unerwartetes Ergebnis. Der Agent fügt diese Beobachtung seinem Arbeitskontext hinzu und wählt die nächste Aktion aus. Der Zyklus wird fortgesetzt, bis die Aufgabe ihre Abschlusskriterien erfüllt oder eine menschliche Eingabe erforderlich ist.
Nehmen wir einmal an, es soll ermittelt werden, welche Verkaufschancen vernachlässigt wurden. Der Vertriebsmitarbeiter könnte:
- Frage das CRM nach offenen Geschäften ab.
- Datensätze ohne aktuelle Interaktion filtern.
- Rufen Sie die aktuellen Notizen und Beteiligten ab.
- den wahrscheinlichen Blocker klassifizieren.
- Entwerfen Sie für jedes Konto einen nächsten Schritt.
- Bevor Sie die Pipeline aktualisieren, bitten Sie um Genehmigung.
Eine herkömmliche Automatisierung folgt einem vordefinierten Ablauf und scheitert, wenn die Eingabe nicht den festgelegten Regeln entspricht. Ein KI-Agent kann variable Eingaben interpretieren, seinen Plan anpassen und eine andere Maßnahme wählen, ohne dabei seine Berechtigungen zu überschreiten.
So funktioniert der KI-Agenten-Zyklus in 7 Schritten
Die Agentenschleife ist kein im Voraus festgelegter Arbeitsablauf. Das Modell wählt eine Aktion aus, beobachtet, was passiert ist, und legt anhand des neuen Zustands den nächsten Schritt fest.
1. Der Agent erhält ein Ziel
Eine Aufgabe kann durch eine Aufforderung, einen geplanten Termin, einen Anwendungsauslöser, eine Systemwarnung oder die Übergabe durch einen anderen Bearbeiter ausgelöst werden. In der Anfrage sollte eher das erwartete Ergebnis als jede einzelne Zwischenmaßnahme definiert werden.
„Ermitteln Sie in diesem Quartal gefährdete Unternehmensgeschäfte und erarbeiten Sie einen Maßnahmenplan.“
Der Bearbeiter erhält zudem Arbeitsanweisungen: verfügbare Tools, Datengrenzen, Geschäftsregeln, Genehmigungsanforderungen und Abschlusskriterien.
2. Es ruft den relevanten Kontext ab
Das Modell kann allein anhand des Ziels keine verlässliche Entscheidung treffen. Es sammelt die für den aktuellen Schritt erforderlichen Informationen aus Quellen wie:
- Chatverlauf
- CRM-Datensätze
- E-Mails und Besprechungsprotokolle
- Interne Dokumentation
- Datenbanken
- Verbundene Anwendungen
- Ereignisse im Echtzeit-System
Bei einer Anfrage zu einem gefährdeten Geschäft kann der Mitarbeiter Verlängerungstermine, Geschäftswerte, aktuelle Interaktionen, offene Supportfälle, Beteiligte und festgehaltene nächste Schritte abrufen.
3. Es gliedert das Ziel in einzelne Maßnahmen auf
Das Entscheidungsmodell bewertet den aktuellen Zustand und erstellt einen Arbeitsplan. Es kann beschließen, zunächst geeignete Geschäfte zu identifizieren, anschließend den Kundenkontext abzurufen, als Drittes das Risiko einzustufen und zuletzt Empfehlungen auszuarbeiten.
Dieser Plan kann sich ändern. Wenn zu einem Geschäft keine aktuellen Notizen vorliegen, überprüft der Sachbearbeiter möglicherweise den E-Mail-Verlauf. Wenn für das Konto kein Inhaber angegeben ist, wird möglicherweise ein Hinweis auf das fehlende Feld angezeigt, anstatt eine nicht autorisierte Zuweisung zu versuchen.
4. Es wählt ein Werkzeug aus und ruft es auf
Der Agent kann nicht allein durch logisches Denken auf Geschäftssysteme zugreifen. Er sendet eine strukturierte Anfrage an ein zugelassenes Tool, zum Beispiel:
- CRM-Datensätze suchen
- Eine Datenbank abfragen
- Ein Dokument lesen
- Eine Webseite aufrufen
- Code ausführen
- Aufgabe erstellen
- Ein Pipeline-Feld aktualisieren
Ein CRM-Tool -Aufruf kann eine Pipeline, den Deal-Status, den Mindestwert, das Verlängerungsfenster und den Inaktivitätsschwellenwert als strukturierte Argumente enthalten.
5. Es beobachtet das Ergebnis
Jeder Tool-Aufruf liefert neue Informationen zurück. Die Antwort kann die angeforderten Datensätze, Teildaten, einen Berechtigungsfehler, ein leeres Ergebnis oder die Bestätigung enthalten, dass eine Aktion erfolgreich war.
Das Modell nimmt diese Beobachtung in seinen Arbeitskontext auf und bewertet sie im Hinblick auf das Ziel. Wenn die Abfrage zu viele Geschäfte liefert, kann der Agent die Kriterien verfeinern. Fehlt ein Pflichtfeld, kann er eine andere zugelassene Quelle durchsuchen oder die Lücke melden.
6. Es wendet Sicherheitsvorkehrungen an und holt Genehmigungen ein
Sicherheitsmaßnahmen prüfen, ob die vorgeschlagene Aktion im Rahmen der Richtlinien bleibt. Sie können Tool-Argumente validieren, den Zugriff auf Datensätze einschränken, strukturierte Ausgaben erzwingen, sensible Daten maskieren oder vor einer folgenreichen Aktion eine Pause einlegen.
Der Makler kann jedes offene Geschäft eigenständig analysieren, benötigt jedoch zuvor eine Bestätigung, bevor er:
- Sendet eine externe Nachricht
- Änderungen bei den Eigentumsverhältnissen
- Bearbeitet Datensätze in großen Mengen
- Löscht Informationen
- Verpflichtet sich zu Ausgaben
- Gibt vertrauliche Daten weiter
Durch die Genehmigung wird die eigenständige Vorbereitung von der genehmigten Ausführung getrennt.
7. Es schließt ab, eskaliert oder leitet weiter
Die Schleife endet, wenn der Agent seine Abschlusskriterien erfüllt. Er gibt die Analyse zurück, aktualisiert das genehmigte System und protokolliert den Ablauf.
Fällt die Aufgabe nicht in den Zuständigkeitsbereich seiner Werkzeuge oder Berechtigungen, kann der Agent die Aufgabe unter Beibehaltung der bereits erfassten Kontextinformationen eskalieren. In einem Multi-Agenten-System kann er die Aufgabe stattdessen an einen Spezialagenten weiterleiten und dabei den relevanten Zustand beibehalten.
Das Ergebnis ist eine kontrollierte Autonomie: Der Agent entscheidet selbst, wie er das Ziel erreicht, doch Anweisungen, Berechtigungen, Leitplanken und Abschlusskriterien legen die Handlungsgrenzen fest.
Alle Komponenten, die hinter einem KI-Agenten stehen
Ein KI-Agent ist kein eigenständig agierendes Sprachmodell. Er vereint eine Schlussfolgerungs-Engine mit Anweisungen, geschäftlichem Kontext, Werkzeugen, Speicher, Orchestrierung und Sicherheitsvorkehrungen. Jede Komponente löst einen anderen Teil des Ausführungsproblems.
Wie KI-Agenten Tools nutzen, um Maßnahmen zu ergreifen
Ein Sprachmodell kann zwar eine Aufgabe analysieren, aber ohne Tools keine laufende Pipeline überprüfen, keinen Datensatz bearbeiten oder keine Berechnung durchführen. Tools stellen bestimmte externe Funktionen bereit, die der Agent über strukturierte Anfragen aufrufen kann.
Der Prozess umfasst vier Schritte:
- Das Modell ermittelt die erforderlichen Maßnahmen.
- Es wählt ein verfügbares Werkzeug aus.
- Es generiert die von diesem Tool erwarteten Argumente.
- Es liest das Ergebnis aus und entscheidet, wie es weitergeht.
Ein Mitarbeiter, der inaktive Verkaufschancen untersucht, könnte beispielsweise ein CRM-Suchtool mit strukturierten Suchkriterien wie den folgenden aufrufen:
{
"Pipeline": "Neugeschäft",
"status": "Offen",
"minimum_value": 20000,
"days_since_last_interaction": 30
}
Das CRM liefert passende Geschäftsfälle zurück. Das Modell wertet diese Datensätze anschließend aus und ruft gegebenenfalls ein anderes Tool auf, um Notizen abzurufen, Beteiligte zu identifizieren oder ein genehmigtes Feld zu aktualisieren.
APIs für strukturierte Systemvorgänge
APIs stellen vordefinierte Anwendungsfunktionen bereit, wie beispielsweise das Abrufen von Datensätzen, das Anlegen von Aufgaben, das Aktualisieren von Feldern oder die Verarbeitung von Transaktionen. Sie funktionieren gut, wenn Anfrage und Antwort einem stabilen Schema folgen.
Der Agent bedient die Anwendungsschnittstelle nicht. Er sendet eine maschinenlesbare Anfrage direkt an das System und erhält im Gegenzug strukturierte Daten.
MCP-Server für den standardisierten Werkzeug- und Datenzugriff
Das Model Context Protocol bietet kompatiblen KI-Clients eine einheitliche Möglichkeit, eine Verbindung zu externen Tools und Daten herzustellen. Anstatt für jede Kombination aus Modell und Anwendung eine separate Integration zu entwickeln, veröffentlicht ein MCP-Server die Funktionen, die ein Agent nutzen kann.
folk MCP ermöglicht es beispielsweise ChatGPT, Claude, Cursor, VS Code und anderen kompatiblen Clients, über einen gehosteten Server einen „ folk “-Arbeitsbereich zu durchsuchen und zu aktualisieren. Der Agent kann je nach den Berechtigungen des authentifizierten Benutzers mit Personen, Unternehmen, Geschäften, Notizen, Gruppen und dem Interaktionsverlauf arbeiten.
Browser für die Arbeit mit Benutzeroberflächen
Einige Systeme stellen die erforderliche API oder das MCP-Tool nicht zur Verfügung. Ein Browser-Agent kann durch Seiten navigieren, Oberflächenelemente auslesen, Daten eingeben, Steuerelemente anklicken und den daraus resultierenden Zustand überprüfen.
Die Nutzung eines Browsers bietet zwar einen breiten Zugang, bringt jedoch auch mehr Unwägbarkeiten mit sich. Layoutänderungen, Pop-ups, Anmeldepflichten und unklar gestaltete Bedienelemente können den Arbeitsablauf unterbrechen. Sensible oder irreversible Aktionen erfordern in der Regel eine Bestätigung vor dem endgültigen Klick.
Codeausführung zur Analyse und Transformation
Die Codeausführung hilft Agenten dabei, Daten zu verarbeiten, Annahmen zu überprüfen, Dateien umzuwandeln, Simulationen durchzuführen oder Berechnungen zu validieren. Ein Datenagent könnte beispielsweise Python-Code schreiben, um CSV-Dateien zusammenzuführen und Ausreißer zu identifizieren. Ein Programmieragent könnte nach der Bearbeitung des Repositorys eine Testsuite ausführen.
Die Ausgabe wird als weitere Beobachtung an den Agenten zurückgegeben. Ein fehlgeschlagener Test, eine leere Abfrage oder ein Validierungsfehler führen nicht automatisch zum Abbruch der Aufgabe. Vielmehr liefern sie dem Modell neuen Kontext für den nächsten Schritt in der Schleife.
Wie funktionieren Gedächtnis und Kontext bei KI-Agenten?
Ein Agent benötigt ausreichende Zustandsinformationen, um zu verstehen, was bereits geschehen ist, was noch offen ist und welche Informationen für die nächste Aktion von Bedeutung sind. Diese Zustandsinformationen können im aktuellen Kontextfenster, in einem externen Speicher oder im Geschäftssystem, in dem die Arbeit stattfindet, gespeichert sein.
Arbeitskontext für die aktuelle Aufgabe
Der Arbeitskontext enthält die Informationen, die während der aktiven Ausführung verfügbar sind:
- Ursprüngliches Ziel
- Systemanweisungen
- Neueste Nachrichten
- Werkzeugdefinitionen
- Abgerufene Datensätze
- Ergebnisse des Tools
- Aktueller Plan
- Bereits abgeschlossene Maßnahmen
Das Kontextfenster verfügt über eine begrenzte Kapazität. Lang laufende Agenten können nicht jedes Rohdokument, jede Nachricht und jede Tool-Ausgabe unbegrenzt lange aktiv halten. Sie können abgeschlossene Schritte zusammenfassen, irrelevante Details entfernen oder Informationen nur bei Bedarf abrufen.
Speicherung von Daten über mehrere Sitzungen hinweg
Der persistente Speicher bewahrt ausgewählte Informationen auch nach Beendigung des aktuellen Durchlaufs auf. Dazu können Benutzereinstellungen, frühere Entscheidungen, kontospezifische Daten, noch nicht erledigte Aufgaben oder Zusammenfassungen früherer Arbeiten gehören.
Nützliche Erinnerungen sind selektiv. Das Speichern jeder einzelnen Interaktion führt zu unübersichtlichen Abrufen und erhöht die Wahrscheinlichkeit, dass veraltete Informationen eine zukünftige Entscheidung beeinflussen. Produktionssysteme benötigen daher Regeln dafür, was aufbewahrt, aktualisiert, abgelaufen oder gelöscht werden soll.
Externe Systeme als operatives Gedächtnis
Die zuverlässigsten Informationen sind oft bereits in einer Unternehmensanwendung vorhanden. Ein CRM-System enthält die Historie der Kundenbeziehungen. Ein Helpdesk speichert frühere Vorfälle. Ein Projekt-Tracker erfasst Verantwortliche, Hindernisse und Statusänderungen. Ein Code-Repository bewahrt die aktuelle Implementierung auf.
Ein mit „ folk “ verbundener KI-Vertriebsassistent muss nicht die gesamte Kundenbeziehung im Modell speichern. Er kann zu Beginn der Aufgabe die aktuellsten Kontakte, Notizen, Interaktionen und den Status des Geschäfts abrufen und anschließend genehmigte Änderungen wieder in das CRM zurückschreiben. „ folk “ bleibt dabei die verlässliche Quelle der Wahrheit.
Speicher bedeutet nicht, dass das Modell kontinuierlich trainiert wird
Die meisten KI-Agenten aktualisieren die Gewichte ihres zugrunde liegenden Modells nicht nach jeder Aufgabe. Sie scheinen sich zu erinnern, weil das System Informationen extern speichert und diese bei einem späteren Durchlauf wieder abruft.
Feedback kann das zukünftige Verhalten durch korrigierte Datensätze, überarbeitete Anweisungen, bessere Werkzeugbeschreibungen, genehmigte Beispiele oder aktualisierte Speicherinhalte verbessern. Das eigentliche Modelltraining bleibt dabei ein separater Prozess. Diese Unterscheidung ist wichtig, da gespeicherter Kontext leichter überprüft, korrigiert und gelöscht werden kann als Wissen, das in den Modellgewichten verankert ist.
So funktioniert ein KI-Vertriebsassistent in Verbindung mit dem CRM-System „ folk “
Ein KI-Vertriebsassistent ist einsatzbereit, sobald er auf aktuelle Kundendaten zugreifen und genehmigte Ergebnisse zurück in das CRM schreiben kann. „ folk “ stellt diese Verbindung über einen gehosteten MCP-Server her, der mit ChatGPT, Claude, Cursor, VS Code und anderen MCP-Clients kompatibel ist.
Betrachten Sie die folgende Aufgabe:
„Suchen Sie offene Geschäfte mit einem Wert von über 20.000 Dollar, bei denen in den letzten 30 Tagen keine Interaktion stattgefunden hat, ermitteln Sie die wahrscheinliche Ursache für die Verzögerung und erstellen Sie einen Plan zur Behebung des Problems.“
1. Den KI-Client authentifizieren
Der Benutzer verbindet den KI-Client über ein sicheres OAuth-Verfahren mit folk . Der Agent erhält denselben Zugriff auf den Arbeitsbereich wie das authentifizierte folk -Konto, basierend auf seiner bestehenden Rolle und seinen Berechtigungen.
2. Das Ziel in Suchkriterien umsetzen
Der Agent entnimmt der Anfrage die Betriebsbedingungen:
- Status des Geschäfts: offen
- Mindestbetrag: 20.000 $
- Inaktivitätszeitraum: 30 Tage
- Erforderliches Ergebnis: Blocker und Wiederherstellungsplan
Anschließend wählt es die entsprechenden Suchwerkzeuge unter folk aus.
3. Live-Transaktionsdaten abrufen
Über „ folk “ (MCP) durchsucht der Mitarbeiter den Arbeitsbereich nach passenden Geschäftsmöglichkeiten. Das Ergebnis kann den Namen des Geschäfts, das Unternehmen, den Verantwortlichen, den Wert, die aktuelle Phase und das Datum der letzten Interaktion enthalten.
Dieses erste Ergebnis identifiziert zwar die betroffenen Datensätze, liefert jedoch nicht genügend Kontext, um das Problem zu diagnostizieren.
4. Jede Beziehung neu aufbauen
Der Agent ruft die Personen, Unternehmen, Notizen, benutzerdefinierten Felder und den Interaktionsverlauf ab, die mit jedem Geschäft verknüpft sind. Dabei sucht er nach Anzeichen wie:
- Unbeantwortete Folgeanfragen
- Einwände gegen die Preisgestaltung
- Fehlende Entscheidungsträger
- Verzögerungen bei der Beschaffung
- Produktanforderungen
- Fehlen der nächsten Schritte
- Nachlassendes Engagement
Das CRM fungiert als operatives Gedächtnis. Der Mitarbeiter stützt sich auf die bereits in folk gespeicherte Beziehungshistorie, anstatt sich auf den in die Eingabeaufforderung kopierten Kontext zu verlassen.
5. Den Blocker klassifizieren
Das Argumentationsmodell vergleicht die Beweise und ordnet jeder ins Stocken geratenen Chance eine wahrscheinliche Ursache zu. Dabei sollte es zwischen bestätigten Fakten und Schlussfolgerungen unterscheiden.
Zum Beispiel:
- Bestätigt: Der Käufer hat eine SSO-Sicherheitsüberprüfung angefordert.
- Vermuteter Blockierer: Der Vorgang ist ins Stocken geraten, da nach dieser Anfrage kein Sicherheiteninhaber hinzugefügt wurde.
- Fehlender Nachweis: Es gibt keine Interaktion, die bestätigt, ob die Budgetgenehmigung abgeschlossen ist.
Diese Trennung verhindert, dass eine plausible Interpretation als Tatsache zurückgeschrieben wird.
6. Erstellen Sie den Wiederherstellungsplan
Der Bearbeiter empfiehlt eine auf den jeweiligen Fall zugeschnittene nächste Maßnahme, anstatt eine allgemeine Folgeabfolge anzuwenden:
- Stellen Sie einen technischen Ansprechpartner vor
- Bitte senden Sie die angeforderten Sicherheitsunterlagen
- Den wirtschaftlichen Entscheidungsträger wieder einbinden
- Den Zeitplan für die Beschaffung bestätigen
- Termin für ein Entscheidungsgespräch vereinbaren
- Close eine Chance ohne glaubwürdigen Weg nach vorn
Außerdem kann es auf der Grundlage des aufgezeichneten Gesprächs und der aktuellen Geschäftsphase eine kontextbezogene Nachricht verfassen.
7. Genehmigung beantragen
Recherche, Analyse und Entwurf können durchgeführt werden, ohne den Arbeitsbereich zu wechseln. Bevor ein Geschäft bearbeitet, eine Nachricht versendet oder mehrere Aufgaben angelegt werden, legt der Sachbearbeiter die vorgeschlagenen Maßnahmen zur Überprüfung vor.
Im Genehmigungsschritt könnte Folgendes angezeigt werden:
„Northstar zur Sicherheitsprüfung weiterleiten, ‚Lösungsingenieur vorstellen‘ als nächsten Schritt hinzufügen und die Zusammenfassung der Wiederherstellung in den Geschäftsnotizen speichern?“
8. Das genehmigte Ergebnis zurückschreiben an folk
Nach der Bestätigung ruft der Mitarbeiter die entsprechenden „ folk “-Tools auf, um den Geschäftsfall zu aktualisieren, eine Notiz hinzuzufügen, ein Feld zu ändern oder die nächste Maßnahme zu erfassen. Anschließend überprüft er die Antwort des Tools, um sicherzustellen, dass die Aktualisierung erfolgreich war.
Der gesamte Kreislauf bleibt miteinander verbunden: folk liefert den Beziehungskontext, der KI-Assistent interpretiert ihn und folk speichert das genehmigte Ergebnis. Zwischen Analyse und Ausführung ist keine separate Datenbank oder benutzerdefinierte Middleware erforderlich.
Schlussfolgerung
KI-Agenten arbeiten nach einem einfachen Schleifenablauf: Sie interpretieren ein Ziel, rufen den Kontext ab, wählen ein Werkzeug aus, führen eine Aktion durch und bewerten das Ergebnis. Modelle liefern die logischen Schlussfolgerungen, während Werkzeuge, Speicher, Koordination und Sicherheitsvorkehrungen diese Schlussfolgerungen in eine zuverlässige Geschäftsabwicklung umsetzen.
Für Vertriebsteams bietet das CRM „folk “ KI-Agenten den erforderlichen Echtzeit-Beziehungskontext, um zielgerichtet zu handeln. Mithilfe von MCP kann ein KI-Vertriebsassistent Geschäfte prüfen, nächste Schritte vorbereiten und genehmigte Datensätze aktualisieren, ohne dass die Entscheidung aus dem Workflow herausgelöst wird.
Häufig gestellte Fragen
Wie funktionieren KI-Agenten, einfach ausgedrückt?
KI-Agenten erhalten ein Ziel, sammeln relevante Kontextinformationen, planen die nächste Aktion, setzen ein Werkzeug ein, überprüfen das Ergebnis und wiederholen den Vorgang, bis die Aufgabe abgeschlossen ist oder menschliches Eingreifen erforderlich wird.
Welche Werkzeuge kann ein KI-Agent nutzen?
KI-Agenten können APIs, MCP-Server, Datenbanken, Browser, Codeausführungsumgebungen, CRM-Systeme, Helpdesks, Kalender, E-Mail-Plattformen und andere autorisierte Geschäftssysteme nutzen.
Lernen KI-Agenten aus jeder Aufgabe?
Die meisten Agenten trainieren ihr zugrunde liegendes Modell nicht nach jeder Aufgabe neu. Sie bewahren nützliche Informationen mithilfe des Konversationszustands, externer Speicher, Datenbanken, Dateien und Geschäftssystemen wie beispielsweise einem CRM auf.
Was ist der Unterschied zwischen einem Einzelagenten und einem Multiagentensystem?
Ein einzelner Agent steuert den gesamten Arbeitsablauf und ruft verschiedene Tools auf. Ein Multi-Agenten-System verteilt die Arbeit auf Spezialisten, die von einem Manager-Agenten koordiniert werden, oder über direkte Übergaben.
Wie funktioniert ein KI-Vertriebsassistent in Verbindung mit einem CRM?
Ein KI-Vertriebsassistent ruft aktuelle Kunden- und Pipeline-Daten ab, analysiert den Kunden, empfiehlt die nächste Maßnahme, holt bei Bedarf eine Genehmigung ein und trägt das genehmigte Ergebnis wieder in das CRM ein.
Entdecken Sie folk
Wie der Verkaufsassistent, den Ihr Team nie hatte