Wie wir unsere eigene Content- und Sales-Pipeline mit KI automatisiert haben

Sechs Bausteine, ein System: von LinkedIn-Posts über Website-Artikel und Angebots-PDFs bis zum Funnel vom Inhalt zum Termin. Aufgebaut für AlpiType selbst, seither in Kundenprojekten adaptiert — mit den Zahlen, die dabei herausgekommen sind.

Marketing, Sales und Content-Produktion liefen bei uns lange als getrennte Prozesse. Jeder Schritt brauchte manuelle Übergaben — von der Idee bis zum Termin im Kalender. Content erzeugte Sichtbarkeit, aber keine messbaren Leads; die Skalierung hing an Personen. Dieser Bericht beschreibt, was wir daraus gebaut haben, Baustein für Baustein. Die Bausteine 01 bis 04 sind einzeln einsetzbar; 05 und 06 verbinden sie zum System.

01 LinkedIn-Content aus vorhandenem Material

Ausgangssituation

Bestehender Fach-Content lag verteilt in PDFs, Notizen, Slides und alten Posts. Neue LinkedIn-Beiträge wurden ad hoc geschrieben — wenn überhaupt. Schreibaufwand pro Post: 30 bis 90 Minuten. Die Tonalität schwankte zwischen Autoren, Inhalte aus alten Materialien wurden nicht wiederverwendet, Posts erschienen unregelmäßig.

Lösung

Eine Pipeline, die vorhandene Materialien (PDF, Markdown, Audio) liest und daraus LinkedIn-Posts generiert. Format, Tonalität und Struktur sind als wiederverwendbare Templates definiert; pro Quelle entstehen 3 bis 5 Post-Varianten. Jeder Output durchläuft eine Review-Stufe — ein Klick zur Freigabe oder Anpassung — bevor er veröffentlicht wird.

Ergebnis

Schreibaufwand pro Post: unter 5 Minuten
Posts pro Woche: von 1 auf 5
Tonalität bleibt über alle Posts hinweg konsistent
Vorhandener Content wird systematisch wiederverwertet

02 Website- und SEO-Artikel aus Talks und Transkripten

Ausgangssituation

Rohmaterial existierte — Talks, Interviews, technische Notizen, Transkripte —, aber daraus wurden selten Website-Artikel. Transkripte endeten in einem Ordner. SEO-Struktur (H1, H2, Meta-Description, interne Links) fehlte, Crawler fanden die Inhalte nicht.

Lösung

Whisper transkribiert Audio und Video lokal. Claude strukturiert den Text in H2-Sektionen, erzeugt die Meta-Description und interne Verlinkungen. Die Veröffentlichung erfolgt als Draft im WordPress-Backend per REST-API — ein Mensch entscheidet vor der Veröffentlichung.

Ergebnis

Aufwand pro Artikel: von 4 Stunden auf 30 Minuten Review
SEO-Struktur ist von Anfang an korrekt; Inhalte werden indexiert und ranken
Aus einem Talk entstehen mehrere Artikel statt einer Notiz

Beispiele aus dieser Pipeline: Darf KI Ihre Website lesen? · Der größte KI-Fehler mit Junior-Entwicklern

03 Sales Enablement: Anfragen strukturieren, Angebote vorbereiten

Ausgangssituation

Sales-Anfragen erforderten technische Validierung, Recherche in alten Projekten und manuell erstellte Angebots-PDFs. Engineering wurde in jeden Sales-Zyklus hineingezogen; Antwortzeiten hingen von der Verfügbarkeit einzelner Experten ab, Wissen aus vergangenen Projekten wurde nicht systematisch wiederverwendet.

Lösung

Ein Sales-Operations-Layer nimmt Anfragen in beliebigem Format entgegen, strukturiert sie, gleicht sie gegen vergangene Projekte ab, prüft die Machbarkeit und erzeugt einen ersten Angebots-Draft — PDF-Angebot, technisches Summary, Folgefragen. Engineering greift nur bei komplexen Fällen ein.

Ergebnis

Erst-Antwort innerhalb weniger Stunden statt Tage
Engineering-Beteiligung pro Anfrage sinkt deutlich
Konsistente Angebote unabhängig vom Bearbeiter; Wissen aus Altprojekten ist abrufbar

04 Multi-Channel-Distribution aus einer Quelle

Ausgangssituation

Inhalte wurden für einzelne Kanäle erstellt — ein Artikel für die Website, ein separater Post für LinkedIn, ein weiteres Format für den Newsletter. Derselbe Inhalt wurde mehrfach von Hand aufbereitet, Website und LinkedIn sagten unterschiedliche Dinge, nicht alle Kanäle wurden bedient.

Lösung

Ein zentraler Content-Hub. Ein einziger Input — ein Talk, ein Artikel, ein technisches Dokument — erzeugt parallel den Website-Artikel, den LinkedIn-Post, das Video-Snippet, den Newsletter-Eintrag und die Media-Seite. Jeder Kanal bekommt sein eigenes Format, aber dieselbe Quelle; die Veröffentlichung läuft koordiniert über REST-APIs (WordPress, LinkedIn, Mail).

Ergebnis

Aus einem Input entstehen 4 bis 6 Outputs in unterschiedlichen Formaten
Veröffentlichungs-Aufwand sinkt um den Faktor 5
Botschaften bleiben über alle Kanäle konsistent; kein Kanal wird mehr vergessen

05 Das Gesamtsystem: Content → Website → Download → Profil → Call

Input: Talks, Transkripte, technische Dokumente, Kundenanfragen
Processing: Whisper, Claude API, Format-Erstellung pro Kanal
Output: Artikel, LinkedIn-Posts, Media-Seiten, PDF-Downloads, Sales-Summaries
Funnel: Content → Website → Download → Profil → Call

Jede Stufe ist messbar und lässt sich einzeln optimieren. Lead-Capture, Follow-up und Profilierung, die vorher in unterschiedlichen Tools lagen, hängen jetzt am selben Inhalt.

Ergebnis

Content-Veröffentlichung folgt einem reproduzierbaren Prozess statt Ad-hoc-Aktionen
Leads kommen aus dem Inhalt selbst, nicht aus separaten Kampagnen
Engineering-Beteiligung im Sales-Funnel ist auf qualifizierte Gespräche reduziert
Das System skaliert mit dem Inhalt, nicht mit der Teamgröße

06 Distribution als Vertriebskanal

Ausgangssituation

Content war vorhanden — Artikel, Videos, Insights aus laufenden Projekten —, Erstellung und Distribution aber vollständig manuell. Hoher Zeitaufwand pro Beitrag, inkonsistente Qualität, kein strukturierter Funnel vom Inhalt zur Anfrage.

Lösung

Claude strukturiert bestehende Inhalte nach Zielgruppe und erstellt daraus LinkedIn-Posts, Website-Artikel, SEO-Texte und PDF-Summaries, Ton je nach Kanal. Die Pipeline dahinter: Content wird erstellt und distribuiert → Leser laden ein PDF herunter → der Lead wird im CRM erfasst → Folge-Content wird ausgespielt → das Sales-Gespräch wird vorbereitet. Jeder Schritt ist automatisiert und nachvollziehbar.

Ergebnis

Produktionszeit pro Beitrag: von Stunden auf Minuten
Konsistenter Ton über alle Kanäle, skalierbar ohne zusätzlichen Personaleinsatz
Content wird zum messbaren Vertriebskanal — volle Transparenz vom ersten Klick bis zum Projektstart

Was davon auf Engineering-Teams übertragbar ist

Die Mechanik ist dieselbe wie bei unseren Engineering-Anwendungsfällen: vorhandenes Material lesen, strukturieren, mit Templates in ein Zielformat bringen, Review-Stufe davor. Für Anforderungsanalyse, Code-Review, Testgenerierung und Wissensmanagement haben wir das auf KI für Engineering-Teams dokumentiert — inklusive der gemessenen Zahlen. Den Einstieg für Teams bietet der Engineering AI Workshop.