AI Sales Agent bauen

Kostenlose Spec für einen AI Sales Agent – ein Loop aus Recherche, Personalisierung und Outreach, den ein Reply-Classifier schließt. Framework-unabhängig: Modell, CRM, E-Mail-Provider und Signalquelle wählst du in STACK.md. Mit typisierten Contracts, signalbasierter Personalisierung, Unsubscribe-Headern nach RFC 8058, Classifier-Eval mit handgelabelten Daten und Härtung der Zustellbarkeit.

In meinem Repo bauen →

SAL-1

Leg das Fundament für deinen AI Sales Agent

SAL-2

Definiere das ICP und lade es als typisierten Filter, den der Agent in jedem Loop liest

SAL-3

Baue den Signal-Scraper, der verifizierte Kaufsignale für einen Prospect findet

SAL-4

Baue den Personalizer, der aus einem Signal und dem ICP einen E-Mail-Entwurf macht

SAL-5

Verdrahte das Send-Tool für E-Mails mit Idempotenz, Plain-Text-Fallback und One-Click-Unsubscribe

SAL-6

Baue den Reply-Classifier, der jede eingehende Antwort in eine von fünf Kategorien einordnet

SAL-7

Baue die Follow-up-Logik, das entscheidet, wann (und ob) die zweite Mail rausgeht

SAL-8

Synchronisiere jeden Kontakt ins CRM als System of Record für den Prospect-Status

SAL-9

Baue den Eval-Harness, der den Classifier bewertet und eine Dry-Run-Kampagne fährt

SAL-10

Bring den Sales-Agent in Produktion: Zustellbarkeits-Infrastruktur, Rate Limits, Opt-out-Compliance, Traces

Nothing in flight

Nothing shipped yet

5 Minuten Planung, ~25 Stunden gespart. Registrier dich, und diese Spec mit 10 Tasks landet auf deinem Tekk-Board – dein Coding-Agent baut sie über MCP.

Jetzt bauen →

So nutzt du diese Spec

Klick auf eine Zeile oben, um die ganze Task zu öffnen – Titel, Beschreibung, Subtasks, KI-Anweisungen, alles drin. Dasselbe Layout, das das Produkt intern nutzt.
Klick auf Copy as Prompt in der rechten Seitenleiste einer Task. Du bekommst den in XML verpackten Prompt, den Tekk intern verwendet – füg ihn in Cursor, Claude Code, Codex, ChatGPT oder sonst wo ein, und der Agent hat den vollen Kontext der Task.
Open in schickt denselben Prompt mit einem Klick direkt nach v0, Lovable, Bolt, Magic Patterns, Replit oder Cursor.

Was du baust

Goal 1: Einen funktionierenden Outbound-Sales-Agent ausliefern, der nur signalbasierte, personalisierte E-Mails verschickt, jede Antwort in eine von fünf Kategorien einordnet, positive Antworten innerhalb von Minuten an einen Menschen übergibt, nie wieder an einen abgemeldeten Prospect schreibt und in Produktion durchhält: mit idempotenten Sends, Unsubscribe-Headern nach RFC 8058, Suppression per Bounce-Webhook und einer Classifier-Eval mit handgelabelten Daten.
Die Architektur ist ein Loop aus Recherche, Personalisierung und Outreach, den ein Reply-Classifier schließt. Fünf Tooling-Entscheidungen, die du einmal in STACK.md triffst (Modell, Sprache, E-Mail-Provider, CRM, Signalquelle), parametrisieren jede spätere Task. Abnahmekriterium: Der Classifier erreicht ≥ 85 % Genauigkeit bei positive_interest und ≥ 95 % bei unsubscribe auf einem handgelabelten Set mit 50 Beispielen; eine Dry-Run-Kampagne mit 10 gemockten Prospects verschickt nichts an gesperrte Adressen, zitiert in jedem E-Mail-Text eine verifizierte signal_id und erzeugt strukturierte Trace-Events, eines pro Loop-Phase.

Architektur

flowchart LR
  CRM[(CRM<br/>system of record)] -->|list_prospects| ICP[ICP Filter<br/>passes_icp]
  ICP -->|prospect| Signal[Signal Scraper<br/>scrape_signal]
  Signal -->|BuyingSignal| Personalize[Personalizer<br/>structured output]
  Personalize -->|DraftEmail| Send[Email Sender<br/>idempotent + RFC 8058]
  Send -->|SendResult| Wait((wait N days))
  Wait --> Classifier[Reply Classifier<br/>5 categories]
  Classifier -->|positive_interest| Handoff[Human Handoff]
  Classifier -->|soft_positive / objection| Drafted[Drafted Reply Queue]
  Classifier -->|ooo| Followup[Followup Brain<br/>should_followup]
  Classifier -->|unsubscribe| Suppress[Suppression List<br/>+ CRM do_not_contact]
  Followup -->|send_now + fresh signal| Personalize
  Followup -->|mark_dormant| CRM
  Send -.->|log_activity| CRM
  Classifier -.->|log_activity| CRM

Die drei tragenden Entscheidungen: Signalqualität vor Volumen (der Personalizer wirft NoSignalError, wenn scrape_signal None zurückgibt – Sends ohne Signal blockiert der Code, nicht eine Richtlinie), der Reply-Classifier als Nadelöhr für den Wert (das Routing in fünf Kategorien macht aus der Flut eingehender Antworten eine sortierte Queue: positive_interest landet in Minuten bei einem Menschen, unsubscribe sperrt sofort) und das CRM als System of Record (der Agent liest den Prospect-Status zu Beginn jedes Loops aus dem CRM und hängt immer nur Aktivitäten an oder setzt lifecycle_stage='unsubscribed'; ein von Hand gesetztes do_not_contact wird nie überschrieben).

Wann ein autonomer Sales-Agent sinnvoll ist (und wann nicht)

Die Zahlen für 2026 liegen vor: Vollautonome KI-SDRs haben menschliche Sales-Teams nicht ersetzt. Die Antwortrate auf KI-Cold-E-Mails liegt bei 4,1 % gegenüber 5,2 % bei Menschen; als Spam markiert werden 8 % der KI-Mails gegenüber 3 % bei Menschen; 47 % der KI-SDR-Deployments erleben innerhalb von 90 Tagen einen Einbruch der Domain-Reputation. Bau das, wenn der Loop auf Signalen basiert und Antworten sortiert werden – nicht als Volumenspiel.

✓ Wann sich ein AI Sales Agent lohnt

Du hast eine Quelle für verifizierte Signale. Finanzierungsmeldungen, Neueinstellungen, Wechsel im Tech-Stack, Stellenanzeigen. Signalbasierte KI-SDRs kommen über 500.000+ E-Mails im Schnitt auf 3,8 % Antwortrate (Digital Applied 2026), weil jede Nachricht einen echten Grund für die Kontaktaufnahme nennt.
Das Sortieren von Antworten ist dein Engpass, nicht das Sendevolumen. Wer als Founder selbst Outbound macht, merkt: Der Wert liegt darin, Antworten schnell einzuordnen und passende Erwiderungen mit Kontext zu entwerfen – im Classifier verdient sich dieser Agent sein Geld.
Du hast ein CRM als System of Record. HubSpot, Salesforce, Attio, Pipedrive, Close. Der Agent liest den Prospect-Status aus dem CRM und überschreibt nie ein von Hand gesetztes do_not_contact – diese Grenze verhindert das Fehlerbild, das Kundenbeziehungen beendet.
Die Rechnung aus Mensch + KI geht für dein Team auf. Hybride Pods (1 Mensch als SDR : 2 KI-Seats) buchen pro Dollar 1,9-mal mehr Meetings als reine KI-Setups (Digital Applied 2026). Der Agent fährt den Loop; der Mensch kümmert sich um positive Antworten und die Queue mit Antwortentwürfen.
Du kannst die Classifier-Eval mit handgelabelten Daten fahren. Ein Set mit 50 Antworten, bewertet mit harten Genauigkeitsschwellen (≥ 85 % positive_interest, ≥ 95 % unsubscribe), entscheidet darüber, ob du Demos erwischst oder Beziehungen verbrennst. Wenn du die Eval nicht schreibst, erwischst du keins von beidem.

⚠ Wann du lieber einen Menschen als SDR einstellst (oder behältst)

Du kannst kein 6-wöchiges Domain-Warmup fahren. 47 % der KI-SDR-Deployments brechen ohne Warmup innerhalb von 90 Tagen ein (Digital Applied 2026). Postfächer bei Microsoft 365 filtern am strengsten – und die meisten B2B-Prospects sitzen hinter M365. Am ersten Tag 500 Cold-E-Mails von einer frischen Domain zu schicken, lässt sich nicht mehr reparieren.
Dein Team hält sich nicht an CAN-SPAM und RFC 8058. Strafen bis zu 53.088 US-Dollar pro Verstoß; Gmail/Yahoo/Microsoft verlangen One-Click-Unsubscribe + Beschwerdequote <0,3 % + Bounce-Quote <2 %. Systematisch missachtete Abmeldungen ziehen Sanktionen nach sich und verbrennen die Domain – nicht nur die Kampagne.
Dein ICP ist breit oder unbelegt. Die Antwortrate auf KI-Cold-E-Mails fällt von 6,1 % (SaaS) auf 1,9 % (Finanzdienstleistungen) – eine Spanne vom Faktor 3,2 (Digital Applied 2026). Ohne enges ICP verbrauchst du 6-mal mehr Tokens und verbrennst deine Absender-Reputation für nichts.
Du optimierst auf Volumen statt auf Signale. Die monatlichen Sends pro Person stiegen mit KI von 1.150 auf 7.400; die rohen Antwortraten fielen von 4,7 % auf 2,9 %. Der Agent macht Sends ohne Signal per Design unmöglich; wenn du diese Grenze aushebeln würdest, stell lieber einen Menschen ein und schick 50 durchdachte E-Mails.
Du hast keine echten Antworten, mit denen du den Classifier füttern kannst. Das handgelabelte Set mit 50 Beispielen ist die Eval, an der alles hängt. Ohne historische Antworten wird der Classifier an synthetischen Daten bewertet – False Negatives bei positive_interest (verlorene Demos) und unsubscribe (Domain-Reputation) zeigen sich dann erst in Produktion.

Was die Community sagt

"Tried to conduct a survey last autumn to learn about people's experiences with using AI SDR products. We pretty heavily promoted it in sales spaces, and got a jack total of less than 20 fills, with an overwhelmingly negative sentiment — vaporware the whole lot of them, with spoofed ARR numbers to trigger investor FOMO."

greg_V · Hacker News – „11x has been claiming customers it doesn't have“ · 2025-03-25 · news.ycombinator.com

"Per-rep monthly volume rose from a 1,150 human baseline to 7,400 AI-augmented, but raw reply rates fell from 4.7% to 2.9%. Signal-driven AI SDRs average 3.8% reply across 500,000+ emails because every message references a verified buying signal."

Digital Applied · KI-SDR-Analyse mit 100.000 E-Mails, 2026 · 2026-01-15 · digitalapplied.com

"11x rebuilt Alice from a single ReAct agent (10-20 tools, infinite loops, the agent equivalent of a stack overflow) into a hierarchical supervisor with four named sub-agents: Researcher, Positioning Report Generator, LinkedIn Message Writer, Email Writer. Audience creation was kept separate from the agent system — a deliberate boundary."

ZenML LLMOps Database · Rebuilding an AI SDR Agent with Multi-Agent Architecture · 2025-08-12 · zenml.io

Woran du erkennst, dass es funktioniert

Setz die Spec um und miss sie dann an diesen Kriterien (die Task mit dem Eval-Harness bewertet sie):

Classifier-Eval: ≥ 85 % Genauigkeit bei positive_interest auf dem handgelabelten Set mit 50 Beispielen (False Negatives kosten Demos)
Classifier-Eval: ≥ 95 % Genauigkeit bei unsubscribe auf dem handgelabelten Set mit 50 Beispielen (False Negatives kosten die Absender-Domain)
Dry Run Ende-zu-Ende: null Sends an Prospects auf der Suppression-Liste über 10 gemockte Prospects (die Suppression wird im Code vor dem Provider-Call geprüft)
Dry Run Ende-zu-Ende: Jedes SendResult trägt eine signal_id, die zu einem echten BuyingSignal aus dem Scrape passt (keine erfundene Personalisierung)
Idempotenz: Ein erneuter Lauf des Loops auf einer halb abgeschlossenen Kampagne erzeugt null doppelte Sends (der Provider gibt für denselben Idempotenz-Key dieselbe email_id zurück)
Zustellbarkeit: Jede ausgehende E-Mail trägt die Header List-Unsubscribe + List-Unsubscribe-Post (RFC 8058) plus einen Plain-Text-Teil neben dem HTML
Webhook-Compliance: Die Events email.bounced und email.complained führen innerhalb eines Request-Lebenszyklus zum Eintrag in die Suppression-Liste UND zu CRM do_not_contact=true
Production-Härtung: Ein Regressionslauf von run_e2e.py bleibt bei p50-Latenz und Median der Tokens pro Send innerhalb von ±5 % von evals/baseline.json

Quellen

Jede Aussage, jedes Pattern und jede Abnahmeschwelle auf dieser Seite geht auf eine dieser Quellen zurück. Lies sie, bevor du von der Spec abweichst.

Bau das noch heute Abend in deine Codebase

Wähl deinen Stack anhand der fünf Entscheidungen in STACK.md und registrier dich: Diese Spec mit 10 Tasks landet auf deinem Board, dein Coding-Agent (Claude Code, Codex, Cursor) baut sie über den Tekk-MCP-Server, und der gemergte PR schließt sie. Nach dem Launch behält Tekks AI-Engineering-Loop den Agent weiter im Blick – Harness, Prompts, Tools, Kontext, Memory, Retrieval, Evals und Kosten – und bringt dir ein Proposal, sobald sich etwas ändern sollte. Lieber selbst machen? Öffne oben eine beliebige Task und klick auf Copy as Prompt – und füg den Prompt in Cursor, Claude Code oder Codex ein.

In meinem Repo bauen →

AI Sales Agent bauen

So nutzt du diese Spec

Was du baust

Architektur

Wann ein autonomer Sales-Agent sinnvoll ist (und wann nicht)

✓ Wann sich ein AI Sales Agent lohnt

⚠ Wann du lieber einen Menschen als SDR einstellst (oder behältst)

Was die Community sagt

Woran du erkennst, dass es funktioniert

Quellen

Bau das noch heute Abend in deine Codebase

Verwandte Specs

Deep Research Agent

AI Coding Agent

AI Voice Agent

Customer Support Agent· demnächst