KI-gestützte Recherche: Wie Global Goals Berlin die richtigen Partner findet

Wie Global Goals Berlin mit KI-gestützter Recherche die richtigen Partner findet

Die Olympischen Spiele 2035 nach Berlin zu holen, ist kein kleines Vorhaben. Für Global Goals Berlin ↗, einen gemeinnützigen Verein, der genau diese Vision vorantreibt, war die Herausforderung struktureller Natur: eine große Mission, ein kleines Team und zwei Aufgaben, die normalerweise eine ganze Recherche- und Business-Development-Abteilung erfordern würden. Erstens: die richtigen Partner für ein Projekt dieser Größenordnung finden. Zweitens: den vielen Nachhaltigkeits- und Sportprojekten, die bereits in Berlin stattfinden, eine Plattform geben, um sichtbar zu werden.

Manuelle Recherche skaliert dafür nicht. Relevante Organisationen identifizieren, in jeder davon die richtige Ansprechperson finden, prüfen, ob die Kontaktdaten aktuell sind, und das konsistent über Hunderte von Zielen hinweg. genau das ist die Art Arbeit, die einem kleinen Team still und leise die ganze Woche auffrisst. Das ist die Geschichte, wie keinsaas einen KI-gestützten Recherche- und Partner-Outreach-Prozess eingeführt hat, mit dem Global Goals Berlin weit über die eigene Teamgröße hinaus schlagkräftig wurde.

Der Ausgangspunkt: ein Prozess-Audit, kein Tool-Pitch

Wir haben nicht damit begonnen, Software zu empfehlen. Wir haben mit einem Prozess-Audit begonnen. Bevor man irgendetwas automatisiert, muss man verstehen, was tatsächlich passieren muss: Wie sieht ein guter Partner aus? Wie bewegt sich ein Lead von "identifiziert" zu "kontaktiert"? Wo zählt das Urteilsvermögen des Teams wirklich, und welche Schritte sind reine mechanische Recherche, die eine Maschine besser und unermüdlich erledigt?

Das Audit brachte ein klares Muster zum Vorschein. Die wertvolle Arbeit, zu entscheiden, welche Partner zur Mission passen und wie man sie anspricht, gehörte zum Team. Die zeitraubende Arbeit, Organisationen finden, die richtige Entscheiderin oder den richtigen Entscheider lokalisieren und Kontaktdaten anreichern, war mechanisch, repetitiv und perfekt für Automatisierung geeignet.

Entscheidend war, dass das Audit auch die Tool-Wahl prägte. Global Goals Berlin nutzte bereits n8n ↗ für kleine Automatisierungen. Das war wichtig. Statt eine neue Plattform einzuführen, die das Team von Grund auf lernen müsste, haben wir auf dem Tool aufgebaut, das sie bereits kannten. Geringere Lernkurve, kein neuer Vendor-Lock-in und volle Kontrolle über die eigenen Daten. für einen Berliner Verein unter DSGVO kein Nice-to-have, sondern Voraussetzung.

Warum die angebundenen Tools über die Recherche-Qualität entscheiden

Hier kommt der Teil, den die meisten "KI-Automatisierungs"-Geschichten überspringen: Nicht das KI-Modell macht die Recherche gut. Die im Workflow angebundenen Tools tun das. Ein Sprachmodell allein produziert eloquente, selbstbewusste und häufig falsche Antworten darüber, welche Organisationen existieren und wer dort arbeitet. Recherche-Qualität und -Tiefe entstehen dadurch, dass der Workflow in jedem Schritt mit echten, aktuellen, überprüfbaren Daten gefüttert wird.

Bei Global Goals Berlin übernahmen vier Tools diese Aufgabe, jedes schließt eine spezifische Lücke:

• Parallel Web für Deep Research. Das ist die Discovery-Engine, die über eine oberflächliche Suche hinausgeht, ein Thema tatsächlich versteht und relevante Organisationen und Kontext zutage fördert.
• Firecrawl zum Scrapen. Sobald ein Ziel identifiziert ist, extrahiert Firecrawl zuverlässig die strukturierten Inhalte aus dessen Web-Präsenz und macht aus unübersichtlichen Seiten saubere, nutzbare Daten.
• LinkedIn zum Finden der richtigen Menschen. Eine Organisation ist kein Kontakt. Über LinkedIn identifiziert der Workflow die tatsächliche Ansprechperson, statt eine generische Nachricht in ein info@-Postfach zu feuern.
• FullEnrich zur Kontakt-Anreicherung. Ist die richtige Person gefunden, ergänzt FullEnrich verifizierte Kontaktdaten, damit der Outreach ein echtes, aktuelles Postfach erreicht, statt abzuprallen.

Innerhalb von n8n miteinander verkettet, verwandeln diese Tools ein vages Ziel ("Partner für Olympia 2035 finden") in eine wiederholbare Pipeline, die eine qualifizierte, angereicherte, kontaktierbare Liste produziert. wobei das Team nur dort eingreift, wo Urteilsvermögen wirklich gebraucht wird.

Erst Testphase, dann eine echte Übergabe

Wir haben nicht alles auf einmal scharf geschaltet. Nach dem Bau des Workflows haben wir eine Testphase durchlaufen, um zu belegen, dass er an echten Zielen Qualität liefert, bevor wir ihn hochskaliert haben. Das ist Absicht: Eine Automatisierung, die im Volumen instabil läuft, ist schlimmer als gar keine, weil sie das Vertrauen in jedes Ergebnis untergräbt, das sie produziert.

Nach erfolgreicher Testphase kam der Teil, den die meisten Agenturen auslassen: ein umfassendes Onboarding. Das Ziel war Unabhängigkeit, nicht Abhängigkeit. Das Team von Global Goals Berlin kann die Automatisierung nun selbst instand halten und kleine Änderungen eigenständig umsetzen, ohne für jede Anpassung ein Support-Ticket. Wir übergeben lieber einen Prozess, der dem Kunden gehört, als eine Blackbox zu verkaufen, für deren jede Berührung er uns weiter bezahlen muss.

Die Ergebnisse

Die Zahlen zeigen, was ein kleines Team dadurch gewonnen hat:

• ~400 qualifizierte Kontakte pro Monat. Der Workflow findet und reichert rund 400 partnerschaftsreife Kontakte pro Monat an. ein Volumen, das bei dieser Teamgröße von Hand unmöglich zu recherchieren wäre.
• 15–20% Antwortrate beim Partnership-Outreach. Weil die Pipeline die tatsächliche Entscheiderin oder den tatsächlichen Entscheider findet und ein verifiziertes Postfach erreicht, kommt der Outreach an, statt in generischen info@-Adressen zu verschwinden.
• 60% eingesparte Zeit. Das Team wendet rund 60% weniger Zeit für Recherche und Outreach auf und investiert sie in die urteilsintensive Arbeit: zu entscheiden, wer zur Mission passt und wie man die Beziehung aufbaut.
• 90% Kostenersparnis gegenüber einem Sales Development Representative. Diese Recherche- und Outreach-Kapazität über Automatisierung bereitzustellen kostet rund 90% weniger, als eine dedizierte SDR-Stelle für dieselbe Arbeit einzustellen.

Was das für andere kleine Teams bedeutet

Das Projekt mit Global Goals Berlin ist ein klares Beispiel für ein Muster, das wir ständig sehen: ein kleines Team mit einer überdimensionalen Mission, ausgebremst nicht durch Ideen oder Antrieb, sondern durch das schiere manuelle Volumen an Recherche und Outreach. KI-gestützte Recherche ersetzt nicht das Urteil des Teams darüber, wer die richtigen Partner sind. Sie beseitigt die Stunden mechanischer Arbeit, die zwischen diesem Urteil und der Fähigkeit standen, im großen Maßstab danach zu handeln.

Die Zutaten, die es funktionieren ließen, sind wiederholbar. Starte mit einem Prozess-Audit, nicht mit einem Tool. Bau, wo möglich, auf Tools auf, die das Team bereits kennt. Versteh, dass die Recherche-Qualität in den angebundenen Datenquellen lebt, nicht im Modell. Beweise es in einer Testphase. Und übergib die Verantwortung durch echtes Onboarding, damit der Kunde am Ende unabhängig ist.

Wenn dein Team eine Mission trägt, die größer ist als seine Personalstärke, ist genau diese Lücke das, wofür KI-gestützte Recherche- und Outreach-Automatisierung gebaut ist. Erkunde die Möglichkeiten mit Navigator ↗ oder durchstöbere unsere Automatisierungsbeispiele.