Wo sie standen
Der Mandant hatte mehrere Jahre ein eigenes CRM aufgebaut und betrieben. Die Datensätze waren strukturiert, das Team war diszipliniert und jede wichtige Interaktion wurde bereits erfasst.
Was das System nicht konnte: aus den Daten Schlüsse ziehen. Eine Kontaktsuche gab eine Zeile zurück, aber nicht den Kontext darum herum. Das Team wollte KI für diese Lücke nutzen, wusste aber, dass eine KI-Schicht auf einem flachen Datenmodell nicht funktionieren würde.
Das erste Gespräch drehte sich nicht um den Agenten. Es drehte sich um das Schema darunter.
Was wir gemacht haben
Die Arbeit baute Fundament und darüberliegende Schichten als ein System neu: verbundene Entitäten, nächtliche Intelligence-Pipelines, ein individuelles Workflow-Dashboard und ein KI-Agent auf denselben Daten.
Ein verbundenes Entitätenmodell erstellt
Wir erstellten ein Postgres-Schema für Companies, Contacts, Investors, Funds, Transactions, Meetings, Opportunities und Engagements als verbundene Entitäten statt isolierter Tabellen. Eine Company kann mehrere Rollen einnehmen, ohne dupliziert zu werden, und Row-Level Security erzwingt Vertraulichkeit in der Datenbank.
Eine nächtliche Intelligence-Pipeline gebaut
Die vierstufige Pipeline sammelt aus E-Mail, Kalendern, Meeting-Aufzeichnungen, geteilten Laufwerken, Chat und Outreach-Tools. Sie bereinigt und dedupliziert Datensätze, liest Transkripte und E-Mail-Inhalte, extrahiert Deal-Signale, Relationship Intelligence, Action Items und Themen, reichert Datensätze an und berechnet Prioritäts- und Warmth-Scores neu.
Ein individuelles Dashboard für den operativen Workflow gebaut
Pipeline-Kanban, Opportunity Timelines, Meeting Summaries, Contact Warmth und Relationship Trajectories laufen auf derselben Datenquelle. Die Progressive Web App funktioniert auf Laptop und Telefon, mit Rollen- und Vertraulichkeitsregeln oberhalb des Datenbankzugriffs.
Einen KI-Agenten auf dieselben Daten gelegt
Der Agent hat Tool-Zugriff auf Datenbank und Workspace-Integrationen, kann Live-Kontext lesen und strukturierte Ergebnisse zurückschreiben. Er fasst Meetings zusammen, entwirft Outreach, reichert Counterparty-Profile an, beantwortet Datenbankfragen in natürlicher Sprache, erstellt Berichte auf Firmenebene und sammelt kontinuierlich Daten.
Fähigkeiten geliefert, die das alte CRM nicht hatte
Das System ergänzte Relationship-Health-Scoring, Counterparty Matching, strukturierte Meeting Intelligence und vollständige Provenienz, sodass jede Tatsache Quelle und Zeitstempel trägt.
Wo sie jetzt stehen
Das eigene CRM wurde durch ein System ersetzt, das dieselbe disziplinierte Datenerfassung beibehält und aus ihr Schlüsse ziehen kann. Verstreutes Firmenwissen ist nun wiederverwendbares institutionelles Gedächtnis.
Meeting-Vorbereitung, Debriefs, Counterparty Research und Outreach-Entwürfe, die früher Stunden dauerten, dauern Sekunden und verbessern sich durch Nutzung, statt zu veralten.
Es war ein Neubau des Betriebsmodells: ein verbundenes Datenfundament, eine individuelle Oberfläche für den echten Workflow und ein KI-Agent auf derselben zentralen Datenbasis.
Das Ergebnis war keine KI-Funktion, die einem CRM hinzugefügt wurde.