Mein KI-Assistent: Von der Aufgabenautomatisierung zur Lead-Pipeline

Warum ich meinen eigenen KI-Assistenten gebaut habe

Als IT-Berater jongliere ich täglich zwischen Kundenprojekten, E-Mails, Aufgabenlisten und Recherche. Irgendwann wurde mir klar: Die meiste Zeit geht nicht für die eigentliche Arbeit drauf, sondern für die Organisation drumherum. E-Mails sortieren, ToDos priorisieren, Informationen zusammensuchen — Aufgaben, die wichtig sind, aber keinen direkten Wertbeitrag leisten.

Dazu kam ein zweites Problem: Leads. Anfragen über die Website, LinkedIn-Nachrichten, Empfehlungen aus dem Netzwerk — alles landete verstreut in verschiedenen Kanälen. Manche habe ich zu spät bearbeitet, andere sind komplett durchgerutscht. Nicht weil sie unwichtig waren, sondern weil der Überblick fehlte.

Statt auf ein fertiges Produkt zu setzen, habe ich mir einen persönlichen KI-Assistenten gebaut. Nicht als Spielerei, sondern als echtes Produktivitäts-Tool — das inzwischen auch meine Lead-Pipeline steuert. In diesem Artikel teile ich das Setup, die konkreten Workflows und was KMU daraus lernen können.

Das Setup: Mac Mini, OpenClaw und Telegram

Das Herzstück ist bewusst einfach gehalten:

• Hardware: Ein Mac Mini, der ohnehin als Entwicklungsrechner läuft.
• KI-Engine: OpenClaw — ein lokales KI-Framework, das verschiedene Sprachmodelle ohne Cloud-Anbindung ausführen kann.
• Interface: Telegram als Chat-Oberfläche. Kein eigenes Frontend nötig — Telegram ist auf jedem Gerät verfügbar und bietet eine stabile Bot-API.
• CRM: Attio als zentrales System für Kontakte, Deals und Lead-Bewertung — verbunden über die Attio REST-API.

Der Vorteil dieses Setups: Die KI läuft lokal, keine Daten verlassen mein Netzwerk für die Verarbeitung. Nur die strukturierten Ergebnisse — also ein neuer Kontakt oder eine Lead-Bewertung — werden gezielt an Attio übertragen. Die laufenden Kosten beschränken sich auf den Strom des Mac Mini und den Attio-Account.

Konkrete Workflows im Alltag

Theorie ist gut, aber was macht der Assistent konkret? Hier sind die Workflows, die ich täglich nutze.

E-Mail-Organisation

Jeden Morgen fasst der Assistent meine wichtigsten E-Mails zusammen und kategorisiert sie: Was braucht sofortige Antwort? Was kann warten? Was ist rein informativ? Das spart mir täglich rund 20 Minuten, die ich früher mit dem Durchscrollen meines Posteingangs verbracht habe.

Entscheidend ist dabei nicht nur die Sortierung, sondern die Kontextualisierung. Der Assistent kennt meine aktuellen Projekte und ordnet eingehende E-Mails automatisch zu. Eine Nachricht von einem bestehenden Kunden wird anders priorisiert als ein Newsletter — und wenn eine E-Mail nach einem potenziellen Auftrag klingt, wird sie direkt als Lead markiert.

ToDo-Management

Über Telegram kann ich Aufgaben in natürlicher Sprache eingeben: „Angebot für Kunde X bis Freitag fertigmachen" oder „Recherche zu Fabric-Lizenzen für Projekt Y". Der Assistent strukturiert das, erinnert mich zu den richtigen Zeitpunkten und schlägt Priorisierungen vor, wenn die Liste zu lang wird.

Was sich bewährt hat: Der Assistent lernt aus meinem Verhalten. Aufgaben, die ich regelmäßig verschiebe, bekommen einen Hinweis: „Diese Aufgabe wurde dreimal verschoben — soll ich sie neu priorisieren oder auf die Warteliste setzen?" Das klingt klein, verhindert aber, dass sich die ToDo-Liste zu einem schlechten Gewissen aufbläht.

Schnelle Recherche und Zusammenfassungen

Wenn ich zwischen zwei Meetings schnell eine technische Frage klären muss, schicke ich sie per Telegram. Der Assistent durchsucht meine lokale Wissensdatenbank und liefert eine kompakte Antwort — deutlich schneller als selbst zu googeln und mehrere Quellen zu lesen.

Besonders nützlich ist das bei wiederkehrenden Fragen: Lizenzmodelle von Microsoft, Preisstrukturen von Cloud-Diensten oder technische Spezifikationen. Der Assistent greift auf meine gesammelten Notizen und Dokumentationen zurück und liefert in Sekunden, wofür ich sonst fünf Minuten suchen würde.

Projektnotizen

Nach Kundengesprächen diktiere ich meine Notizen per Sprachnachricht in Telegram. Der Assistent transkribiert, strukturiert und speichert sie ab. So gehen keine wichtigen Punkte verloren und die Dokumentation entsteht quasi nebenbei.

Der entscheidende Schritt: Aus den Gesprächsnotizen extrahiert der Assistent automatisch Action Items und legt sie als ToDos an. Und wenn im Gespräch ein neuer Kontakt oder ein potenzielles Projekt erwähnt wird, fragt der Assistent: „Soll ich dazu einen Lead in Attio anlegen?"

Lead-Generierung und -Bewertung mit Attio

Dieser Workflow hat den größten geschäftlichen Hebel. Die Idee: Jeder Kontaktpunkt — ob E-Mail, Gespräch oder Website-Anfrage — wird automatisch erfasst, als Lead in Attio angelegt und nach einem definierten Scoring-Modell bewertet.

Wie Leads automatisch entstehen

Der Assistent erkennt potenzielle Leads aus verschiedenen Quellen:

• E-Mails: Anfragen, die nach einem konkreten Bedarf klingen, werden automatisch als Lead erkannt. Der Assistent extrahiert Name, Firma, Anliegen und erstellt einen neuen Eintrag in Attio.
• Gesprächsnotizen: Wenn ich nach einem Meeting diktiere „Gespräch mit Firma Müller, interessiert an BI-Dashboard für ihre Vertriebsdaten", legt der Assistent den Lead an und ordnet ihn der passenden Pipeline-Stufe zu.
• Website-Kontaktformular: Über einen Webhook landen eingehende Anfragen direkt beim Assistenten, der sie anreichert und in Attio einspeist.
• Netzwerk-Empfehlungen: Eine kurze Nachricht wie „Thomas von DataCorp hat mich an Firma Weber empfohlen, Thema Cloud-Migration" reicht, damit der Lead mit Quelle und Kontext angelegt wird.

Das Scoring-Modell

Nicht jeder Lead ist gleich wertvoll. Der Assistent bewertet jeden Lead anhand von fünf Kriterien und vergibt einen Score von 0 bis 100:

• Unternehmensgröße und Branche (0–20 Punkte): Passt das Unternehmen zu meinem Ideal-Kundenprofil? Ein mittelständisches Unternehmen mit 50–500 Mitarbeitenden im DACH-Raum bekommt mehr Punkte als ein Einzelunternehmer.
• Konkretheit des Bedarfs (0–25 Punkte): „Wir brauchen ein BI-Dashboard bis Q3" bekommt 25 Punkte. „Wir interessieren uns generell für KI" bekommt 5.
• Budget-Signale (0–20 Punkte): Wurden konkrete Budgetrahmen genannt? Gibt es Hinweise auf bestehende IT-Investitionen?
• Zeitlicher Druck (0–20 Punkte): Gibt es eine Deadline oder einen externen Treiber? Regulatorische Anforderungen oder ein Systemwechsel erhöhen den Score.
• Entscheider-Nähe (0–15 Punkte): Spreche ich mit dem Entscheider selbst oder mit jemandem, der erst intern überzeugen muss?

Der Score wird automatisch in Attio geschrieben und bestimmt die Pipeline-Stufe. Leads über 70 Punkte bekommen sofort einen Termin-Vorschlag. Leads zwischen 40 und 70 landen auf der Nurturing-Liste. Alles darunter wird beobachtet, aber nicht aktiv bearbeitet.

Was Attio als CRM besonders macht

Warum Attio statt Salesforce, HubSpot oder Pipedrive? Drei Gründe:

• Flexible Datenmodelle: Attio erlaubt es, eigene Objekte und Beziehungen zu definieren. Mein Lead-Scoring-Modell ist direkt als berechnetes Attribut abgebildet — keine Workarounds nötig.
• Saubere API: Die REST-API ist gut dokumentiert, konsistent aufgebaut und macht die Integration mit OpenClaw unkompliziert. Ein neuer Lead wird per POST-Request angelegt, Scores werden als Attribut aktualisiert.
• Beziehungsintelligenz: Attio erkennt automatisch Verbindungen zwischen Kontakten und Unternehmen. Wenn ein neuer Lead bei einem Unternehmen auftaucht, das ich schon kenne, sehe ich sofort den Kontext.

Der Workflow in der Praxis

Ein typischer Ablauf sieht so aus:

1. Eine E-Mail kommt rein: „Hallo Herr Isaak, wir sind ein Maschinenbauunternehmen mit 120 Mitarbeitern und suchen eine Lösung für unser Reporting. Können Sie uns ein Angebot machen?"
2. Der Assistent erkennt den Lead, extrahiert die Informationen und bewertet: Maschinenbau (passt zur Zielgruppe: +15), 120 Mitarbeiter (+18), konkreter Bedarf Reporting (+20), Angebotsanfrage deutet auf Budget hin (+15), direkte Anfrage (+10) = 78 Punkte.
3. In Attio wird der Lead angelegt mit allen Details, Score und der Empfehlung: „Hohe Priorität — Terminvorschlag senden."
4. Ich bekomme eine Telegram-Nachricht: „Neuer Lead: Maschinenbau GmbH, Score 78/100. Soll ich einen Terminvorschlag für diese Woche vorbereiten?"
5. Ich antworte „Ja, Donnerstag oder Freitag Nachmittag" — und der Assistent formuliert die Antwort-E-Mail.

Das Ganze dauert weniger als eine Minute. Ohne den Assistenten hätte ich die E-Mail gelesen, manuell einen CRM-Eintrag erstellt, mental bewertet und dann die Antwort geschrieben. Zusammen locker 15 Minuten.

Was bringt es wirklich?

Nach mehreren Monaten im Einsatz kann ich konkrete Zahlen nennen:

• 30–45 Minuten pro Tag weniger für organisatorische Aufgaben
• Deutlich weniger vergessene Aufgaben — die Erinnerungsfunktion fängt ab, was sonst durchrutscht
• Schnellere Reaktionszeiten bei Kundenanfragen, weil E-Mails priorisiert werden
• Bessere Dokumentation — weil die Hürde für Notizen praktisch auf null sinkt
• Kein verlorener Lead mehr — jeder Kontaktpunkt wird erfasst und bewertet
• 40 % schnellere Lead-Bearbeitung — vom Eingang bis zur ersten Antwort vergehen Minuten statt Stunden

Das klingt vielleicht nicht revolutionär. Aber 30 Minuten pro Tag sind über 10 Stunden im Monat. Das ist mehr als ein ganzer Arbeitstag, der plötzlich für wertschöpfende Aufgaben frei wird. Und die Lead-Bewertung sorgt dafür, dass ich meine Zeit in die richtigen Gespräche investiere statt Leads nach Bauchgefühl zu priorisieren.

Übertragbarkeit auf KMU

Jetzt könnte man sagen: Das ist ein persönliches Projekt eines IT-Beraters. Was hat das mit KMU zu tun? Tatsächlich ziemlich viel. Die Grundidee — repetitive Organisationsaufgaben an einen KI-Assistenten delegieren — lässt sich auf viele Unternehmenskontexte übertragen:

• Vertriebsteams könnten eingehende Anfragen automatisch bewerten und priorisieren, CRM-Einträge per Chat aktualisieren und Follow-up-Erinnerungen automatisiert erhalten.
• Projektleiter könnten Status-Updates automatisiert zusammenfassen lassen und aus Gesprächsnotizen direkt Aufgaben und Tickets generieren.
• Assistenzen der Geschäftsführung könnten E-Mail-Triage und Terminvorbereitung beschleunigen — inklusive Briefings zu eingehenden Kontakten aus dem CRM.
• Buchhaltung könnte Eingangsrechnungen automatisch kategorisieren und zuordnen lassen.
• Marketing könnte Lead-Scoring-Daten nutzen, um Kampagnen gezielt auf die vielversprechendsten Segmente auszurichten.

Die Technologie ist reif. Was fehlt, ist oft das Verständnis, wie man den Einstieg gestaltet. Und genau hier helfen strukturierte KI-Pilotprojekte: klein anfangen, einen konkreten Workflow automatisieren, Erfahrung sammeln und dann schrittweise erweitern.

Datenschutz: Warum lokal ein Vorteil ist

Ein häufiges Gegenargument bei KI im Unternehmenskontext: „Unsere Daten dürfen nicht in die Cloud." Das ist ein berechtigter Einwand — und genau deshalb ist mein Setup bewusst lokal. OpenClaw läuft vollständig auf dem Mac Mini. Keine API-Calls an externe Server, keine Daten bei OpenAI oder Google.

Für die Attio-Anbindung gilt: Nur die strukturierten Ergebnisse verlassen das lokale System. Der KI-Assistent verarbeitet die E-Mail lokal, extrahiert die relevanten Informationen und schickt nur den fertigen Lead-Datensatz an Attio. Die Roh-Daten — also die vollständige E-Mail oder Gesprächsnotiz — bleiben auf meiner Hardware.

In der Praxis gibt es drei Varianten:

Variante 1: Komplett lokal

Alle Daten und Modelle laufen auf eigener Hardware. Maximale Kontrolle, aber eingeschränkte Modellleistung bei komplexen Aufgaben. CRM-Anbindung optional.

Variante 2: Cloud-basiert mit Azure OpenAI

Microsoft Azure bietet KI-Modelle in europäischen Rechenzentren, DSGVO-konform und mit Enterprise-Sicherheit. Für die meisten KMU der pragmatischste Weg. In Kombination mit Attio oder einem anderen Cloud-CRM ein vollständig verwaltetes Setup.

Variante 3: Hybrid

Sensible Daten bleiben lokal, während weniger kritische Aufgaben über Cloud-Modelle laufen. Das Beste aus beiden Welten — und mein bevorzugtes Setup für die meisten Kundenprojekte.

Checkliste: Passt ein KI-Assistent in Ihr Unternehmen?

• Verbringen Mitarbeitende täglich mehr als 30 Minuten mit E-Mail-Sortierung oder Aufgabenorganisation?
• Gibt es wiederkehrende Aufgaben, die nach festen Regeln ablaufen (Kategorisierung, Zusammenfassungen, Erinnerungen)?
• Wäre ein Chat-Interface (z. B. über Teams oder Telegram) für Ihr Team eine natürliche Interaktionsform?
• Haben Sie Datenschutzanforderungen, die eine lokale oder europäische Lösung erfordern?
• Gibt es einen konkreten Workflow, mit dem Sie in den nächsten 4 Wochen starten könnten?
• Gehen Ihnen Leads verloren, weil Anfragen in verschiedenen Kanälen auflaufen und nicht zentral erfasst werden?
• Bewerten Sie Leads aktuell nach Bauchgefühl statt nach klaren Kriterien?

Wenn Sie vier oder mehr Fragen mit Ja beantworten, lohnt sich ein Pilotprojekt.

Key Takeaways

• Ein persönlicher KI-Assistent muss kein Großprojekt sein — ein einfaches Setup mit lokalem Modell und Chat-Interface reicht für den Einstieg.
• Die echten Produktivitätsgewinne liegen in der Automatisierung von Organisationsaufgaben, nicht in spektakulären KI-Features.
• Lokale KI-Lösungen bieten maximalen Datenschutz — für sensible Unternehmensdaten ein entscheidender Vorteil.
• Die Anbindung an ein CRM wie Attio macht aus einem Produktivitäts-Tool ein Vertriebsinstrument: Leads werden automatisch erfasst, bewertet und priorisiert.
• Die Workflows sind auf KMU übertragbar: Vertrieb, Projektmanagement, Assistenz und Buchhaltung profitieren sofort.
• Starten Sie klein: Ein konkreter Workflow, vier Wochen Pilotphase, dann evaluieren und erweitern.

Sie möchten herausfinden, welche Prozesse in Ihrem Unternehmen von einem KI-Assistenten profitieren würden? In einem kurzen Gespräch identifizieren wir die vielversprechendsten Anwendungsfälle und skizzieren einen realistischen Einstieg — von der Aufgabenautomatisierung bis zur CRM-gestützten Lead-Pipeline.