Reply-Handling-Agent: Antworten triagieren und qualifizieren

Ein Reply-Handling-Agent ist ein KI-Agent, der eingehende Antworten auf B2B-Cold-Outreach automatisch nach Absicht (Intent) klassifiziert und je Klasse die passende Folge-Aktion auslöst - inklusive CRM-Update. Statt dass ein Sales-Rep morgens 80 Antworten durchklickt, sortiert der Agent jede Reply in Sekunden: interessiert, später, Einwand, Opt-out, Out-of-Office oder falscher Ansprechpartner. Er ist das Bindeglied zwischen Versand und Gespräch im Pillar B2B Cold Outreach mit AI Agents.

Der Engpass im Outreach ist selten der Versand - den erledigen SDR-Agent und Deliverability-Setup. Der Engpass ist die Antwortverarbeitung: Heiße Leads kühlen aus, weil niemand schnell genug reagiert, und Abmeldungen versanden im Postfach, was rechtlich riskant ist. Genau hier setzt der Reply-Handling-Agent an.

Die drei Kernfunktionen in Kürze:

• Triage: Jede eingehende Antwort wird per LLM in eine von sechs Intent-Klassen einsortiert, mit Confidence-Score und kurzer Begründung.
• Folge-Aktion: Je Intent wird eine definierte Reaktion ausgelöst - Meeting-Link senden, in Nurture verschieben, an den richtigen Kontakt weiterleiten oder auf die Suppression-List setzen.
• CRM-Update: Intent, Score, Aktion und neuer Lead-Status werden zurück ins CRM geschrieben, damit die Triage nachvollziehbar bleibt.

Die Pipeline in Worten

Eine Reply durchläuft fünf Schritte. Erstens die Erfassung: Der Agent zieht die eingehende Antwort aus dem geteilten Postfach oder über die Sending-Plattform und entfernt Quote-Verläufe und Signaturen, damit nur der eigentliche Text klassifiziert wird. Zweitens die Vorklassifikation: Deterministische Checks fangen das ab, was kein LLM braucht - Auto-Reply-Header (Out-of-Office), Hard Bounces, Mailer-Daemon-Nachrichten. Das spart Tokens und vermeidet Fehlklassifikationen bei eindeutigen Systemmeldungen.

Drittens die Intent-Klassifikation: Der verbleibende, menschlich verfasste Text geht an das LLM, das einen strukturierten Output nach festem JSON-Schema zurückgibt - Intent, Confidence-Score, Begründung und gegebenenfalls extrahierte Felder wie ein genanntes Wiedervorlage-Datum oder ein alternativer Ansprechpartner. Strukturierte Outputs sind hier nicht Kosmetik: Nur ein maschinell prüfbares Feld macht Routing und spätere Aufsicht zuverlässig. Viertens das Routing: Eine Regel-Engine mappt Intent plus Score auf genau eine Folge-Aktion. Liegt der Score unter dem Schwellenwert, greift kein Auto-Pfad, sondern die Eskalation. Fünftens das CRM-Update und Logging: Der Agent schreibt das Ergebnis zurück, stoppt oder plant Follow-ups und protokolliert die Entscheidung.

Klassifikations-Tabelle: Intent, Signal, Aktion

Diese sechs Klassen decken den Großteil realer Outreach-Postfächer ab. Wichtig ist die Priorität: Opt-out schlägt jeden anderen Intent. Eine Antwort wie "Ihr Produkt klingt gut, aber schreiben Sie mir bitte nicht mehr" ist ein Opt-out - nicht ein Lead.

Opt-out-Handling als Compliance-Pflicht

Opt-out ist die rechtlich sensibelste Klasse und der Grund, warum Reply-Handling nicht "nur" Sales-Komfort ist. Cold B2B-Outreach unterliegt in DACH engeren Regeln als der US-Markt suggeriert: In Deutschland greift UWG §7, in Österreich das TKG, in der Schweiz das revDSG; die "mutmaßliche Einwilligung" ist eng und umstritten. Die Mechanik dieser Vorschriften behandelt der Schwester-Artikel Cold Outreach Compliance DACH; an dieser Stelle zählt die operative Konsequenz für den Agenten.

Drei Regeln sind nicht verhandelbar. Erstens: Eine Abmeldung wirkt sofort und unwiderruflich. Zweitens: Sie gilt kampagnen- und kanalübergreifend - die Suppression-List ist die Sperrebene über allen Sequenzen und Tools, kein Status in einer einzelnen Kampagne, der beim nächsten Schwung wieder überschrieben wird. Drittens: Jede Suppression wird mit Zeitpunkt und Auslöser protokolliert, damit die Verarbeitung belegbar ist. Ergänzend gilt nach Art. 50 KI-VO (verbindlich ab 2. August 2026) die Transparenzpflicht: Wer mit einem KI-System interagiert, muss das erkennen können - relevant, sobald der Agent selbst Antworten verschickt und nicht nur sortiert.

Hinweis: Dieser Abschnitt ist eine fachliche Einordnung und keine Rechtsberatung. Die konkrete Ausgestaltung von Opt-out, Einwilligung und Transparenz gehört mit der eigenen Rechtsabteilung abgestimmt.

Die HITL-Grenze: wann der Mensch übernimmt

Ein guter Reply-Handling-Agent ist eher Sortierer als Gesprächspartner. Die Human-in-the-Loop-Grenze (HITL) verläuft entlang von drei Kriterien - Geld, Recht und Mehrdeutigkeit:

• Kaufabsicht und Verhandlung: Sobald es konkret wird (Preis, Vertrag, Demo-Vereinbarung), bereitet der Agent vor - Meeting-Link, Kontext-Briefing - aber das Gespräch führt der Mensch.
• Rechtsnähe und Beschwerden: Einwände mit Vertrags- oder Datenschutzbezug, Beschwerden und rechtliche Drohungen werden eskaliert, nicht auto-beantwortet.
• Niedrige Confidence: Klassifiziert das Modell unterhalb des Schwellenwerts (etwa unter 0,8), landet die Antwort in einer menschlichen Review-Queue statt in einem Auto-Pfad.

Vollautonomes Antworten auf heiße Leads ist in DACH meist kontraproduktiv: B2B-Käufer mit langen, mehrstufigen Entscheidungszyklen merken templatisierte KI-Antworten schnell, und ein faktisch falscher Auto-Response bei einem Interessenten kostet mehr Pipeline, als die Automatisierung spart. Der belastbare Modus ist Augmentierung: Der Agent triagiert und entwirft, der Rep entscheidet und sendet.

Konkretes Beispiel mit Zahlen

Eine Kampagne mit 2.000 versendeten Cold-Mails erzeugt bei 6 % Antwortrate rund 120 eingehende Antworten. Eine typische Verteilung im DACH-B2B-Postfach:

• ~45 Out-of-Office und ~10 Bounces (zusammen ~46 %) - rein deterministisch ausgesteuert, kein LLM-Call, kein menschlicher Touch.
• ~25 falscher Ansprechpartner / nicht zuständig (~21 %) - Weiterleitung und Datensatz-Korrektur.
• ~20 "später" (~17 %) - automatisch in Nurture mit Wiedervorlage.
• ~10 Einwände (~8 %) - Standard-Einwände kuratiert beantwortet, Vertragsbezug eskaliert.
• ~6 Opt-out (~5 %) - sofort auf Suppression-List, geloggt.
• ~4 klar interessiert (~3 %) - an den Rep eskaliert.

Von 120 Antworten muss ein Mensch so nur die ~4 heißen Leads plus eine Handvoll eskalierter Einwände und unsicherer Fälle anfassen - statt 120 Threads zu lesen. Pseudocode der Routing-Logik:

```
ergebnis = klassifiziere(reply_text) # -> {intent, confidence, begruendung}

if ergebnis.intent == "opt_out":
suppression_list.add(kontakt); stoppe_alle_followups(kontakt)
elif ergebnis.confidence < 0.8:
review_queue.push(reply, ergebnis) # HITL
elif ergebnis.intent == "interessiert":
eskaliere_an_rep(reply, meeting_link) # HITL
elif ergebnis.intent in ("spaeter","oof"):
plane_followup(kontakt, ergebnis)
crm.update(kontakt, ergebnis) # immer
```

Für Agenturen und B2B-Teams

Für Marketing-Agenturen ist der Reply-Handling-Agent ein White-Label-Baustein, der den Outreach-Stack hinten schließt: Sie liefern Ihren Kunden saubere Triage, dokumentiertes Opt-out-Handling und gepflegte CRM-Daten, ohne ein eigenes Engineering-Team aufzubauen. Für B2B-Teams in DACH ist die Compliance-seitige Kontrolle über Abmeldungen oft der eigentliche Business Case - nicht die gesparte Klickzeit. In beiden Fällen gilt: Der Agent gewinnt seinen Wert aus der disziplinierten HITL-Grenze und der zentralen Suppression-List. Wer einen Proof of Concept für Reply-Handling im eigenen Outreach plant, sollte mit genau diesen beiden Bausteinen starten und Versand, Personalisierung und Deliverability als getrennte Spokes im selben Pillar daneben aufsetzen.