Lernschleifen

Das ist der Unterschied zu einem reinen Tabellen- oder Toolchain-Aufbau: Jede Interaktion in GTM Goat zahlt auf Ihr Wissen ein. Eine Kampagne, die läuft, wird nicht nur ausgeführt — sie lernt. Zwei Schleifen laufen dabei nebeneinander, und beide landen in Wissen.

Schleife 1 — Sie und das Handwerk

Damit das System nicht dieselben Fehler wiederholt und den Aufbau über die Zeit besser beherrscht. Diese Schleife lernt, wie in Ihrem Workspace gearbeitet wird: Ihre Präferenzen und Korrekturen, wie man End-to-End-Kampagnen mit Tabellen und Referenzen aufsetzt, welche Werkzeuge wofür, wie man eine Agenten-Chain baut und debuggt. Sie lebt im Speicher — selbstpflegende Markdown-Dokumente, die Agenten in ihren Kontext lesen und nach einer Sitzung fortschreiben; eine Hygiene-Routine führt Doppeltes zusammen und lässt Veraltetes verblassen.

Schleife 2 — Der Umsatz

Damit das Gewinnende repliziert wird. Diese Schleife analysiert die GTM-Plays und leitet strukturierte Learnings ab: welches Angebot, welcher ICP, welches Signal, welche Persona, welche Botschaft, welcher Kanal tatsächlich Meetings bucht und Antworten erzeugt — nicht nur zustellt. Was das System heute schon dafür sammelt:

• Antworten — der Reply-Agent klassifiziert jede Antwort; Thread-Insights extrahieren, welches Muster zu einem Meeting oder einer Absage führte.
• Positive Signale — eine als positiv erkannte Antwort wird analysiert und als Feedback in die Qualifizierungs- und Copy-Schritte zurückgespielt.
• Copy- und Playbook-Anpassungen — der Closed-Loop-Agent (Observer/Optimizer/Measurer) leitet aus Antwort-Mustern konkrete Vorschläge ab: Copy wechseln, Kadenz anpassen, Playbook schärfen — jeder Vorschlag mit Konfidenz, gemessen 48 Stunden später am tatsächlichen Ergebnis.
• ICP- und Persona-Performance — welche Zielgruppen-Definition, welches Angebot, welche Botschaft zu Antworten und Meetings führt.

Wie ein Learning entsteht und wirkt

Das System destilliert aus den Erfolgs-Belegen (gebuchte Meetings, starkes Engagement, bewertete und korrigierte Antworten) generalisierbare, typisierte Learnings — kein Freitext-Block, sondern strukturierte Datensätze mit Muster, Ergebnis, Konfidenz, warum es gewirkt hat, Beleg-Anzahl und Quell-Konversationen. Jedes destillierte Learning ist zunächst ein Vorschlag und landet in einer Freigabe-Warteschlange in Wissen. Ein Learning trägt eine Konfidenz, die mit weiterer Evidenz wächst und ohne neue Bestätigung mit der Zeit abschwächt (Reinforcement/Decay).

Vor jedem Bewertungs- oder Text-Schritt lädt die Tabelle die freigegebenen Learnings in den Prompt — dieselbe Kampagne lernt also während sie läuft, nicht erst in der nächsten Version. Weil Learnings strukturiert sind, lesen Prompts, Agenten-Chains und Analysen dieselben Datensätze, statt einen Text-Block neu zu interpretieren.

Immer über Freigabe, nie stillschweigend

Ein Learning ändert nie unbemerkt ein Playbook oder ein Asset. Es schlägt eine Revision vor — Copy-Wechsel, Schwellenwert-Anpassung, Asset-Version — und diese durchläuft dieselbe Freigabe wie jede andere strukturändernde Aktion. Sie sehen in der Warteschlange, was das System gelernt hat, und geben es frei oder verwerfen es, bevor es wirkt.

Der Effekt kumuliert über Zeit und über Kampagnen hinweg: Jeder neue Kampagnenstart in Ihrem Workspace beginnt mit den Learnings der vorherigen, nicht bei null.

In Rollout

Die strukturierten Learning-Assets mit Freigabe-Warteschlange sind als erste Stufe eingebaut und pro Workspace zuschaltbar; die Destillation aus den Erfolgs-Belegen und der selbstpflegende Speicher rollen schrittweise nach. Cross-Workspace-Muster („was über alle Workspaces hinweg funktioniert”) bleiben bewusst getrennt und fließen nie ungefragt in einen einzelnen Workspace-Prompt.