Der Moment, in dem ich wusste, dass ich das bauen muss
Es war 2023. Ich hatte gerade zwei Jahre bei NielsenIQ Consumer-Goods-Forecasting-Modelle gebaut, die von null auf 7 Millionen Dollar ARR gewachsen waren. Davor sechs Jahre AI-Führung bei Deutsche Bank, wo das Team, das ich aufgebaut hatte, 10 Millionen Dollar ARR in zwei Jahren erreichte. Nach jeder Metrik eine solide AI-Karriere im Corporate-Bereich.
Und ich beobachtete immer wieder dasselbe: Eine brillante Software—eine Library, ein Developer-Tool, ein Infrastrukturprodukt—launchte auf GitHub, sammelte echte User-Liebe, häufte Stars an, und scheiterte dann komplett daran, diese Liebe in ein Geschäft zu verwandeln. Die Founder verbrachten ihre Nächte damit, dieselben Support-Fragen zu beantworten. Die Leute mit echter Kaufabsicht gingen stillschweigend, weil niemand da war, um sie aufzufangen.
Ich hatte dieses Muster von beiden Seiten gesehen. Bei der Bank hatte ich Hunderte von Vendor-Produkten evaluiert und beobachtet, wie kleine Teams Deals verloren—nicht weil ihre Technologie schlechter war, sondern weil sie nicht schnell genug antworten konnten. Bei NielsenIQ hatte ich beobachtet, wie unser eigenes internes Tooling untergenutzt blieb, weil niemand Zeit für die Support-Last hatte.
Die Lücke war kein Produktproblem. Es war ein Präsenzproblem.
Was ich bei Deutsche Bank über Enterprise-Revenue gelernt habe
Als ich 2019 bei Deutsche Bank anfing, wurde ich beauftragt, ein AI-Team innerhalb der Securities-Services-Division aufzubauen. Wir verkauften AI-Produkte intern und an institutionelle Kunden. Die Lektion, die ich schnell lernte, war kontraintuitiv: Enterprise-Buyer kaufen nicht das beste Produkt. Sie kaufen das Produkt, dem sie vertrauen.
Vertrauen auf diesem Level kommt von Reaktionsfähigkeit. Von der Fähigkeit, ihre spezifische Frage—ihre Compliance-Frage, ihre Integrationsfrage, ihre Security-Frage—in dem Moment zu beantworten, in dem sie sie stellen. Nicht zwei Tage später per E-Mail. Nicht in einer 30-Minuten-Demo in drei Wochen. Genau dann.
Wir bauten Systeme, um schneller zu antworten. Wir trainierten AI auf unserer Dokumentation. Wir automatisierten die First-Touch-Qualifizierung. Und es funktionierte: Gespräche, die ins Stocken geraten wären, wurden Deals. Daher kamen die 10 Millionen Dollar ARR—nicht von einem besseren Produkt allein, sondern davon, genuinely präsent zu sein, wenn Prospects Fragen hatten.
Der Dokumentations-Bot, der ein Unternehmen wurde
Schnellvorlauf zu 2023. Ich hatte NielsenIQ verlassen, dachte darüber nach, was ich bauen will, und begann mit einer einfachen Beobachtung: Ich schlug immer dieselbe Dokumentation nach. Las dieselben README-Abschnitte. Stellte dieselben Setup-Fragen in Slack-Communities.
Also baute ich eine Dokumentations-Suchmaschine—einen Bot, der Fragen über eine Library beantworten konnte, indem er deren Docs las. Einfach, persönlich, nützlich für mich.
Ich teilte ihn mit ein paar Freunden, die Open-Source-Libraries maintainten. Innerhalb von Tagen nutzten sie ihn alle. Innerhalb von Wochen berichteten sie, dass ihre Discord-Channels ruhiger waren, ihre GitHub Issues weniger “wie mache ich”-Fragen hatten, und sie mehr Zeit mit Feature-Shipping verbrachten. Bereket Engida, der Better Auth maintaint, erzählte mir, seine Discord-Aktivität sei 10x gestiegen—weil Leute endlich schnell genug Antworten bekamen, um dabeizubleiben und weiterzufragen.
Das war der Moment. Ich löste nicht nur ein Dokumentationsproblem. Ich löste ein Präsenzproblem. Ein Revenue-Problem.
Das Muster, über das niemand sprach
Sobald ich danach suchte, sah ich es überall. Über die Open-Source-Communities hinweg, die SaaS-Produkte, die ich nutzte, die Developer-Tools, die ich in meinen Corporate-Rollen evaluierte—dieselbe Dynamik spielte sich konstant ab.
Ein Prospect kommt an. Er hat eine echte Frage. Die Frage ist das erste Signal von Kaufabsicht. Aber die einzigen Optionen sind: E-Mail senden (fühlt sich nach zu viel Aufwand an) oder Kontaktformular ausfüllen (landet in einer Queue). Also schließt er den Tab.
75 % der Developer berichten, dieselben Fragen immer wieder zu beantworten, sobald sie Traction haben. Das ist kein Support-Problem. Das ist ein Skalierungsproblem, das sich als Support-Problem tarnt. 60 % der umsatzrelevanten Gespräche passieren außerhalb der Geschäftszeiten. 78 % der Buyer gehen zum ersten Vendor, der antwortet. Durchschnittliche B2B-Antwortzeit: 42 Stunden.
Warum ich es AI Inbound Conversion Engine genannt habe
Ich habe lange überlegt, wie ich beschreiben soll, was Clarm ist. “AI-Chatbot” war zu klein—es implizierte ein Widget, das FAQs beantwortet. “Support-Automation” verfehlte die Revenue-Dimension komplett. “Lead Capture” klang nach einem Formular.
Das Framing, das schließlich klickte, war das, was ich bei Deutsche Bank gesehen hatte: einen Revenue Desk. Eine Funktion innerhalb einer Bank, die dafür verantwortlich ist, im Moment präsent zu sein, in dem ein Kunde etwas Revenue-Relevantes braucht. Der Desk existiert, damit kein Kundensignal unbemerkt bleibt und kein Gespräch stirbt, weil ein Mensch nicht verfügbar ist.
Genau das wollte ich jedem technischen Founder geben: Das Äquivalent eines Senior Revenue Desks, besetzt rund um die Uhr, über jeden Kanal, der nicht 150.000 € pro Jahr kostet und kein Management braucht.
Was die ersten Deployments mich gelehrt haben
Die frühen Ergebnisse validierten die These schneller als erwartet. GiveLegacy deployed Clarm auf ihrer Website. In 90 Tagen gingen ihre Inbound-Gespräche von ~760 E-Mail-Anfragen auf 4.624 AI-bearbeitete Conversations—ein 6,1-facher Lift aus demselben Traffic. 25,2 % zeigten Kaufabsicht. 60 % passierten außerhalb der Geschäftszeiten. Von 0 $ zur Top-Inbound-Revenue-Quelle in 90 Tagen.
Better Auth wuchs von 8.000 auf 22.000 GitHub Stars in drei Monaten nach dem Clarm-Deployment. Nicht weil sich das Produkt veränderte. Weil sich die Community-Erfahrung veränderte.
c/ua nutzte Clarms Enrichment, um zu identifizieren, welche GitHub-User Produktionssysteme bauten. Diese Identifikation führte direkt zum ersten Enterprise-Kunden.
Was ich aufgegeben habe (und warum es sich gelohnt hat)
Ich werde manchmal gefragt, ob ich die Stabilität einer Senior-Corporate-AI-Rolle vermisse. Ehrlich: Nicht ein einziges Mal.
Bei Deutsche Bank baute ich Systeme, die eine große Institution etwas effizienter machten. Bei NielsenIQ verbesserte ich Prognosen für Konsumgüterunternehmen. Beides sinnvoll. Keines davon die Richtung, in der ich mein Arbeitsleben verbringen wollte.
Mit Clarm löse ich das Problem, über das ich nicht aufhören konnte nachzudenken. Ich spreche mit Foundern, die Dinge bauen, die wichtig sind. Und ich gebe ihnen ein Stück Infrastruktur, das bedeutet, dass sie nicht zwischen Bauen und Verkaufen wählen müssen.
Wo wir jetzt stehen
Clarm ist ein Y-Combinator-Unternehmen (YC X25). Wir verarbeiten jede Woche Tausende Inbound-Conversations über Website-Chat, Discord, Slack und GitHub. Wir sind HIPAA- und SOC 2-konform sowie DSGVO-konform (GDPR). Wir unterstützen On-Prem-Deployment für regulierte Branchen. Clarm operiert von San Francisco und Zürich.
Und ich beantworte immer noch jede E-Mail an [email protected]persönlich. Weil die Ironie, ein Unternehmen zu führen, dessen ganzer Sinn ist, dass Founder nicht jede Frage manuell beantworten müssen, mir nicht entgeht—und weil direkt mit den Menschen zu sprechen, denen wir dienen, immer noch der beste Weg ist zu verstehen, was wir als Nächstes bauen müssen.
Wenn du ein Founder bist, der auf Traffic sitzt, der nicht konvertiert, oder ein Team, das in denselben Support-Fragen ertrinkt, oder ein Engineering-Team, das Enterprise-Deals verliert, weil die Antwortzeit Gespräche über Nacht tötet—ich würde genuinely gern mit dir sprechen. Buche 20 Minuten mit mir. Kein Sales-Script. Einfach ein Gespräch über das Problem.
FAQ
Was hat Marcus Storm-Mollard vor Clarm gemacht?
Sechs Jahre AI-Führung bei Deutsche Bank (Securities Services, 10 Mio. $ ARR in 2 Jahren), dann NielsenIQ (Consumer-Goods-Forecasting, von null auf 7 Mio. $ ARR). MSci in Physik am Imperial College London. Acht Sprachen. Clarm operiert von San Francisco und Zürich.
Warum hat Marcus seine AI-Karriere verlassen?
Das immer gleiche Muster: Brillante Software-Produkte, die auf GitHub Stars sammelten und echte User-Liebe bekamen, aber komplett daran scheiterten, diese Liebe in ein Geschäft umzuwandeln. Die Founder verbrachten ihre Nächte damit, dieselben Support-Fragen zu beantworten. Leute mit echter Kaufabsicht gingen stillschweigend, weil niemand da war, um sie aufzufangen. Das war kein Produktproblem. Es war ein Präsenzproblem.
Was ist Clarm und warum wurde es gebaut?
Clarm ist die AI Inbound Conversion Engine – eine Plattform, die Inbound-Besucher erfasst, Kaufabsicht qualifiziert und Revenue routet, rund um die Uhr über Web-Chat, Discord, Slack, GitHub und E-Mail. Es wurde gebaut, damit technische Founder nicht zwischen Bauen und Verkaufen wählen müssen.
Weiterführende Artikel
Wenn das resoniert hat, lies auch über das versteckte Pipeline-Problem, das jeder technische Founder ignoriert oder warum Founder-Led Sales an der Skalierung scheitert und was man stattdessen baut.