KI-Agenten im Marketing: Nutzen und Grenzen

KI-Agenten sind Systeme, die eine Aufgabe nicht nur beantworten, sondern in mehreren Schritten selbstständig bearbeiten – planen, Werkzeuge aufrufen, Zwischenergebnisse prüfen, nachsteuern. Im Marketing sind sie 2025 das meistdiskutierte Thema und zugleich das mit der größten Lücke zwischen Ankündigung und Alltag. Die nüchterne Einordnung lautet: In klar abgegrenzten, wiederkehrenden Prozessen mit guter Datengrundlage funktionieren sie bereits; als allgemeiner Ersatz für Marketingarbeit funktionieren sie nicht.

Wie groß die Lücke ist, zeigt eine Prognose des Marktforschungsunternehmens Gartner aus der Pressemitteilung vom 25. Juni 2025: Über 40 Prozent der Projekte zu agentenbasierter KI würden bis Ende 2027 abgebrochen – wegen steigender Kosten, unklaren geschäftlichen Nutzens oder unzureichender Risikokontrollen. In derselben Mitteilung weist Gartner auf „Agent Washing" hin, also die Umetikettierung bestehender Produkte ohne substanzielle Agentenfähigkeiten; nach Gartners Einschätzung sind von den mehreren tausend Anbietern am Markt nur etwa 130 tatsächlich einzuordnen.

Wie weit ist die Verbreitung tatsächlich?

Ein zweiter Wert aus derselben Quelle hilft bei der Einordnung des Reifegrads. In einer Gartner-Umfrage vom Januar 2025 unter 3.412 Teilnehmenden eines Webinars gaben 19 Prozent an, ihr Unternehmen habe erheblich in agentenbasierte KI investiert; 42 Prozent sprachen von zurückhaltenden Investitionen, 8 Prozent von gar keinen, und 31 Prozent warteten ab oder waren unsicher.

Diese Verteilung ist aufschlussreich, auch wenn eine Webinar-Teilnehmerschaft nicht repräsentativ ist und eher überdurchschnittlich interessierte Unternehmen abbildet. Selbst in dieser wohlwollenden Stichprobe hat eine Mehrheit den Schritt nicht oder nur vorsichtig gemacht. Wer im eigenen Team das Gefühl hat, hinterherzuhinken, liegt damit vermutlich im Normalbereich.

Was im Marketing heute realistisch funktioniert

Die Anwendungsfälle, die sich in der Praxis bewähren, haben drei Eigenschaften gemeinsam: ein klar umrissenes Ziel, eine überprüfbare Ausgabe und eine Datengrundlage, die im Haus vorhanden ist.

• Aufbereitung von Produktdaten. Aus Datenblättern, PDFs und Freitextfeldern strukturierte Attribute erzeugen, fehlende Angaben markieren, Beschreibungen auf eine einheitliche Struktur bringen. Das ist Extraktion aus vorhandenen Quellen – der Anwendungsfall mit dem besten Verhältnis von Aufwand zu Nutzen.
• Varianten für Anzeigen und Newsletter. Aus einem freigegebenen Kernbriefing viele Fassungen erzeugen, die anschließend redaktionell geprüft werden. Der Nutzen liegt in der Menge, nicht im einzelnen Text.
• Auswertung unstrukturierter Rückmeldungen. Bewertungen, Serviceanfragen und Rücksendegründe systematisch nach wiederkehrenden Mustern durchsuchen. Menschen können das auch – aber nicht für 40.000 Datensätze.
• Recherche mit Belegpflicht. Zusammenstellungen zu Wettbewerbern, Märkten oder Normen, bei denen jede Aussage mit einer Quelle hinterlegt sein muss und die Prüfung dieser Quellen fester Teil des Prozesses ist.

Was in der Regel nicht funktioniert, ist die vollautomatische Kampagne: Ein System, das eigenständig Budget verschiebt, Zielgruppen definiert, Texte veröffentlicht und Ergebnisse bewertet, häuft Fehlerquellen an, die sich hinterher kaum noch auseinanderdividieren lassen. Der Grund ist selten das Modell, sondern die fehlende, eindeutig messbare Zielgröße, an der ein solches System sich ausrichten könnte.

Woran Agentenprojekte scheitern

Die von Gartner genannten Abbruchgründe – Kosten, unklarer Nutzen, fehlende Risikokontrolle – lassen sich für Marketingorganisationen konkretisieren.

Auffällig ist, dass keine dieser Ursachen technischer Natur ist. Sie betreffen Zielsetzung, Datenpflege und Prozessdisziplin – also genau die Bereiche, die auch ohne Agenten über den Erfolg von Marketingarbeit entscheiden.

Der Unterschied zwischen Zeitersparnis und Ergebnisbeitrag

Ein wiederkehrendes Muster in gescheiterten Projekten ist die Verwechslung dieser beiden Größen. Ein System, das die Erstellung eines Produkttextes von zwölf auf drei Minuten verkürzt, spart Zeit – ob daraus ein Ergebnisbeitrag wird, hängt davon ab, was mit den gewonnenen neun Minuten geschieht. Wird die Zeit in mehr Artikel investiert, entsteht Reichweite; wird sie in bessere Prüfung investiert, entsteht Qualität; verpufft sie, entsteht nichts außer einer Rechnung für das Werkzeug.

Deshalb lohnt es sich, vor dem Start festzulegen, welche der drei Varianten angestrebt wird, und die Kennzahl entsprechend zu wählen. „Wir sind schneller" ist keine Kennzahl, die eine Investition über zwei Jahre trägt. „Wir haben die Zahl vollständig gepflegter Produktdatensätze von 40 auf 90 Prozent erhöht" dagegen schon – weil sich daran ein Umsatz- oder Retoureneffekt anschließen lässt.

Was der rechtliche Rahmen dazu verlangt

Für Betreiber – also Unternehmen, die solche Systeme einsetzen, ohne sie selbst anzubieten – sind zwei Punkte der EU-KI-Verordnung einschlägig. Erstens gilt seit dem 2. Februar 2025 die Pflicht zur KI-Kompetenz nach Artikel 4: Wer KI-Systeme einsetzt, muss dafür sorgen, dass die damit befassten Personen die Systeme, ihre Grenzen und die typischen Fehler verstehen. Bei mehrstufig arbeitenden Systemen ist das anspruchsvoller als bei einem Texteditor, weil Fehler in einem frühen Schritt sich über die folgenden fortpflanzen.

Zweitens werden am 2. August 2026 die Transparenzpflichten nach Artikel 50 anwendbar, darunter die Offenlegung, wenn ein System direkt mit Menschen interagiert, und die Kennzeichnung künstlich erzeugter Inhalte. Für Texte greift eine Ausnahme, wenn der Inhalt menschlich überprüft wurde und eine natürliche oder juristische Person die redaktionelle Verantwortung trägt. Genau deshalb ist ein dokumentierter Freigabeprozess derzeit die wirksamste Vorbereitung – er löst zugleich das Qualitätsproblem und die spätere Nachweisfrage.

Ein dritter Punkt kommt hinzu, der oft erst spät auffällt: Mehrstufig arbeitende Systeme erzeugen deutlich mehr Verarbeitungsschritte je Vorgang als ein einfacher Aufruf. Was im Pilotbetrieb mit fünfzig Testfällen nicht ins Gewicht fällt, wird bei zehntausend Vorgängen im Monat zu einer relevanten Position. Die Kosten je vollständigem Durchlauf gehören deshalb vor der Ausweitung ermittelt und hochgerechnet – nicht erst, wenn die erste größere Rechnung kommt.

Ein belastbarer Einstieg in drei Schritten

1. Einen Prozess auswählen, der oft vorkommt und langweilig ist. Hohe Wiederholung, klare Regeln, überprüfbares Ergebnis. Genau dort entsteht Nutzen – nicht bei der kreativen Leitidee einer Kampagne.
2. Den Ist-Zustand messen. Bearbeitungszeit je Vorgang, Fehlerquote, Kosten. Ohne diese Werte lässt sich später kein Nutzen belegen, und das Projekt endet in der Abbruchstatistik.
3. Klein bauen, mit Prüfschritt. Ein Durchlauf mit menschlicher Freigabe am Ende, über acht bis zwölf Wochen. Erst wenn die Fehlerquote stabil niedrig ist, lohnt die Frage nach mehr Autonomie.

Häufige Fragen

Worin unterscheidet sich ein KI-Agent von einem gewöhnlichen KI-Werkzeug?

Ein gewöhnliches Werkzeug beantwortet eine Anfrage in einem Schritt. Ein Agent zerlegt eine Aufgabe selbstständig in mehrere Schritte, greift dabei auf Werkzeuge oder Datenquellen zu und entscheidet, wie es weitergeht. Der Unterschied ist praktisch bedeutsam, weil sich Fehler über die Schritte hinweg fortsetzen und am Ende schwerer zuzuordnen sind.

Lohnt sich der Einstieg für kleinere Marketingteams?

Ja, aber mit anderem Zuschnitt. Kleine Teams profitieren am stärksten dort, wo Menge das Problem ist – Produktdaten, Textvarianten, Auswertung von Rückmeldungen. Von umfassenden Automatisierungsplattformen ist eher abzuraten, weil der Betriebsaufwand die Ersparnis häufig übersteigt.

Wie erkennt man „Agent Washing" bei Anbietern?

Drei Fragen helfen: Welche Schritte führt das System eigenständig aus, und welche sind fest verdrahtet? Woran erkennt es, dass ein Zwischenergebnis falsch ist? Was kostet ein vollständiger Durchlauf in der Praxis? Wer auf diese Fragen keine konkreten Antworten bekommt, hat es meist mit einer Oberfläche über einem gewöhnlichen Werkzeug zu tun.

Fazit

Agentenbasierte KI ist kein Etikettenschwindel, aber sie steht 2025 deutlich früher in ihrer Entwicklung, als die Marktkommunikation nahelegt. Für Marketingteams ist die vernünftige Haltung weder Abwarten noch Großprojekt, sondern ein eng geschnittener Anwendungsfall mit gemessenem Ausgangswert und menschlicher Freigabe. Wer so vorgeht, gehört später weder zu den 40 Prozent abgebrochener Projekte noch zu denen, die das Thema drei Jahre lang ignoriert haben.