KI im Marketing: den richtigen ersten Schritt finden

Was gehört zu KI im Marketing?

Eine hilfreiche Einteilung orientiert sich nicht an Produktnamen, sondern an der Rolle des Systems im Arbeitsablauf:

Assistieren: Ein System erstellt einen ersten Entwurf, fasst Material zusammen, ordnet Rückmeldungen oder schlägt Varianten vor. Autorschaft, Prüfung und Freigabe bleiben bei einem Menschen. Typische Beispiele sind Briefing-Entwürfe, sprachliche Varianten oder die Strukturierung einer Recherche.

Erkennen: Ein System findet Muster, Gruppen oder Abweichungen in vorhandenen Daten. Im Marketing kann das etwa eine Auffälligkeit in Kampagnenwerten oder wiederkehrende Themen im Kundenfeedback sein. Ein Muster ist jedoch noch keine Ursache. Das Team muss prüfen, ob Daten vollständig, vergleichbar und für die Frage geeignet sind.

Prognostizieren und empfehlen: Ein System schätzt einen zukünftigen Wert oder priorisiert eine nächste Aktion. Dazu gehören Prognosen, Scores und Empfehlungen. Sie können eine Entscheidung vorbereiten, ersetzen aber weder die Definition des Geschäftsziels noch die Prüfung von Nebenwirkungen.

Handeln: Ein System verändert innerhalb festgelegter Grenzen einen laufenden Prozess. Je näher die Aktion an Budget, Preis, Kundenzugang oder öffentlicher Kommunikation liegt, desto wichtiger werden Freigaben, Protokolle, Grenzwerte und eine Möglichkeit zum Stoppen oder Zurücksetzen.

Diese Rollen können in einem Ablauf kombiniert sein. Ein Textassistent kann zum Beispiel einen Entwurf liefern. Ein integriertes System könnte den Entwurf zusätzlich mit Kundendaten anreichern, Varianten ausspielen und Ergebnisse zur nächsten Auswahl verwenden. Die zweite Variante ist nicht einfach «mehr KI». Sie hat andere Datenflüsse, Abhängigkeiten und Risiken. Auch die SATW-Orientierung «KI» für Schweizer KMU nennt unterschiedliche Beispiele wie Textgenerierung, Prognosen und Entscheidungsunterstützung. Das ist keine formale Marketing-Taxonomie, zeigt aber die Breite möglicher Fähigkeiten.

Diese Ebenen haben unterschiedliche Daten, Risiken und Reifegrade. Ein Schreibassistent ist nicht dasselbe wie ein Agent mit Systemzugriff. Eine Kampagnenprognose ist kein Geschäftsentscheid. Ein automatisierter Übergang ist erst dann für den Alltag geeignet, wenn Fehler, Dubletten und die Rückkehr zum manuellen Ablauf geregelt sind.

Wie unterscheidet sich Marketing-Automatisierung?

Marketing-Automatisierung beschreibt den wiederholbaren Ablauf: Auslöser, Bedingung, Aktion, Ausnahme, verantwortliche Person und Nachweis. KI kann einen Schritt unterstützen, ist aber nicht für jede Automatisierung nötig. Eine feste Regel ist oft leichter zu testen und zu erklären. KI kann bei Aufgaben helfen, die Sprache, Mustererkennung oder unsichere Eingaben betreffen, wenn ihr Beitrag das Ergebnis verbessert und der Handlungsspielraum klar begrenzt bleibt.

Beginnen Sie mit dem Prozess auf Papier. Markieren Sie Eingaben, Systeme, personenbezogene Daten, Entscheide, Wartezeiten und manuelle Übergaben. Automatisieren Sie nicht einen ungeklärten Prozess; Sie skalieren sonst seine Fehler.

Wo kann KI einen sinnvollen Beitrag leisten?

Ein Einsatzgebiet ist dann interessant, wenn die Aufgabe wiederkehrt, ausreichend Material vorhanden ist und ein besseres Ergebnis erkennbar wäre. Im Marketing lassen sich sechs Arbeitsfelder unterscheiden:

1. Recherche und Planung: Material sortieren, Fragen sammeln oder ein Briefing vorbereiten. Die Quellenprüfung bleibt beim Team.
2. Inhalte und Kreation: Rohfassungen, Varianten oder Bearbeitungsvorschläge erzeugen. Markenpassung, Fakten, Rechte und Freigabe bleiben menschliche Aufgaben.
3. Media und Kampagnen: Signale aus Kampagnen zusammenführen, Anomalien markieren oder begrenzte Vorschläge machen. Plattformautomatisierung ist von unabhängiger Wirkungsmessung zu trennen.
4. Kundeninteraktion und Personalisierung: Inhalte oder nächste Schritte an Regeln und Signale anpassen. Hier steigen Anforderungen an Zweck, Datenqualität, Einwilligung, Fairness und Ausweichpfade.
5. Analyse und Messung: grosse Mengen von Beobachtungen strukturieren oder Prognosen vorbereiten. Ein plausibler Kommentar beweist weder Kausalität noch zusätzlichen Umsatz.
6. Marketing Operations: wiederkehrende Übergaben, Klassifikationen und Qualitätsprüfungen unterstützen. Das System braucht eine verantwortliche Person, eine Fehlerbehandlung und eine dokumentierte manuelle Alternative.

Diese Liste ist eine Landkarte, keine Empfehlung, alles umzusetzen. Der SATW-Leitfaden für Schweizer KMU empfiehlt eine Bedarfsanalyse, kleine Pilotprojekte sowie klare Regeln und Verantwortlichkeiten. Die Eignung lässt sich nur für den konkreten Fall beurteilen.

Welche Anwendungsfälle sollen zuerst geprüft werden?

Ein guter erster Anwendungsfall ist häufig genug, klar abgrenzbar und umkehrbar. Er hat eine verantwortliche Person, verfügbare Testfälle und einen messbaren Nutzen. Beispiele sind das Strukturieren eines Briefings, das Klassifizieren interner Anfragen, das Zusammenfassen eines Reportingbefunds oder das Vorbereiten eines Vorschlags.

Schwache erste Anwendungsfälle greifen direkt auf sensible Daten zu, veröffentlichen ohne Prüfung, steuern grosse Budgets oder versprechen eine Wirkung, die ohne Kontrollgruppe nicht messbar ist. Ordnen Sie jeden Kandidaten nach Nutzen, Datenrisiko, Schaden bei Fehlern, Erklärbarkeit, Integrationsaufwand und Rückbaubarkeit.

Die wichtigste Entscheidung liegt vor der KI

Ein belastbarer Anwendungsfall beginnt mit einem Satz ohne Technologiebegriff: «Wir brauchen bessere, schnellere oder verlässlichere Ergebnisse bei …». Erst danach folgt die Frage, ob Regeln, klassische Automatisierung, bessere Daten, Prozessänderungen oder KI helfen können. Eine Schreibunterstützung im vorhandenen Werkzeug ist organisatorisch etwas anderes als ein System, das mehrere Datenquellen verbindet und Kundenaktionen auslöst.

Für eine erste Prüfung genügen sieben Fragen:

• Welche konkrete Arbeit oder Entscheidung soll sich verbessern?
• Wer ist für Ergebnis und Schaden verantwortlich?
• Was ist die heutige Ausgangsleistung, einschliesslich Zeit, Qualität und Fehlern?
• Welche Daten werden verwendet, und dürfen sie zu diesem Zweck verwendet werden?
• Welche Fehler sind tolerierbar, welche nicht?
• Was prüft ein Mensch vor einer Veröffentlichung oder Aktion?
• Unter welcher Bedingung wird der Einsatz gestoppt?

Wenn ein Team diese Fragen nicht beantworten kann, ist es zu früh für eine automatische Handlung. Eine manuelle Assistenz kann trotzdem als Lernschritt geeignet sein, sofern keine unzulässigen Daten eingegeben und die Ausgaben geprüft werden.

Welche Daten- und Entscheidungsgrenzen braucht es?

Erfassen Sie Datenquelle, Zweck, Rechtsgrundlage, Aufbewahrung, Empfänger, Modellanbieter und Löschweg. Prüfen Sie, ob personenbezogene oder vertrauliche Informationen wirklich nötig sind. Pseudonymisierung und Hashing lösen nicht jede Pflicht. Der EDÖB hält fest, dass Schweizer Datenschutzrecht auch bei KI-gestützter Bearbeitung gilt; eine konkrete Beurteilung bleibt fallabhängig.

Definieren Sie danach den Aktionsraum. Darf das System nur Entwürfe erstellen, Prioritäten vorschlagen, Daten schreiben oder externe Nachrichten senden? Welche Schritte brauchen eine menschliche Freigabe? Welche Eingaben sind verboten? Wann stoppt der Workflow automatisch?

Was Menschen weiterhin entscheiden müssen

KI kann Optionen erzeugen, aber sie besitzt kein eigenes Mandat für die Unternehmensstrategie. Menschen müssen mindestens fünf Arten von Entscheidungen behalten.

Ziel und Priorität: Ein Modell weiss nicht, welcher Zielkonflikt für das Unternehmen akzeptabel ist. Mehr Leads können schlechtere Leads bedeuten; schnellere Produktion kann die Markenqualität schwächen.

Belege: Ein flüssiger Text kann falsch sein. Eine Korrelation kann wie eine Erklärung klingen. Fachpersonen müssen Quellen, Messmethode und Unsicherheit prüfen.

Rechte und Beziehungen: Kundendaten, interne Dokumente, Bilder, Stimmen und fremde Texte dürfen nicht beliebig in ein System oder in eine Kampagne gelangen. Verträge und Nutzungsbedingungen gehören in die Prüfung.

Freigabe und Verantwortung: Wer darf einen Entwurf sehen, ein Budget verändern oder einen Kunden ansprechen? Diese Rechte müssen enger sein als die technische Möglichkeit des Werkzeugs.

Ausnahme und Stopp: Ein Team braucht einen Weg, eine Aktion anzuhalten, fehlerhafte Ausgaben zu korrigieren und auf einen manuellen Ablauf zurückzugehen.

Human-in-the-Loop bedeutet deshalb nicht, am Schluss kurz auf «OK» zu klicken. Es bedeutet, dass ein qualifizierter Mensch rechtzeitig die nötigen Informationen, echte Entscheidungsmacht und genügend Zeit für die Prüfung hat.

Wie werden Tools verglichen?

Vergleichen Sie Werkzeuge anhand des Anwendungsfalls, nicht gegen eine Funktionsliste. Prüfen Sie:

1. Datenzugriff und Mandantentrennung;
2. Modellanbieter und weitere Datenverarbeiter;
3. Protokollierung und Export;
4. Rollen, Freigaben und technische Grenzen;
5. Integrationen und Fehlerverhalten;
6. Testbarkeit, Versionierung und Rückbau;
7. Preis bei realistischem Volumen;
8. Ausstieg (Kündigung, Datenexport) und Portabilität.

Ein Tool kann in einer Demo überzeugen und im Betrieb ungeeignet sein. Testen Sie deshalb mit synthetischen und bewusst problematischen Eingaben, bevor echte Daten oder automatische Aktionen folgen.

Wann braucht es einen Implementierungspartner?

Ein Partner lohnt sich, wenn Marketingwissen, technische Einrichtung und die Einführung im Team zusammenkommen müssen. Vereinbaren Sie pro Projekt Systeme, Arbeitsergebnisse, Abnahme und Unterstützung. So ist von Anfang an klar, was Ihr Team nach der Einführung tatsächlich besser erledigen kann.

Von der Idee zu einem kontrollierten Test

Ein risikoarmer Einstieg kann in vier Schritten erfolgen. Zuerst beschreibt das Team Aufgabe, Nutzer, Daten und Ausgangswert. Danach begrenzt es den Pilot: ein Kanal, ein Segment, ein Inhaltstyp oder ein interner Prozess. Im dritten Schritt werden Qualität, Zeitaufwand, Fehler und notwendige Nacharbeit gemessen. Zuletzt fällt eine ausdrückliche Entscheidung: stoppen, verändern, erneut testen oder in den Regelbetrieb überführen.

Ein Pilot liefert die Grundlage für eine Entscheidung, nicht nur die Antwort, ob ein Werkzeug funktioniert. Halten Sie Ausgangswerte, Testfälle, Qualitätskriterien, Zeitbudget, Datenschutzprüfung, Umfang der menschlichen Prüfung, Fehlerklassen und Stoppkriterien fest. Starten Sie im Parallellauf: Das System erstellt ein Ergebnis, aber der bestehende Prozess bleibt massgeblich und wird nicht automatisch verändert.

Für jeden Pilot sollte ein kurzes Protokoll bestehen: Version des Tools, zugelassene Daten, Testfälle, Bewertungskriterien, bekannte Grenzen, Verantwortliche, Freigaben und Vorkommnisse. So bleibt nachvollziehbar, was tatsächlich geprüft wurde. Diese Dokumentation ist nicht Bürokratie um ihrer selbst willen. Sie macht Lernen und eine spätere Entscheidung möglich.

Vergleichen Sie Qualität, Bearbeitungszeit, Korrekturaufwand und relevante Geschäftskennzahl. Eine Zeitersparnis allein belegt den Nutzen nicht; entscheidend ist, ob Qualität und Aufwand insgesamt besser werden. Ein positiver Einzelfall ist keine Skalierungsentscheidung. Dokumentieren Sie, welche Fälle bewusst ausserhalb des Piloten bleiben.

Dieser Ablauf verhindert zwei häufige Verwechslungen. Ein beeindruckender Demonstrator ist noch kein verlässlicher Betrieb. Und eingesparte Entwurfszeit ist noch kein Geschäftswert, wenn die Prüfung länger dauert, Risiken steigen oder das Marketingziel unverändert bleibt.

Was KI im Marketing nicht beweist

Der Einsatz eines bekannten Modells beweist keine strategische Reife. Eine grosse Zahl erzeugter Varianten beweist keine zusätzliche Wirkung. Ein Score belegt keinen Verkauf. Eine Empfehlung der Werbeplattform ist keine unabhängige Bewertung. Und ein Anbieter, der generative Texte demonstriert, hat damit noch keine Kompetenz für Datenintegration, Messung, Sicherheit oder Organisationsänderung gezeigt.

Darum sollte ein Unternehmen drei Ebenen getrennt halten: Ausgabequalität beschreibt, ob das unmittelbare Ergebnis brauchbar ist. Prozessleistung beschreibt, ob Arbeit insgesamt schneller, verlässlicher oder günstiger wird. Geschäftswirkung beschreibt, ob ein relevantes Ziel besser erreicht wird. Jede Ebene braucht einen eigenen Vergleich und kann anders ausfallen.