Die gute Nachricht? All diese Probleme sind vermeidbar.
-
Beginnen Sie mit dem Tool, nicht mit dem Problem
Das ist der grundlegende Punkt, und er betrifft alle Hierarchieebenen. Eine neue Agentenfunktion wird vorgestellt, es macht Klick, und sofort stellt sich die Frage: Wo können wir das anwenden? Das Problem ist, dass man, wenn man von einem Tool ausgeht, fast immer am falschen Ziel landet.
Die Alternative ist weder langsam noch übervorsichtig – es ist einfach ein anderer Ausgangspunkt. Welche Reibungspunkte verursachen Ihnen tatsächlich Kosten? Wo verpassen Sie Chancen, wo können Sie Kampagnen nicht im gewünschten Tempo durchführen, wo können Sie Inhaltsvarianten nicht testen? Setzen Sie dort an. Fragen Sie sich dann, ob ein Agent wirklich die richtige Lösung ist und ob Sie über die Daten und die nötigen Fähigkeiten für eine erfolgreiche Implementierung verfügen.
„Beginnen Sie mit dem Problem und arbeiten Sie sich rückwärts vor. Fragen Sie sich: Haben wir die nötigen Fähigkeiten, das Wissen und die Daten, um das Problem anzugehen?“ Daniel Hulme, Chief AI Officer bei WPP
Teams, die diesen Ansatz umkehren – also mit einem klar benannten Problem beginnen und eine Lösung entwickeln – stellen in der Regel fest, dass ihre Agenten besser definierte Ein- und Ausgaben haben, leichter zu evaluieren sind und mit viel höherer Wahrscheinlichkeit messbare Ergebnisse liefern. -
Betrachten Sie die Implementierung als Launch, nicht als Release-Zyklus
In der traditionellen Softwareentwicklung fließen rund 80 % des Gesamtaufwands ins Testen. Nicht in die Entwicklung – ins Testen. Dieses Verhältnis ändert sich auch bei der Implementierung von KI-Agenten nicht. Was sich ändert, ist, dass die meisten Teams es nicht erkennen.
Es besteht die Tendenz, den Einsatz von Agenten wie eine Content-Veröffentlichung zu behandeln: planen, entwickeln, veröffentlichen, fertig. Doch Agenten, die in Marketing-Workflows integriert sind – Inhalte personalisieren, Briefings weiterleiten, Empfehlungen aussprechen – ähneln eher Software-Releases als Kampagnen-Assets. Sie müssen kontinuierlich getestet, überwacht und iterativ verbessert werden.
Daniel sprach das Risiko offen an: „Unternehmen werden KI-Agenten einsetzen, ohne sie zu testen. Sie werden nicht erkennen, wie viel Aufwand nötig ist, um deren Sicherheit und Zuverlässigkeit zu gewährleisten.“ Die Teams, die hier erfolgreich sind, entwickeln nicht nur Agenten. Sie bauen die Governance-Ebene um diese Agenten herum auf; die Struktur, die es ihnen ermöglicht, schnell und sicher zu agieren, anstatt einfach nur schnell zu handeln.
-
Es wird nur für Misserfolge geplant, nicht für Erfolge.
Teams führen Qualitätssicherung durch.
Sie definieren, wie ein Fehler aussieht, und bauen Schutzmechanismen ein. Was sie jedoch selten tun, ist zu modellieren, was passiert, wenn ein Agent exakt wie vorgesehen funktioniert – und trotzdem ein Problem verursacht.Daniel nennt dies das „Problem, wenn alles perfekt läuft“, und es ist eines der am meisten unterschätzten Risiken beim KI-Einsatz. Sein Beispiel ist aufschlussreich: Ein Agent, der das Targeting von Marketingkampagnen mit perfekter Präzision optimiert, könnte mit der Zeit eine Welt schaffen, in der Gleiches Gleiches anspricht – Zielgruppen, die so eng definiert sind, dass sie Vorurteile verstärken und die kreative Bandbreite Ihres Marketings einschränken.
„Man muss über die Konsequenzen nachdenken, wenn KI alles perfekt läuft.“ Daniel Hulme, Chief AI Officer bei WPP
Dies ist kein Plädoyer für die Einschränkung der Fähigkeiten von Agenten. Es ist ein Plädoyer für die Festlegung von Grenzen. Erfolgsmetriken für Agenten brauchen eine Obergrenze, nicht nur eine Untergrenze. Wie sieht „zu optimiert“ aus? Welche Ergebnisse würden darauf hindeuten, dass der Agent so arbeitet, dass er Folgerisiken birgt – selbst wenn die Kennzahlen auf den ersten Blick gut aussehen? -
Einstellung von KI-Spezialisten, wenn Breite der Schlüssel zum Erfolg ist
Beim Aufbau von KI-Kompetenzen im Unternehmen sucht man instinktiv nach Spezialisten: nach Menschen, die die Tools kennen, die Modelle verstehen und die Fachsprache beherrschen. Das ist nicht ganz falsch.
… doch Daniels Beobachtung aus 25 Jahren Erfahrung in der Implementierung von KI-Systemen weist auf eine weniger offensichtliche Wahrheit hin: Diejenigen, die KI-Agenten am besten nutzen, sind nicht immer die technisch versiertesten. Sie verfügen über das umfassendste Kontextwissen.
„Menschen mit einem breiten Spektrum an Fähigkeiten und Wissen können die KI besser nutzen“, sagte er. Jemand mit einem Hintergrund in Kunstgeschichte, Anthropologie oder Geopolitik kann Bezüge, Deutungsmuster und kulturelle Resonanzen aufdecken, die einem spezialisierten Experten möglicherweise völlig entgehen – da die KI dieses Wissen bereits besitzt, liegt die Aufgabe des Menschen darin, es zu finden.
Für Marketingteams hat dies eine praktische Konsequenz: Die Person, die Sie mit der Koordination der Arbeitsabläufe Ihrer Agenten betrauen, ist möglicherweise Ihr vielseitigster und kreativster Denker – nicht unbedingt Ihr technisch versiertester Mitarbeiter. Beide sind wichtig, aber verwechseln Sie sie nicht. -
Messung der Wirkung in „Zeitersparnis“ statt in freigesetzter Arbeit
Zeitersparnis ist eine übersichtliche Kennzahl (die wir alle schätzen). Sie lässt sich leicht erfassen und in einem Business Case visualisieren, ist aber im Marketingkontext oft irreführend als Maßstab für den Wert eines Agenten.
Wie Julia Maguire in der Session anmerkte: Im Marketing gibt es nie zu wenig Arbeit. Effizienzsteigerungen führen nicht zu Leerlauf – sie schaffen Raum für ambitioniertere Ziele.
Die Frage sollte nicht nur lauten: „Wie viele Stunden haben wir dadurch eingespart?“, sondern vielmehr: „Was haben wir erreicht, was vorher nicht möglich war?“
Wie Daniel sagte: „Es gibt Millionen von Momenten, die derzeit verpasst werden, weil Marken es versäumen, ihre Produkte den richtigen Zielgruppen zu präsentieren.“ Der eigentliche Nutzen von KI-Agenten im Marketing liegt nicht in der operativen Effizienz, sondern in der Reichweite: in den Kampagnen, die nicht liefen, den Inhaltsvarianten, die nicht getestet wurden, den Zielgruppen, die nicht erreicht wurden. Misst man diese Faktoren, ändert sich das Wertversprechen grundlegend. -
Abwarten, bis etwas schiefgeht, um Governance aufzubauen
Governance hat ein Imageproblem. Sie wird als Bremse wahrgenommen, nicht als Beschleuniger – also als etwas, das man erst einführt, wenn die Anwälte eingeschaltet sind oder ein Vorfall die Diskussion erzwingt.
In der Praxis ist das Gegenteil der Fall: Teams mit klaren Governance-Strukturen implementieren schneller, nicht langsamer, weil sie die Fragen, die sie sonst aufhalten würden, bereits durchdacht haben.
Daniel beschreibt vier Fragen, die er vor jeder KI-Implementierung bei WPP stellt:
✅ Ist die Absicht angemessen?
✅ Sind die Algorithmen erklärbar?
✅ Wurden die Agenten ordnungsgemäß verifiziert und getestet?
✅ Und (zurück zu Fehler Nr. 3): Was passiert dann? Läuft das so richtig?
Das sind keine Checklisten zur Einhaltung von Vorschriften. Es ist ein Denkrahmen, der die Entscheidungsfindung bei der Bereitstellung vereinfacht.
Keine Sorge, Marketer. Dafür ist kein eigener Ethikausschuss für KI nötig. Stattdessen braucht es nur eine kurze Liste mit Fragen, die regelmäßig gestellt werden ... bevor der Agent live geht, nicht erst, wenn etwas schiefgeht.
Kurz gesagt: Die Teams, die es richtig machen, sind nicht diejenigen mit den besten Tools.
Sie sind diejenigen, die die Agentenbereitstellung als Disziplin behandelt haben, mit:
- Vollständig definierte Probleme
- Echte Testzyklen
- Governance, die bereits vor dem Bedarf aufgebaut wurde
- Erfolgskennzahlen, die erfassen, was möglich gemacht wurde ... und nicht nur, wie schnell es ging.
- KI-Unterstützung und -Schulung (Hallo, )
Die Technologie ist nicht mehr der schwierigste Teil. Die Herausforderung liegt im Umfeld: im Denken, in der Struktur, in der ehrlichen Einschätzung dessen, was Sie eigentlich erreichen wollen oder was Ihr Workflow benötigt. Wenn Sie das richtig machen, folgen die Agenten.
Erfahren Sie mehr über Das AI Playbook: Ein Leitfaden für moderne Marketer zur Agenten-Orchestrierung