5 Fehler, die Marketingteams bei der Einführung von KI-Agenten machen

Auf unserer Veranstaltung Agents in Action machte Daniel Hulme (Chief AI Officer @ WPP) - der seit 25 Jahren KI-Systeme in großem Maßstab entwickelt und einsetzt - eine Bemerkung, die hängen blieb. "Wir begeistern uns für Technik", sagte er, "und dann neigen wir dazu, diese Technik für die Lösung des falschen Problems einzusetzen."

Dieses Muster zieht sich durch Marketingorganisationen jeder Größe. Nicht, weil es den Teams an Ehrgeiz oder Ressourcen mangelt, sondern weil die eigentliche Disziplin des Agenteneinsatzes (die anspruchsvolle, wenig glamouröse Arbeit, die richtigen Probleme zu identifizieren, gründlich zu testen und Governance-Strukturen aufzubauen, bevor sie benötigt werden) selten in der Ankündigung der Markteinführung auftaucht.

Hier sind sechs typische Fehler, die wir bei Marketingteams beobachten, wenn sie KI-Agenten einführen. Einige davon stammen aus Daniels Vortrag, andere ergeben sich aus den allgemeinen Mustern, die sich dabei zeigen, wie Unternehmen diesen Wandel tatsächlich bewältigen.

Die gute Nachricht? Alle diese Fehler sind vermeidbar.

1. Mit dem Werkzeug beginnen, nicht mit dem Problem

   Dies ist ein grundlegender Punkt, der auf allen Ebenen der Unternehmensführung vorkommt. Eine neue Funktion eines Agenten wird zur Demo angefordert, und sofort stellt sich die Frage: Wo können wir das anwenden? Das Problem ist, dass man fast immer am falschen Ziel ankommt, wenn man die Einführung von einem Tool statt von einem Problem aus denkt.

   Die Alternative ist nicht langsam oder übervorsichtig - sie ist nur ein anderer Ausgangspunkt. Welches konkrete Problem verursacht Ihnen tatsächlich Kosten? Wo sind die Momente, die Sie verpassen, die Kampagnen, die Sie nicht in dem gewünschten Tempo durchführen können, die Inhaltsvarianten, die Sie nicht testen können? Fangen Sie dort an. Dann fragen Sie sich, ob ein Agent wirklich die richtige Lösung ist und ob Sie über die Daten und Funktionen verfügen, um ihn gut einzusetzen.

   "Beginnen Sie mit dem Problem und arbeiten Sie rückwärts. Fragen Sie sich: Haben wir die richtigen Funktionen, Kenntnisse und Daten, um das Problem zu lösen? Daniel Hulme, Leiter der KI-Abteilung bei WPP

    

   
   Teams, die den umgekehrten Weg gehen - also mit einem klar benannten Problem beginnen und auf eine Lösung hinarbeiten - stellen in der Regel fest, dass ihre Agenten besser definierte Inputs und Outputs haben, leichter zu bewerten sind und mit viel größerer Wahrscheinlichkeit etwas Messbares liefern.

2. Die Bereitstellung als Launch statt als Release-Zyklus behandeln

   Bei der traditionellen Softwareentwicklung entfallen etwa 80% des Gesamtaufwands auf das Testen. Nicht das Erstellen - das Testen. Dieses Verhältnis ändert sich nicht, wenn Sie KI-Agenten implementieren. Was sich jedoch ändert, ist, dass die meisten Teams dies nicht erkennen.

   Es besteht die Tendenz, den Einsatz von Agenten so zu behandeln, wie Sie einen Launch von Inhalten behandeln würden: planen, erstellen, ausliefern, weitermachen. Aber Agenten, die in Marketing-Workflows eingesetzt werden - Personalisierung von Inhalten, Weiterleitung von Aufträgen, Empfehlungen - sind eher Software-Releases als Kampagnen-Assets. Sie müssen kontinuierlich getestet, überwacht und weiterentwickelt werden.

   Daniel sprach das Risiko direkt an: "Unternehmen werden KI-Agenten einsetzen und sie nicht testen. Sie werden nicht erkennen, wie viel Aufwand nötig ist, um sicherzustellen, dass sie sicher und verantwortungsbewusst sind." Die Teams, die das richtig machen, entwickeln nicht nur Agenten. Sie bauen die Governance-Ebene um sie herum auf, die Struktur, die es ihnen ermöglicht, mit Zuversicht schnell zu handeln und nicht nur schnell zu handeln.

3. Nur für das Scheitern planen, nicht für den Erfolg

   Teams machen QA. Sie definieren, wie ein Misserfolg aussieht und bauen Sicherheitsvorkehrungen ein. Was sie jedoch selten tun, ist zu modellieren, was passiert, wenn ein Agent genau wie vorgesehen funktioniert - und trotzdem ein Problem verursacht.

   Daniel nennt dies das Problem, dass "alles richtig läuft", und es ist eines der am meisten unterschätzten Risiken bei der Implementierung von KI. Sein Beispiel ist sehr interessant: Ein Agent, der das Targeting von Marketingkampagnen mit perfekter Präzision optimiert, könnte mit der Zeit eine Welt schaffen, in der Gleiches auf Gleiches zielt - Zielgruppen, die so eng definiert sind, dass sie Verzerrungen verstärken und die kreative Bandbreite Ihres Marketings einschränken.

   "Sie müssen über die Konsequenzen nachdenken, wenn KI genau richtig läuft" Daniel Hulme, Chief AI Officer @ WPP

   
   Dies ist kein Argument dafür, die Funktionen von Agenten einzuschränken. Es ist ein Argument dafür, ihr Grenzen zu setzen. Erfolgsmetriken für Agenten brauchen eine Obergrenze, nicht nur eine Untergrenze. Wie sieht "zu optimiert" aus? Welche Ergebnisse zeigen Ihnen, dass der Agent auf eine Weise arbeitet, die ein Risiko für die nachgelagerten Bereiche darstellt - selbst wenn die Zahlen gut aussehen?
   
   

4. Einstellung für KI-Spezialisierung, wenn Breite der Multiplikator ist

   
   Wenn Sie in Ihrem Unternehmen KI-Funktionen aufbauen, suchen Sie instinktiv nach Spezialisten, nach Leuten, die die Tools kennen, die Modelle verstehen und die Sprache sprechen. Das ist nicht ganz falsch.
   
   ... aber Daniels Beobachtung aus 25 Jahren Einsatzarbeit weist auf eine weniger offensichtliche Wahrheit hin: Die Menschen, die den größten Nutzen aus KI-Agenten ziehen, sind nicht immer die technisch versiertesten. Sie sind die kontextuell reichsten.
   
   "Menschen, die über ein breites Spektrum an Fähigkeiten oder Wissen verfügen, können die KI besser nutzen", sagte er. Jemand mit einem Hintergrund in Kunstgeschichte, Anthropologie oder Geopolitik kann Bezüge, Rahmungen und kulturelle Resonanzen aufdecken, die einem eng geschulten Spezialisten möglicherweise völlig entgehen - weil die KI dieses Wissen bereits hat, ist es die Aufgabe des Menschen, zu wissen, wo er danach suchen muss.
   
   Für Marketingteams bedeutet das: Die richtige Person für die Orchestrierung von Agenten-Workflows ist möglicherweise nicht die technisch stärkste, sondern diejenige mit dem breitesten Verständnis, der größten Vielseitigkeit und der Fähigkeit, unterschiedlichste Ideen zusammenzuführen. Beides ist wichtig, aber verwechseln Sie nicht das eine mit dem anderen.

5. Messen Sie die Wirkung in 'eingesparter Zeit' statt in freigeschalteter Arbeit

   
   Zeitersparnis ist eine saubere Kennzahl (und eine, die wir alle lieben). Sie lässt sich leicht ausweisen und in einem Geschäftsbericht visualisieren, ist aber als Maß für den Wert eines Agenten in einem Marketingkontext oft irreführend.
   
   Wie Julia Maguire in der Sitzung bemerkte: Im Marketing gibt es nie einen Mangel an Arbeit. Effizienzsteigerungen schaffen keinen Spielraum - sie schaffen Kapazität für mehr Ehrgeiz.
   

   Die Frage sollte nicht nur lauten: "Wie viele Stunden wurden eingespart?", sondern vielmehr: "Was haben wir getan, was wir vorher nicht tun konnten?".

   
   Wie Daniel schon sagte:"Es gibt Millionen von Momenten, die verpasst werden, weil Marken es nicht schaffen, ihre Produkte den richtigen Menschen vorzustellen". Der wahre Grund für den Einsatz von KI-Agenten im Marketing ist nicht die operative Effizienz, sondern die Reichweite: die Kampagnen, die nicht durchgeführt wurden, die Content-Varianten, die nicht getestet wurden, die Zielgruppen, die nicht erreicht wurden. Wenn Sie das messen, ändert sich das Wertversprechen völlig.
   
   
   
   

6. Warten, bis etwas schief geht, um Governance aufzubauen

   
   Governance hat ein Imageproblem. Sie wirkt wie eine Bremse und nicht wie ein Beschleuniger - etwas, das man erst einführt, wenn die Anwälte eingeschaltet werden oder ein Zwischenfall das Gespräch erzwingt.
   
   In der Praxis ist das Gegenteil der Fall: Teams mit klaren Governance-Strukturen arbeiten schneller, nicht langsamer, weil sie sich bereits mit den Fragen beschäftigt haben, die sie sonst aufhalten würden.
   
   Daniel skizziert vier Fragen, die er vor jedem KI-Einsatz bei WPP stellt:
   
   ✅ Ist die Absicht angemessen?
   ✅ Sind die Algorithmen erklärbar?
   ✅ Wurden die Agenten ordnungsgemäß überprüft und getestet?
   ✅ Und (zurück zu Fehler Nr. 3), was passiert, wenn dies sehr gut läuft?
   
   Dies sind keine Checkboxen für Compliance. Sie sind ein Denkrahmen, der die Einsatzentscheidungen sauberer macht.
   
   Keine Panik, liebe Marketer. Dafür brauchen Sie keine spezielle KI-Ethikkommission. Stattdessen braucht es nur eine kurze Liste von Fragen, die immer wieder gestellt werden... bevor der Agent in Betrieb geht, und nicht erst, wenn die erste Panne auftritt.

Lange Rede, kurzer Sinn: Die Teams, die das richtig machen, sind nicht diejenigen mit den besten Tools.

Es sind diejenigen, die die Bereitstellung von Agenten wie eine Disziplin behandeln, mit:

• Vollständig definierte Probleme
• Echte Testzyklen
• Governance, die aufgebaut wurde, bevor sie gebraucht wurde
• Erfolgsmetriken, die erfassen, was möglich gemacht wurde... nicht nur schneller
• KI-Befähigung und -Schulung (hallo, Opal U | AI Marketing University)

Die Technik ist nicht mehr der schwierige Teil. Der schwierige Teil ist das Drumherum: das Denken, die Struktur, die ehrliche Einschätzung dessen, was Sie eigentlich tun wollen oder was Ihr Workflow braucht. Machen Sie das richtig, und die Agenten folgen.

Lesen Sie The AI Playbook: Der Leitfaden für moderne Vermarkter zur Orchestrierung von Agenten