KI Agenten im Marketing: Was sie sind, wie Sie einen Agenten entwickeln und in Prozesse integrieren

Was sind KI Agenten im Marketing?

KI Agenten im Marketing sind Softwaresysteme, die ein Ziel erhalten, selbst über die nächsten Schritte entscheiden und dafür Werkzeuge wie CRM, Werbekonten, E-Mail und Tabellen nutzen. Danach prüfen sie das Ergebnis. In der Praxis übernehmen sie wiederkehrende Aufgaben mit Ermessensspielraum, etwa Lead Qualifizierung, Reporting und Kampagnenüberwachung, während ein Mensch riskante Aktionen freigibt.

Zunächst zu mir: Ich verantworte seit 2012 die Strategie digitaler Marketingprojekte. Zuletzt höre ich in fast jedem Kundengespräch dieselbe Frage, nämlich ob ein Agent die Arbeit beschleunigt. Meine Antwort lautet meistens: ja, aber nur für die richtige Aufgabe und mit klaren Grenzen. Denn ein schlecht zugeschnittener Agent produziert vor allem eines, nämlich Fehler in hohem Tempo.

In diesem Leitfaden zeige ich, wie KI Agenten im Marketing funktionieren und wo sie sich lohnen. Danach geht es um Wege mit und ohne Code, um Leitplanken, DSGVO und KI Verordnung, um Messung und um einen Pilotplan über 30 Tage. Alle Produktnamen und Funktionen stammen dabei aus der offiziellen Dokumentation der jeweiligen Anbieter.

Worin unterscheidet sich ein KI Agent von Chatbot und klassischer Automatisierung?

Alle drei laufen oft unter demselben Etikett „KI“, deshalb verwechseln viele sie. Am schnellsten trennen Sie die Begriffe mit einer einzigen Frage: Wer entscheidet über den nächsten Schritt? Konkret legen Sie bei klassischer Automatisierung die Entscheidung vorab in einer Regel fest. Ein Chatbot liefert also nur Antworten. Ein KI Agent dagegen schaut auf das Ziel und wählt dann selbst, welches Werkzeug er in welcher Reihenfolge aufruft.

Die letzte Zeile halte ich für die wichtigste. Der Fehler eines Chatbots ist ein falscher Satz. Beim Agenten ist der Fehler dagegen eine E-Mail an einen Kunden oder ein über Nacht verändertes Budget. Deshalb kommt bei Agenten das Sicherheitsdesign vor der Modellwahl. Wie regelbasierte Automatisierung funktioniert, erkläre ich übrigens in meinem Beitrag über Robotic Process Automation (RPA).

Ist ein Custom GPT schon ein KI Agent?

Nein, allerdings verschwimmt die Grenze zunehmend. Ein Custom GPT ist zunächst ein personalisierter Assistent in ChatGPT, der mit Ihren Anweisungen und Dateien arbeitet. Er startet, sobald ihm jemand schreibt, und bleibt dann meist im Gespräch. Über Actions kann er zwar externe Systeme ansprechen, den Anstoß gibt aber weiterhin ein Mensch.

Ein KI Agent startet dagegen selbstständig durch ein Ereignis oder einen Zeitplan, verkettet mehrere Schritte und schreibt das Ergebnis in ein anderes System. Kurz gesagt: Der Custom GPT ist ein Experte, der hilft, wenn Sie fragen. Der Agent ist dagegen ein Teammitglied, das eine Aufgabe übernimmt und zu Ende bringt. Wenn Ihr erster Schritt ein Assistent sein soll, beginnen Sie mit meiner Anleitung für Custom GPTs. Möchten Sie dagegen einen wiederkehrenden Prozess automatisch ausführen, lesen Sie hier weiter.

Aus welchen Bausteinen besteht ein KI Agent?

Egal welche Plattform Sie wählen, das Grundgerüst bleibt gleich. Die Dokumentation des OpenAI Agents SDK beschreibt Agenten zum Beispiel als Sprachmodelle mit Anweisungen und Werkzeugen. Für Marketingprojekte zerlege ich das in fünf Teile:

• Modell: das Sprachmodell, das entscheidet, etwa aus den Familien GPT, Claude oder Gemini.
• Anweisungen: Rolle, Ziel, Verbote und Abbruchbedingungen des Agenten.
• Werkzeuge: Aktionen wie einen Eintrag im CRM lesen, eine Tabellenzeile schreiben oder einen Entwurf für eine E-Mail anlegen.
• Gedächtnis und Kontext: vorherige Schritte, Kundenhistorie und Unternehmenswissen.
• Leitplanken: Freigabeschritte, Rechtegrenzen und Protokollierung.

In der Praxis entscheiden vor allem Anweisungen und Werkzeugbeschreibungen über das Ergebnis. Beschreiben Sie deshalb für jedes Werkzeug, was es tut, welche Eingabe es erwartet und wann der Agent es nicht anfassen soll. Eine vage Beschreibung verleitet das Modell nämlich zur falschen Wahl. Schlimmer noch: Dieser Fehler bleibt still, solange Sie die Protokolle nicht lesen.

Wo lohnen sich KI Agenten im Marketing zuerst?

Zunächst: Nicht jede Aufgabe braucht einen Agenten. Agenten glänzen vor allem dort, wo die Schritte jedes Mal etwas anders aussehen und mehrere Systeme zusammenarbeiten müssen. Zudem passen sie zu Aufgaben, an deren Ende eine Entscheidung oder Empfehlung steht. Im Marketing erfüllen fünf Bereiche diese Beschreibung:

1. Lead Qualifizierung und Anreicherung
2. Wöchentliches und monatliches Reporting
3. Content Operations: Briefings, Entwurfsprüfung, Redaktionsplan
4. Überwachung von Werbekonten und Warnungen bei Auffälligkeiten
5. Erste Antwort und Weiterleitung im Kundenservice

Für rein regelbasierte Arbeit ist ein Agent dagegen unnötiger Aufwand. Zum Beispiel reicht eine einfache Automatisierung, um bei einem neuen Formular einen Eintrag im CRM anzulegen. Ebenso gehören Entscheidungen mit hohem Risiko, etwa Markenstrategie oder Krisenkommunikation, nicht in die Hand eines Agenten. Welche KI Anwendungen in welcher Abteilung sinnvoll sind, beschreibe ich ausführlich im Beitrag KI im Unternehmen einsetzen. Im Folgenden gehe ich die fünf Bereiche also einzeln durch.

Wie arbeitet ein Agent für die Lead Qualifizierung?

Vor allem bei der Lead Qualifizierung schaffen Agenten schnell Wert. Der Ablauf sieht so aus: Über ein Webformular oder eine Anzeige kommt eine neue Anfrage herein. Zunächst liest der Agent das Formular, besucht die Website des Unternehmens und schätzt Branche und Größe. Danach bewertet er den Lead anhand Ihres idealen Kundenprofils und hinterlässt eine kurze Notiz im CRM.

Entscheidend ist: Der Agent entscheidet nicht anstelle Ihres Vertriebs. Er schlägt „heiß, warm oder kalt“ vor, darf aber weder Anfragen ablehnen noch automatisch Preise verschicken. Somit findet Ihr Vertriebsteam morgens eine fertige Prioritätenliste im CRM, während das letzte Wort beim Menschen bleibt.

Damit das zuverlässig funktioniert, müssen Formular und CRM sauber verbunden sein. Fehlende Felder verleiten den Agenten sonst zu Vermutungen und falschen Bewertungen. Den Datenfluss zwischen Formular und CRM beschreibe ich im Beitrag über die CRM Anbindung der Website. Schreiben Sie außerdem Ihre Bewertungskriterien vorab gemeinsam mit dem Vertrieb auf. Denn der Agent kennt die ungeschriebenen Regeln Ihres Teams nicht.

Wie erstellt ein Agent Ihren wöchentlichen Marketingreport?

Reporting kostet Marketingteams viel Zeit und bringt dennoch wenig Mehrwert. Ein Reporting Agent zieht jeden Montagmorgen Daten aus GA4, Google Ads und Meta. Dann vergleicht er die Zahlen mit der Vorwoche und beschreibt auffällige Veränderungen in klarer Sprache. Zum Beispiel: „Die Kosten sind gestiegen, die Conversions blieben aber stabil; der Anstieg stammt größtenteils aus einer Kampagne.“

Der Wert liegt also in der Interpretation, nicht im Kopieren von Tabellen. Allerdings ist die Interpretation nur so gut wie die Definitionen der Kennzahlen, die Sie dem Agenten geben. Weiß der Agent nicht, welche Conversion primär zählt oder welcher Kanal welchem Ziel dient, produziert er Fehlalarme.

Zudem gibt es eine weitere Falle: Sprachmodelle rechnen nicht immer korrekt. Lassen Sie deshalb Summen, Quoten und prozentuale Veränderungen von einem Codewerkzeug oder einer Tabelle berechnen. Das Modell interpretiert dann nur die fertigen Zahlen. Worauf Leser eines Reports achten sollten, erkläre ich im Beitrag Marketing Report richtig lesen; bauen Sie die Zusammenfassung des Agenten nach derselben Logik auf.

Was darf ein Agent in der Content Produktion übernehmen und was nicht?

Im Content empfehle ich, den Agenten als Assistenten für Abläufe zu sehen, nicht als Autor. Er kann zum Beispiel aus einer Keyword Liste erste Briefings entwerfen und veröffentlichte Beiträge auf veraltete Fakten prüfen. Außerdem listet er Chancen für interne Links auf und hält den Redaktionsplan aktuell. Diese Aufgaben wiederholen sich, folgen Regeln und lassen sich daher gut messen.

Stimme, Aussagen und Zahlen in veröffentlichten Texten brauchen dagegen eine menschliche Prüfung. Denn Sprachmodelle können Quellen erfinden, alte Informationen als aktuell darstellen und sogar Formulierungen nutzen, die Ihrer Markensprache widersprechen. Über die Grenzen von KI beim Texten habe ich separat geschrieben; wer sie kennt, hält seine Erwartungen realistisch.

Eine praktische Arbeitsteilung sieht so aus:

• Agent: Entwürfe für Briefings, Listen mit Überschriften der Konkurrenz, Vorschläge für interne Links, Hinweise auf veraltete Inhalte.
• Redaktion: Blickwinkel, Expertenwissen, Faktencheck, Schlusslektorat.
• Veröffentlichung: Freigabe im Redaktionsplan und Livegang.

So nutzt Ihr Team das Tempo des Agenten und behält trotzdem die Qualitätskontrolle.

Welche Signale sollte ein Agent im Werbekonto überwachen?

Die meisten Probleme in Google Ads und Meta beginnen leise: Die Ausgaben steigen über Nacht, ein Conversion Tag feuert nicht mehr oder abgelehnte Anzeigen bremsen eine Kampagne. Ein Überwachungsagent prüft diese Signale daher in festen Abständen und meldet sich nur bei relevanten Abweichungen. Typische Signale sind:

• Tagesausgaben, die deutlich vom Durchschnitt der letzten vier Wochen abweichen
• Conversions, die plötzlich auf null fallen (oft ein Tracking Problem)
• Abgelehnte Anzeigen oder Anzeigen mit eingeschränkter Auslieferung
• Mehr irrelevante Anfragen im Bericht zu den Suchbegriffen
• Eine Landingpage, die Fehler zeigt oder deutlich langsamer lädt

Geben Sie diesem Agenten zumindest in den ersten Monaten keine Rechte, Budgets zu ändern oder Kampagnen zu pausieren. Weisen Sie seinem Nutzer in Google Ads stattdessen die Zugriffsebene mit reinem Lesezugriff zu (in der englischen Oberfläche „Read only“). Dann kann eine Fehlentscheidung das Konto gar nicht berühren. Der Agent schreibt seine Empfehlung in Slack oder per E-Mail, und die Änderung nimmt ein Spezialist vor. Einen schnellen Gesundheitscheck für Ihr Konto liefert außerdem unser kostenloses Google Ads Audit Tool.

Wo endet die Rolle eines Agenten im Kundenservice?

Der Kundenservice ist für Agenten zugleich das sichtbarste und das riskanteste Einsatzfeld. Ein Agent kann zum Beispiel den Bestellstatus abfragen, häufige Fragen beantworten und Anliegen an das richtige Team weiterleiten. Außerdem arbeitet er nachts und am Wochenende.

Entscheidungen über Erstattungen, Entschädigungen, Preisverhandlungen oder den Abschluss einer Beschwerde gehören allerdings zum Menschen. Die Aufgabe des Agenten endet mit einer sauberen Übergabenotiz, die das Gespräch für die richtige Person zusammenfasst. Im OpenAI Agents SDK beschreibt das Konzept der Handoffs genau dieses Muster: Ein Agent übergibt die Aufgabe an einen spezialisierten Agenten. Nach demselben Muster können Sie ebenso an einen Menschen übergeben.

Dazu kommt ein rechtlicher Punkt. Seit August 2026 gelten die Transparenzpflichten aus Artikel 50 der KI Verordnung der EU. Systeme, die direkt mit Menschen interagieren, müssen demnach offenlegen, dass es sich um eine KI handelt, sofern das nicht offensichtlich ist. Wenn Sie in die EU verkaufen, platzieren Sie diesen Hinweis also gleich zu Beginn im Chatfenster.

Wie bauen Sie KI Agenten im Marketing ohne Code?

Wenn Sie keine Entwickler haben oder zuerst schnell testen möchten, sind Plattformen ohne Code ein guter Einstieg. Drei verbreitete Optionen bieten Agenten inzwischen direkt an:

• n8n: Sie verbinden ein Chatmodell und mindestens ein Werkzeug mit dem Knoten „AI Agent“, und der Agent entscheidet selbst, welches Werkzeug er aufruft. Als Werkzeuge kommen etwa ein anderer Workflow, eine HTTP Anfrage oder MCP Server infrage. Zudem können Sie n8n selbst hosten, was die Kontrolle über Ihre Daten erleichtert.
• Make: Die App „Make AI Agents“ bringt Agenten direkt in den Scenario Builder. Als Werkzeuge fügen Sie einzelne Module, mehrstufige Szenarien oder MCP Tools hinzu.
• Zapier Agents: Hier bauen Sie Agenten mit einfachen Anweisungen und ganz ohne Code. Laut Zapier arbeiten die Agenten mit mehr als 9.000 Apps, daher eignet sich die Plattform, wenn Sie viele fertige Integrationen brauchen.

Halten Sie den ersten Agenten in jedem Fall einfach. Den grundlegenden Ablauf zeige ich Schritt für Schritt in meiner Anleitung ChatGPT mit Google Sheets verbinden. Sammeln Sie auf dieser Ebene zuerst Routine, dann wechseln Sie zu Agenten. Außerdem kann n8n ausgewählte Werkzeugaufrufe anhalten und eine Freigabe über Slack, Telegram, Gmail oder Microsoft Teams einholen. Aktivieren Sie diese Funktion für Ihr erstes Pilotprojekt unbedingt.

Welches Framework passt für Entwickler?

Frameworks mit Code sind sinnvoller, wenn der Agent Kundendaten verarbeitet, hohe Volumen bewältigt oder in Ihrer eigenen Software laufen soll. Die offiziellen Optionen der drei großen Anbieter im Überblick:

Auf der Seite von OpenAI ist die Aufteilung klar. Das Agents SDK ist eine Bibliothek, die in Ihrer Anwendung läuft und für OpenAI Modelle standardmäßig die Responses API nutzt. Wollen Sie Schleife, Toolaufrufe und Zustand selbst steuern, arbeiten Sie also direkt mit der Responses API. Das Claude Agent SDK stellt dagegen die Werkzeuge, die Agentenschleife und das Kontextmanagement hinter Claude Code als Bibliothek bereit. Google ADK ist Open Source und unterstützt laut Dokumentation fünf Sprachen. Falls Sie noch nie eine Modell API aufgerufen haben, starten Sie am besten mit meiner Anleitung zur OpenAI API.

Ein Agent oder mehrere: Womit sollten Sie starten?

Starten Sie mit einem einzigen Agenten. In einem System aus mehreren Agenten hat jeder eine enge Spezialisierung und reicht Arbeit an die anderen weiter. Das OpenAI Agents SDK löst das über Handoffs, das Claude Agent SDK über Subagents und Google ADK über sequenzielle, parallele und schleifenbasierte Workflow Agenten.

Auf dem Papier wirkt das attraktiv, allerdings erschwert jeder zusätzliche Agent die Fehlersuche und erhöht die Kosten. Denn die falsche Ausgabe des einen Agenten ist die Eingabe des nächsten. Fügen Sie eine zweite Spezialisierung deshalb erst hinzu, wenn der erste Agent eine Aufgabe zuverlässig erledigt. Ein funktionierender Reporting Agent kann dann zum Beispiel einen zweiten Agenten versorgen, der Budgetvorschläge entwirft. Auch dann sollte ein Spezialist jeden Vorschlag freigeben, bevor er das Konto berührt.

Wie entwickeln Sie Ihren ersten Agenten Schritt für Schritt?

Ob mit oder ohne Code, die Reihenfolge bleibt dieselbe. Wenn mein Team und ich ein Agentenprojekt starten, folgen wir diesen sieben Schritten:

1. Eine Aufgabe wählen. Nicht „Marketing automatisieren“, sondern eine enge Aufgabe wie „neue Leads jeden Morgen bewerten“.
2. Den heutigen Prozess dokumentieren. Wer erledigt die Aufgabe heute, wie lange dauert sie und welche Systeme nutzt die Person?
3. Erfolg vorab definieren. Legen Sie Ziele für Genauigkeit, Zeit, Kosten und Korrekturquote fest.
4. Werkzeuge mit minimalen Rechten ausstatten. Reicht Lesezugriff, vergeben Sie keine Schreibrechte.
5. Anweisungen schreiben und an alten Fällen testen. Vergleichen Sie die Entscheidungen des Agenten mit denen Ihres Teams bei denselben Fällen.
6. Im Schattenmodus laufen lassen. Der Agent schlägt vor, ein Mensch handelt.
7. Zur freigegebenen Autonomie wechseln. Geben Sie risikoarme Schritte frei und verlangen Sie bei riskanten Schritten eine Freigabe.

Den zweiten Schritt überspringen Teams am häufigsten. Wenn Sie einen Agenten ohne Messung des heutigen Prozesses bauen, können Sie nie belegen, ob er etwas bringt. Vor allem wenn die Geschäftsführung fragt, was das Projekt gebracht hat, brauchen Sie eine Ausgangsbasis zum Vergleich.

Wie binden Sie den Agenten in bestehende Prozesse ein?

Die goldene Regel lautet: Platzieren Sie den Agenten in den Tools, die Ihr Team ohnehin nutzt, nicht in einer neuen Oberfläche. Arbeitet der Vertrieb im CRM, sollte die Ausgabe des Agenten eine Notiz im CRM sein. Kommuniziert das Marketing in Slack, gehören die Warnungen dorthin. Ein zusätzliches Dashboard erschwert dagegen nur die Akzeptanz.

Die zweite Regel: Koppeln Sie den Agenten an einen Auslöser. Das kann ein Zeitpunkt sein (jeden Montagmorgen), ein Ereignis (neues Formular, neue Bewertung) oder ein Schwellenwert (Abweichung bei den Ausgaben). Ein Agent, der ständig mit vager Aufgabe läuft, kostet viel und lässt sich schwer überwachen.

Die dritte Regel: Starten Sie mit einem Datenfluss in nur eine Richtung. Zunächst liest der Agent Daten und schreibt Empfehlungen; Schreibrechte für andere Systeme öffnen Sie erst, wenn er Ihr Vertrauen verdient hat. Wie Agenten mit Websites kommunizieren, gewinnt außerdem an Bedeutung; einen neuen Standard für Agenten im Browser stelle ich im Beitrag WebMCP und das Agentic Web vor. Schließlich definieren Sie an jeder Schnittstelle einen Fehlerpfad: Was tut der Agent, wenn ein Tool nicht antwortet, und wen alarmiert er?

Welche Leitplanken sind Pflicht?

Die Risikoliste von OWASP für Anwendungen mit Sprachmodellen führt übermäßige Handlungsbefugnis (Excessive Agency) als eigene Kategorie. OWASP nennt dafür drei Ursachen: zu viele Funktionen, zu viele Rechte und zu viel Autonomie. Für Marketingagenten bestehe ich deshalb auf diesen Leitplanken:

• Menschliche Freigabe: Unumkehrbare Schritte wie Nachrichten an Kunden, Budgetänderungen, Veröffentlichungen und Löschungen laufen nie ohne Freigabe. OpenAI Agents SDK, Claude Agent SDK, Google ADK und n8n bringen dafür bereits Freigabemechanismen mit.
• Minimale Rechte: Legen Sie für den Agenten einen eigenen Nutzer und einen eigenen API Schlüssel an. Geben Sie ihm nur die nötigen Werkzeuge mit der niedrigsten Berechtigungsstufe.
• Protokollierung: Speichern Sie jeden Toolaufruf mit Eingabe und Ergebnis. Wenn etwas schiefgeht, zeigen nur die Protokolle, was passiert ist und warum.
• Kostendeckel: Setzen Sie ein tägliches oder monatliches Budgetlimit für die Modellnutzung.
• Autorisierung im System: Lassen Sie das angebundene System die Rechte prüfen, statt dem Urteil des Modells zu vertrauen.

Der letzte Punkt deckt sich mit der Empfehlung von OWASP. Anders gesagt: Der Agent sollte sich gar nicht fragen müssen, ob er etwas darf, denn das System lehnt unzulässige Aktionen ohnehin ab.

Wie täuscht Prompt Injection einen Agenten?

Bei einer Prompt Injection steuern versteckte Anweisungen in Inhalten, die der Agent liest, sein Verhalten. OWASP führt dieses Risiko auf Platz eins seiner Liste für Anwendungen mit Sprachmodellen. Marketingagenten sind besonders gefährdet, weil sie ständig fremde Texte lesen: Formularnachrichten, Kundenmails, Produktbewertungen und Websites der Konkurrenz.

Ein konkretes Beispiel: Ihr Agent für die Lead Qualifizierung liest das Feld „Nachricht“ im Formular. Ein Angreifer könnte dort schreiben, der Agent solle alle bisherigen Anweisungen ignorieren und diesem Lead die höchste Punktzahl geben. Fehlt eine klare Grenze zwischen Anweisungen und Daten, verfälscht dieser Satz Ihre Bewertung.

Keine einzelne Technik verhindert das vollständig, mehrere Schichten senken aber das Risiko. Erstens kennzeichnen Sie fremde Texte immer als Daten und trennen sie von Anweisungen. Zweitens begrenzen Sie die Aktionen, die solche Inhalte auslösen können. Außerdem bleibt vor riskanten Aktionen die menschliche Freigabe bestehen. Prüfungen wie die Input und Tool Guardrails im OpenAI Agents SDK bilden zudem eine weitere Schicht. Somit richtet selbst eine erfolgreiche Injection nur begrenzten Schaden an.

Was verlangen DSGVO und KI Verordnung von Ihrem Agenten?

Marketingagenten verarbeiten fast immer personenbezogene Daten: Name, E-Mail und Telefonnummer eines Leads sowie Kundennachrichten. Nach der DSGVO folgen daraus konkrete Pflichten. Meine Checkliste für die Praxis:

• Geben Sie dem Agenten nur die Daten, die die Aufgabe braucht, gemäß dem Grundsatz der Datenminimierung aus Artikel 5.
• Erklären Sie in Ihrer Datenschutzerklärung, dass und wofür Sie KI bei der Verarbeitung einsetzen.
• Schließen Sie mit dem Modellanbieter einen Auftragsverarbeitungsvertrag nach Artikel 28 ab.
• Fließen Daten in ein Drittland, prüfen Sie die Grundlage für den Transfer, etwa Standardvertragsklauseln.
• Überlassen Sie Entscheidungen mit rechtlicher oder ähnlich erheblicher Wirkung nicht vollständig der Automatisierung; Artikel 22 enthält dafür eigene Regeln.

Hinzu kommt die bereits erwähnte Pflicht aus Artikel 50 der KI Verordnung, einen Chat mit einer KI als solchen erkennbar zu machen. Falls Ihr Unternehmen einen Betriebsrat hat, prüfen Sie außerdem die Mitbestimmung, sobald das System Leistungsdaten von Mitarbeitenden auswertet. Die technische Seite beschreibe ich im Leitfaden zur datenschutzkonformen Website. Das hier ist allerdings keine Rechtsberatung; bei sensiblen Daten sollten Sie eine auf Datenschutz spezialisierte Kanzlei hinzuziehen.

Wie messen Sie den Erfolg von KI Agenten im Marketing?

Eine beeindruckende Demo ist noch kein Erfolg. Stattdessen belegen Sie den Erfolg, indem Sie die Ergebnisse mit der vor dem Pilotprojekt gemessenen Ausgangsbasis vergleichen. Diese Kennzahlen verfolge ich bei Marketingagenten:

Um das Geschäftsergebnis zu messen, müssen Sie den Traffic und die Leads trennen, die der Agent berührt hat. Am einfachsten gelingt das mit UTM Parametern in den Links der Nachrichten, die der Agent per E-Mail verschickt; unser UTM Generator hält Ihre Kennzeichnungen einheitlich. Prüfen Sie schließlich jede Woche die Korrekturquote. Sinkt sie nicht, stimmt etwas mit Ihren Anweisungen oder Datenquellen nicht.

Wie sieht ein Pilotprojekt über 30 Tage aus?

Das Ziel des Pilotprojekts ist nicht, einen Agenten zu bauen. Es geht also darum, mit Daten zu entscheiden, ob sich die Skalierung lohnt. Diesen Zeitplan empfehle ich:

1. Vorbereitung (Woche 1): Prozess wählen, heutige Leistung messen, Datenquellen und Rechte festlegen, Erfolgsschwelle aufschreiben.
2. Aufbau und Schattenmodus (Woche 2): Agenten bauen und an alten Fällen testen. Danach läuft er auf Echtdaten, macht aber nur Vorschläge.
3. Betrieb mit Freigabe (Woche 3): Risikoarme Schritte an den Agenten übergeben, für riskante Schritte die menschliche Freigabe beibehalten und täglich die Protokolle lesen.
4. Auswertung (Woche 4): Kennzahlen mit der Ausgangsbasis vergleichen und Kosten berechnen. Dann eine von drei Entscheidungen treffen: skalieren, nachbessern oder stoppen.

Auch „stoppen“ ist ein gültiges Ergebnis. In einer Pressemitteilung vom Juni 2025 prognostiziert Gartner, dass Unternehmen bis Ende 2027 mehr als 40 Prozent der Projekte mit agentischer KI abbrechen. Als Gründe nennt Gartner steigende Kosten, unklaren Geschäftswert oder unzureichende Risikokontrollen. Nach 30 Tagen mit Daten auszusteigen ist daher besser, als ein Jahr und ein Budget zu verschwenden.

Was kostet ein KI Agent im Betrieb wirklich?

Die Kosten eines Agenten bestehen nie aus einem einzigen Posten. Rechnen Sie mit diesen vier:

• Modellnutzung: Anbieter rechnen meist pro Input und Output Token ab, und Agenten senden den Kontext bei jedem Schritt erneut, deshalb wächst dieser Posten schnell.
• Plattform: Preise nach Tarif, Operationen oder Credits bei Tools wie n8n, Make und Zapier.
• Aufbau und Wartung: Zeit von Fachleuten für angepasste Anweisungen, geänderte Tools und Fehlersuche.
• Menschliche Prüfung: die Zeit, die Ihr Team mit Freigaben und Korrekturen verbringt.

Den letzten Posten vergessen Teams oft. Erledigt ein Agent zehn Aufgaben pro Stunde, prüft aber jemand jede davon fünf Minuten lang, fällt der Gewinn kleiner aus als gedacht. Berechnen Sie die Kosten pro Aufgabe folglich aus allen vier Posten, nicht nur aus der Modellrechnung. Machen Sie dieselbe Rechnung auch für den manuellen Prozess vor dem Pilotprojekt; erst dann ist der Vergleich fair.

An welchen Fehlern scheitern Agentenprojekte am häufigsten?

Nach meiner Erfahrung scheitern Agentenprojekte häufiger an Managementlücken als an der Technik. Diese Fehler sehe ich am häufigsten:

• Vages Ziel: „Wir stärken unser Marketing mit KI“ ist kein Ziel. Wählen Sie stattdessen eine messbare Aufgabe.
• Agent Washing: Gartner schätzt, dass nur etwa 130 der Tausenden Anbieter agentischer KI echte Agenten liefern. Testen Sie vor dem Kauf, ob das Produkt tatsächlich Werkzeuge aufruft und Entscheidungen trifft.
• Schlechte Daten: Doppelte Einträge im CRM und fehlende Felder verzerren das Urteil des Agenten.
• Volle Autonomie ab dem ersten Tag: Ein Agent, der ohne Freigabeschritte live geht, kann mit seinem ersten Fehler das Vertrauen in das ganze Projekt zerstören.
• Kein Verantwortlicher: Wenn niemand die Anweisungen pflegt und die Protokolle liest, veraltet der Agent innerhalb weniger Monate.

Diese Fehler haben eines gemeinsam: Der Agent gilt als Softwareprojekt statt als Prozessprojekt. Die Person, die den Prozess verantwortet, zählt deshalb genauso viel wie die Person, die den Agenten baut; benennen Sie also gleich zu Beginn eine verantwortliche Person.

Wie starten Sie mit KI Agenten im Marketing?

Der sicherste Start ist ein einzelner Prozess mit geringem Risiko, der sich leicht messen lässt. Für die meisten Teams bedeutet das wöchentliches Reporting oder die Überwachung von Werbekonten. In beiden Fällen liest der Agent nur Daten und schreibt Vorschläge, daher erreicht ein Fehler nie einen Kunden. Läuft das erste Pilotprojekt erfolgreich, können Sie danach Aufgaben angehen, die ins CRM schreiben, etwa die Lead Qualifizierung.

Wenn mein Team und ich Agenten in Marketingprozesse bringen, erfassen wir zunächst den bestehenden Ablauf. Dann entwerfen wir ein Pilotprojekt mit minimalen Rechten und menschlicher Freigabe. Möchten Sie mit einem Agenten für Überwachung und Reporting Ihrer Werbekonten beginnen, passt unsere Google Ads Verwaltung gut dazu. Für Sichtbarkeit in Suche und KI Antworten lohnt sich ein Blick auf unsere Leistung KI SEO und GEO. Welchen Weg Sie auch wählen: Bauen Sie KI Agenten im Marketing so, dass sie neben Ihrem Team arbeiten, nicht an seiner Stelle.