GenAI ist das Werkzeug, der Agent ist der Dirigent

Viele Teams glauben, generative KI sei selbst ein Agent — ein Textgenerator, der eigenständig Kampagnen erstellt. Diese Verwechslung ist die Fehlvorstellung, die den ROI von Agentic Marketing am häufigsten ruiniert. Denn wer GenAI für den Agenten hält, baut glorifizierte Copywriting-Tools: schneller schreiben, mehr Varianten, gleiche Prozesse. Und wundert sich dann, warum außer Zeitersparnis beim Texten nichts passiert.

Die richtige Rollenverteilung ist eine andere: GenAI erzeugt. Der Agent entscheidet.

Was GenAI kann — und was nicht

Generative KI erzeugt Text, Bilder, Ideen. Das kann sie beeindruckend gut. Was sie nicht tut: entscheiden, wann, für wen und warum etwas erzeugt wird. Sie kennt weder das Kampagnenziel noch den Kundenkontext noch die Markenregeln — es sei denn, jemand gibt ihr all das mit.

Genau dieser Jemand ist der Agent. Ein Experience-Design-Agent nutzt generative KI so, wie ein Grafiker Photoshop nutzt: Er bestimmt, was generiert werden soll, gibt den Kontext vor, steuert die Parameter, bewertet das Ergebnis und entscheidet, ob es verwendet wird. Konkret übernimmt er fünf Aufgaben:

1. Kontext interpretieren: Was ist über diesen Kunden bekannt? Was ist das Ziel dieser Interaktion?
2. Inhalt anfordern: das GenAI-Modell mit dem richtigen Prompt, den richtigen Constraints, dem richtigen Ton aufrufen
3. Qualität prüfen: Entspricht das Ergebnis den Markenrichtlinien, ist es rechtlich sauber und inhaltlich korrekt?
4. Varianten testen: unterschiedliche Fassungen ausspielen und Performance-Daten sammeln
5. Optimieren: auf Basis der Feedback-Signale die Prompt-Strategie verbessern

Ein Beispiel aus der Praxis: Ein mittelständischer Outdoor-Händler startet eine Reaktivierungskampagne. Der Agent erhält das Signal „Segment High-Value-Inactive, letzter Kauf: Wanderschuhe, Churn-Wahrscheinlichkeit: 72 %”. Er ruft das Modell mit dem passenden Kontext auf — Outdoor-Affinität, Frühjahrssaison, Markenwerte. Das Modell liefert drei Varianten. Der Agent prüft sie gegen die Brand-Guideline, verwirft eine wegen zu aggressiver Tonalität und leitet zwei zur Ausspielung weiter. Das Modell hat geschrieben. Entschieden hat der Agent.

Der Unterschied zu klassischer Marketing-Automation

„Das macht meine Automation-Plattform doch auch” — der Einwand kommt in fast jedem Gespräch. Braze, Klaviyo und Co. sind regelbasierte Systeme mit sehr guten Oberflächen. Sie reagieren auf Events, die du vorher definiert hast: Wenn Warenkorb abgebrochen, dann Erinnerungs-Mail nach zwei Stunden.

Ein Agent reagiert auch auf Situationen, die niemand explizit modelliert hat. Etwa: Ein Kunde bricht den Warenkorb ab, hat aber heute dreimal die Produktseite geöffnet und im Support-Chat nach Lieferzeiten gefragt. Ein Regelsystem ignoriert diese Kombination, weil niemand die If-Then-Regel dafür geschrieben hat. Ein Agent bewertet sie als Kaufabsicht und priorisiert einen anderen Kanal.

Pointiert gesagt: Regelsysteme wiederholen Prozesse konsistent. Agenten treffen im Rahmen der Vorgaben eigene Einschätzungen. Das ist der Unterschied, der über den ROI entscheidet — nicht die Qualität der generierten Headline.

Die berechtigtste Sorge: Bleibt die Marke erkennbar?

Wenn Agenten autonom tausende Inhalte erzeugen — zerfasert die Marke dann in tausend leicht unterschiedliche Tonalitäten? Die Sorge ist berechtigt, und die Antwort hängt an einer Bedingung: ob die Markenführung kodifiziert ist.

Eine Brand-Guideline als PDF im Sharepoint nützt einem Agenten nichts. Eine Markenstimme, die als maschinenlesbarer Kontext vorliegt — mit Beispielen, verbotenen Formulierungen, Tonalitätsregeln —, wird zur abrufbaren Schablone für jeden Content-Schritt. Sie wirkt an drei Stellen: als Input für jede Generierung, als Kontrolle durch einen Review-Agenten, der jeden Output gegen die Markenregeln prüft, und als Lernschleife, die markenkonforme und performante Varianten zurückspielt.

Der entscheidende Perspektivwechsel: Markenkontrolle verlagert sich von der Freigabe einzelner Assets zur Freigabe der Regeln, innerhalb derer tausende Assets entstehen. Das ist präzisere Kontrolle, nicht weniger. Wer die Marke kodifiziert, kann sie über Millionen Kontaktpunkte konsistent halten. Wer sie in Köpfen und PDFs belässt, verliert sie genau dann, wenn Volumen entsteht.

Was das konkret heißt

Wenn du GenAI im Marketing einsetzt oder es planst, prüfe dein Setup gegen vier Fragen:

Wer entscheidet — Mensch, Regel oder Agent? Wenn die Antwort lautet „das Modell entscheidet selbst”, hast du kein agentisches System, sondern einen unbeaufsichtigten Textgenerator. Wenn die Antwort lautet „ein Mensch gibt jedes Asset frei”, hast du einen Flaschenhals, der bei Personalisierung in Skalierung unweigerlich bricht.

Ist deine Markenstimme agenten-lesbar? Ein strukturiertes Dokument mit Tonalitätsregeln, Positiv- und Negativbeispielen und verbotenen Formulierungen ist die Grundlage für alles Weitere. Ohne sie prüft niemand die Outputs — auch kein Agent.

Sind deine Inhalte modular? Agenten komponieren aus Bausteinen: Headlines, Value Propositions, CTAs, Bild-Assets mit sauberen Metadaten. Was heute unstrukturiert in Ordnern liegt, ist morgen der Engpass.

Gibt es eine Feedback-Schleife? Ein Agent, der nicht erfährt, welche Varianten funktioniert haben, kann nicht optimieren. Dann bleibt vom Agentic-Versprechen nur die Textgenerierung übrig — und du bist wieder beim Copywriting-Tool.

Der Reihenfolge-Tipp aus meiner Erfahrung: erst Markenstimme kodifizieren, dann einen einzelnen Use Case mit klaren Guardrails aufsetzen, dann skalieren. Wer mit der Skalierung anfängt, skaliert vor allem seine ungelösten Probleme.

---

Kapitel 7 des Buchs behandelt den Design & Distribution Layer im Detail: die Content Supply Chain von der Idee bis zum ausgespielten Asset, Brand-Governance at Scale und den Weg vom ersten Piloten zur produktiven Skalierung.

→ Zum Buch