Werte statt Regeln: Warum dein Decisioning-Agent an starren Vorgaben scheitert

Ein Kunde steht kurz vor dem Kaufabbruch, ein Rabatt könnte ihn umstimmen – aber er ist seit Jahren treu, sein Customer Lifetime Value liegt im oberen Quartil, und ein aggressiver Rabatt würde genau das beschädigen, was ihn treu gemacht hat. Ein regelbasiertes System kennt dafür keine Antwort, es sei denn, jemand hat diesen exakten Fall vorher codiert. Ein Decisioning-Agent mit einer Werte-Hierarchie trifft in diesem Moment eine begründbare Entscheidung – ohne dass diese Situation je explizit vorgesehen war. Genau dieser Unterschied entscheidet darüber, ob Personalisierung in Echtzeit funktioniert oder an der Realität scheitert.

Was ein Decisioning-Agent eigentlich tut

Marketing-Automation führt Regeln aus. Predictive-Analytics-Modelle liefern Wahrscheinlichkeiten, treffen aber selbst keine Entscheidung. Beides existiert seit Jahren, meist nebeneinander, selten verbunden. Ein Decisioning-Agent verbindet es: Er ruft ein Propensity-Modell ab, prüft eine Next-Best-Offer-Engine, gewichtet das Ergebnis gegen den Wert des Kunden – und handelt, ohne dass ein Mensch zwischen Modell-Output und Aktion vermitteln muss.

Ich habe das bei einem Retail-Kunden live gesehen: Kaufwahrscheinlichkeit 67 Prozent, ein Cross-Sell-Hinweis hätte sie rechnerisch auf über 70 Prozent gehoben. Ein reines Uplift-System hätte den Hinweis ausgespielt, aggressiv, als Pop-up. Der Agent tat etwas anderes: Er erkannte den hohen Customer Lifetime Value, wählte einen dezenten Banner statt eines Pop-ups, und der Kunde kaufte am Ende sogar mehr, als ursprünglich im Warenkorb lag. Nicht weil eine Regel das vorschrieb, sondern weil eine Priorität das nahelegte: Kundenerlebnis vor kurzfristiger Konversion.

Warum Regelkataloge an der Realität scheitern

Der naheliegende Reflex ist, für jeden Grenzfall eine neue Regel zu schreiben. Das Problem: Kein Regelkatalog wird je vollständig. Jede neue Regel erzeugt neue Ausnahmen, jede Ausnahme neue Sonderfälle. Ich kenne Teams, die an ihrem Next-Best-Action-System hunderte Wenn-Dann-Bedingungen gepflegt haben – und trotzdem laufend von Situationen überrascht wurden, die niemand vorausgesehen hatte. Nicht weil das Team schlecht gearbeitet hat, sondern weil Regelkataloge grundsätzlich das falsche Werkzeug für offene Situationen sind.

Ein Agent trifft aber ständig auf genau solche Situationen: neue Produktkombinationen, ungewöhnliche Kundenhistorien, Momente, die keine Vorlage haben. Wer versucht, das mit immer mehr Regeln abzudecken, baut ein System, das mit jeder Erweiterung fragiler wird statt robuster.

Werte statt Regeln – das unterschätzte Prinzip

Die Alternative liegt nicht in mehr Regeln, sondern in weniger, dafür klareren Prinzipien mit Kontext und Begründung. Anthropic verfolgt für Claude einen Ansatz, den sie selbst als „less like a cage, more like a trellis” beschreiben – weniger Käfig, mehr Rankgitter. Nicht jede mögliche Handlung wird verboten, sondern eine Hierarchie von Werten wird vorgegeben, an der sich das System in neuen Situationen orientieren kann. Dieses Prinzip lässt sich eins zu eins auf Marketing-Agenten übertragen.

Konkret heißt das: Statt „Rabatt X nur bei Warenkorbwert Y und Kundensegment Z” definierst du eine Rangfolge – etwa Kundenerlebnis vor kurzfristiger Umsatzmaximierung, Markenkonsistenz vor Conversion-Optimierung, Datensparsamkeit vor Personalisierungstiefe. Ein Agent, der versteht, warum diese Reihenfolge gilt, trifft in einem Grenzfall eine bessere Entscheidung als einer, der stur eine Regel abarbeitet, die für diesen Fall nie gedacht war.

Das ist kein Freibrief für Beliebigkeit. Eine Werte-Hierarchie ersetzt Guardrails nicht, sie ergänzt sie. Harte Grenzen – Consent-Regeln, Budgetobergrenzen, rechtliche Vorgaben – bleiben Regeln, weil sie nicht verhandelbar sind. Die Werte-Hierarchie kommt dort ins Spiel, wo eine Regel keine eindeutige Antwort mehr liefert.

Wie das in der Praxis aussieht

Eine Werte-Hierarchie ist kein abstraktes Manifest, sondern ein dokumentiertes, versioniertes Artefakt – vergleichbar mit den Guardrails, die ein Agent ohnehin braucht. Für ein Decisioning-System kann das so aussehen:

1. Einwilligung und rechtliche Grenzen sind absolut – keine Abwägung, keine Ausnahme.
2. Langfristiges Kundenerlebnis wiegt schwerer als kurzfristige Konversion.
3. Markenkonsistenz wiegt schwerer als individuelle Personalisierungstiefe.
4. Innerhalb dieser Grenzen optimiert der Agent auf das definierte Geschäftsziel.

Entscheidend ist, dass diese Rangfolge nicht nur in einem Strategiedokument steht, sondern dem Agenten als Kontext zur Verfügung steht – bei jeder Entscheidung, nicht nur bei der Modellauswahl. Und genauso entscheidend: Konflikte zwischen Prinzipien müssen eskalierbar sein. Wenn ein Agent einen Fall trifft, den auch die Werte-Hierarchie nicht eindeutig auflöst, muss er das kennzeichnen und an einen Menschen übergeben, statt eine Entscheidung zu erzwingen.

Was das konkret heißt

Drei Schritte, mit denen du anfangen kannst, ohne dein bestehendes Decisioning-System über Bord zu werfen:

Trenne Guardrails von Prioritäten. Nicht-verhandelbares gehört als harte Regel codiert. Alles, was Abwägung erfordert – Kundenerlebnis versus Umsatz, Reichweite versus Relevanz –, gehört in eine explizite Rangfolge, keine Wenn-Dann-Logik.

Schreib die Hierarchie auf, bevor du den nächsten Agenten baust. Wenn dein Team heute schon spürt, dass der Next-Best-Action-Regelkatalog aus dem Ruder läuft, ist das der Moment, drei bis fünf Prinzipien zu formulieren, statt Regel Nummer 51 hinzuzufügen.

Baue Eskalation von Anfang an ein. Ein Agent, der bei unklaren Fällen einen Menschen einbezieht, ist kein Zeichen von Unreife – er ist der Unterschied zwischen einem System, dem du vertrauen kannst, und einem, das du ständig überwachen musst.

Decisioning ist das Gehirn eines agentischen Marketing-Systems. Ein Gehirn, das nur Regeln abarbeitet, ist kein Gehirn – es ist eine Nachschlagetabelle. Der eigentliche Fortschritt entsteht dort, wo ein System versteht, warum es etwas tut, nicht nur, dass es etwas tun soll.

---

Kapitel 6 des Buchs behandelt den Decisioning Layer im Detail – von der Anatomie eines KI-Agenten über das Zusammenspiel von Propensity-Modellen, Next-Best-Action-Engines und Multi-Armed-Bandits bis zur praktischen Ausgestaltung einer Werte-Hierarchie.

→ Zum Buch