AI Marketing Rahmen: Von einem Haufen von Teilen zu einem funktionierenden System

Die Marketingbudgets stagnieren bei 7,7 % des Umsatzes, während 59 % der CMOs berichten, dass das Budget nicht ausreicht, um die Strategie umzusetzen.

Dieser Druck zwingt zu schwierigen Entscheidungen:Gartners Umfrage zu den CMO-Ausgaben 2025 ergab, dass 39 % der Befragten planen, die Ausgaben für Agenturen zu senken, und 39 % planen, die Arbeitskosten zu reduzieren.

Das Versprechen der KI ist eindeutig. Zweiundzwanzig Prozent der CMOs gaben an, dass GenAI es ihnen ermöglicht hat, die Abhängigkeit von externen Agenturen zu verringern.

Aber hier ist die Lücke:Gartners Studie vom Oktober 2025 ergab, dass 45 % der Marktführer sagen, dass KI-Agenten die Erwartungen nicht erfüllen. Die Hälfte führt mangelnde technische Bereitschaft an. Die Hälfte führt Talentmangel an.

Die Werkzeuge existieren. Die Architektur, um sie zu verbinden, jedoch nicht.

Die meisten Unternehmen setzen KI in Silos ein. Das Content-Team verwendet ChatGPT für Entwürfe. Das Analyseteam verwendet KI für Berichte. Das Paid-Media-Team nutzt KI für Anzeigentexte.

Jedes Team optimiert lokal und isoliert. Das Ergebnis: 15 bis 20 verschiedene KI-Anwendungen ohne systematische Orchestrierung.

Die2025 Marketing-Technologie-Landschaft umfasst nun 15.384 Lösungen, wobei 77 % der Neuzugänge KI-nativ sind. Mehr Tools haben das Problem nicht gelöst.

Nach Angaben vonDer Stand der KI 2025 von McKinseyNur 6 % der Unternehmen gelten als "KI-High-Performer" (diejenigen, die 5 % oder mehr EBIT-Auswirkungen auf den Einsatz von KI zurückführen). Bei diesen High-Performern ist die Wahrscheinlichkeit, dass sie Arbeitsabläufe umgestalten und transformative Veränderungen vornehmen, mehr als dreimal so hoch.

Der Unterschied liegt nicht in den Tools. Es ist die operative Ebene, die die KI-Marketing-Outputs miteinander verbindet.

Jedes wirksame Marketingsystem erfordert drei universelle Fähigkeiten, unabhängig von der Methodik. Ich habe diese durch die Analyse etablierter Frameworks von STP über AARRR bis hin zum HubSpot Flywheel identifiziert. Alle haben gemeinsame Grundlagen.

Jede Ebene baut auf der vorherigen auf. Ohne ein Fundament können Sie nicht effektiv arbeiten. Man kann nicht optimieren, was man nicht misst.

Ich habe die Marketingfunktionen auf den drei Ebenen abgebildet und 11 verschiedene Motoren identifiziert. Jeder Motor steht für eine Kernfunktion des Marketings, die mit KI systematisiert werden kann.

Betrachten Sie jede Engine als einen Container für die atomaren und zusammengesetzten Aufgaben, die ich in Teil 1 vorgestellt habe.

Grundlegende Schicht: DEFINIEREN, VERSTEHEN, POSITIONIEREN

Gründungsmotoren geben den strategischen Kontext vor, der für alles andere maßgeblich ist.

• DEFINE schafft einen Rahmen für die Markenidentität und das Messaging.
• UNDERSTAND baut durch Verhaltensanalyse und Segmentierung eine intelligente Zielgruppe auf.
• POSITION überwacht die Wettbewerbslandschaft und verwaltet die Differenzierung, einschließlich der Darstellung Ihrer Marke in den KI-Suchergebnissen (AIO).

Ohne Foundation erzeugt die Ausführung eine generische Ausgabe in großem Umfang.

Ausführungsebene: ERSTELLEN, KONVERTIEREN, VERSTÄRKEN, PFLEGEN

Execution Engines produzieren und verteilen Marketing-Assets.

• CREATE übernimmt die formatübergreifende Produktion von Inhalten.
• CONVERT erstellt Landing Pages und Konversionspfade.
• AMPLIFY verwaltet die bezahlten Medien und den Vertrieb.
• NURTURE pflegt Beziehungen durch E-Mail-Sequenzen und Lifecycle-Marketing.

Diese Maschinen profitieren am meisten von der KI-Automatisierung, da ihre Ergebnisse messbar und ihre Arbeitsabläufe wiederholbar sind.

Optimierungsschicht: MESSEN, ZUHÖREN, OPTIMIEREN, WACHSEN

Optimierungsmotoren schaffen die Rückkopplungsschleifen, die das System intelligent machen.

• MEASURE verfolgt Leistung und Zurechnung.
• LISTEN überwacht Markenerwähnungen und Marktsignale über alle Kanäle hinweg, einschließlich KI-Plattformen.
• OPTIMISE führt Tests durch und wertet die Ergebnisse aus.
• GROW identifiziert Expansionsmöglichkeiten.

Diese Engines leiten Erkenntnisse an die Foundation weiter, so dass im Laufe der Zeit immer mehr Verbesserungen erzielt werden.

Es handelt sich nicht um 11 unabhängige, isoliert arbeitende Motoren. Es handelt sich um ein koordiniertes System, bei dem jede Ebene die anderen informiert.

Die Basisebene legt die Strategie und die Erfolgskriterien fest. Die Ausführungsebene produziert Vermögenswerte, die mit dieser Strategie übereinstimmen. Die Optimierungsschicht analysiert Leistung und Marktsignale. Anschließend erfolgt eine Rückkopplung zur Foundation-Ebene, um die Strategie zu verfeinern.

Hier ein Beispiel: Die LISTEN-Engine stellt fest, dass die Erzählung eines Wettbewerbers an Zugkraft gewinnt. Sie füttert die POSITION-Engine, um die Differenzierung zu verfeinern. Das informiert die DEFINE-Engine, um das Messaging anzupassen. Dies beeinflusst, was die CREATE Engine produziert. MEASURE Engine verfolgt, ob es funktioniert.

POSITION hat jetzt eine externe Dimension, die es vor fünf Jahren noch nicht gab: AIO (Artificial Intelligence Optimisation). Ihr Marken-Narrativ muss nicht nur in den Köpfen der Menschen richtig zitiert werden, sondern auch in den Trainingsdaten und RAG-Systemen externer KI-Modelle wie Perplexity, ChatGPT und Gemini.

Diese KI-Maschinen werden zu Torwächtern für Ihre Kunden. LISTEN überwacht, wie Ihre Marke in KI-generierten Antworten erscheint. POSITION stellt sicher, dass Sie dieses Narrativ proaktiv mitgestalten.

So entsteht ein Kreislauf, in dem jeder Zyklus intelligenter ist als der vorherige.

Das ist auch der Grund, warum der Ansatz des "Haufens von Teilen" scheitert. Inhaltsgeneratoren (CREATE-Engine) ohne den strategischen Kontext der DEFINE- und UNDERSTAND-Engines produzieren generische Ergebnisse. Analyse-Dashboards (MEASURE-Engine), die nicht an die POSITION-Engine rückgekoppelt sind, verschenken Erkenntnisse.

Der Wert liegt nicht in den Motoren selbst. Es geht darum, wie sie sich verbinden.

Umsetzung in der realen Welt: Die Verbindung zum Erstellen von Artikeln

Wenn Sie sich meineArtikel erstellen v7.0.3 System sehen Sie die Ausführungsschicht in Bewegung. Aber ihre Leistung wird durch die Foundation begrenzt.

Der Motor verbraucht vier spezifische Dateien:Stimme.md,brand.md,icp.mdundpositionierung.md. Dies sind keine Setup-Dateien. Sie sind die lebendigen Ausgaben desDEFINIEREN, VERSTEHEN und POSITIONIEREN von Motoren.

Ändern Sie die Ausgabe der UNDERSTAND-Engine (indem Sie auf einen neuen ICP umschalten), passt die CREATE-Engine ihre Ausgabe sofort an, ohne dass eine einzige Eingabeaufforderung erforderlich ist. Dies ist Orchestrierung, nicht nur Automatisierung.

Die Architektur beantwortet, was mit was verbunden ist. Sie gibt keine Antwort auf die Frage: Wie viel sollte KI an jedem Punkt kontrollieren?

Soll LISTEN rund um die Uhr autonom laufen oder auf menschliche Eingaben warten? Soll CREATE Inhalte zur Genehmigung vorbereiten oder direkt veröffentlichen? Soll AMPLIFY die Werbeausgaben selbständig anpassen oder jede Änderung melden?

Dies sind keine binären Fragen. Es ist ein Spektrum. Verschiedene Motoren gehören an verschiedene Punkte auf diesem Spektrum.

Durchführbarkeit nach Motor

Nicht alle Triebwerke sollten mit demselben Autonomieniveau arbeiten.

Gründungsmotoren (DEFINE, POSITION) und Expansion (GROW) sind auf L4 begrenzt. Das strategische Urteilsvermögen bleibt menschlich. UNDERSTAND ist die Ausnahme und erreicht heute L3 durch Tools wie synthetische Nutzerpanels und KI-gestützte Verhaltensanalysen, die eigenständig Forschungen mit menschlicher Genehmigung von Methodik und Erkenntnissen durchführen.

Ausführungs- und Optimierungsmotoren können L5 erreichen, weil sie taktischer, messbarer und begrenzter sind.

Autonomie in der Praxis: 2025 Evidenz

Diese Autonomiestufen sind nicht theoretisch. Sie werden durch die aktuellen Fähigkeiten der Plattform bestätigt.

L3 (Beaufsichtigte Selbstständigkeit):Googles AI Max ist das deutlichste Beispiel. Das System verwaltet Gebotsabgabe, Targeting und Anzeigenerstellung innerhalb einer einheitlichen Kampagnenstruktur.

Aber es gibt auch Steuerelemente: negative Keywords auf Kampagnenebene, Markenausschlüsse und Suchthemen. Die KI fährt, aber der Mensch kann das Steuer übernehmen.

Metas Advantage+ arbeitet ähnlich mit vollständiger Automatisierung und minimalen Überschreibungen, die durch einen Opportunity Score gesteuert werden, der die menschliche Ausrichtung mit maschinellen Empfehlungen spielt.

L3 für einzelne Betreiber:Die oben genannten Unternehmensbeispiele erfordern erhebliche Investitionen. Aber L3 ist heute auch für Einzelpersonen und kleine Teams machbar.

Ich habe die Basis- und die Ausführungsschicht getestet, die mit L2 bis L3 Autonomie arbeiten. Sie können die vollständige Versionsgeschichte und die Architekturfehler in derBedienerprotokolle.

Bei diesem System besteht die Arbeit nicht in der Eingabeaufforderung. Es ist der Datenfluss. Die DEFINE-Engine (Sprachregeln) und die UNDERSTAND-Engine (ICP-Profile) fungieren als strukturelle Gates für die CREATE-Engine.

Schwenken Sie die Basisebene, und jeder Inhalt, den die Ausführungsebene produziert, passt sich sofort an. Keine erneute Eingabeaufforderung erforderlich. Die spezifischen technischen Fehler, die ich überwunden habe, einschließlich des Schema-Timing-Bugs und der LLM-Validierungshalluzinationen, finden Sie in derBedienerprotokolle.

Es wechselt zwischen Inhaltsvorlagen (Artikel, Anleitungen, Vergleiche) und gibt produktionsfertiges HTML mit eingebautem Schema-Markup und FAQ-Abschnitten aus. Eigenständig, LLM-agnostisch, keine externen Automatisierungswerkzeuge. Ein Bediener, ein LLM, ein systematischer Arbeitsablauf.

L4 (Geführte Selbstständigkeit):Übernahme von OfferFit durch Braze für 325 Millionen Dollar im Jahr 2025 signalisiert die Ankunft der echten L4-Systeme.

OfferFit nutzt Reinforcement Learning, um selbstständig mit Botschaft, Timing und Kanal zu experimentieren. Im Gegensatz zu A/B-Tests (die die Erstellung menschlicher Hypothesen erfordern), experimentieren diese Agenten autonom und lernen kontinuierlich.

Sie geben ihm einen KPI wie "Maximierung der Erneuerungsrate" und eine Reihe zulässiger Aktionen vor. Das System arbeitet selbstständig auf dieses Ziel hin und personalisiert dabei über 100 Merkmale gleichzeitig.

L5 (zielgerichtete Orchestrierung):Diese Ebene bleibt für das Unternehmensmarketing im Jahr 2025 weitgehend theoretisch. Es gibt zwar Visionen einer universellen agentenbasierten Orchestrierung, aber die Fragmentierung der Marketinglandschaft (15.384 Lösungen) stellt ein Integrationshindernis dar.

Agenten können nicht nahtlos über den gesamten Stack kommunizieren. L5 sollte als ein Horizont von 5 bis 10 Jahren betrachtet werden, der von der API-Normung und der Entwicklung von Agentenprotokollen abhängt, und nicht als unmittelbare Realität.

Der Rahmen beschreibt einen optimalen Weg. Die Realität ist uneinheitlicher.BCGs Bericht Build for the Future 2025 stellt eine große Kluft bei der KI-Reife fest.

The Vanguard (5%):Diese "zukunftsorientierten" Unternehmen behandeln KI-Agenten als ihr Betriebssystem, nicht als Werkzeuge. Sie haben die End-to-End-Workflows so umgestaltet, dass die Agenten für die Ergebnisse verantwortlich sind.

Sie erzielen ein 1,7-mal höheres Umsatzwachstum und eine 1,6-mal höhere EBIT-Marge als Nachzügler. Für sie beschreibt dieser Rahmen die aktuelle Geschäftstätigkeit.

Die Experimentatoren (35%):Diese Unternehmen bauen KI aus, geben aber zu, dass sie nicht schnell genug vorankommen. Die meisten haben KI in Pilotprogrammen, aber noch nicht systematisch eingesetzt.

Die Mehrheit (60%):Diese Organisationen melden nur minimale Fortschritte und verfügen nicht über die grundlegenden Fähigkeiten für eine Ausweitung. Fragmentierte Pilotprojekte, eine schwache Dateninfrastruktur und eine unzureichende Governance blockieren den Fortschritt.

Die Konsequenz: Der Wechsel von L1 zu L4 ist kein Technologiekauf. Es ist eine organisatorische Umstellung.

Unternehmen benötigen sozusagen eine "Level 0.5"-Phase, die Datenhygiene, Workflow-Mapping und Governance-Rahmenwerke umfasst, bevor die höheren Autonomiestufen erreicht werden können.

Data Readiness als Tor

Gartners KI-Hype-Zyklus 2025 bezeichnet KI-fähige Daten als eine der beiden sich am schnellsten entwickelnden Technologien, die sich auf dem Gipfel der überzogenen Erwartungen befindet.

Der Grund: 57 % der Unternehmen schätzen, dass ihre Daten nicht KI-fähig sind.

Dies schafft eine starke Abhängigkeit. L4-Autonomie ist technisch möglich, aber für die meisten Unternehmen in der Praxis blockiert.

Gartner prognostiziert, dass Unternehmen bis 2026 60 % der KI-Projekte aufgeben werden, die nicht durch KI-fähige Daten unterstützt werden. Der Rahmen sollte auf L3 und höher als datenabhängig behandelt werden.

Unternehmen vs. KMU: Unterschiedliche Rahmenwerke

Der Rahmen funktioniert je nach Unternehmensgröße unterschiedlich.Die 2025-Forschung von S&P Global zu den Auswirkungen der KI auf die Arbeitskräfte eine erhebliche Divergenz festgestellt:

Großunternehmen (-4% Nettopersonalsaldo):Für Unternehmen ist dieser Rahmen einErsatz Modell. KI konsolidiert Rollen und steigert die Effizienz. Es wird mit einem Personalabbau gerechnet, insbesondere in den USA, Deutschland und Frankreich.

Das größere Automatisierungsrisiko spiegelt die Tatsache wider, dass Unternehmensrollen in der Regel spezialisierter sind und sich daher leichter automatisieren lassen.

KMU (+7% bis +11% Nettobesetzungssaldo):Für kleinere Unternehmen ist dieser Rahmen eineBefähigung Modell. KI senkt die Hürde für anspruchsvolles Marketing.

Ein einziger Mitarbeiter kann über Fähigkeiten verfügen, für die früher eine 50-köpfige Abteilung erforderlich war. KMU stellen mehr Mitarbeiter für die Verwaltung der neuen KI-Funktionen ein, nicht weniger.

Aus diesem Grund habe ich Folgendes entwickeltVersionen replizieren meiner Maschinen. Portable Architekturen, die es Wachstumsteams ermöglichen, produktionsreife Systeme einzusetzen, ohne bei v1.0 beginnen zu müssen.

Diese Unterscheidung ist für die Positionierung und Umsetzung von Bedeutung. Ein und derselbe Rahmen dient je nach organisatorischem Kontext unterschiedlichen strategischen Zwecken.

Die folgenden drei Beispiele zeigen, wie Ebenen, Motoren und Autonomiestufen für verschiedene Marketingszenarien zusammenwirken.

Jedes Beispiel verwendet das Jobs To Be Done (JTBD) Framework vonTeil 1: Zusammengesetzte JTBDs sind komplexe Arbeitsabläufe; atomare JTBDs sind die einzelnen Aufgaben innerhalb dieser Abläufe.

Beispiel 1: Produkteinführung

Zusammengesetzter JTBD: "Durchführung einer Produkteinführungskampagne".

Beispiel 2: Wettbewerbliche Antwort

Composite JTBD: "Auf die veränderte Positionierung der Wettbewerber reagieren"

Beispiel 3: Lead Nurture-Kampagne

Composite JTBD: "MQLs in SQLs umwandeln durch Nurture-Sequenz".

Jedes Beispiel zeigt ein anderes Muster.

• Die Produkteinführung verläuft linear von der Gründung über die Ausführung bis zur Optimierung.
• Competitive Response schafft eine Rückkopplungsschleife, die bei der Optimierung beginnt und über die Foundation zurückläuft.
• Lead Nurture ist ausführungsintensiv und wird kontinuierlich optimiert.

Kann dieser Rahmen einen ROI liefern? Die Daten legen ein Ja nahe.

Der Stand der KI 2025 von McKinsey fand heraus, dass KI-High-Performer (die 6 %, die 5 % oder mehr EBIT-Effekt erzielen) mehr als dreimal so häufig leitende Angestellte haben, die KI-Initiativen durchführen. Sie sind auch bei der Neugestaltung von Arbeitsabläufen rund um KI-Funktionen weiter fortgeschritten.

BCGs Forschung zeigt, dass effektive KI-Agenten Geschäftsprozesse um 30 bis 50 % beschleunigen können. Ihre Empfehlung: Konzentrieren Sie sich zu etwa 80 % auf die Neugestaltung von End-to-End-Workflows und nicht auf den Einsatz von KI auf breiter Basis.

Die KI-Analyse von McKinsey unterstreicht die Notwendigkeit der Architektur: "Agenten steigern die Wertschöpfung, wenn sie zur Verbesserung von End-to-End-Prozessen und -Journeys durch Automatisierung und Koordination eingesetzt werden. Ihre Leistung ist begrenzt, wenn sie zur Verbesserung isolierter Schritte eingesetzt werden."

Genau aus diesem Grund ist dieser Rahmen so wichtig. Aber man kann das Ziel nicht erreichen, indem man Agenten an bestehende Prozesse ankoppelt. Man braucht eine Architektur und eine Orchestrierung.

Der Realitätscheck

Diese Vorteile ergeben sich nicht automatisch. Die Gartner-Studie vom Oktober 2025 ergab, dass 45 % der Implementierungen von KI-Agenten die Erwartungen nicht erfüllen. Die Hälfte führt die Bereitschaft des technischen Stacks an. Die Hälfte führt Talentlücken an.

Die Talentlücke erfordert ein neues Profil: den Pi-förmigen Vermarkter. Der T-förmige Generalist (breites Wissen, ein tiefes Spezialgebiet) ist nicht mehr ausreichend.

Betreiber brauchen zwei vertikale Tiefen: tiefes Fachwissen im Marketing und tiefes technisches Verständnis für KI-Systeme. Ohne beides baut man entweder die falschen Dinge oder ist gar nicht in der Lage, überhaupt etwas zu bauen.

Der Unterschied zwischen den 6 % der Leistungsträger und dem Rest? Es sind nicht die Werkzeuge. Es ist die Architektur, die sie miteinander verbindet, und das Talent, das in der Lage ist, sie zu orchestrieren.

Vier Prinzipien, die leistungsstarke KI-Implementierungen von anderen unterscheiden.

1. Fundament vor der Automatisierung.

Automatisieren Sie die Ausführung nicht ohne eine solide Grundlage. Die McKinsey-Studie zeigt, dass Unternehmen, die einen Mehrwert auf Unternehmensebene schaffen, mit größerer Wahrscheinlichkeit Datenstrategien implementiert haben, bevor sie den Einsatz von KI versuchten.

KI-Inhalte ohne KI-gestütztes Verständnis der Zielgruppe führen zu generischem Output in großem Umfang.

2. Konzentriert beginnen, Wert beweisen, dann skalieren.

Beginnen Sie mit einem oder zwei Motoren bei L2. Zeigen Sie den ROI. Erweitern Sie, sobald Vertrauen aufgebaut ist.

Die BCG-Umfrage "AI Radar" ergab, dass ein Viertel der Führungskräfte, die einen signifikanten Wert geschaffen haben, sich auf eine kleine Anzahl von KI-Initiativen konzentrierten und diese schnell skalierten. Die Falle: Der Versuch, alle 11 Maschinen auf einmal zu implementieren.

Ich dokumentiere diesen Ansatz in Echtzeit. DieBedienerprotokolle jede Iteration, jedes Scheitern und jedes extrahierte Prinzip festzuhalten, während ich diese Motoren baue.

3. Design für Agenten, nicht um sie herum.

Die McKinsey-Forschung zur agentenbasierten KI bringt es auf den Punkt: "Erfolg erfordert die Gestaltung von Prozessen um Agenten herum, nicht das Aufsetzen von Agenten auf bestehende Prozesse."

Wenn Sie für L4 bis L5 planen, sollten Sie die Architektur jetzt mit Blick auf agentenbasierte Workflows aufbauen.

Hüten Sie sich vor der Integrationssteuer: Ein Operator, der 50 nicht miteinander verbundene Indie-Agenten verwaltet, ist weniger effizient als ein menschliches Team. Bevorzugen Sie Orchestrierungsplattformen, die eine universelle Datenebene nutzen, gegenüber isolierten Best-in-Class-Tools.

4. Messen Sie die Fähigkeit, nicht nur die Aktivität.

McKinsey fand heraus, dass sich leistungsstarke Unternehmen dadurch auszeichnen, dass sie KPIs für KI-Lösungen verfolgen und KI in Geschäftsprozesse einbetten.

Verfolgen Sie den Fortschritt der Autonomie nach Triebwerk. "Wir sind bei L3 für CREATE, aber L1 für POSITION" ist nützlich. "Wir verwenden KI" ist es nicht.

Sobald Sie etwas aufgebaut haben, müssen Sie es messen. Die traditionelle Marketingmessung bricht zusammen: Zero-Click-Suche, Zusammenbruch der Attribution, Fragmentierung der Entdeckung. UnterDas Problem der AI-Marketing-MessungIn diesem Kapitel erfahre ich, was schief gelaufen ist, was sich abzeichnet und welche spezifischen Metriken ich teste, um die KI-Transparenz mit dem Umsatz zu verbinden.

Die Daten für das Jahr 2025 sprechen eine deutliche Sprache.

Laut Gartner liegt die Akzeptanz bei 88 %, aber nur 49 % nutzen die Möglichkeiten der Marketingtechnologie. In der Martech-Landschaft gibt es 15.384 Lösungen, von denen 77 % KI-nativ sind. Dennoch erfüllen 45 % der KI-Agenten nicht die Erwartungen und nur 6 % der Unternehmen sind KI-Hochleister.

Die Kluft zwischen dem Versprechen der KI und der Umsetzung ist ein architektonisches Problem. Die 6 %, die gewinnen, haben das herausgefunden. Die 94 %, die sich abmühen, sind noch dabei, Teile anzuhäufen.

Die Frage ist nicht, ob KI das Marketing verändern wird. Es geht darum, ob Sie diese Transformation bewusst gestalten oder in einen weiteren Haufen von Teilen stolpern.