KI im
Marketing.Mit Plan.

KI im Marketing bezeichnet den Einsatz von KI-Systemen, um Marketingaufgaben vorzubereiten, zu unterstützen oder auszuwerten. Das kann ein Textentwurf sein, eine Auffälligkeit in Kennzahlen oder eine sortierte Zusammenfassung von Rückmeldungen. Der Begriff beschreibt also keinen einzelnen Produkttyp und auch keine automatische Marketingstrategie.

Praktisch wird die Frage erst mit einem konkreten Arbeitsschritt: Welche Eingabe liegt vor? Welches Ergebnis soll entstehen? Wer prüft es und entscheidet, was damit passiert? Ein gutes Vorhaben beantwortet diese drei Fragen, bevor ein Team ein Modell auswählt. So wird sichtbar, ob überhaupt KI gebraucht wird oder ob eine einfache Vorlage, Suche oder feste Regel den Zweck zuverlässiger erfüllt.

Für Unternehmen im Mittelstand ist die passende Lösung oft klein: ein bestehender Prozess wird an einer Stelle unterstützt, ohne dass Verantwortung für Marke, Fakten und Kundenbeziehung abgegeben wird. Der Nutzen zeigt sich zunächst daran, ob die Arbeit nachvollziehbarer, schneller oder konsistenter wird. Ein Tool allein ist noch kein Ergebnis.

Im Alltag werden unterschiedliche Technologien häufig unter „KI“ zusammengefasst. Für eine belastbare Auswahl hilft diese Unterscheidung:

• Generative KI erzeugt neue Inhalte wie Textentwürfe, Zusammenfassungen, Bildideen oder Varianten auf Basis einer Eingabe. Sie kann plausibel formulieren, aber auch falsche Details ergänzen.
• Analytische KI untersucht vorhandene Daten, um Muster, Gruppen, Prognosen oder ungewöhnliche Entwicklungen sichtbar zu machen. Das Ergebnis ist eine Entscheidungshilfe, kein Beweis für Ursache und Wirkung.
• Regelbasierte Automatisierung führt einen vorher festgelegten Ablauf aus, zum Beispiel: Wenn ein Formular vollständig ist, lege einen Datensatz an und informiere das zuständige Team. Dafür ist keine KI nötig; feste Regeln sind oft leichter zu testen.

Ein Ablauf kann die Ansätze verbinden. Ein System kann etwa Kennzahlen nach einer festen Regel abrufen, ein Analysemodell markiert eine Veränderung und ein generatives Modell formuliert eine erste Zusammenfassung. Menschen prüfen, ob die Beobachtung stimmt und welche Maßnahme folgt. Google beschreibt Analytics Intelligence beispielsweise als Funktionen, die automatisierte Auffälligkeiten und Trends sowie nutzerdefinierte Bedingungen für Insights bereitstellen. Das ist eine konkrete Analysehilfe, keine automatische Erklärung der Geschäftsentwicklung.

Geeignete Startaufgaben haben einen überschaubaren Umfang, wiederholen sich und lassen sich anhand eines erkennbaren Qualitätsmaßstabs prüfen. Die Beispiele sind Orientierung, keine Empfehlung für ein bestimmtes Tool.

Für Social Media gelten zusätzliche Anforderungen an Format, Kanal, Community und aktuelle Plattformregeln. Der dazugehörige Themenhub KI für Social Media behandelt diesen Kanal vertieft. Weitere Anregungen findest du in unseren zwölf KI-Marketing-Beispielen für Social Content, Influencer und UGC.

Vorsicht ist angebracht, wenn ein Ergebnis ungeprüft nach außen geht, personenbezogene oder vertrauliche Daten benötigt, eine falsche Aussage erheblichen Schaden auslösen kann oder niemand für die Abnahme zuständig ist. Das heißt nicht, dass solche Aufgaben grundsätzlich ausgeschlossen sind. Sie brauchen aber vorher klare Grenzen, passende Schutzmaßnahmen und eine verantwortliche Stelle.

Fünf Fragen helfen euch, mögliche KI-Aufgaben miteinander zu vergleichen. Die Matrix ist eine Arbeitshilfe für euer Team. Sie vergibt keinen Erfolgs-Score: Ein ungeklärter Datenweg oder eine fehlende Prüfung lässt sich nicht durch einen hohen möglichen Nutzen ausgleichen.

So wird aus der Matrix eine Entscheidung

Fiktives Arbeitsbeispiel: Ein kleines Marketingteam erstellt regelmäßig erste Entwürfe für Produkt-Newsletter aus freigegebenen Produktinformationen. Das kann ein sinnvoller Pilot sein, wenn der heutige Aufwand bekannt ist, die Fakten zentral vorliegen und eine zuständige Person jeden Entwurf prüft. Ein Vollautomatik-Versand wäre für denselben Einstieg zu weit gefasst: Er würde zusätzliche Fragen zu Ausnahmen, Freigaben und Fehlerfolgen eröffnen. Ob der Pilot gelingt, muss das Team anhand seiner eigenen Arbeit beobachten.

Eine Aufgabe mit seltenem Vorkommen, unklarer Faktenlage und hohem Schaden bei Fehlern ist dagegen kein guter erster Test. Der Aufwand für Datenklärung und Kontrolle kann den möglichen Vorteil übersteigen. Dann zuerst den Prozess vereinfachen, die Quellen ordnen oder die Regeln schriftlich festhalten.

Ein knappes Briefing macht aus „Wir wollen KI nutzen“ ein prüfbares Vorhaben. Vor dem Start sollten Marketing, Prozessverantwortliche und gegebenenfalls Datenschutz oder IT dieselben Grenzen kennen.

• Aufgabe: Welcher konkrete Arbeitsschritt soll unterstützt werden?
• Heutiger Ablauf: Wer macht ihn, wie oft und mit welchen Übergaben?
• Zielgruppe und Zweck: Wem dient das Ergebnis und wofür wird es verwendet?
• Eingaben und Quellen: Welche Informationen dürfen verwendet werden? Was ist nicht freigegeben?
• Ergebnis: Welches Format wird erwartet, und was gilt als brauchbarer Entwurf?
• Prüfung: Wer kontrolliert Fakten, Tonalität, Rechte und Vollständigkeit vor der Nutzung?
• Grenzen: Welche Entscheidungen oder Veröffentlichungen bleiben außerhalb des Pilots?
• Beobachtung: Was wird während des Tests festgehalten, und wer entscheidet über den nächsten Schritt?

Wenn diese Felder nicht ausgefüllt werden können, ist das ein nützlicher Befund: Die Aufgabe oder ihre Datenbasis ist noch nicht klar genug für einen belastbaren Test.

Ein Pilot braucht einen begrenzten Zeitraum, eine verantwortliche Person und einen vorher festgelegten Vergleich. Wähle eine konkrete Aufgabe und einige repräsentative Fälle aus dem echten Prozess. Dokumentiere zuerst, wie die Arbeit heute abläuft: beteiligte Personen, typische Wartezeiten, Nacharbeit und Qualitätsanforderungen. Wo Zahlen nicht zuverlässig erfasst werden, beginne mit einer kurzen qualitativen Beschreibung statt einer erfundenen Baseline.

Teste dann die Unterstützung im Arbeitsalltag, aber halte die bestehende Qualitätskontrolle zunächst bei. Markiere, welche Eingaben verwendet wurden, wie oft das Ergebnis wesentlich korrigiert werden musste und welche Fehlerarten auftraten. Eine einfache Stichprobe aus Entwürfen kann schon zeigen, ob Fakten regelmäßig nachgeschlagen werden müssen, ob die Tonalität passt und an welcher Stelle Menschen am meisten nacharbeiten. Verändere während des Vergleichs nicht gleichzeitig mehrere Prozessschritte, sonst bleibt unklar, was eine beobachtete Änderung ausgelöst hat.

Mögliche Beobachtungsgrößen sind:

• Aufwand: benötigte Bearbeitungszeit und Zeit für Prüfung oder Korrektur;
• Qualität: Faktenfehler, fehlende Pflichtangaben, Verständlichkeit oder Einhaltung des Briefings;
• Nutzbarkeit: Anteil der Ergebnisse, die nach der Prüfung weiterverwendet werden können;
• Prozess: Wartezeiten, Rückfragen, Übergaben und Ausnahmen;
• Risiko: sensible Eingaben, unklare Herkunft, Rechtefragen oder nicht erkannte Fehler.

Diese Größen sind Beispiele, keine versprochenen Resultate. Lege vor dem Test fest, welche davon für die konkrete Aufgabe wichtig sind. Eine kürzere Erstellung ist kein Fortschritt, wenn Kontrolle und Korrektur mehr Arbeit verursachen oder die Qualität sinkt. Entscheide am Ende begründet zwischen fortsetzen, anpassen und stoppen. Halte auch fest, welche Aufgabe ausdrücklich nicht automatisiert wird.

Für die Beobachtung vorhandener Webkennzahlen kann etwa Google Analytics automatisierte Hinweise auf ungewöhnliche Veränderungen und nutzerdefinierte Insights auf selbst festgelegte Bedingungen ausgeben. Laut Google Analytics Hilfe entstehen diese Hinweise innerhalb der Analytics-Plattform und hängen bei benutzerdefinierten Insights von konfigurierten Bedingungen ab. Vor Maßnahmen sollten Teams daher Messdefinition, Zeitraum und mögliche Erklärungen selbst prüfen.

Generative Systeme können überzeugend klingende, aber falsche oder veraltete Angaben erzeugen. Behandle Zahlen, Namen, Quellenangaben, Produktmerkmale und Aussagen über Dritte deshalb als prüfpflichtig. Gib dem System möglichst freigegebene Ausgangsinformationen, verlange bei Bedarf Belege im Ergebnis und prüfe diese Belege selbst. Ein flüssiger Text ist kein Nachweis dafür, dass die Aussage stimmt.

Prüfe vor dem Einsatz, welche Daten an welchen Anbieter oder Dienst übermittelt werden, welche Einstellungen für Speicherung und Nutzung gelten und ob die vorgesehenen Daten dort verarbeitet werden dürfen. Personenbezogene, vertrauliche oder vertraglich geschützte Informationen gehören nicht ungeprüft in einen Prompt. Beschränke Eingaben auf das erforderliche Maß und kläre Zuständigkeiten, Zugriffe und Löschwege. Bei Unsicherheit bezieh die zuständigen Datenschutz-, Sicherheits- oder Rechtsverantwortlichen ein.

Bei Texten, Bildern und anderen Werbemitteln sind auch Rechte und Herkunft zu berücksichtigen. Prüfe verwendete Materialien, Lizenzen, Marken, Persönlichkeitsrechte und vertragliche Vorgaben. Lege fest, wer die finale Freigabe erteilt und wie Änderungen dokumentiert werden. Das NIST-Profil für generative KI ordnet den Umgang mit Risiken als organisationsübergreifende Aufgabe ein und beschreibt freiwillige Maßnahmen, die Organisationen in ihr Risikomanagement einbeziehen können. Es ersetzt weder lokale Vorgaben noch die Prüfung des konkreten Systems.

Je größer die Wirkung einer Ausgabe auf Kunden, Beschäftigte oder Öffentlichkeit, desto klarer sollten Prüfung, Eskalationsweg und menschliche Verantwortlichkeit geregelt sein. Automatisiere nicht stillschweigend eine Entscheidung, deren Maßstab im Team noch nicht geklärt ist.

Der nächste sinnvolle Schritt ist kein möglichst großes KI-Projekt. Wähle eine wiederkehrende Aufgabe, kläre Eingaben und Qualitätsmaßstab und vereinbare, wie Ergebnisse geprüft werden. So kann das Team belastbar beurteilen, ob die Unterstützung zur eigenen Arbeitsweise passt.

KI-Marketing-Pilot besprechen