Vom Trigger zum Agenten: Warum Marketing Automation gerade einen entscheidenden Schritt weitergeht

Am 11. November durfte ich im Rahmen des IKM Impuls der Hochschule Luzern über ein Thema sprechen, das mich aktuell stark beschäftigt: Was passiert mit Marketing Automation, wenn KI nicht mehr nur Inhalte erstellt oder Empfehlungen abgibt, sondern beginnt, selbst Entscheidungen zu treffen?

Das Interesse war grösser als erwartet: Etwas über 100 Personen hatten sich für den Impuls angemeldet. Noch spannender als die Zahl fand ich allerdings die Diskussion danach, denn die Fragen drehten sich erstaunlich wenig darum, welches KI-Modell gerade das beste ist. Viel häufiger ging es um Daten, Prozesse, Datenschutz, Verantwortung und um die ganz praktische Frage: Sind wir als Unternehmen überhaupt bereit dafür?

Marketing Automation ist bewährt. Aber starr.

Ich arbeite seit vielen Jahren mit Marketing Automation und um das gleich vorwegzunehmen: Sie funktioniert heute bereits ziemlich gut.

Die Logik ist normalerweise relativ einfach: Wir definieren eine Zielgruppe oder Persona, ein Trigger tritt ein, ein Flow startet, eine Nachricht wird über einen definierten Kanal ausgespielt und danach messen wir die Reaktion. Oder noch einfacher formuliert: Wenn X passiert, dann tue Y.

Das ist leistungsfähig, einigermassen skalierbar und inzwischen in vielen Unternehmen etabliert. Das Problem ist nur: Der Kunde interessiert sich nicht für unseren Flow. Er besucht die Website, macht zwei Tage Pause, fragt über WhatsApp nach, vergleicht Preise, spricht mit jemandem im Store, öffnet eine E-Mail nicht und hat drei Tage später vielleicht bereits wieder ein anderes Bedürfnis.

Je stärker wir versuchen, diese Realität mit klassischen Automationen abzubilden, desto mehr Segmente, Regeln, Bedingungen, Ausnahmen und Varianten entstehen. Das kann man machen, aber es wird schnell aufwendig. Zugespitzt kann man deshalb sagen: Wir automatisieren heute sehr gut Abläufe, aber noch relativ selten Entscheidungen.

Hier wird es agentisch

Der für mich entscheidende Unterschied bei Agentic AI ist deshalb nicht, dass irgendwo ein Sprachmodell eingebaut wird. Agentisch wird ein Prozess dann, wenn nicht mehr jeder einzelne Schritt im Voraus festgelegt ist.

Statt „Wenn der Kunde X tut, sende Nachricht Y“ lautet die Logik eher: „Das ist unser Ziel, das wissen wir über die aktuelle Situation, das sind die Handlungen, die erlaubt sind. Entscheide, welcher nächste Schritt jetzt sinnvoll ist.“

Das klingt zunächst nach einer kleinen Veränderung, ist es aber nicht, denn dadurch verschiebt sich Automation von der Ausführung vordefinierter Abläufe zunehmend zur Automatisierung von Entscheidungen.

Ein Agent kann beispielsweise erkennen, dass eine Person gerade Beratung braucht und keine weitere Marketing-Mail. Er kann eine Rückfrage stellen, einen anderen Kanal wählen, feststellen, dass ihm Informationen fehlen, oder entscheiden, dass jetzt der richtige Zeitpunkt für die Übergabe an einen Menschen gekommen ist. Die Journey muss damit nicht mehr in jeder möglichen Variante im Voraus modelliert werden.

Agentic AI bedeutet nicht Autopilot

Dieser Punkt war mir im Referat besonders wichtig. Wenn wir von „autonomen Agenten“ sprechen, entsteht schnell das Bild einer KI, die selbstständig durch das Unternehmen läuft und Entscheidungen trifft. Das halte ich für die falsche Perspektive.

Ein sinnvoller Agent braucht aus meiner Sicht fünf Dinge: ein klares Ziel, Kontext und Daten, ein Modell zur Interpretation dieser Informationen, Tools beziehungsweise Zugriff auf Systeme und Aktionen sowie Guardrails, die definieren, was er tun darf, was nicht und wann ein Mensch übernehmen muss.

Autonomie entsteht also nicht dadurch, dass wir Regeln entfernen. Im Gegenteil: Je mehr ein Agent tun darf, desto klarer müssen Ziel, Handlungsspielraum, Berechtigungen und Eskalationslogik definiert sein.

Das ist für mich einer der wichtigsten Punkte in der teilweise etwas euphorischen Diskussion rund um AI Agents. Das Ziel sollte nicht sein, möglichst viel Autonomie zu schaffen, sondern die richtige Autonomie für einen konkreten Prozess zu definieren.

Und nein: Das ist keine Zukunftsmusik

Im Referat habe ich bewusst Beispiele gezeigt, die bereits heute produktiv oder zumindest in realen Piloten eingesetzt werden.

Bei der südafrikanischen Shopping-Plattform Bash berichtet Bloomreach beispielsweise von einer um 35,2 Prozent höheren Conversion und 39,8 Prozent mehr Umsatz pro Besuch bei Nutzern, die mit einem Shopping Agent interagierten. Nestlé berichtet in einem Salesforce-Case, dass ein Agent in einem Consumer-Service-Pilot 40 Prozent der Anfragen autonom lösen konnte; die ausgewiesene Kundenzufriedenheit lag bei 4,8 von 5.

Ein Beispiel, auf das ich persönlich besonders stolz bin, kommt aber deutlich näher aus unserem eigenen Umfeld: Gemeinsam mit FREI’S Schulen haben wir bei Arcmedia eine Lead-Maschine umgesetzt, die Ausbildungsbedürfnisse erkennt, Interessenten mit passenden Angeboten matched und sie bis zur Infoveranstaltung begleitet. In nur vier Tagen wurden damit 691 qualifizierte Leads generiert, bei einer Opt-in-Rate von 53 Prozent.

Die Technologie ist also real, sie wird eingesetzt und sie beginnt, sich von einfachen Chatbots hin zu Akteuren innerhalb von Geschäftsprozessen zu entwickeln. Gleichzeitig würde ich bei all diesen Zahlen etwas Vorsicht walten lassen: Viele der heute verfügbaren Case Studies stammen von Technologieanbietern oder aus einzelnen Piloten. Unterschiedliche Use Cases, Messmethoden und Ausgangslagen machen direkte Vergleiche schwierig. Entscheidend ist deshalb weniger, ob irgendwo 30 oder 40 Prozent mehr Conversion erreicht wurden, sondern dass wir inzwischen sehen können, dass die Technologie praktisch funktioniert und reale Aufgaben übernehmen kann.

Die eigentliche Herausforderung liegt häufig nicht bei der KI

Eine Frage aus dem Publikum lautete sinngemäss: Wo liegen für Unternehmen heute die grössten Hausaufgaben? Meine Antwort war: beim Kontext.

Unternehmen haben sehr viel Wissen, aber dieses Wissen ist oft verteilt. Ein Teil steckt im CRM, ein Teil im ERP, Produktinformationen liegen im PIM oder CMS, Servicewissen befindet sich in Dokumentationen und erstaunlich viel Wissen steckt weiterhin ausschliesslich in den Köpfen von Mitarbeitenden.

Für einen Menschen funktioniert das erstaunlich gut, denn wir fragen dann einfach jemanden. Ein Agent kann das aber nicht. Er braucht Zugriff auf Informationen und muss verstehen können, welche davon relevant und verlässlich sind. Darum kompensiert auch das leistungsfähigste Sprachmodell keine schlechten Daten, fehlenden Produktinformationen oder unklaren Prozesse.

Das ist aus meiner Sicht ein zentraler Punkt bei der sogenannten Agentic Readiness. Daten, Systeme, Prozesse und Governance bestimmen langfristig stärker über den Nutzen als die Frage, welches Modell man gerade verwendet.

Trotzdem sollte Readiness keine Ausrede werden

Wenn Unternehmen zuerst perfekte Daten, ein vollständig integriertes CRM, eine Customer Data Platform, eine AI Governance und eine komplett ausgearbeitete KI-Strategie verlangen, bevor sie etwas ausprobieren, werden viele nie anfangen.

Readiness ist für mich deshalb kein Zustand, den man irgendwann erreicht. Sie entsteht auch durch Experimentieren. Ein sauber abgegrenzter Pilot zeigt oft sehr schnell, wo tatsächlich Probleme liegen: Vielleicht fehlen Daten, vielleicht ist der Prozess gar nicht so eindeutig, wie alle dachten, oder vielleicht sind Verantwortlichkeiten nicht geklärt. Genauso gut kann aber auch das Gegenteil passieren und der Use Case funktioniert erstaunlich gut, obwohl die technische Ausgangslage alles andere als perfekt ist.

Für einen ersten Versuch braucht es deshalb nicht zwingend ein riesiges Technologieprogramm. Eine sauber strukturierte Datenquelle kann für einen Pilot wertvoller sein als ein komplexes, aber schlecht gepflegtes System. In der Diskussion habe ich deshalb auch bewusst darauf hingewiesen, dass ein erster Use Case nicht zwingend mit einem perfekt integrierten CRM oder einer CDP beginnen muss. Je nach Aufgabe kann selbst eine gut strukturierte Excel-Datei bereits genügend Kontext für einen ersten Test liefern.

Wo würde ich morgen anfangen?

Nicht bei autonomen Preisverhandlungen, nicht bei Verträgen und vermutlich auch nicht bei Kulanzentscheidungen mit finanziellen Auswirkungen. Ich würde Prozesse suchen, die häufig vorkommen, relativ klar abgegrenzt sind und bei denen ein Fehler beherrschbar bleibt.

Lead-Qualifizierung ist dafür ein gutes Beispiel. Ein Agent kann Informationen aus einer Anfrage interpretieren, fehlende Angaben erfragen, den Lead einschätzen und einen nächsten Schritt empfehlen, während zu Beginn ein Mensch die Entscheidung bestätigt. Das Gleiche gilt für häufige Servicefragen, Reaktivierung, einfache Produktempfehlungen oder die Vorbereitung eines Sales-Handover. Mit zunehmender Erfahrung kann der Handlungsspielraum Schritt für Schritt erweitert werden.

Nicht Big Bang, sondern kontrollierte Evolution.

Auch technisch ist die Einstiegshürde gesunken

In der Diskussion kam auch die Frage auf, ob Unternehmen dafür eine bestimmte Plattform benötigen. Meine Antwort: nein.

Natürlich helfen integrierte Ökosysteme. In einer Microsoft-Umgebung können beispielsweise Dynamics 365, Power Platform und Copilot sehr gut zusammenspielen. Aber Agentic AI ist kein Produkt, sondern vielmehr ein Architektur- und Prozessprinzip.

Ob Systeme über klassische APIs, bestehende Connectoren oder zunehmend über Standards wie MCP angebunden werden, ist zunächst sekundär. Entscheidend ist, dass der Agent kontrolliert auf die richtigen Daten und Funktionen zugreifen kann. MCP kann dabei helfen, Daten und Funktionen verschiedener Systeme standardisiert für einen Agenten zugänglich zu machen, ist aber keine Voraussetzung für einen agentischen Ansatz.

Interessanterweise senkt KI selbst dabei die technische Eintrittshürde. Integrationen, API-Arbeit und kleine Prototypen lassen sich heute wesentlich schneller erstellen als noch vor wenigen Jahren, was gerade auch kleineren Unternehmen Möglichkeiten eröffnet, die früher mit deutlich mehr Aufwand verbunden gewesen wären.

Datenschutz ist kein optionaler Teil davon

Eine weitere Diskussion drehte sich um Datenschutz. Und ja: Datenschutz bremst manchmal, aber das ist nicht unbedingt schlecht. Wenn ein Agent Kundeninformationen verwendet, Gespräche analysiert oder selbstständig Aktionen ausführt, müssen Consent, Datenverwendung und Verantwortung sauber geregelt sein.

Gerade im Kundendialog finde ich deshalb transparente Opt-ins wichtig. Wenn zusätzliche Informationen innerhalb eines Chats verwendet werden, sollte der Kunde verstehen können, was passiert und wofür seine Daten eingesetzt werden.

Bei besonders sensiblen Anwendungen werden zudem lokale Modelle und stärker kontrollierte AI-Infrastrukturen an Bedeutung gewinnen. Compliance sollte deshalb nicht als Gegenargument zu Innovation verstanden werden, sondern als Rahmen, innerhalb dessen wir sinnvoll und verantwortungsvoll experimentieren können.

Und übrigens: Wir unterrichten das Thema auch

Wer das Thema nicht nur in einem 30-minütigen Impuls, sondern etwas vertiefter betrachten möchte: Ich unterrichte auch im CAS Digital Customer Engagement der Hochschule Luzern. Dort beschäftigen wir uns unter anderem mit Marketing Automation, datenbasierten Customer Journeys, Personalisierung und dem Einsatz von KI im Customer Engagement. Der nächste Durchgang startet am 22. Januar 2027. Vielleicht sehen wir uns dort wieder – dann haben wir für das Thema immerhin etwas mehr als 30 Minuten.

Drei Gedanken, die ich aus dem Impuls mitnehme

Mein persönliches Fazit nach dem Referat und der anschliessenden Diskussion ist deshalb relativ pragmatisch: Wir sollten Agentic AI weder überschätzen noch unterschätzen. Es ist kein Autopilot für Marketing, aber es verändert eine grundlegende Logik digitaler Kundeninteraktion.

Ich finde das unglaublich spannend und ich freue mich auf die Zukunft.