Marketing im Zeitalter von KI: Vom cleveren Tool zum professionellen Marketing-System

Heute kann praktisch jeder mit ChatGPT, Claude oder Gemini arbeiten. Die Einstiegshürde ist massiv gesunken.

Eine Kampagnenidee entwickeln? Kein Problem.

Anzeigentexte in Deutsch, Französisch und Italienisch? In wenigen Minuten.

Eine Wettbewerbsanalyse durchführen? Ebenfalls.

Ein Monatsreporting zusammenfassen? Natürlich.

Man könnte also meinen, Marketing werde durch KI vor allem einfacher.

Von Luzern aus begleite ich Schweizer Unternehmen in Google Ads, Meta Ads, SEO und weiteren digitalen Marketingdisziplinen. Meine Erfahrung zeigt ein differenzierteres Bild:

KI senkt den Aufwand für einzelne Aufgaben. Die Komplexität des Marketings senkt sie nicht automatisch.

Im Gegenteil: Es gibt mehr Tools, mehr Daten und mehr Möglichkeiten, Prozesse neu zu gestalten.

Die entscheidende Frage ist deshalb kaum noch, ob KI eingesetzt wird. Wichtiger ist, wo sie sinnvoll ist, wie sie in bestehende Prozesse passt und wo weiterhin menschliche Erfahrung und Entscheidungen gefragt sind.

Von einzelnen Prompts zu intelligenten Arbeitssystemen

Am Anfang der generativen KI stand der Prompt. Man öffnete ein Chatfenster und schrieb:

«Erstelle mir fünf Varianten für eine Google-Ads-Anzeige.»

Das funktioniert nach wie vor. Moderne KI-Plattformen können aber deutlich mehr. Sie verbinden Unternehmenswissen, Tools, Datenquellen und wiederverwendbare Abläufe.

Skills bündeln beispielsweise Anweisungen, Beispiele und Qualitätskriterien für eine bestimmte Aufgabe. Agents können Aufgaben in mehreren Schritten erledigen, auf Daten oder Anwendungen zugreifen und verschiedene Arbeitsschritte miteinander verbinden.

So sieht das bei mir konkret aus: Ich betreibe eigene, selbst gehostete Schnittstellen auf Basis des Model Context Protocol (MCP). Darüber greift meine KI direkt auf Google Ads, Meta Ads, Microsoft Ads, LinkedIn, TikTok, Google Analytics 4, die Search Console und den Tag Manager zu.

Viele Zugänge sind bewusst nur lesend. Die Daten laufen nicht über zusätzliche externe Aggregatoren. Ergänzt wird dieses Setup durch eine Bibliothek von Skills für wiederkehrende Aufgaben: vom Reporting über die Keyword-Analyse bis zum Import-File für den Google Ads Editor.

Damit verändert sich die Fragestellung.

Es geht nicht mehr nur darum, welchen Prompt man schreibt.

Es geht darum, wie man einen Prozess baut, in dem KI zuverlässig mit den eigenen Daten, Regeln und Systemen arbeitet.

Hier liegt ein wesentlicher Unterschied zwischen gelegentlicher KI-Nutzung und einem professionellen Setup.

Was KI im Marketing heute bereits leisten kann

Die Einsatzmöglichkeiten sind vielfältig.

Recherche

KI kann grosse Informationsmengen strukturieren, Wettbewerber vergleichen und Hypothesen zu Zielgruppen entwickeln.

Ich setze das beispielsweise bei der Vorbereitung auf Erstgespräche ein. Website, Marktumfeld, Wettbewerber und bestehende digitale Aktivitäten eines Interessenten lassen sich so wesentlich schneller strukturiert aufbereiten.

Content

KI unterstützt bei Themenrecherche, Briefings, Textentwürfen und der Anpassung von Inhalten für unterschiedliche Kanäle.

Für einen Möbelhändler habe ich beispielsweise aus bestehenden Gestaltungselementen eine animierte Video-Ad im Hochformat für einen Räumungsverkauf produziert. Der Produktionsaufwand war deutlich geringer als bei einer klassischen Umsetzung.

Performance Marketing

Besonders interessant wird KI, wenn sie mit echten Kontodaten arbeiten kann.

Mein Skill für Keyword- und Negativ-Analysen verbindet beispielsweise die Website, bestehende Keywords, den Suchbegriff-Bericht und bereits vorhandene Negativ-Keywords.

Daraus entstehen Vorschläge für neue Keywords und Ausschlüsse. Das Suchvolumen jedes Vorschlags wird direkt über die Google-Ads-Schnittstelle geprüft und nicht von der KI geschätzt.

Warum sich diese Arbeit lohnt, zeigt ein Beispiel aus einem Audit: Dort entfielen rund 28 Prozent des Werbebudgets auf Suchbegriffe, die keine Conversion erzielt hatten.

Die KI beschleunigt die Analyse erheblich. Entscheidend bleibt aber, welche Konsequenzen daraus gezogen werden.

SEO und AI Visibility

Auch bei SEO hilft KI, Suchintentionen zu analysieren, Themen zu strukturieren und Content-Gaps zu identifizieren.

Für ein Seehotel in der Zentralschweiz habe ich beispielsweise einen Themen-Cluster mit klaren Regeln gegen Keyword-Kannibalisierung aufgebaut und jedes Keyword mit realem Suchvolumen hinterlegt.

Mit RankScan messe ich zudem, ob ein Unternehmen nicht nur in klassischen Suchmaschinen sichtbar ist, sondern auch in den Antworten von KI-Systemen vorkommt.

Reporting und Analytics

Auch die Arbeit mit Marketingdaten verändert sich.

Statt sich ausschliesslich durch Tabellen und Dashboards zu klicken, lassen sich Daten direkt befragen:

Warum ist die Conversion Rate im letzten Monat gesunken?

Welche Kampagne hat überdurchschnittlich performt?

Was wurde im Konto in den vergangenen 30 Tagen verändert?

Noch wertvoller wird KI, wenn sie nicht nur analysiert, sondern auch Zusammenhänge dokumentiert.

Im Performance-Cockpit AdBoard habe ich für 18 Werbekonten vergangene Änderungen strukturiert erfasst. Dafür wurden Projektjournale mit den Änderungshistorien der Werbeplattformen abgeglichen.

Damit lässt sich eine Leistungsveränderung nicht nur erkennen, sondern auch mit den Massnahmen vergleichen, die davor umgesetzt wurden.

Die Möglichkeiten sind also real.

Nicht jeder technisch mögliche KI-Einsatz ist deshalb aber automatisch sinnvoll.

Der wichtigste Erfolgsfaktor ist nicht der Prompt

Gute Prompts bleiben wichtig.

Im professionellen Einsatz ist aber etwas anderes mindestens ebenso entscheidend: Context Engineering.

Damit ist gemeint, welche Informationen die KI erhält und in welchem Zusammenhang sie diese verwenden kann.

Dazu gehören beispielsweise:

Ziele, Zielgruppen, Produkte, Positionierung, bisherige Massnahmen, Leistungsdaten, technische Rahmenbedingungen und klare Regeln dafür, was die KI tun darf und was nicht.

Ein Beispiel aus meinem Alltag zeigt, wie wichtig dieser Kontext ist.

In einem Werbekonto wurden hauptsächlich Seitenaufrufe als Conversions gezählt. Ein KI-Assistent hätte die Kampagnen auf Basis dieser Daten hervorragend bewertet. Auch die automatische Gebotsstrategie von Google optimierte konsequent auf dieses Signal.

Beide Systeme arbeiteten technisch korrekt.

Die Grundlage war jedoch falsch.

Erst die saubere Unterscheidung zwischen weichen und harten Conversions machte die Daten wieder aussagekräftig.

Ein guter Prompt macht aus einem Sprachmodell einen besseren Assistenten.

Erst das Zusammenspiel von Kontext, Daten, Regeln, Skills und Prozessen macht KI zu einem produktiven Bestandteil des Marketings.

Sieben Prinzipien für den professionellen KI-Einsatz

1. Mit einem Problem beginnen, nicht mit einem Tool

Die Frage sollte nicht lauten:

«Wo können wir einen Agent einsetzen?»

Sondern:

«Welche wiederkehrende Aufgabe kostet uns viel Zeit oder liefert heute ungenügende Ergebnisse?»

Bei mir war eines der ersten Themen das Monatsreporting, insbesondere die kundengerechte Beschreibung von Massnahmen, Resultaten und nächsten Schritten.

2. Kontext systematisch bereitstellen

Gute Resultate entstehen nicht durch immer längere Prompts, sondern durch strukturiertes Wissen.

Ich dokumentiere beispielsweise relevante Änderungen in Werbekonten mit dem Datum, an dem sie wirksam wurden. So kann die KI spätere Leistungsveränderungen zeitlich besser einordnen.

3. Wiederkehrende Aufgaben als Skills abbilden

Anweisungen und Qualitätskriterien sollten nicht bei jeder Aufgabe neu erfunden werden.

Meine Reporting-Skills unterscheiden beispielsweise konsequent zwischen drei Bereichen:

Was haben wir gemacht?

Wie haben sich die Zahlen entwickelt?

Was testen oder verändern wir als Nächstes?

Das schafft Konsistenz über verschiedene Kunden und Projekte hinweg.

4. Strukturierte Inputs verwenden

Statt die KI aufzufordern, «eine gute Anzeige» zu schreiben, gebe ich beispielsweise Zielgruppe, Pains, Gains, USPs, Keywords und Call-to-Actions strukturiert vor.

Auch der Output wird strukturiert erzeugt. Kampagnen und Anzeigen können so direkt als Import-Datei für den Google Ads Editor vorbereitet werden, inklusive der entsprechenden Zeichenlimiten.

5. Qualitätskontrollen einbauen

Ein guter KI-Workflow produziert nicht nur Ergebnisse. Er überprüft sie auch.

Stimmen die Zahlen?

Sind die Suchvolumen tatsächlich vorhanden?

Werden Plattformvorgaben eingehalten?

Ist eine Freigabe notwendig?

Mein Skill für Conversion-Tracking im Google Tag Manager kann beispielsweise Tags und Trigger vorbereiten. Bevor bestehende Conversions deaktiviert oder Änderungen veröffentlicht werden, stoppt der Prozess jedoch bewusst und verlangt eine menschliche Freigabe.

6. Nicht alles automatisieren, was automatisierbar ist

Technisch könnte eine KI auch Budgets verschieben oder Zielwerte für Gebotsstrategien verändern.

Ich tue das bewusst nicht vollständig automatisiert.

Ob beispielsweise ein mehrsprachiges Konto mehr Budget in den deutschen, französischen oder italienischen Markt investiert, ist keine rein technische Entscheidung. Sie hängt von Geschäftszielen, Margen, Kapazitäten und Marktprioritäten ab.

Je grösser die Auswirkung einer Entscheidung, desto wichtiger werden Kontrolle und Verantwortung.

7. Klein starten und Wirkung messen

Ein professionelles KI-Setup muss nicht mit einer grossen Plattform beginnen.

Auch ich habe mit einzelnen Aufgaben gestartet, beispielsweise mit der Unterstützung bei Reporting-Texten.

Erst als die Prozesse zuverlässig funktionierten, kamen weitere Anwendungsfälle wie Keyword-Analysen, Tracking-Setups oder Import-Files hinzu.

Warum ein Agent nicht automatisch die Lösung ist

Agents gehören zu den spannendsten Entwicklungen rund um KI.

Ein klassischer Chatbot beantwortet eine Anfrage.

Ein Agent kann dagegen eine Aufgabe planen, verschiedene Werkzeuge einsetzen und mehrere Arbeitsschritte miteinander verbinden.

Das führt schnell zu einer neuen Versuchung:

Für jedes Problem einen Agent bauen.

Das ist nicht immer sinnvoll.

Häufig bringt bereits ein klar definierter Prozess einen grossen Produktivitätsgewinn: strukturierter Input, KI-Unterstützung und eine menschliche Kontrolle am Ende.

Agents werden besonders interessant, wenn mehrere Arbeitsschritte und Systeme zusammenkommen und eine Aufgabe regelmässig nach demselben Muster ausgeführt wird.

Wo ich Agents einsetze, habe ich deshalb eine eigene Koordinationsschicht aufgebaut. Leitplanken werden technisch durchgesetzt und nicht nur im Prompt «erbeten».

Sobald ein Agent eine Entscheidung benötigt, landet die Aufgabe auf einem Board in der Spalte «Braucht mich».

Der Mensch bleibt Teil des Systems und nicht nur Zuschauer.

Der Prozess kommt zuerst. Die Technologie danach.

Wo KI an ihre Grenzen kommt

KI kann hervorragend analysieren, Muster erkennen und Informationen strukturieren.

Schwieriger wird es dort, wo unvollständige Informationen, widersprüchliche Interessen und unternehmerische Entscheidungen zusammenkommen.

Drei Beispiele aus der Praxis zeigen das.

Kampagnenproblem oder Trackingproblem?

Ein Weiterbildungsanbieter stellte von klassischen Suchkampagnen auf dynamische Suchanzeigen um. Danach sanken die gemessenen Conversions um rund einen Viertel.

Die KI erkennt einen solchen Einbruch schnell.

Eine naheliegende Schlussfolgerung wäre: Die neue Kampagnenform funktioniert schlechter.

Ein Teil der Ursache lag wahrscheinlich aber im Tracking zwischen Hauptdomain und Subdomain.

Wer nur die Kampagnendaten betrachtet, kommt möglicherweise zur falschen Schlussfolgerung.

Kampagnenproblem oder Geschäftsmodell?

Bei einem Onlineshop lag der durchschnittliche Warenkorb bei rund 22 Franken, während die Kosten pro Kauf fast 60 Franken betrugen.

Keine Gebotsstrategie der Welt macht ein solches Verhältnis automatisch profitabel.

Die entscheidende Frage betrifft dann nicht primär Google Ads, sondern Sortiment, Warenkorb, Marge und Kundenwert.

Was hat die Veränderung tatsächlich verursacht?

In einem anderen Konto brach die Performance ein, nachdem innerhalb weniger Wochen mehrere grössere Anpassungen vorgenommen worden waren: Das Budget wurde verdoppelt, der Ziel-ROAS deutlich reduziert und eine Performance-Max-Kampagne verlagerte zunehmend Auslieferung in Display-Werbeplätze.

Die KI konnte diese Entwicklung und die dazugehörigen Änderungen innerhalb kurzer Zeit rekonstruieren.

Welche Einstellung zurückgenommen werden sollte und welche bestehen bleibt, war trotzdem keine rein datengetriebene Entscheidung.

Dazu kommen grundsätzliche Fragen, auf die auch die beste Datenanalyse keine eindeutige Antwort gibt:

Wie verteilt man das Budget zwischen Bekanntheit und Performance?

Braucht es tatsächlich eine neue Martech-Plattform?

Welche Daten dürfen in KI-Anwendungen verwendet werden?

Welche Prozesse sollen automatisiert werden, und welche bewusst nicht?

KI liefert dafür wertvolle Analysen und Entscheidungsgrundlagen.

Die Entscheidung selbst braucht jedoch Erfahrung, Kontext und ein Verständnis des Unternehmens, das über die verfügbaren Daten hinausgeht.

Je professioneller das Setup, desto wichtiger wird die Orchestrierung

Für einen kleinen Betrieb kann es vollkommen ausreichen, ChatGPT für Texte, Ideen oder Recherchen einzusetzen.

In grösseren Unternehmen sieht die Situation anders aus.

Dort kommen häufig mehrere Marketingkanäle und Sprachregionen, CRM-Systeme, Analytics, Werbekonten, CMS, Produktdaten, Freigabeprozesse und verschiedene Verantwortlichkeiten zusammen.

Dazu kommen Datenschutz, Governance und Berechtigungen.

KI ist dann nicht einfach ein weiteres Tool.

Sie wird Bestandteil der bestehenden Systemlandschaft.

Damit entstehen neue Fragen:

• Welche Systeme verbinden Sie, und mit welchen Berechtigungen?
• Welche Daten stehen der KI zur Verfügung?
• Wo braucht es menschliche Freigaben?
• Wie stellen Sie sicher, dass Ergebnisse reproduzierbar sind?
• Wie messen Sie den wirtschaftlichen Nutzen?
• Wie verhindern Sie, dass verschiedene Teams isolierte und inkompatible KI-Lösungen aufbauen?

Ich habe mich deshalb bewusst für selbst gehostete, kuratierte Datenanbindungen und eine gemeinsame Skill-Bibliothek entschieden.

So arbeitet jedes Projekt mit denselben Regeln, denselben Datenquellen und vergleichbaren Qualitätskriterien.

Diese Fragen sind weniger spektakulär als eine beeindruckende KI-Demo.

Für Unternehmen sind sie langfristig wesentlich wichtiger.

Die Rolle der Agentur verändert sich

KI verändert auch die Arbeit von Agenturen grundlegend.

Viele operative Tätigkeiten lassen sich heute deutlich effizienter erledigen: Suchbegriff-Berichte analysieren, Import-Files aufbereiten, Varianten entwickeln oder Reporting-Texte vorbereiten.

Das ist eine gute Entwicklung.

Eine Agentur sollte ihren Wert nicht daraus ableiten, möglichst viele Stunden für wiederkehrende Routinearbeiten aufzuwenden.

Die Zeit, die durch KI bei der Aufbereitung eingespart wird, kann dort eingesetzt werden, wo sie für Kunden mehr Wirkung erzielt:

bei Analyse, Beratung, Sparring, Konzeption, technischer Integration und Qualitätssicherung.

Gerade bei anspruchsvollen Marketing-Setups braucht es zunehmend Menschen, die unterschiedliche Disziplinen zusammenbringen.

Business-Ziele und Marketing.

Daten und Interpretation.

Werbeplattformen und Tracking.

Technologie und Prozesse.

Automatisierung und Verantwortung.

Manchmal ist die beste Lösung ein einfacher Workflow mit KI-Unterstützung.

Manchmal braucht es einen spezialisierten Skill.

Manchmal einen Agent.

Und manchmal ist es besser, einen Prozess gar nicht zu automatisieren.

Die entscheidende Kompetenz besteht darin, den Unterschied zu erkennen.

KI macht Marketing produktiver, aber nicht automatisch besser

Generative KI ist längst mehr als ein Werkzeug zum Schreiben von Texten.

Sie entwickelt sich zu einer Arbeitsebene, die Recherche, Analyse, Content, Daten und bestehende Systeme miteinander verbindet.

Technologie allein schafft jedoch keinen nachhaltigen Wettbewerbsvorteil.

Wenn praktisch jedes Unternehmen Zugang zu leistungsfähigen KI-Modellen hat, wird der Zugang zur Technologie zunehmend austauschbar.

Den Unterschied machen andere Faktoren:

bessere Daten, klarere Prozesse, Wissen über Kunden und Märkte, eine durchdachte technische Architektur und letztlich die richtigen Entscheidungen.

KI senkt den Aufwand für einzelne Aufgaben. Die Komplexität des Marketings senkt sie nicht automatisch.

Denn während einzelne Tätigkeiten einfacher werden, wächst gleichzeitig die Zahl der Möglichkeiten.

Gerade für Unternehmen mit anspruchsvollen Marketing-Setups wird deshalb eine Fähigkeit wichtiger: Marketing, Daten und Technologie sinnvoll miteinander zu verbinden.

Professionelles Marketing braucht auch im Zeitalter von KI Erfahrung, Struktur und kritisches Sparring.

Vielleicht mehr denn je.

Wo steht Ihr Marketing heute?

Vielleicht nutzt Ihr Team bereits ChatGPT, Claude, Copilot oder andere AI-Tools.

Die spannendere Frage ist aber: Wo könnten KI, Ihre Daten und bestehenden Marketing-Systeme sinnvoll zusammenspielen, und wo entsteht daraus tatsächlich ein geschäftlicher Nutzen?

Genau solche Fragen bearbeite ich gemeinsam mit meinen Kunden: von einzelnen AI-unterstützten Workflows über Marketing-Automatisierung bis zur Integration in komplexere Marketing- und Daten-Setups.

Wenn Sie an diesem Punkt stehen, finden Sie hier den Weg zu einem ersten Gespräch.