So funktioniert Marketing Automation mit KI-Agenten

KI-Agenten ermöglichen eine neue Art des Kundendialogs: Basierend auf Verhaltensdaten, Kundenhistorie und Kontext spielen sie automatisch im richtigen Moment die passenden Informationen und Angebote aus – individualisiert und auf den relevanten Kanälen. Wie unterscheiden sie sich von der bewährten Marketing Automation? Lösen sie diese sogar ab? Das Wichtigste zu einer Innovation mit viel Potenzial.

Marketing Automation hat sich durchgesetzt. Das bestätigt die 2026 veröffentlichte Studie «Marketing im digitalen Wandel» des deutschen Digitalverbands Bitkom. Schon heute verfolgen 66 Prozent der befragten Unternehmen aus der Digitalbranche diesen systematischen Marketingansatz. Sogar 76 Prozent sind der Meinung, dass er künftig wichtiger oder eher wichtiger wird.

Dass sich Marketing Automation zu einem Standard entwickelt hat, ist kein Zufall: Unternehmen gelingt es damit besser, kaufbereite Personen zu erkennen und ihnen automatisiert im richtigen Moment die passenden Angebote zu präsentieren und letztlich mehr Abschlüsse zu generieren. Dazu begleiten sie bestehende und potenzielle Kundinnen und Kunden entlang der gesamten Customer Journey – datengestützt und zumindest grundlegend personalisiert. Das Ziel ist es, weniger häufig, aber zielgerichteter und effizienter mit diesen Personen zu kommunizieren. Auch für die Konsumierenden hat das einen Vorteil: Im besten Fall bekommen sie nur noch Informationen, die sie wirklich interessieren.

Wie klassische Marketing Automation funktioniert

Bisher hat Marketing Automation regelbasiert funktioniert: Tritt ein bestimmtes Ereignis ein, wird das System getriggert und führt eine vordefinierte Aktion aus. Es handelt sich also um einen transparenten, verlässlichen und genau planbaren Prozess.

Ein fiktives, aber praxisnahes Beispiel: Der Elektrohändler ElektroDeal hatte lange Zeit mit einem der häufigsten Probleme im E-Commerce zu kämpfen – mit vielen Warenkorbabbrüchen. Marketing Automation hat es entschärft. Nun erhalten User mit Produkten im Warenkorb nach zwei Stunden ein E-Mail als Erinnerung samt Link zurück zum Warenkorb. Falls sie nach 24 Stunden noch keinen Kauf getätigt haben, bekommen sie ein zweites E-Mail mit einem Zehn-Prozent-Rabattcode. Nach 72 Stunden folgt eine letzte Erinnerung, dass der Rabatt bald abläuft.

Solche und ähnliche Prozesse lassen sich nicht nur via E-Mail abwickeln, sondern genauso über Messenger wie WhatsApp und dank Programmatic Printing auch mit physischen Mailings.

Die Vorteile dieses Vorgehens liegen auf der Hand:

• Messbare Wirkung
• Weniger manuelle Arbeitsschritte
• Skalierbare Prozesse
• Kein tiefes technisches Verständnis erforderlich
• Gut planbare Kosten gängiger Plattformen wie Salesforce oder HubSpot

Die Grenzen der regelbasierten Marketing Automation

Allerdings hat die regelbasierte Marketing Automation eine zentrale Schwäche: Ihre Regeln sind statisch. Sie gehen davon aus, dass sich die definierten Kundensegmente immer ungefähr gleich verhalten und einer bestimmten Customer Journey folgen. Doch in der Realität verlaufen Entscheidungsprozesse nicht linear, sondern crossmedial und vor allem situativ. Auf diese aktuelle Situation der Kundinnen und Kunden kann klassische Marketing Automation nicht reagieren. Ihre Ausspielungslogiken sind im Voraus definiert.

Das zeigt sich am Beispiel von ElektroDeal: Hier erhalten alle Personen mit einem Warenkorbabbruch ein identisches E-Mail. Doch die Gründe für den Abbruch sind ganz unterschiedlich – etwa technische Probleme beim Bezahlvorgang, eine abgelaufene Kreditkarte, ein tieferer Preis im Onlineshop des Mitbewerbers oder Zweifel zur Qualität des Produkts. Daher funktioniert die Marketing Automation nicht effektiv genug.

Die naheliegende Reaktion von Unternehmen wie ElektroDeal sind feinere Kundensegmente, präzisere Regeln und ausgeklügeltere Prozesse, um mehr Situationen gezielter abzudecken. Dadurch wird die Marketing Automation für alle Beteiligten komplexer, aber nicht zwingend erfolgreicher. Denn das Hauptproblem bleibt ungelöst: Die Marketing-Automation-Plattform erkennt den individuellen Kontext nicht. Deshalb heisst die Lösung nicht noch mehr Automation, sondern intelligentere Automation – mithilfe von KI-Agenten.

Was sind KI-Agenten im Kontext der Marketing Automation?

Anders als klassische Systeme für die Marketing Automation arbeiten KI-Agenten nicht mit Regeln, sondern mit Zielen. Wie sie diese Ziele erreichen, entscheiden sie selbst. Alex Schoepf, Experte für Marketing Automation und KI bei der 4results AG, erklärt es so: «KI-Agenten nutzen Kundendaten und Informationen zum Kontext, um Handlungsoptionen zu entwickeln und zu bewerten. Dann treffen sie innerhalb der definierten Leitplanken selbstständig Entscheidungen zum richtigen Vorgehen und lösen bei den angebundenen Systemen Aktionen aus.» Die Agenten sind fähig, das Ergebnis nach jeder solchen Aktion zu analysieren, aus den Ergebnissen zu lernen und ihr Handeln ohne menschliches Zutun anzupassen.

Technisch gesehen sind KI-Agenten also keine Weiterentwicklung der bisherigen Marketing Automation im Sinne einer Version 2.0, sondern ein grundlegend anderer Ansatz. Laut Alex Schoepf ergänzen sie die bestehenden Systeme vor allem dort, «wo Kontext, Priorisierung, Interpretation und nächste sinnvolle Schritte gefragt sind.»

Diese Präzisierung ist wichtig, weil sie die Erwartungshaltung prägt: Wer KI-Agenten als Upgrade versteht, erwartet eine nahtlose Integration in die vorhandenen Systeme, die jedoch nicht realistisch ist. Dazu sagt Alex Schoepf: «Die meisten Anbieter von Automation-Lösungen haben schon längst erste KI-Funktionen in ihre Systeme integriert und für viele Anwendungen reichen diese auch aus. Es geht etwa um optimierte Betreffzeilen, Content-Varianten und Versandzeitpunkte bei automatisierten E-Mails. Aber sobald agentisches Handeln mit individuellen Workflows und dem Zusammenspiel mehrerer Tools gefragt ist, kommen die Standard-Systeme meist an ihre Grenzen.»

Fünf zentrale Merkmale des Vorgehens von KI-Agenten

So wird der KI-Agent technisch eingebunden

Ein KI-Agent ist keine isolierte Software, sondern eine zusätzliche technische Ebene über bestehenden Systemen, die diese verbindet und steuert. Er ist über Schnittstellen (APIs) an die vorhandene Dateninfrastruktur angebunden. Im besten Fall kann er die vorhandenen Daten in Echtzeit lesen und verarbeiten. Zentrale Datenquellen sind unter anderem:

• CRM-System für Kundenstammdaten, Kaufhistorie, Lead-Status, Kunden- und Lead-Segmentierung etc.
• Web-Analytics für das Verhalten auf der Website
• E-Commerce-System für Produktansichten, Warenkörbe, Käufe, Retouren etc.
• Marketing-Automation-Plattform für Klickverhalten, Kampagnenhistorie etc.
• Kundenservice-System für Support-Tickets, Beschwerden etc.

Aufgrund seiner Aktionen und der Reaktionen darauf speist der KI-Agent wieder Daten in die Systeme zurück. Das E-Commerce-System etwa muss wissen, welche personalisierten Produktempfehlungen es ausspielen soll. Und das CRM-System aktualisiert aufgrund von Reaktionsdaten die Lead-Scores.

Genau wie bei klassischen Marketing-Automation-Plattformen werden auch bei KI-Agenten zusätzlich Regeln – sogenannte Guardrails – hinterlegt, die sie gezielt in ihrer Entscheidungsfreiheit einschränken. Beim Beispiel mit den Warenkorbabbrüchen könnte eine solche Regel etwa lauten, dass der individuell angebotene Rabatt höchstens 20 Prozent betragen darf.

Welche Nachteile und Risiken sind mit KI-Agenten verbunden?

Das grösste Risiko von Marketing Automation mittels KI-Agenten ist der Kontrollverlust. «Die klaren Bedingungen für einen Abbruch, wie sie bei der regelbasierten Automatisierung gängig sind, fallen bei agentischen Systemen weg. Das ist Fluch und Segen zugleich», sagt Sinu Thirukketheeswaran, Dozent für Marketing Technology am Institut für Marketing Management der ZHAW. «Einerseits ist ein Agent 24/7 im Einsatz und enorm produktiv. Andererseits läuft er im Blindflug und verursacht durch seine Aktionen im schlimmsten Fall einen Reputationsschaden. Darum müssen sich Marketingteams überlegen, an welchen Stellen sie involviert sein wollen, um den Output zu kontrollieren.»

KI-Agenten sind noch mit weiteren Risiken und Nachteilen gegenüber regelbasierten Systemen verbunden:

Marketing Automation und Agentic AI im Vergleich

Lösen KI-Agenten die regelbasierte Marketing Automation ab?

KI-Agenten sind kein Ersatz für regelbasierte Marketing Automation, sondern eine Ergänzung. Bei einer solchen hybriden Strategie kommen die beiden Ansätze für unterschiedliche Aufgaben zum Einsatz und kombinieren so ihre Stärken. «Nicht jeder Prozess wird mit KI besser: Bei stabilen, klar strukturierten Abläufen ist regelbasierte Automation oft treffsicherer, günstiger und besser kontrollierbar», so Alex Schoepf. KI-Agenten wiederum punkten bei komplexen Aufgaben mit einer Vielzahl möglicher Kanäle, sehr unterschiedlichen Kundenprofilen und dynamischer Preisgestaltung.

«Marketing Automation mit agentischen Systemen darf nicht bloss eine Spielerei sein, sondern muss wirklich einen Mehrwert bringen und sich finanziell lohnen», betont Daniel Hünebeck, Trainer und Berater für KI und Digital Marketing. «Wegen des Hypes um die KI-Agenten besteht die Gefahr von Over-Engineering – von unnötig komplizierten und teuren Lösungen. Um beim Beispiel des Warenkorbabbruchs zu bleiben: Viele Unternehmen im E-Commerce haben dafür noch nicht einmal einfache, regelbasierte Automatisierungen implementiert. Ich empfehle ihnen, hier zu beginnen und diesen Prozess zuerst richtig gut hinzubekommen, statt direkt bei den KI-Agenten zu starten und die ganze Organisation zu überfordern.»

Automatisierung mit KI-Agenten: Einführung in fünf Schritten

1. Reifegrad analysieren

Zuerst klärt das Marketingteam die Ausgangslage des Unternehmens hinsichtlich:

• Datenqualität
• Integrationsgrad der verschiedenen Systeme
• Klar definierte Prozesse
• Risikotoleranz

Diese Eckpunkte geben einen Hinweis darauf, wie aufwendig KI-Agenten zu implementieren sind. Möglicherweise kommt das Unternehmen also zum Schluss: Es bleibt besser bei regelbasierter Marketing Automation.

2. Passende Prozesse identifizieren

Zeigt die Reifegradanalyse grünes Licht für die Implementierung von Agentic AI, beurteilt das Marketingteam als Nächstes die Prozesse der Marketing Automation: Welche davon eignen sich für datengetriebene Entscheidungen durch KI-Agenten?

Laut Daniel Hünebeck empfehlen sich dafür vor allem zwei Arten von Prozessen: «Erstens jene Automatisierungen, die mit regelbasierten Systemen schon stabil funktionieren und erfolgreich sind. Hier können Marketingteams einen A/B-Test durchführen, indem sie parallel dazu einen KI-Agenten laufen lassen. Durch den Vergleich werden Vorteile, Nachteile und Herausforderungen der KI-Lösung besser ersichtlich. Zweitens eignen sich Prozesse, die sich bisher nicht regelbasiert abbilden liessen, weil sie zu viele Variablen enthalten oder zu wenig stabil liefen.»

3. Testsystem aufbauen

Mehrere Unternehmen sind bei der Marketing Automation mit agentischen Systemen bereits in dieselbe Falle getappt: «Sie haben die ersten Pilotprojekte gleich in ihren produktiven Systemen durchgeführt und KI-Agenten zum Beispiel auf ihr CRM-System zugreifen lassen – mit teils erheblichen Reputationsschäden», so Sinu Thirukketheeswaran. Darum empfiehlt der Experte für Marketing Technology, zuerst Tests ohne Kundenkontakt in einem geschlossenen System durchzuführen, «wo der KI-Agent einfach loslaufen und nichts kaputtmachen kann». So lässt sich gefahrlos beobachten, welche Fehler auftreten. Diese werden Schritt für Schritt ausgemerzt, bis der KI-Agent stabil läuft und bereit ist für das eigentliche Pilotprojekt. «KI-Agenten werden also iterativ aufgebaut.»

4. Pilotprojekt durchführen

Das Pilotprojekt dient dazu, die Kundeninteraktion des KI-Agenten live zu beobachten und zu überwachen. «Entscheidend ist dabei, einen Piloten nicht nur als technisches Projekt zu sehen», betont Daniel Hünebeck. Vielmehr gibt es ganz viele Aspekte zu berücksichtigen und Fragen zu beantworten:

• Was ist das Ziel des Pilotprojekts?
• Bestehen die nötigen Daten dafür? Wie müssen die vorhandenen Daten zuerst aufbereitet werden?
• Auf welche Daten darf der KI-Agent zugreifen?
• Welche Vorgaben erhält der Agent? Welche Aktionen sind erlaubt, welche verboten? Welche Regeln sind zu befolgen?
• Welche Kontrollen und Freigaben für agentische Aktionen werden eingebaut (Human-in-the-Loop-Prozesse)? Wer ist dafür verantwortlich?
• Welche rechtlichen Risiken bestehen und wie lassen sie sich handhaben?
• Wie erfolgt das Monitoring?
• Wie lange dauert das Projekt und welches sind die Abbruchkriterien?

Selbstverständlich ist auch die technische Implementierung ein wichtiger Teil des Pilotprojekts. Sie beginnt laut Sinu Thirukketheeswaran von der ZHAW mit einer Gesamtübersicht, welche Systeme für die Marketing Automation bereits im Einsatz sind und wie sie miteinander interagieren: «Erst dann lässt sich abschätzen, wie der KI-Agent am besten eingebunden wird. Die eigentliche Umsetzung ist dann relativ rasch erledigt.»

Bei der Wahl des passenden Modells lautet die wichtigste Frage: Wo sind die Daten gespeichert? Sinu Thirukketheeswaran nennt zwei Optionen: «Unternehmen können entweder das Closed-Source-Modell eines kommerziellen Anbieters wie Anthropic oder OpenAI wählen, das sich relativ einfach einrichten lässt. Allerdings riskieren sie dann, dass ihre Daten über amerikanische Server geschleust werden. Oder sie wählen ein Open-Source-Modell, das mehr technisches Fachwissen erfordert. Dafür können sie den KI-Agenten auf einem Schweizer Server laufen lassen.»

Am Ende des Pilotprojekts steht eine detaillierte Erfolgskontrolle – auch finanziell. «Wie immer im Marketing ist der Return on Investment (ROI) eine zentrale Kennzahl», sagt Sinu Thirukketheeswaran. «Beim Aufwand müssen Marketingteams unbedingt die oft unterschätzten Kosten für die Tokens einkalkulieren.» Tokens sind die Textbausteine, die eine KI verarbeitet und die als Grundlage für die Verrechnung dienen. Da KI-Agenten bei ihrer Arbeit oft sehr viele Schritte machen, die jedes Mal Tokens «verbrennen», können hohe Kosten anfallen. «Hinzu kommt: In Zukunft dürften die kommerziellen Anbieter ihre Token-Preise noch erhöhen. Für einen besseren ROI lohnt sich daher ein Blick auf die Open-Source-Modelle. Diese kennen kein ‹Token based Pricing›. Kosten fallen stattdessen für die eigene Server-Infrastruktur an, sie lassen sich aber begrenzen.»

5. Skalieren

«Unternehmen sollten erst dann skalieren und weitere Automatisierungen agentisch lösen, wenn die Erfolgskontrolle der Pilotprojekte positive Resultate zeigt», rät Marketing-Automation-Profi Alex Schoepf. «Ziel ist es also nicht, möglichst viele Prozesse mit KI-Agenten zu automatisieren, sondern eine relevantere Kommunikation entlang der ganzen Kundenreise zu erreichen.»

Ähnlich sieht es Daniel Hünebeck. Er rät zu Gelassenheit: «Die Skalierung hat keine Eile. Unternehmen halten besser noch zwei, drei Jahre an ihren bewährten regelbasierten Systemen fest. Bis dann werden KI-Agenten für die Marketing Automation einfacher zu implementieren sein, stabiler laufen und wirklich einen handfesten Beitrag zum Unternehmenserfolg leisten.»