Agentic AI im Marketing braucht klare Kontrolle

Agentic AI: Wenn KI nicht mehr nur antwortet, sondern selbst handelt

Autonome KI-Agenten gelten als der nächste große Schritt im Marketing. Der Beitrag zeigt, wo Agentic AI heute tatsächlich funktioniert, warum vier von zehn Projekten scheitern – und welche Kontrollpunkte darüber entscheiden, auf welcher Seite man landet.

Bis 2027 werden voraussichtlich mehr als 40 Prozent aller Agentic-AI-Projekte wieder eingestellt – wegen unklarem Nutzen, schwacher Kontrollmechanismen oder mangelhafter Umsetzung, so eine aktuelle Prognose von Gartner. Dieselbe Analystenfirma erwartet gleichzeitig, dass bis 2028 rund ein Drittel aller Unternehmenssoftware Agentic-AI-Funktionen enthalten wird, gegenüber weniger als einem Prozent noch 2024. Zwei Zahlen, eine Technologie. Genau dieser Widerspruch macht das Thema für Unternehmen kompliziert: Agentic AI ist gleichzeitig eine der vielversprechendsten und eine der am häufigsten scheiternden KI-Investitionen der kommenden Jahre.

Was Agentic AI von einem Chatbot unterscheidet

Der Unterschied zwischen einem klassischen KI-Tool und einem KI-Agenten ist keine Marketingfloskel, sondern eine strukturelle Frage. Ein Chatbot beantwortet eine Anfrage und ist danach fertig. Ein Agent verfolgt ein definiertes Ziel eigenständig über mehrere Schritte hinweg: Er plant eine Vorgehensweise, nutzt dafür Werkzeuge wie CRM-Systeme, Werbekonten oder Content-Management-Systeme, und trifft unterwegs eigene Zwischenentscheidungen, ohne bei jedem Schritt auf eine neue Anweisung zu warten.

In der Praxis besteht ein Marketing-Agent typischerweise aus vier Bausteinen: Daten, die Kontext liefern, Anweisungen, die Rolle und Ziel definieren, Werkzeuge, mit denen der Agent tatsächlich etwas verändern kann, und Kontrollmechanismen, die festlegen, was er ohne Rückfrage tun darf und was nicht. Der letzte Punkt ist der, an dem die meisten Projekte scheitern oder gelingen.

Die verlockenden Zahlen

Die Erwartungen sind hoch, und sie sind nicht aus der Luft gegriffen. Nach Einschätzung von McKinsey soll Agentic AI künftig über 60 Prozent der gesamten KI-Wertschöpfung in Marketing und Vertrieb ausmachen. Eine Studie des Organisationsverbands OWM zusammen mit Accenture Song bestätigt: Mehr als 70 Prozent der befragten Marketingverantwortlichen setzen generative KI längst im Alltag ein, und autonome Agenten rücken bereits jetzt auf die Management-Agenda.

Diese Zahlen erklären den Hype. Sie erklären aber auch, warum viele Unternehmen zu schnell zu viel Autonomie einräumen, ohne die Kontrollfrage vorher geklärt zu haben.

Warum vier von zehn Projekten scheitern

Die Ursachen für gescheiterte Agentic-AI-Projekte sind selten technischer Natur. Häufiger fehlt ein klar abgegrenzter Anwendungsfall, die zugrunde liegenden Daten sind unsauber, oder es fehlt schlicht an menschlicher Kontrolle an den richtigen Stellen. Hinzu kommt ein Phänomen, das in der Branche mittlerweile einen eigenen Namen hat: Agent-Washing, also klassische Automatisierung, die als autonomer KI-Agent verkauft wird, obwohl sie keine eigenständigen Entscheidungen trifft.

Besonders tückisch sind sogenannte Fehlerkaskaden. Trifft ein Agent eine falsche Zwischenannahme und gibt diese an den nächsten Schritt oder einen weiteren Agenten weiter, kann sich der Fehler verstärken statt sich zu korrigieren – vor allem in Systemen, in denen mehrere Agenten zusammenarbeiten. Ohne klare Kontrollpunkte, an denen die Kette gegen das eigentliche Geschäftsziel geprüft wird, potenziert Automatisierung dann nicht die Produktivität, sondern den Fehler.

Wo es heute tatsächlich funktioniert

Trotzdem gibt es einen klaren Unterschied zwischen "funktioniert schon gut" und "noch riskant". Am verlässlichsten arbeiten Agenten bei Aufgaben mit klarem Input, messbarem Output und überschaubarem Risiko: automatisierte Reportings, das Zusammenstellen von Kampagnendaten aus mehreren Quellen, das Vorsortieren von Leads, oder das Erstellen erster Content-Entwürfe nach festen Vorgaben. Der Zeitgewinn ist hier sofort spürbar, ohne dass gleich ein kritischer Geschäftsprozess auf dem Spiel steht.

Anders sieht es aus, sobald ein Agent direkt mit Kunden kommuniziert oder öffentlich sichtbaren Content ausspielt. Hier gilt ohne Ausnahme: Ein Agent ohne definierte Kontrollpunkte ist ein Risiko, kein Effizienzgewinn. Zumindest in der Anlaufphase sollte jede kundenseitige oder öffentliche Aktion eine menschliche Freigabe durchlaufen, bevor sie live geht.

Was das für die eigene Einführung bedeutet

Die gute Nachricht: Die Einführung ist kein Jahresprojekt mehr. Ein einzelner Workflow-Agent lässt sich in der Praxis oft innerhalb von zwei bis drei Wochen vom Prozess-Audit bis zum produktiven Einsatz umsetzen, ein System aus mehreren zusammenarbeitenden Agenten in vier bis acht Wochen. Die entscheidende Variable dabei ist selten die Technologie selbst, sondern die Qualität der vorhandenen Daten und wie gut die eigenen Prozesse bereits dokumentiert sind. Wer hier bei null anfängt, sollte diesen Schritt zuerst gehen, unabhängig davon, welches Modell oder Framework am Ende zum Einsatz kommt.

Drei Schritte für die Praxis

Erstens: Fangen Sie mit einem einzelnen, klar abgegrenzten Prozess an, nicht mit einem Multi-Agent-System. Reporting-Aufgaben oder Datenzusammenführung sind ein sinnvoller erster Testfall, weil Fehler dort auffallen, bevor sie Schaden anrichten.

Zweitens: Definieren Sie die Kontrollpunkte, bevor Sie den Agenten produktiv schalten, nicht danach. Was darf er ohne Rückfrage tun, was braucht in jedem Fall eine menschliche Freigabe? Diese Entscheidung im Nachhinein zu treffen, ist der häufigste Grund, warum Projekte eskalieren.

Drittens: Behandeln Sie jede Kundenkommunikation und jeden öffentlichen Content als Sonderfall. Hier lohnt sich die zusätzliche Freigabeschleife auch dann, wenn sie den vermeintlichen Effizienzgewinn schmälert.

Eine Einschränkung gehört zur Ehrlichkeit dazu: Die zitierten Wachstums- und Erfolgsprognosen stammen überwiegend von Analystenhäusern und Beratungsfirmen, die naturgemäß ein Interesse an einer positiven Einschätzung des Marktes haben, und die Ausfallquote von "mehr als 40 Prozent bis 2027" ist eine Prognose, keine abgeschlossene Bilanz. Was sich aus unserer eigenen Projekterfahrung mit Automatisierung und KI-Workflows aber bestätigen lässt: Projekte scheitern so gut wie nie an der Technologie selbst, sondern daran, dass Kontrolle und Verantwortlichkeit erst eingeplant werden, wenn es bereits zu spät ist.