Was ist Agentic Marketing?

Agentic Marketing bedeutet, dass KI-Agenten Marketingaufgaben in einer Schleife planen, ausführen und laufend verbessern. Die Aufgaben sind vertraut: Recherche, Briefings, Entwürfe, Varianten, Reporting, Prüfungen. Die Agenten nutzen Tools und Daten und geben ihre Arbeit Schritt für Schritt weiter, statt ein einziges Ergebnis zu produzieren und anzuhalten. Die Entscheidungen bleiben bei den Menschen: Ziele, Marke, Budget und was veröffentlicht wird.

Der Begriff wird oft mit Dingen vermischt, die es davor schon gab: GenAI-Inhaltserstellung, KI-Bearbeitung von menschlich erstelltem Material und die regelbasierte Marketingautomation, die viele Teams bereits betreiben. Jedes davon ist für sich nützlich. Wer sie verwechselt, kauft die falschen Tools und steuert die falschen Risiken.

Wie es sich von rein KI-gestütztem Marketing unterscheidet

GenAI-Inhaltserstellung ist der einfachste Fall. Sie geben einem Modell einen Prompt, und es erstellt ein Asset: ein Bild, ein Video, einen Text. Sie erhalten ein Ergebnis, und der Rest liegt bei einer Person: beurteilen, anpassen, platzieren, messen.

KI-Bearbeitung verändert Material, das Sie bereits erstellt haben. Runways Edit Studio (Modell Aleph 2.0) arbeitet mit Filmmaterial, das Sie selbst gedreht haben: Sie beschreiben eine Änderung, etwa einen neuen Hintergrund, anderes Licht oder ein Produkt in einer anderen Farbvariante, und das Modell wendet diese Änderung auf Clips von bis zu 30 Sekunden bei 1080p an, während es den Rest der Aufnahme beibehält (Runway). Die Idee und das Material bleiben menschlich.

Regelbasierte Marketingautomation ist älter als beide. Eine Person konfiguriert im Voraus feste Wenn-dann-Workflows: Wenn sich jemand anmeldet, sende diese E-Mail-Sequenz; wenn die Person klickt, verschiebe sie auf eine andere Liste. Das System führt einen Plan aus, der vorher festgelegt wurde. Liegt die Realität außerhalb der Regeln, stoppt der Workflow oder läuft ins Leere, und eine Person muss ihn anpassen.

Agentic Marketing setzt eine Ebene höher an, beim Prozess rund um die Assets: Wer macht die Recherche, wer verfasst das Briefing, wer produziert die Varianten, wer prüft die Arbeit gegen die Markenregeln, wer bereitet das Reporting vor. Ein Agent erhält ein Ziel, Zugang zu Tools und Daten sowie Grenzen, legt die Schritte dann unterwegs selbst fest und prüft Zwischenergebnisse, bevor er weitermacht. Bevor irgendetwas nach außen geht, gibt eine Person weiterhin die Freigabe. Ein agentischer Workflow kann GenAI-Generierung, KI-Bearbeitung oder regelbasierte Automation innerhalb seiner Schritte nutzen, und er kann auch ohne all das laufen. Ein Reporting-Agent, der Zahlen abruft, eine wöchentliche Zusammenfassung entwirft und ungewöhnliche Bewegungen markiert, erzeugt überhaupt keinerlei Inhalte.

Wie das in der Praxis aussieht

Der Einstieg mit dem geringsten Risiko ist interne Arbeit: wiederholbare Aufgaben, bei denen ein Fehler auffällt, bevor ihn jemand außerhalb des Unternehmens sieht. Typische Beispiele:

• Ein Wochenreport, den ein Agent entwirft und gegen die Quelldaten prüft, bevor eine Person ihn liest.
• Aus freigegebenen Assets Kanalentwürfe machen, zum Beispiel einen LinkedIn-Post aus einem freigegebenen Artikel oder einen Newsletter-Abschnitt aus einem freigegebenen Whitepaper. Eine Person bearbeitet und versendet.
• KI-Bearbeitungen an vorhandenem Filmmaterial, bei denen das Originalmaterial und die Idee menschlich bleiben.

In jedem Fall bleibt das Ergebnis des Agenten im Unternehmen, bis eine Person es gelesen hat. Scheitert der Agent, kostet das einen verworfenen Entwurf, und die Lösung ist eine Korrektur am Workflow.

Wie solche Workflows üblicherweise gesteuert werden

Ein tragfähiges Kontroll-Setup sieht ungefähr so aus. Der Agent erhält Lesezugriff auf definierte Quellsysteme und keinen Schreibzugriff, den er nicht braucht. Jede Aktion, die er ausführen könnte, wird klassifiziert: Einige darf er eigenständig auslösen, andere erfordern zuerst eine menschliche Bestätigung. Rollen werden getrennt, sodass Recherche, Entwurf, Prüfung und Ausführung bei separaten Agenten liegen, und das Ergebnis eines Agenten wird zum Input eines anderen Agenten, der es verifiziert. Jedes Ergebnis durchläuft QA-Prüfungen vor der Freigabe, und vor allem, was veröffentlicht oder versendet wird, steht eine Freigabestufe mit einer namentlich benannten verantwortlichen Person. Aktionen werden protokolliert, sodass eine Person danach nachvollziehen kann, was passiert ist, und eine Person kann den Workflow an jedem Punkt anhalten, korrigieren oder umleiten.

Warum die letzte Entscheidung bei einer Person bleibt: Agenten erledigen die Routinearbeit. Menschen treffen die Entscheidung.

Grenzen und Risiken

Agenten handeln auf Basis der Daten und Berechtigungen, die sie erhalten, und genau dort beginnen die meisten Fehler. Sind die Quelldaten falsch, produziert ein Agent ordentliche, selbstbewusste Arbeit auf Basis falscher Zahlen. Sind seine Berechtigungen weiter gefasst, als die Aufgabe es erfordert, kann sich ein kleiner Fehler weiter ausbreiten, als er sollte. Keines dieser Fehlerbilder sieht von innen dramatisch aus, weshalb die oben genannten Kontrollen wichtig sind.

Außerdem braucht jedes Ergebnis eine verantwortliche Person. Ein Agent kann nicht für einen veröffentlichten Fehler geradestehen. Ist niemand namentlich für das verantwortlich, was nach außen geht, rutschen Fehler durch, und das Team lernt nichts daraus.

Auf der sichtbaren Seite reagiert das Publikum weiterhin ablehnend auf Inhalte, die es als maschinell erstellt wahrnimmt. ADWEEK bat kreative Führungskräfte, den Svedka-Spot zu bewerten, und der Beitrag erschien unter der Überschrift "Svedka's Forgettable Super Bowl Ad Proves AI Isn't an Idea". Die niederländische Fachseite Adformatie berichtet, dass McDonald's einen KI-Weihnachtsspot kurz nach scharfer Kritik zurückzog (Adformatie). Interne Workflows tragen dieses Risiko in geringerem Maß, weil außerhalb des Unternehmens niemand einen Recherche-Agenten oder eine QA-Prüfung sieht, aber alles, was sich an Kunden richtet, braucht weiterhin eine Person, die bereit ist, dafür einzustehen.

Auch Ergebnisse sind nicht garantiert. Ein Workflow kann ordentlich aussehen und trotzdem keine Zeit sparen oder Fehler nur an eine andere Stelle verschieben. Die ehrliche Art, das zu bewerten, ist, den Zeitaufwand und die gefundenen Fehler vor und nach der Einführung über einige Wochen zu messen und niemandem im Voraus ein Ergebnis zu versprechen.

Der Begriff selbst ist jung und wird unscharf verwendet. Er kann alles beschreiben, von einem Chatbot mit ein paar Templates bis zu einem Setup aus mehreren Agenten mit Freigabestufen und Logs. Bevor Sie ein Tool kaufen oder jemanden einstellen, fragen Sie, was die andere Seite darunter konkret versteht.

Wo Agentic Marketing heute steht

Vor etwa einem Jahr zögerten Kunden oft, meine Vorschläge umzusetzen, selbst wenn sie der Argumentation zustimmten. Sie fürchteten, sichtbare GenAI-Inhalte könnten ihre Marke beschädigen oder abwerten. Die Sorge galt weniger der Technologie als der Frage, was Kunden denken würden, wenn sie das Ergebnis sähen.

In den letzten Monaten ist diese Angst kleiner geworden. Bekannte Marken zeigen KI-generierte Inhalte inzwischen offen, auch im Fernsehen. Svedka, eine Wodkamarke von Sazerac, zeigte "Shake Your Bots Off" während des Super Bowl LX am 8. Februar 2026 und bewarb den Spot als den ersten überwiegend KI-generierten Super-Bowl-Spot (ADWEEK). Die Storyline haben trotzdem Menschen entwickelt (TechCrunch). Im Januar 2026 startete GWM Brasil einen Spot für den Haval H6, den das Unternehmen als den ersten vollständig mit KI erstellten Autowerbespot Brasiliens bezeichnet, produziert mit Googles Veo 3. Das Unternehmen betont die menschliche Kuratierung dahinter: 37 Fachleute und mehr als 700 Stunden Arbeit (GWM). Im Juni 2026 brachte die niederländische Bett- und Matratzenmarke Matt Sleeps einen TV-Spot auf Sendung, der vollständig aus KI-Bildern besteht, wie derselbe Adformatie-Beitrag berichtet.

Nach meiner Erfahrung ist der größere Beschleuniger, dass KI-Bearbeitung inzwischen gut mit Filmmaterial funktioniert, das ein Team selbst gedreht hat. Die Idee und das Material bleiben menschlich, und die KI verändert auf Anfrage konkrete Details. Das gibt Entscheidern den Mut, diese Prozesse auszuprobieren, weil ihre Marke in ihren Händen bleibt.

Dann ist da noch die Stellenbezeichnung. The General Intelligence Company of New York sucht einen "Head of Agentic Marketing". Euromonitor schreibt die Rolle eines "Agentic Marketing Engineer" aus. monday.com sucht einen "Senior AI Engineer, Agentic Marketing", in einer Stellenausschreibung, die eine Agentic-Marketing-Plattform beschreibt, "where humans set goals and strategy" (wo Menschen Ziele und Strategie festlegen). Die australische Bank NAB hatte ebenfalls einen "Head of Agentic Marketing" ausgeschrieben, die Stelle ist inzwischen geschlossen. Immer mehr Menschen beschreiben Agentic Marketing als ihren Job, und in meinen Gesprächen sind mehr Entscheider bereit, es auszuprobieren. Diese Stellenbezeichnungen und TV-Spots zeigen wachsendes Interesse. Sie beweisen nicht, dass Agentic Marketing für jedes Team funktioniert.

Wenn Sie so etwas in Ihrem Team einrichten lassen möchten, gibt es dafür unser Agentic Marketing Consulting.