Was ist ein KI-Marketing-Agent, und wie unterscheidet er sich von einem Prompt?
Ein KI-Marketing-Agent ist ein System, das eine mehrstufige Aufgabe plant, Werkzeuge zu ihrer Ausführung aufruft, das eigene Ergebnis prüft und etwas Fertiges zurückgibt. Ein Prompt gibt Text zurück. Ein Agent gibt eine Aufgabe zurück, die tatsächlich erledigt ist.
Der Unterschied ist die Schleife. Wenn Sie eine Anfrage in ein Chatfenster einfügen, erzeugt das Modell eine Antwort und hört auf. Ein Agent fährt einen Zyklus: entscheiden, was als Nächstes kommt, ein Werkzeug benutzen, das Ergebnis lesen, erneut entscheiden, und so weiter, bis die Arbeit fertig ist oder ein Mensch ihn stoppt. Genau diese Schleife erlaubt es ihm, Ihre aktuellen Vertriebsdaten zu ziehen, darauf aufbauend zu schreiben, die Zahlen zu prüfen und etwas Fertiges zurückzugeben.
Diese Unterscheidung ist kaufmännisch relevant, denn sie verändert, was Sie einkaufen. Ein Prompt spart einer schreibenden Person zwanzig Minuten. Ein Agent nimmt einen ganzen Prozess von jemandes Schreibtisch. Das sind andere Budgets, andere Risiken und andere Fehlerbilder.
Sie verändert auch, wem das Ergebnis gehört. Ein Prompt ist ein Entwurf, den Sie ohnehin geprüft hätten. Ein Agent erledigt Arbeit, die Sie womöglich nie genau ansehen, weshalb die Leitplanken um ihn herum mehr Entwurfsaufmerksamkeit verdienen als der Prompt in seinem Inneren.
Warum schaffen es die meisten Agentenprojekte nie in den Produktivbetrieb?
Weil der Pilot der einfache Teil ist. IDC-Untersuchungen sagen es unmissverständlich: Rund 88% der Proof-of-Concepts für KI-Agenten erreichen nie den breiten Produktivbetrieb, was etwa vier Live-Einsätzen auf 33 gestartete Piloten entspricht.
Diese Zahl ist kein Ausreißer. Drei unabhängige Studien von Anfang 2026, von McKinsey, Gartner und einer branchenübergreifenden Analyse des AI Governance Institute, kamen auf eine Misserfolgsquote von 86% bis 89% bei Unternehmenspiloten. Die MIT-Arbeit von 2026 fand, dass 95% der generativen KI-Piloten in Unternehmen keinen messbaren Ertrag liefern. Gartner prognostiziert, dass mehr als 40% der agentischen KI-Projekte bis Ende 2027 ganz eingestellt werden.
Die Hürden sind konsistent, und keine davon betrifft die Modellqualität. Daten von Forrester und Anaconda aus 2026 setzen Lücken in der Bewertung mit 64% der Verantwortlichen an die erste Stelle, Governance-Reibung mit 57% an die zweite und Modellzuverlässigkeit mit 51% an die dritte. Im Klartext: Teams konnten nicht sagen, ob der Agent gute Arbeit leistet, konnten sich nicht einigen, wer bei Fehlern verantwortlich ist, und stießen erst danach auf das Modell selbst.
Unterdessen steigt die Verbreitung weiter, und genau das macht die Lücke gefährlich. Berichtete Zahlen nennen 34% der Marketingteams in Großunternehmen, die mindestens einen autonomen Agenten produktiv betreiben, nach 14% Ende 2025, im Mittelstand 19% und in kleineren Unternehmen rund 7%. Etliche Marken liefern also aus. Die meisten Piloten hinter diesen Zahlen sind trotzdem still gestorben.
Die Lehre ist nicht, dass Agenten nicht funktionieren. Sie lautet, dass die überlebenden Projekte diejenigen sind, die vor dem Bauen entschieden haben, was “funktioniert” überhaupt bedeutet.
Der Vier-Fragen-Test, bevor Sie irgendetwas bauen
Schicken Sie jeden Kandidaten durch vier Fragen und bauen Sie nur, wenn alle vier bestanden sind. Anthropic veröffentlicht diesen Test in der eigenen Agenten-Anleitung, und er filtert mehr schlechte Projekte heraus als jede technische Prüfung.
- Komplexität. Ist die Aufgabe wirklich mehrstufig und schwer vorab zu spezifizieren? “Mach aus diesem Briefing einen recherchierten Artikel mit Quellen” zählt. “Zieh den Titel aus diesem PDF” nicht.
- Wert. Rechtfertigt das Ergebnis die zusätzlichen Kosten und die Latenz, die ein Agent mitbringt? Agenten denken länger und rufen mehr Werkzeuge auf, und beides steht später auf der Rechnung.
- Machbarkeit. Ist das Modell in dieser Aufgabe heute tatsächlich gut? Testen Sie zuerst von Hand. Wenn ein sorgfältiger Mensch im Chat kein gutes Ergebnis bekommt, automatisiert ein Agent nur ein schlechtes.
- Fehlerkosten. Können Sie Fehler auffangen und zurücknehmen? Umkehrbare Arbeit mit Prüfschritt ist sicher. Alles, was ungeprüft versendet, ausgibt oder veröffentlicht, ist es nicht.
Fällt auch nur eine Frage durch, lautet die ehrliche Antwort: ein einfacheres Werkzeug. Dieses Urteil ist mehr wert, als es klingt, denn die Misserfolgsquote von 88% ist überwiegend keine schlechte Technik. Es sind Projekte, die ein Workflow hätten sein sollen, als Agent verkleidet, weil Agenten gerade das waren, was man baute.
Für Markenarbeit lohnt ein zusätzlicher Filter: Würde ein Kunde es merken, wenn das eine Woche lang schlecht liefe? Wenn ja, ist die menschliche Freigabe nicht optional, egal wie die Demo aussah.
Der größte Teil Ihrer Markenarbeit braucht keinen Agenten
Einzelaufruf, fester Workflow, Agent: Nehmen Sie das kleinste, das die Arbeit beendet
Der größte Teil braucht die Stufe darunter. Es gibt drei Ebenen von KI-Arbeit, und die richtige Vorgabe ist die einfachste, die die Aufgabe erledigt, nicht die autonomste, die Sie sich leisten können.
Die erste Ebene ist ein einzelner Aufruf: klassifizieren, zusammenfassen, extrahieren, einen Text umschreiben. Eine Anfrage, eine Antwort, keine Schleife, nahezu keine Kosten. Ein überraschend großer Teil dessen, was Marketingteams “KI-Automatisierung” nennen, lebt hier und funktioniert einwandfrei.
Die zweite Ebene ist ein Workflow. Sie schreiben die Schritte in Reihenfolge im Code, und das Modell übernimmt die sprachlichen Anteile jedes Schritts. Erst Recherche, dann Gliederung, dann Entwurf, dann Redaktion. Die Abfolge ist fest und gehört Ihnen, also ist das Ergebnis vorhersehbar und jede Stufe prüfbar. Hier sollte der Großteil des Markencontents leben, und genau das ist eine gestufte Content-Pipeline.
Die dritte Ebene ist ein echter Agent, und er verdient seinen Platz nur, wenn der Weg sich nicht vorab festlegen lässt. Wenn Sie das Flussdiagramm zeichnen können, bauen Sie das Flussdiagramm. Das Modell entscheidet was als Nächstes kommt nur dann, wenn Sie es wirklich nicht für es entscheiden können.
Teams springen zur dritten Ebene, weil sie sich besser vorführen lässt. Dann wird die Bewertung schwierig, denn ein Agent, der seinen Weg selbst gewählt hat, lässt sich schlecht gegen ein erwartetes Ergebnis benoten, und Sie landen in jenen 64%, die nicht sagen konnten, ob es funktioniert.
Welche drei Agenten sollte eine Marke zuerst bauen?
Beginnen Sie mit den drei Aufgaben, die sich täglich wiederholen, eine klare Ziellinie haben und schon heute jemanden Stunden kosten: Produktion, Empfang und Messung. Alles andere kann warten, bis diese ohne Aufsicht laufen.
Der Produktionsagent macht aus einem Briefing einen fertigen, belegten Entwurf in Ihrer Stimme. Das ist der erste Bau mit dem höchsten Wert, weil die Eingabe klein, die Ausgabe prüfbar und Fehler vor der Veröffentlichung billig zu fangen sind. Berichtete Daten aus 2026 zählen Content-Erstellung und E-Mail-Optimierung zu den schnellsten Wegen zum Ertrag, was dem entspricht, wie sich die Arbeit von innen anfühlt.
Der Empfangsagent beantwortet eingehende Nachrichten auf den Kanälen, die Ihre Kundschaft tatsächlich nutzt, zu den Zeiten, in denen Sie schlafen. Das kaufmännische Argument misst sich hier in Antwortzeit statt in Cleverness. Er qualifiziert, beantwortet, was er kann, und eskaliert den Rest, weshalb er belastbarer ist, als die meisten Demos vermuten lassen.
Der Messagent beobachtet, was Sie nicht täglich beobachten können: welche Fragen Ihre Marke in Answer Engines zurückgeben, welche Seiten Zitate verloren haben, wohin sich Wettbewerber bewegt haben. Er ist der unglamouröseste der drei und oft derjenige, der Entscheidungen am schnellsten verändert, weil er über die Realität berichtet statt über Absichten.
Beachten Sie die Gemeinsamkeit. Jeder hat eine Ziellinie, die sich in einem Satz beschreiben lässt, jeder liefert ein Ergebnis, das ein Mensch in unter einer Minute benoten kann, und keiner überweist Geld. Das ist kein Zufall, das ist das Auswahlkriterium.
Berichtete Ergebnisse für die pipelinenahen Varianten dieser Arbeit sind beachtlich, wenn es gelingt: Systeme zur Leadgenerierung und Qualifizierung werden mit zwei- bis dreifach höherer Pipeline-Geschwindigkeit und rund 23% mehr Lead-Konversion über zwölf Monate in Verbindung gebracht. Nehmen Sie das als Bild davon, wie gut aussieht, nicht als Erwartungswert.
Wie baut man einen auf Claude tatsächlich?
Es gibt vier Wege, und sie unterscheiden sich nur in zwei Fragen: Wer schreibt die Agentenschleife, und wer hostet das Ganze im Betrieb. Wählen Sie danach, wie viel Sie besitzen wollen, nicht danach, was am fortschrittlichsten klingt.
Die manuelle Schleife bedeutet, dass Sie die Claude-API aufrufen und den Zyklus “weitermachen bis fertig” selbst schreiben. Maximale Kontrolle, und jede Zeile gehört Ihnen. Wählen Sie das, wenn Ihr Kontrollfluss wirklich ungewöhnlich ist.
Der Tool Runner ist ein Helfer im offiziellen SDK, der diesen Zyklus für Sie fährt. Sie schreiben die Werkzeugfunktionen, er übernimmt die Schleife, und Hooks pro Runde erlauben Ihnen weiterhin, mitten im Lauf freizugeben, zu protokollieren, zu wiederholen oder einzugreifen. Für die meisten Agenten mit eigenen Werkzeugen ist das die sinnvolle Vorgabe.
Managed Agents ist die Variante, bei der Anthropic die Schleife ausführt und den Arbeitsbereich hostet, in dem der Agent arbeitet. Agentenkonfigurationen werden gespeichert und versioniert, Sitzungen an eine Version gebunden, und Deployments können nach Zeitplan auslösen, was Sie für alles wollen, das nächtlich laufen soll, ohne dass ein Server von Ihnen wach bleibt. Zudem gibt es harte, in Dollar bemessene Sitzungsbudgets, und allein dieses Merkmal verhindert die häufigste Kostenexplosionsgeschichte.
Das Claude Agent SDK ist eine eigene Bibliothek: Claude Code so verpackt, dass Sie es selbst betreiben, mit eingebauten Datei-, Such- und Web-Werkzeugen sowie Subagenten. Greifen Sie dazu, wenn der Agent über echte Dateien und Repositories arbeiten soll statt eine Handvoll Ihrer APIs aufzurufen.
Die praktische Lesart für ein Markenteam: Starten Sie beim Tool Runner und wechseln Sie zu Managed Agents, sobald es nach Zeitplan ohne Aufsicht laufen soll. Nicht anfangen sollten Sie mit der manuellen Schleife, die Sie nicht eingeplante Entwicklungszeit kostet, und mit dem vollen Agenten-Harness, das mehr Maschine ist, als eine Content- oder Empfangsaufgabe braucht.
Dem Agenten Ihre Marke beibringen, nicht nur die Aufgabe
Ein Agent, der die Aufgabe kennt, aber nicht die Marke, liefert solide Arbeit, die jedem gehören könnte. Diese Lücke zu schließen erfordert drei konkrete Dinge, und keines davon ist ein längerer Prompt.
Das erste ist eine schriftlich fixierte Stimme, geladen als wiederverwendbare Fähigkeit statt in jede Anfrage kopiert. Agent Skills existieren genau dafür: ein gebündelter Satz aus Anweisungen und Referenzdateien, den das Modell bei Bedarf lädt, sodass Ihre Regeln, Ihre verbotenen Formulierungen und Ihre bevorzugten Schlusssätze bei jedem Lauf mitfahren. Das ist der Unterschied zwischen einem Werkzeug, das schreibt, und einem, das wie Sie schreibt, und die praktische Form davon, KI auf Ihre Markenstimme zu trainieren.
Das zweite ist Zugang zu Ihren eigenen Fakten. Das Model Context Protocol ist der Standardanschluss dafür und lässt einen Agenten Ihren Produktkatalog, Ihr CRM oder Ihre Analytics über eine Schnittstelle lesen statt über einen Haufen maßgeschneiderter Integrationen. Fundierte Ausgabe ist kein Prompting-Trick, sondern eine Datenzugriffsentscheidung, die Monate früher fiel.
Das dritte ist, das Modell zur Aufgabe zu passen. Claude Opus 5 für die denkintensiven Stufen, in denen die Qualität über das Ergebnis entscheidet, Claude Sonnet 5 für die breite Mitte, Claude Haiku 4.5 für Lesen und Klassifizieren in großer Menge, wo Sie pro Dokument zahlen. Die veröffentlichten API-Preise machen den Abstand greifbar: Opus 5 kostet 5 Dollar je Million Eingabetoken und 25 je Million Ausgabetoken, Sonnet 5 liegt bei 3 und 15, Haiku 4.5 bei 1 und 5. Jeden Schritt auf dem leistungsfähigsten Modell laufen zu lassen ist die häufigste stille Verschwendung beim Bau eines Agenten.
Eine ehrliche Grenze gehört dazu. Nichts davon macht die Ausgabe wahr. Fundierung und Stimme machen sie zu Ihrer; dass sie richtig ist, muss weiterhin ein Mensch bestätigen.
Warum die menschliche Freigabe ein Feature ist und keine Verzögerung
Die Maschine macht die Arbeit; ein Mensch trifft die Entscheidung, die sie ausliefert
Weil die Misserfolgsdaten sagen, dass die überlebenden Projekte jene sind, die ein Mensch noch stoppen kann. Governance-Reibung war mit 57% der Verantwortlichen die zweitgrößte Hürde, und ein Freigabeschritt ist die günstigste Governance, die Sie je einbauen werden.
Die Regel, die sich in der Praxis hält, ist einfach: Ein Agent darf alles entwerfen, recherchieren, zusammenstellen und vorbereiten, und ein Mensch gibt frei, was das Haus verlässt. Nichts veröffentlicht, versendet oder bezahlt von selbst. Sagen Sie das Ihrem Team und Ihren Kunden klar, denn es ist die Antwort auf die Frage, die alle zu KI im Marketing eigentlich haben.
So arbeitet die Pipeline hinter diesem Blog, und Konkretheit lohnt sich, weil abstrakte Behauptungen billig sind. Unsere eigene Content-Pipeline führt Recherche, Blickwinkelwahl, Gliederung, Entwurf, Redaktion und eine Stimmprüfung als getrennte Stufen aus, jede schreibt ihr Ergebnis, bevor die nächste beginnt. Zwei Tore sind menschlich: die Wahl, welche Chance angegangen wird, und die Freigabe des fertigen Stücks. Die Maschine macht die Arbeit, ein Mensch trifft die zwei Entscheidungen, auf die es ankommt.
Der Preis dieser Disziplin sind Minuten. Der Preis des Auslassens ist eine Markenstimme, die Sie nicht mehr kontrollieren, und eine Projektabbruchquote von 40%, die damit beginnt, dass jemand aus der Führung fragt, wer das freigegeben hat. Ein Content-Rahmen mit menschlicher Kontrolle ist keine Kompromissposition, sondern das, was die Automatisierung lange genug am Leben hält, damit sie sich verzinst.
Was kostet das, und wie verhindern Sie, dass es entgleist?
Pro Aufgabe weniger, als die meisten Teams fürchten, und pro Monat mehr, als sie erwarten, weil Agenten das Modell vielfach aufrufen, wo ein Prompt es einmal aufruft. Die Kosten eines einzelnen Artikels sind klein. Die eines Agenten, der unbeaufsichtigt an einer schlecht spezifizierten Aufgabe kreist, nicht.
Vier Stellschrauben erledigen den Großteil. Setzen Sie eine Effort-Stufe, statt immer auf Maximum zu fahren, denn geringerer Effort bedeutet weniger und stärker gebündelte Werkzeugaufrufe und spürbar weniger Ausgaben bei Routinearbeit. Nutzen Sie Prompt-Caching für die stabilen Teile Ihres Kontexts, Ihre Markenregeln und Ihr Referenzmaterial, die größte verfügbare Ersparnis bei wiederholten Läufen. Verlagern Sie leseintensive Teilaufgaben auf ein günstigeres Modell. Und deckeln Sie den Lauf selbst, entweder mit einem Task-Budget, das den Agenten sich einteilen und sauber abschließen lässt, oder mit einem harten Sitzungsbudget auf der verwalteten Plattform.
Messen Sie pro fertigem Ergebnis, nicht pro Aufruf. Eine Zahl wie Kosten je veröffentlichtem, freigegebenem Artikel sagt Ihnen, ob die Rechnung aufgeht. Kosten je API-Anfrage sagen fast nichts, und es ist die Zahl, die Leute nennen, wenn sie der ersten ausweichen.
Beobachten Sie den Trend so genau wie die Summe. Der erste Monat eines Agenten ist der teure, weil Sie die Läufe bezahlen, die Ihnen beigebracht haben, wie die Leitplanken aussehen müssen. Sieht der dritte Monat noch aus wie der erste, liegt das Problem an der Spezifikation, nicht am Preis.
Die Fehlerbilder, vor denen niemand warnt
Was Agentenprojekte tötet, ist leise. Nichts stürzt ab, kein Fehler erscheint, und die Arbeit verschlechtert sich langsam genug, dass sich alle daran gewöhnen, bevor jemand sie misst.
Das erste ist die Bewertungslücke, mit 64% nicht ohne Grund die größte Hürde. Wenn Sie nicht sagen können, wie ein guter Lauf aussieht, können Sie eine gute Woche nicht von einer schlechten unterscheiden und beurteilen den Agenten am Ende danach, ob er beeindruckend wirkte. Schreiben Sie die Bewertungskriterien vor dem Bau: was ein korrektes Ergebnis enthält, was eines disqualifiziert, und wer prüft.
Das zweite ist stille Drift. Ihr Produkt ändert sich, Ihre Positionierung verschiebt sich, eine Quellseite zieht um, und der Agent produziert selbstbewusst weiter auf Basis der Fakten des Vorquartals. Nichts bricht laut. Die Lösung ist langweilig und wirksam: Prüfen Sie das Referenzmaterial, das ein Agent liest, nach festem Zeitplan, so wie Sie Anzeigentexte prüfen würden.
Das dritte ist Verantwortungsnebel. Wenn ein Stück falsch hinausgeht und die Antwort auf “Wer hat das freigegeben” ein System ist, hat das Projekt die Auseinandersetzung, die es irgendwann mit der Rechtsabteilung oder einem Kunden führen wird, schon verloren. Benennen Sie eine Person pro Agent. Kein Team, eine Person.
Das vierte ist Scope Creep durch Demo. Ein Agent, der eine Aufgabe gut macht, zieht drei weitere an, von denen keine den Vier-Fragen-Test bestanden hat, und das Verlässliche wird unzuverlässig. Neue Aufgabe, neuer Test, jedes Mal.
Der eine Agent, den Sie diesen Monat zuerst bauen sollten
Nehmen Sie die Aufgabe, die Ihr Team diese Woche am häufigsten wiederholt, und stoppen Sie sie ehrlich von Anfang bis Ende, Korrekturschleifen eingerechnet. Dauert sie mehr als zwei Stunden pro Woche, und könnte ein Mensch das Ergebnis in unter einer Minute benoten, ist das Ihr erster Agent, und es ist fast immer Produktion statt etwas Ehrgeizigeres.
Schreiben Sie dann die Bewertungskriterien, bevor Sie irgendetwas anderes schreiben: was ein korrektes Ergebnis enthält, was es disqualifiziert, und wessen Name auf der Freigabe steht. Bauen Sie die kleinste Version, die ein fertiges Ergebnis liefert, lassen Sie sie zwei Wochen neben Ihrem bisherigen Prozess laufen und vergleichen Sie zuerst die Qualität und danach die Zeit.
Wenn Sie lieber ein zweites Paar Augen darauf hätten, welche Aufgabe zuerst automatisiert gehört, erzählen Sie uns von Ihrer Marke. Diese Ebene zu kartieren ist ein Gespräch, kein Kassengang.
