Viele Unternehmen haben ihn inzwischen: den ersten KI-Agenten im Marketing, der Texte erstellt, übersetzt und im Alltag tatsächlich genutzt wird. Der erste Schritt ist geschafft. Doch dann kommen die nächsten Anforderungen: mehrere Produkte in einer Kampagne, ganze Event-Strecken, Freigabeprozesse, Rückmeldung aus den Kampagnendaten. Und plötzlich wird jede Erweiterung teurer als die vorherige.
In einem aktuellen Projekt für ein global tätiges Medizintechnikunternehmen haben wir genau diese Situation analysiert. Die Erkenntnis war eindeutig: Das Problem lag nicht in fehlenden Features, sondern in der Architektur.
Warum stößt ein erfolgreicher KI-Agent im Marketing an Grenzen?
Die meisten ersten KI-Agenten entstehen pragmatisch. Ein Anwendungsfall, ein Agent, schnelle Ergebnisse. Das ist richtig so, denn nur so entsteht überhaupt Erfahrung. Mit der Zeit übernimmt der Agent aber immer mehr Aufgaben gleichzeitig: Er enthält die Geschäftslogik, steuert die Nutzerinteraktion und bindet die umliegenden Systeme an.
Genau diese Bündelung wird zum Engpass. Typische Anzeichen sind:
Pro Durchlauf entsteht nur ein einzelnes Asset, obwohl die Märkte in Kampagnen und Strecken denken.
Jede Korrektur führt zur Neugenerierung des gesamten Ergebnisses.
Zwischen Erstellung, Freigabe und Publishing liegen Medienbrüche und manuelle Dateneingabe.
Ergebnisse aus Kampagnen fließen nicht in künftige Inhalte zurück.
Das Wissen über den Agenten liegt bei sehr wenigen Personen.
Wer an diesem Punkt einfach weitere Funktionen ergänzt, macht die Lösung mit jeder Erweiterung komplexer und riskanter.
Was ist eine Multi-Layer-Architektur – und warum skaliert sie?
Eine Multi-Layer-Architektur trennt, was im ersten Agenten zusammengewachsen ist. Drei Ebenen haben sich bewährt:
Interface Layer: eine einheitliche Oberfläche, über die Nutzer briefen, Vorschauen sehen, bearbeiten und freigeben
Orchestration Layer: die Steuerung, welcher Agent, welcher Service oder welcher Mensch als Nächstes übernimmt, einschließlich Korrekturschleifen
Agenten und Skills: spezialisierte Bausteine mit jeweils einer klaren Aufgabe, etwa Briefing, Content-Erstellung oder die Prüfung von Marken- und Produktaussagen
Darunter liegt eine gemeinsame Datenbasis, aus der jede Phase liest und in die jede Phase zurückschreibt. Der Vorteil: Neue Anwendungsfälle entstehen durch neue Bausteine, nicht durch den Umbau des Gesamtsystems. Ein bestehender, gut funktionierender Agent muss dafür nicht ersetzt werden. Er bekommt eine klar definierte Rolle, zum Beispiel als Content-Engine.
Warum braucht ein KI-Projekt zuerst eine gemeinsame Sprache?
In KI-Projekten sitzen Marketing, IT, Compliance und Management am Tisch. Alle verwenden Begriffe wie „Agent“, „Skill“ oder „Orchestrierung“ und meinen oft Unterschiedliches. Missverständnisse fallen dann erst auf, wenn sie bereits in Anforderungen oder im Code stecken.
Wir definieren deshalb vor jeder inhaltlichen Arbeit die zentralen Begriffe gemeinsam mit dem Kunden. Im genannten Projekt waren es zehn Kernbegriffe, die KI-Definition haben wir am EU AI Act ausgerichtet. Das kostet am Anfang wenige Stunden und spart später viele Abstimmungsrunden.
Wie macht man Annahmen testbar, bevor sie im Code landen?
Jeder geplante Agent und jeder Skill beruht auf Annahmen: über Nutzer, Daten, Qualität und die Rolle des Menschen. Ein bewährtes Werkzeug dafür sind Design Cards. Für jeden Baustein beantworten sie dieselben Fragen:
Welche Aufgabe übernimmt der Baustein, und für wen?
Welche Inputs braucht er, und welchen Output liefert er?
Welche Guardrails gelten?
Wo entscheidet oder prüft ein Mensch?
Wie lernt der Baustein aus Ergebnissen?
Weil alle Bausteine nach demselben Muster beschrieben sind, werden Lücken und Widersprüche sichtbar, solange sie noch günstig zu beheben sind.
Warum müssen Anforderungen in den Märkten entstehen?
Die Zentrale kennt das Zielbild. Die Märkte kennen die Ausnahmen, und an den Ausnahmen entscheidet sich, ob eine Architektur trägt. Formulierungen, die global freigegeben sind, sind nicht automatisch in jedem Land zulässig. Content, der in der Landessprache entsteht, wirkt anders als ein übersetzter englischer Entwurf.
Wir binden Märkte deshalb in strukturierten Co-Creation-Workshops ein, und zwar nacheinander statt gleichzeitig. So lassen sich Signale aus einem Markt im nächsten gezielt prüfen und Schritt für Schritt zu marktübergreifenden Anforderungen verdichten. Oft zeigt sich dabei: Die Märkte widersprechen sich nicht, sie setzen unterschiedliche Schwerpunkte. Diese Gewichtungen transparent zu machen ist wertvoller, als sie künstlich aufzulösen.
Wo gehört Governance in einen KI-gestützten Marketingprozess?
In regulierten B2B-Branchen ist die Prüfung von Marken- und Produktaussagen keine Formalität. Wird sie erst am Ende durchgeführt, entstehen teure Korrekturschleifen, und im schlimmsten Fall erreicht eine unzulässige Aussage den Markt.
Governance gehört deshalb in den Prozess: als durchgehend sichtbare Prüfung während der Erstellung, mit klar definierten Freigabepunkten für Menschen. In einer Multi-Layer-Architektur ist genau das möglich, weil die Prüfung ein eigener Baustein ist, den die Orchestrierung an den richtigen Stellen einsetzt.
Warum ist „Out of Scope“ ein eigenes Ergebnis?
KI-Projekte ziehen Erwartungen an. Wer den Scope nicht aktiv begrenzt, gefährdet den Proof of Concept. Zwei Dinge helfen:
Proof of Concept und Build-Entscheidung klar trennen, mit einem expliziten Entscheidungspunkt dazwischen
Themen, die bewusst nicht Teil der ersten Iteration sind, dokumentieren und bewerten, statt sie stillschweigend auszuklammern
So entsteht ein planbares Backlog, und das Management entscheidet auf einer klaren Grundlage.
Woran erkennen Sie, dass Ihr KI-Setup eine neue Architektur braucht?
Diese Fragen helfen bei einer ersten Einschätzung:
Wird jede neue Funktion aufwendiger als die vorherige?
Hängt das Wissen über Ihren Agenten an wenigen Personen?
Müssen Nutzer für einen Ablauf zwischen mehreren Tools wechseln?
Findet die Prüfung von Aussagen erst am Ende statt?
Fließen Ergebnisse aus Kampagnen nicht in künftige Inhalte zurück?
Wenn Sie mehrere Fragen mit Ja beantworten, lohnt sich ein Blick auf die Architektur, bevor die nächste Funktion gebaut wird. Wie das in einem konkreten Projekt aussah, zeigt unser Case Vom Einzel-Asset zur skalierbaren KI-Architektur.
Häufige Fragen
Was ist eine Multi-Layer-Architektur für KI im Marketing?
Eine Architektur, die Bedienoberfläche (Interface Layer), Prozesssteuerung (Orchestration Layer) und spezialisierte KI-Agenten und Skills voneinander trennt. Grundlage ist eine gemeinsame Datenbasis. So lassen sich neue Anwendungsfälle ergänzen, ohne das Gesamtsystem umzubauen.
Warum reicht es nicht, einen bestehenden KI-Agenten zu erweitern?
Wenn ein Agent Geschäftslogik, Nutzerinteraktion und Systemanbindung gleichzeitig trägt, wird jede Erweiterung aufwendig und riskant. Ab einem bestimmten Reifegrad ist eine Trennung der Layer wirtschaftlicher als weiteres Ausbauen.
Welche Rolle spielt Requirements Engineering bei KI-Projekten?
Es übersetzt Geschäftsanforderungen in prüfbare Anforderungen mit Akzeptanzkriterien. Bei KI-Lösungen gehören dazu ausdrücklich auch Guardrails, Freigabepunkte für Menschen und Anforderungen an Daten und Lernmechanismen.
Wie bindet man internationale Märkte in die Anforderungsdefinition ein?
Über strukturierte Co-Creation-Formate mit einheitlichen Begriffen, einer gemeinsamen Referenz-Journey und vergleichbaren Werkzeugen wie Design Cards. Werden die Märkte nacheinander eingebunden, lassen sich Einzelsignale gezielt marktübergreifend bestätigen.
Was unterscheidet exos von klassischen Strategieberatungen?
Wir bleiben nicht beim Konzept stehen. Wir begleiten von der strategischen Ausrichtung über die Anforderungsdefinition bis zur Übergabe an die Umsetzung und stellen sicher, dass Organisation, Prozesse und Technologie zusammenpassen.
Sie stehen vor einer ähnlichen Frage in Ihrem Unternehmen? Dann lassen Sie uns darüber sprechen. → Zum Chat
