Warum KI bessere Marketingziele braucht

Was mir damals nicht klar war: Dieses System hat uns erzogen. Jede Kampagne ein Treffer, jedes Reporting ein kleiner Sieg, Feedback im Minutentakt. Dopamin funktioniert im Marketing genauso wie überall sonst. Wer zehn Jahre lang gelernt hat, dass echte Wirkung sofort im Dashboard auftaucht, hält irgendwann alles für wirkungslos, was langsam arbeitet. Dieser Reflex steckt bis heute in unzähligen Budget-Entscheidungen.

Irgendwann hat mich das genug beschäftigt, dass ich die Seite gewechselt habe. Über Squared Online, Googles Programm zur digitalen Transformation in Konzernen, raus aus der Performance-Welt und rein in die Marktforschung. Fünf Jahre als Head of Marketing bei Appinio, zum ersten Mal mit den Werkzeugen, Markenwirkung wirklich zu messen, und mit einem Kundenuniversum, das sich greifen ließ: dreitausend bis viertausend Kund:innen, alle namentlich bekannt.

Kleines Universum, gleiches Problem

Man könnte meinen: perfektes Setup für saubere Attribution. Das Gegenteil war der Fall. Die relevanten Signale lagen woanders. Lange Sales-Zyklen, mehrere Entscheidungsträger:innen pro Account, Gespräche auf Branchenevents, Empfehlungen über Netzwerke, unsere Studien, die überall zirkulierten. All das hinterlässt keine UTM-Parameter. Attribution war nicht unzuverlässig, weil Daten fehlten, sondern weil die entscheidenden Momente außerhalb ihres Sichtfelds stattfanden.

Also haben wir den Klickpfad beiseitegelegt und anders sortiert. Nicht nach Kanal, sondern nach einer einzigen Frage: Kannte uns jemand schon, bevor er zu uns kam? Als Nachbefragung direkt nach dem Kauf. Das Ergebnis war eindeutig. Wen wir über kommerzielle, kaufnahe Suchbegriffe gewonnen haben, ob paid oder organisch, der war profitabel, aber deutlich weniger wert als jemand, der uns schon kannte. Dabei war es egal, wo die Person von uns gehört hatte. Denn in fast allen Fällen hatten die, die uns schon kannten, ohnehin mehrere Touchpoints, und das meist über längere Zeit. Ein Webinar hier, ein LinkedIn-Post da, dazwischen eine Empfehlung.

Das ist die 95-5-Regel, von John Dawes am Ehrenberg-Bass Institute beschrieben und vom Linkedin B2B Institute bekannt gemacht. Ursprünglich an B2B-Kaufzyklen gezeigt, taugt sie genauso als mentales Modell fürs B2C: Zu jedem Zeitpunkt ist nur ein kleiner Teil der potenziellen Kund:innen aktiv im Kaufmodus, grob fünf Prozent. Der Rest nimmt wahr, speichert ab, baut mentale Verfügbarkeit auf. Was diese 95 Prozent über eine Marke denken, entscheidet, zu welchen Konditionen ein Deal später zustande kommt. Das Langsame wirkt. Es taucht nur in keinem Wochenreport auf.

Warum das Kurzfristige trotzdem gewinnt

Das ist kein Wissensproblem, sondern ein Anreizproblem. Quartalsziele, Budget-Meetings, Karrieren, die an sofort sichtbaren KPIs hängen. Wer den schnellen Kanal verteidigt, hat jeden Montag frische Zahlen. Wer Markenaufbau verteidigt, hat erstmal sechs Monate Stille. In diesem Spiel gewinnt fast immer das Dashboard, selten die Wirkung. Effizienz heißt dann: mehr von dem, was sich schnell beweisen lässt. Dabei wäre echte Effizienz das Gegenteil, nämlich Budget dort, wo pro Euro am meisten Wirkung entsteht, egal auf welcher Zeitachse.

Evidenzbasiertes Marketing: endlich ein gemeinsamer Nordstern

Genau hier setzt evidenzbasiertes Marketing an. Nicht: Welcher Kanal hat den letzten Klick gemacht? Sondern: Wie präsent ist eine Marke im Kopf, bevor die Kaufentscheidung überhaupt ansteht? Diese Präsenz nennt Byron Sharp vom Ehrenberg-Bass Institute mentale Verfügbarkeit: die Wahrscheinlichkeit, dass eine Marke in einer Kaufsituation überhaupt in Erwägung gezogen wird. Würde man das gern genutzte, aber vage Wort Markenstärke darüber definieren, wie viel Umsatz eine Marke beisteuert, landet man schnell bei dieser Größe. Eine Metaanalyse über mehr als hundert Marken fand zwischen mentalem Marktanteil und realem Absatz eine Korrelation von 0,83, einen Wert, den klassische Funnel-Kennzahlen wie Bekanntheit oder Kaufabsicht nicht erreichen. Und anders als diese ist mentale Verfügbarkeit plattformunabhängig. Sie bricht die Logik auf, in der jeder Kanal seinen Beitrag selbst bewertet.

Der Kreis schließt sich, ausgerechnet bei Big Screen

Heute arbeite ich in einer Agenturgruppe, in der TV und Big Screen eine zentrale Rolle spielen: lineares Fernsehen, Connected TV, Streaming. Zum ersten Mal wende ich die Markenforschung direkt in der Mediaplanung an. Big Screen ist der Kanal, an dem sich die Frage am klarsten stellt: reichweitenstärkster Kanal im deutschen Markt und einer der am wenigsten direkt messbaren. Aber genau das macht ihn so relevant. Breite Reichweite zahlt auf mentale Verfügbarkeit ein, und eine Marke, die präsent ist, macht nach meiner Erfahrung am Ende auch die übrigen Kanäle günstiger, weil weniger Überzeugungsarbeit am Point of Sale nötig ist. Was schwer messbar ist, wirkt deshalb oft stärker, als sein Reporting vermuten lässt.

KI wird MMM besser machen, aber nur mit den richtigen Zielen

Seit ChatGPT im November 2022 für die breite Öffentlichkeit zugänglich ist, liegt die Frage auf dem Tisch: Kann KI die Mediaplanung übernehmen? Den Marketing-Mix optimieren, besser als wir? In jedem Fall. KI verwaltet längst Bankdepots und fährt Autos durch den Stadtverkehr, warum also nicht auch Mediapläne. Nur müssen die Grundlagen stimmen. Dieselbe KI, die mein Auto sicher ans Ziel bringt, fährt es mit dem falschen Ziel gegen die Wand. Und die, die mein Depot verwaltet, macht mich in null Komma nichts pleite, wenn die Zielfunktion nicht stimmt. Für Media gilt nichts anderes.

Das klassische Problem von Marketing-Mix-Modeling ist bekannt: Die Kanallandschaft entwickelt sich schneller als die Modelle. Gaming, Commerce Media oder Influencer-Marketing sind in klassischen Ansätzen kaum erfasst. 61 Prozent der Marketer sagen, ihr aktueller MMM-Ansatz bilde nicht die Leistung über alle Kanäle ab, so der IAB State of Data 2026, zitiert von Arielle Feger bei Emarketer. Budgets fließen dorthin, wo Messbarkeit einfach ist, nicht dorthin, wo Wirkung entsteht. KI macht hier den Unterschied: schnellere Updates, bessere Modelle, dynamischere Budgets. Aber: KI ist nur so gut wie die Ziele, die man ihr gibt. Wer ihr den schnellen Klick als Ziel vorgibt, bekommt die effizienteste Kurzfrist-Maschine, die diese Branche je gesehen hat. Sie wird unsere Konditionierung nicht korrigieren, sie wird sie skalieren. Plattformen mit Datenhoheit werden dabei strukturell vorne liegen. Kein Argument gegen KI, aber eines dafür, plattformunabhängige Metriken nicht aus der Hand zu geben.

Performance oder Branding? Hat mich noch nie überzeugt.

Für mich geht es um wirksames Marketing, und das entsteht, wenn Kanäle integriert gedacht werden statt getrennt optimiert. Einer KI fällt das übrigens leichter als uns: keine Silos, keine Budget-Kämpfe, keine Karriereanreize für den schnellen KPI.

Performance ist dabei nicht das Problem. Performance erntet die fünf Prozent, die gerade kaufen wollen, und das soll sie auch. Teuer wird sie da, wo sie Menschen abgreift, bei denen wir es vorher versäumt haben, mentale Verfügbarkeit aufzubauen, oder wo ein Wettbewerber auf den letzten Metern dazwischengeht. Wer vorgearbeitet hat, zahlt weniger pro Klick, konvertiert besser und bindet länger. Performance profitiert von einer starken Marke deutlich mehr, als die meisten in ihren Reports sehen. Das eine gegen das andere auszuspielen, war von Anfang an die falsche Frage.

Der Maßstab bleibt mentaler Marktanteil: Wie präsent ist eine Marke, wenn es darauf ankommt? Das wäre der Nordstern, auf den sich alle einigen könnten. Ich kenne nichts Besseres, und das meine ich nicht dogmatisch. Mental Availability ist kein Glaubensbekenntnis, sondern der ehrlichste Indikator, den wir haben. Plattformunabhängig, kanalunabhängig, schwer zu manipulieren.

Der ehrlichste, aber eben nicht der schnellste. Mentale Verfügbarkeit baut sich nicht von heute auf morgen auf. Es wundert mich nicht, wenn Erste sagen: Haben wir ausprobiert, hat nicht funktioniert. Meine Rückfrage ist immer dieselbe: Wie lange habt ihr gemessen? Und woran habt ihr das festgemacht? Daran, dass montags nichts im Dashboard stand? Dann war nicht die Metrik das Problem. Dann war es die alte Konditionierung.

Die Zeit dafür wird knapp. Man kann heute schon per KI direkt in diverse Plattformen einbuchen. Legen wir als Branche nicht vorher fest, welche Metriken wirklich zählen, entscheidet die KI das für uns, und zwar dort, wo Messbarkeit einfach ist, nicht dort, wo Wirkung entsteht. Das kennen wir, wir haben es zehn Jahre lang selbst so gemacht. Nur diesmal mit einem Optimierer, der nie schläft und nie zweifelt. Das Tempo übernimmt er sowieso. Was er uns nicht abnimmt, ist die Entscheidung, worauf er optimieren soll. Die sollten wir treffen, solange wir sie noch selbst treffen können. Höchste Zeit, sich festzulegen.