KI-Agenten im B2B-Marketing: der Leitfaden vom ersten Prompt zur Pipeline

Warum mehr AI-Output nicht mehr Pipeline bedeutet

Ob sie KI-Agenten im Marketing einsetzen sollen, fragen mich Marketing-Leads kaum noch. Die Frage, die ich gerade am häufigsten höre, ist eine andere: Warum hat sich unsere Pipeline nicht bewegt, obwohl wir längst mit AI arbeiten? Posts entstehen in Minuten, eine Landingpage in einer Stunde, Ad-Varianten gibt es im Dutzend. Der Output ist gestiegen, die Pipeline ist gleich geblieben.

Wenn ich in Projekten unter die Haube schaue, sehe ich fast immer dasselbe Bild. Zehn Leute, zehn Prompts, zehn Versionen der Positionierung. ICP, Proof Points und Pricing-Logik liegen verstreut in Decks, Docs und Chat-Threads, also nirgends, wo ein Agent damit arbeiten könnte. Ob ein AI-Output jemals eine Opportunity berührt hat, misst niemand.

Mehr Geschwindigkeit obendrauf repariert davon nichts. Sie vervielfacht die Inkonsistenz.

Output ↑. Pipeline →.

Dieser Leitfaden ist mein Gegenentwurf dazu. Es geht darum, was ein KI-Agent im B2B-Marketing ist (und was nicht), warum AI-Tools ohne System scheitern und wie die Architektur aus Knowledge Base, Agenten, Human Go und Change-Log aussieht. Den größten Teil nehmen die acht Kern-Agenten von RevPrime^®, dem agentischen Marketing Operating System ein, jeder mit einem typischen Workflow. Danach kommen Grenzen, Reifegrade, die Frage nach Build, Buy oder Plattform, Kennzahlen und ein 90-Tage-Fahrplan. Zu fast jedem Abschnitt gibt es einen eigenen, tieferen Artikel, den ich an der passenden Stelle verlinke.

Was sind KI-Agenten im Marketing – und was nicht?

Der Begriff klebt inzwischen an fast allem, in dem irgendwo ein Sprachmodell steckt, und das macht Entscheidungen schwer. Ich halte mich an eine nüchterne Definition. Ein KI-Agent ist ein System, das ein Ziel verfolgt, die nächsten Schritte dafür selbst plant, Werkzeuge nutzt (also Daten liest und in Tools schreibt) und sein Ergebnis prüft, bevor es weitergeht.

Anthropic trifft in seinem Leitfaden Building effective agents eine ähnliche Unterscheidung: Workflows folgen vordefinierten Pfaden im Code, Agenten steuern ihren Ablauf und ihre Tool-Nutzung dynamisch selbst. Für Marketing ist das praktisch, weil es zeigt, wo die Grenze zu dem verläuft, was du längst im Einsatz hast.

An der Tabelle fallen mir zwei Dinge auf. Erstens ist ein Agent nicht automatisch besser als eine Automation. Läuft ein Ablauf immer gleich, ist eine Wenn-dann-Regel billiger und schneller, und sie lässt sich leichter prüfen. Anthropic empfiehlt im selben Text, die einfachstmögliche Lösung zu wählen und Komplexität nur dann zu erhöhen, wenn sie nötig ist. Das unterschreibe ich sofort.

Zweitens ist der Copilot das, was die meisten Teams heute als „AI im Marketing“ erleben. Er macht einzelne Menschen schneller, aber ein System entsteht daraus nicht. Agenten lohnen sich dort, wo Arbeit wiederkehrt, ohne jedes Mal gleich auszusehen: Signale bewerten, Kampagnen beobachten, Texte gegen die Produktwahrheit prüfen oder Berichte so verdichten, dass jemand entscheiden kann. In sales-led B2B-Teams ist das der Großteil der operativen Marketing-Arbeit.

Strategie ersetzen Agenten nicht. Sie sind auch keine autonomen Mitarbeiter, die ohne Aufsicht Kunden anschreiben, und wer ein Tool sucht, das man kauft und das dann von allein läuft, wird mit ihnen nicht glücklich.

Warum AI-Tools ohne System scheitern

Mein wichtigster Satz zu diesem Thema ist kurz: AI ohne System produziert nur schneller das Falsche.

Gegen Tools habe ich nichts, ich nutze sie jeden Tag. Ein Tool beschleunigt aber eine Aufgabe, und die meisten Marketing-Probleme sind in Wahrheit System-Probleme: unklare Prioritäten, ein ICP, den jeder anders auslegt, Message Angles ohne Status, Reporting ohne Bezug zu Pipeline, keine klaren Owner zwischen Marketing und Sales. Daran ändert ein schnelleres Werkzeug nichts. Es macht die Probleme höchstens früher sichtbar, oder früher teuer.

Mit dieser Beobachtung bin ich nicht allein. Gartner erwartet, dass mehr als 40 Prozent der Agentic-AI-Projekte bis Ende 2027 eingestellt werden, und zwar wegen steigender Kosten, unklarem Geschäftsnutzen oder unzureichender Risikokontrollen. In derselben Mitteilung warnt Gartner vor „Agent Washing“: bestehende Produkte, die ohne nennenswerte agentische Fähigkeiten als Agenten vermarktet werden. Wer die drei Gründe noch einmal liest, hat im Grunde die Liste dessen vor sich, was ohne System fehlt: der Bezug zu Revenue, Governance und ein abgegrenzter Scope.

In der Praxis bleiben AI-Initiativen im Marketing meist an denselben Stellen hängen. Das Wissen hat keinen Ort: ICP, Buying Center, Claims und Pricing-Logik stecken in Prompts, Foliendecks und einzelnen Köpfen, und jeder Mensch und jeder Agent arbeitet mit einer anderen Wahrheit. Der Output hat kein Ziel, weil gemessen wird, was sich leicht zählen lässt (Assets, Posts, Varianten), während niemand weiß, ob davon irgendetwas eine Opportunity berührt hat.

Am tückischsten ist das dritte Muster, weil es in beide Richtungen schiefgehen kann. Entweder darf ein Agent gar nichts, dann bleibt er ein teurer Copilot. Oder er darf zu viel, und der erste Fehler mit Außenwirkung beendet das Projekt.

Agenten verstärken, was da ist: Klarheit genauso wie Chaos. Deine Agenten werden nie besser sein als deine Knowledge Base.

Fünf Reifegrade: vom Prompt zum System

Wo stehst du gerade? Die meisten Teams, mit denen ich spreche, sind auf Stufe 1 oder 2 und wollen mit einem weiteren Tool direkt auf Stufe 4. Das klappt nicht, weil jede Stufe auf der vorherigen aufbaut.

Der wichtigste Sprung liegt zwischen Stufe 1 und 2, und er ist unspektakulär, weil er nach Dokumentation aussieht. Erst ab dort arbeiten Menschen und Agenten allerdings aus derselben Wahrheit. Wie du diese Knowledge Base aufbaust, welche Module sie braucht und wie sie aktuell bleibt, beschreibe ich ausführlich im Artikel Marketing-Knowledge-Base für KI. Wo dein Team heute steht, kannst du in wenigen Minuten mit dem Agentic Readiness Check einschätzen.

Die Architektur: Knowledge Base, Agenten, Human Go, Change-Log

Ein agentisches Marketing-System hat vier tragende Teile, dazu kommen die Daten, auf denen es arbeitet. Die Reihenfolge ist dabei nicht kosmetisch: Wer Agenten ohne Knowledge Base loslässt oder ohne Human Go schreiben lässt, baut sich selbst die Probleme, an denen so viele Projekte scheitern.

Signale und Daten. CRM, Ads, Web-Analytics, Intent-Daten, Produktdoku, freigegebene Postfächer. Die Agenten lesen dort, wo dein Team ohnehin arbeitet. Eine Parallelwelt, die Sales nie öffnet, braucht niemand.

Die Knowledge Base im Kern. Acht Module: ICP & Segmente, Buying Center, Message Angles, Prioritäten & KPIs, Product Truth, Brand, Claims & Legal, Playbooks & Regeln und das Entscheidungsgedächtnis. Jedes Modul hat einen menschlichen Owner. Agenten tragen kein eigenes Wissen mit sich, sie lesen es dort. Deshalb ist ein neuer Agent ab Tag eins produktiv, und eine Strategieänderung erreicht jeden Agenten am selben Tag. Wie das im Detail aufgebaut ist, zeigt der Abschnitt zur Knowledge Base in RevPrime^®.

Faustregel: Was ein Agent wissen muss, um seinen Job gut zu machen, gehört in die Knowledge Base und nicht in seinen Prompt.

Die Agenten. Lieber mehrere spezialisierte Rollen als ein Superagent. Jeder Agent hat eine Aufgabe, einen Rhythmus und ein Ergebnis, an dem er gemessen wird, im Grunde wie ein gutes Teammitglied. Alle folgen demselben Muster: lesen, analysieren, vorschlagen, Go, ausführen, loggen.

Human Go. Die Grenze zwischen Agent und Mensch verläuft nicht entlang der Frage, was ein Agent kann, sondern entlang der Außenwirkung. In RevPrime^® regelt das eine Rechte-Leiter mit vier Stufen:

• L0 · Lesen: Agenten lesen CRM, Ads, Web und Doku für die Analyse.
• L1 · Vorschlagen: nummerierte Vorschläge mit Wirkung, Risiko und Messpunkt; im Tool ändert sich nichts.
• L2 · Schreiben nach Go: Nach einem einzelnen Go schreibt der Agent die Änderung direkt ins Tool und loggt sie.
• L3 · Freigegebene Regel: eng umrissene Routinen, einmal freigegeben und jederzeit widerrufbar, etwa CRM-Notizen oder Audience-Pflege.

Change-Log. Jede Änderung mit Vorher/Nachher, Grund, Freigabe und Zeitpunkt. Lehnt jemand einen Vorschlag ab, fließt der Grund ins Entscheidungsgedächtnis, und der nächste Vorschlag wird besser. Das ist auch die Antwort auf die Frage, die Geschäftsführung und IT zu Recht stellen: Wer hat was wann geändert? Rechte, Datenflüsse und Protokoll beschreibe ich unter Security & Governance.

Agenten machen die Arbeit. Menschen treffen die Entscheidungen.

Was in vielen Architektur-Diagrammen fehlt: Inhalte aus E-Mails, Chats oder Webseiten sind Daten, auch wenn sie wie Anweisungen formuliert sind. Ein Agent, der Postfächer und fremde Webseiten liest, darf daraus niemals ungeprüft eine Anweisung oder Regel machen. Zusammen mit begrenzten Tool-Rechten und Freigaben ist das eine der wichtigsten Absicherungen gegen Prompt Injection.

Weil Knowledge Base, Playbooks und Freigaben getrennt vom Modell liegen, ist das System modellunabhängig konzipiert. Ich selbst arbeite standardmäßig mit Claude. Ein Modellwechsel ist trotzdem kein Knopfdruck, denn Tool-Unterstützung, Rechte und Zuverlässigkeit unterscheiden sich. Deshalb wird jede Kombination für den konkreten Einsatz getestet.

Die 8 Kern-Agenten im B2B-Marketing – mit je einem Workflow

Die acht Kern-Agenten decken die Arbeit ab, die fast jedes sales-led B2B-Team hat. Sie sind ein Startpunkt, weitere kommen je nach Geschäft dazu, und mit allen acht auf einmal startet ohnehin niemand. Unten findest du jeden einzeln mit seiner Aufgabe und einem typischen Workflow, die Kurzfassung steht im Agenten-Katalog von RevPrime^®.

Die Rechte-Stufe ist ein Richtwert für das Maximum. Welche Stufe ein Agent pro Tool tatsächlich bekommt, wird im Projekt festgelegt. Viele Teams starten bewusst nur mit L0 und L1, und das halte ich für vernünftig.

Signal Agent: vom Besuch zur nächsten Aktion

Der Signal Agent verdichtet Web-Besuche, Engagement, CRM-Aktivität und Intent-Daten zu einem Score von 0 bis 100 und entscheidet, in welchen Track ein Account gehört: Retargeting, Outreach oder Sales-Handover. Workflow: Ein Tier-1-Account besucht in einer Woche mehrfach die Pricing- und die Integrationsseite, zwei neue Kontakte aus der Zielabteilung tauchen auf. Der Agent prüft den Account gegen ICP und Ausschlusskriterien, hebt den Score über die definierte Schwelle, schreibt eine Notiz mit Begründung ins CRM (das läuft als freigegebene Regel) und informiert den Account Owner mit einem Vorschlag für den nächsten Schritt.

Wie Fit, Intent und Timing zusammen einen belastbaren Score ergeben, steht im Artikel Intent-Scoring mit Fit, Intent und Timing. Wie aus dem Signal eine Nachricht wird, die nicht nach Überwachung klingt, beschreibe ich in Vom Signal zur Nachricht.

Angle & Content Agent: ein Angle, ein Set

Dieser Agent produziert Assets, und zwar immer für einen bestimmten Message Angle. Ein Angle beschreibt genau ein Segment: Persona, Use Case, heutiger Workaround, dein Edge und das Ergebnis. Workflow: Ein neuer Angle bekommt in der Knowledge Base den Status „im Test“. Der Agent leitet daraus eine Landingpage, drei LinkedIn-Ad-Varianten und eine kurze E-Mail-Sequenz ab. Der QA & Brand Guard Agent prüft Claims und Tonalität, du gibst frei, und erst dann geht etwas live. Auch Inhalte, die in AI-Antworten zitiert werden sollen, entstehen so; mehr dazu in Content für AI-Antworten.

Paid Media Agent: Befund, Hypothese, Messpunkt

Der Paid Media Agent überwacht Kampagnen täglich: Budget-Pacing, CTR- und CPC-Drift, Ad Fatigue, verschwendete Suchbegriffe. Leads, die zählen, trennt er von Vanity-Conversions. Workflow: Eine LinkedIn-Kampagne zeigt über 14 Tage sinkende CTR bei steigender Frequenz. Der Agent schlägt vor, ein Creative zu pausieren und einen Teil des Budgets auf die bessere Variante zu verschieben. Im Vorschlag stehen die erwartete Wirkung, das Risiko und das Datum, an dem gemessen wird. Nach dem Go setzt er die Änderung im Ads-Konto um und loggt sie, und zwei Wochen später steht im Report, ob die Hypothese gehalten hat. Die Zielgruppen dahinter pflegen sich übrigens am besten selbst. Wie das geht, steht in ABM-Zielgruppen, die sich selbst pflegen.

Pipeline Reporting Agent: das Weekly, vorbereitet

Er macht sichtbar, was Marketing für Pipeline und Revenue bewirkt. Workflow: Vor jedem Weekly zieht er Zahlen aus CRM, Ads und Analytics, vergleicht sie mit den Zielen aus dem Modul Prioritäten & KPIs und liefert eine Entscheidungsvorlage mit Ampeln: Was wirkt, was nicht, was ist zu entscheiden? In operative Tools schreibt er nichts. Sein eigentlicher Job ist, dass im Weekly entschieden wird; Folien vorlesen kann man sich dann sparen. Welche Kennzahl dabei besonders aussagekräftig ist, zeige ich in Sales Velocity als Marketing-KPI.

Outreach Routing Agent: der richtige Kontakt im richtigen Track

Er routet Accounts in Owner-1:1, LinkedIn-first oder Sequenz und hält die Kontaktdaten in Ordnung: gültige E-Mail, Rolle, Region, Dubletten. Workflow: Der Signal Agent meldet einen heißen Account. Der Routing-Agent prüft die Kontakte, führt eine Dublette zusammen und schlägt vor, dass der Account Executive den Champion-Kandidaten persönlich per 1:1 anspricht, ohne Sequenz. Sobald Sales übernimmt, beendet er laufende Sequenzen automatisch. Das ist eine Sicherheitsregel, die einmal freigegeben wurde und seitdem einfach mitläuft.

Wie die Rollen im Zielaccount vorher recherchiert werden, steht in Buying-Center-Recherche mit Agenten. Wie Agenten Sales dabei helfen, im laufenden Deal weitere Rollen einzubinden, zeigen der Artikel Multithreading mit Agenten und der Use Case Sales Enablement.

Inbox & Ops Agent: aus Nachrichten werden Aufgaben

Viel Marketing-Arbeit versickert in Postfächern und Chats. Dieser Agent gleicht neue Informationen aus Mail und Chat zweimal täglich mit dem Projektstand ab und trennt dabei, was auf dich wartet und was auf andere. Workflow: Eine Agentur schickt geänderte Liefertermine, Sales bittet im Chat um einen One-Pager für einen Deal. Der Agent macht daraus nummerierte Vorschläge: Timeline anpassen, Aufgabe mit Owner anlegen, Rückfrage an die Agentur. Geschrieben wird nichts ohne Go.

Product Truth Agent: nichts versprechen, was das Produkt nicht hält

Er gleicht Produktdoku und Release Notes mit Website- und Kampagnen-Copy ab. Workflow: Ein Connector ist laut Release Notes allgemein verfügbar, die Integrationsseite nennt ihn noch „Beta“. Umgekehrt bewirbt eine Ad eine Funktion, die nur im Enterprise-Plan steckt. Der Agent meldet beide Widersprüche als konkrete Korrekturvorschläge und markiert das neue Feature als Content-Chance für den Angle & Content Agent. Er schlägt nur vor; die Korrektur gibt der Owner frei.

QA & Brand Guard Agent: prüfen, bevor es jemand anderes tut

Er prüft zweimal täglich alles, was live ist: kaputte Links, Mobile-Darstellung, veraltete Zahlen, verbotene Claims und Legal-Wording. Workflow: Eine Case Study wurde verschoben, drei Landingpages verlinken ins Leere, auf einer Seite steht noch der Preis vom Vorjahr. Der Agent liefert einen Health-Report, sortiert nach Rot und Gelb, mit einem Fix-Vorschlag pro Befund, und setzt die Fixes nach Go um. Hier werden auch Kennzeichnungs- und Wording-Regeln durchgesetzt. Welche Pflichten der EU AI Act für Marketing-Teams mit sich bringt, ordne ich im Artikel EU AI Act im Marketing ein.

Eigene Agenten: eine neue Rolle, kein neues Tool

Weil alle Agenten aus derselben Knowledge Base arbeiten, bedeutet ein weiterer Agent im Grunde nur eine neue Rolle im Team: definieren, an den Stack anbinden, mit Human Go live schalten. Typische Beispiele sind Webinar- und Event-Follow-up, Wettbewerbs- und Pricing-Intel, Expansion- und Churn-Signale, SEO- und GEO-Sichtbarkeit, Partner und Channel, RFP- und Security-Fragebögen, Lokalisierung oder Review-Plattformen. Zum Start sind es meist zwei, drei Agenten, im Vollausbau je nach Geschäft 8 bis 20+. Jeder neue Agent beginnt bei mir mit einem Steckbrief:

Rolle:         Macht aus Teilnahme und Fragen den nächsten sinnvollen Schritt
Rhythmus:      24 h nach jedem Event, danach wöchentlich für 3 Wochen
Liest (L0):    Teilnehmerliste, Fragen im Chat, CRM-Historie, Signal-Score
Arbeitet aus:  ICP, Buying Center, Message Angles, Playbooks
Schlägt vor:   Follow-up pro Segment, Übergabe heißer Accounts an Sales
Schreibt:      CRM-Notiz zur Teilnahme (L3 · freigegebene Regel)
               Follow-up-Mails und Sequenzen (L2 · nur nach Go)
Stopp-Regel:   kein Follow-up bei Widerspruch oder offenem Deal
Gemessen an:   Meetings und Pipeline aus Event-Accounts nach 30 Tagen
Owner:         Marketing Lead

Beispiel: ein Dienstagmorgen im System

Wie das zusammenspielt, zeigt ein durchgespieltes, fiktives Beispiel. Angenommen, ein Anbieter von Software für Lieferantenqualität verkauft an Fertigungsunternehmen in der DACH-Region. Der ACV liegt bei rund 50.000 Euro, der Sales Cycle bei sechs bis neun Monaten. Marketing besteht aus einer Leiterin und einer Person für Demand Gen, dazu kommen zwei Account Executives. Vier Agenten laufen seit zwei Monaten: Signal, Outreach Routing, Paid Media und QA & Brand Guard. Product Truth ist vor drei Wochen dazugekommen.

So sieht der Log an einem Dienstagmorgen aus:

07:02  SIG  Account 214 · Automotive-Zulieferer, Tier 1
            Score 46 → 78 · 3× Pricing, 2× Integrationsseite SAP,
            2 neue Kontakte aus dem Qualitätsmanagement
            → CRM-Notiz geschrieben (L3 · Regel R-04)
            → Vorschlag #31: Track Sales-Handover · Owner: AE Süd
07:06  OUT  Kontakte Account 214 geprüft: 2 gültig, 1 Dublette
            zusammengeführt (L3 · Regel R-07)
            → Vorschlag #32: 1:1 durch AE an Leitung QM, keine Sequenz
07:15  ADS  Kampagne „QM-Leitung DACH“ · CTR −31 % in 14 Tagen,
            Frequenz 6,2 · Creative B3 ermüdet
            → Vorschlag #33: B3 pausieren, 30 % Budget auf B1
              Erwartung: niedrigerer CPL · Risiko: gering
              Messpunkt: in 14 Tagen
07:40  TRU  Release Notes 4.2: SAP-Connector allgemein verfügbar
            Integrationsseite nennt ihn noch „Beta“
            → Vorschlag #34: Korrektur Integrationsseite
            → Content-Chance an ANG: Angle „SAP ohne IT-Projekt“
08:01  QA   Rot: Link auf Case Study (404) auf 3 Landingpages
            Gelb: Preisangabe auf LP „Audit-Ready“ veraltet
            → Vorschlag #35: Links umleiten, Preis aus Product Truth

08:20  Go #33, #34, #35 · Marketing Lead
08:21  ADS  #33 ausgeführt · Change-Log C-1182 (vorher/nachher)
08:24  QA   #35 ausgeführt · Change-Log C-1183
09:10  Go #32 mit Änderung · AE Süd: „Einstieg über das
            Lieferanten-Audit im Mai, nicht über SAP“
09:11  OUT  Entwurf angepasst · Grund im Entscheidungsgedächtnis
11:30  Nein #31 · AE Süd: „Account läuft schon über einen Partner“
            → Regel-Vorschlag: Partner-Deals vom Handover ausnehmen

Was mir an diesem Log wichtig ist: Kein Agent hat etwas mit Außenwirkung getan, ohne dass ein Mensch zugestimmt hat. Ohne Einzel-Go liefen nur zwei Routinen, eine interne Notiz und ein bisschen Datenhygiene. Die Menschen haben zusammen vielleicht eine Viertelstunde investiert und dabei das eingebracht, was in keiner Quelle steht, nämlich den Termin des Lieferanten-Audits und den Partner, der schon im Gespräch ist.

Interessant ist auch das Nein zu #31. Das ist kein Fehler des Systems, sondern der Moment, in dem es lernt. Aus dem Grund wird ein Regel-Vorschlag, und der nächste Account mit Partner-Beteiligung landet gar nicht erst im Handover.

Wie dieser Ablauf über Monate im ABM aussieht, zeigt der Use Case Account Based Marketing mit AI-Agenten. Für Accounts, die Signale senden, aber nie ein Formular ausfüllen, sind der Use Case Intent-basierte Aktivierung und der Artikel Inbound ohne Formular die richtigen nächsten Schritte.

Was du nicht automatisieren solltest

Was Agenten können, ist die weniger interessante Frage. Spannender ist, was sie tun sollten. Ich schaue dafür auf zwei Achsen: Wie oft wiederholt sich die Arbeit, und wie viel Außenwirkung hat sie?

Häufige Arbeit ohne Außenwirkung, also CRM-Notizen, Datenhygiene oder Audience-Pflege, kann nach einer einmal freigegebenen Regel laufen. Bei häufiger Arbeit mit Außenwirkung wie Budgets, Sequenzen und Veröffentlichungen bereiten Agenten vor, und ausgeführt wird nach Einzel-Go. Für seltene Arbeit ohne Außenwirkung braucht es keinen Agenten, da reicht ein Copilot. Seltene Arbeit mit großer Außenwirkung bleibt beim Menschen.

Ein paar Dinge würde ich nicht an Agenten delegieren, auch nicht mit Go:

• Positionierung und ICP. Agenten können Win/Loss-Muster aufbereiten. Die Entscheidung, an wen du verkaufst und an wen nicht, ist Strategie.
• Prioritäten. Welche zwei Hebel dieses Quartal entscheiden und welche Aktivität gestoppt wird, entscheidet das Führungsteam.
• Pricing, Rabatte und Vertragszusagen. Hier entsteht neben Pipeline vor allem Haftung.
• Der Erstkontakt zu Schlüsselpersonen. Agenten können recherchieren und Entwürfe vorschlagen. Ob und wie der CFO eines Tier-1-Accounts angesprochen wird, entscheidet der Account Owner.
• Krisen, Beschwerden und heikle Antworten. Tonfall und Kontext sind hier alles. Ein Fehler kostet Vertrauen, das keine Kampagne zurückholt.
• Freigabe von Kundenstimmen und Case Studies. Was ein Kunde öffentlich sagt, gibt der Kunde frei, und auf deiner Seite ein Mensch.

Vor jeder Automatisierung gilt außerdem: Automatisiere keinen kaputten Prozess. Sind sich Marketing und Sales nicht einig, was ein qualifizierter Account ist, macht ein Agent diese Uneinigkeit nur schneller und lauter.

Bei Outbound ist die Versuchung zur Vollautomatisierung am größten. Ob ein autonomer AI-SDR für dein Geschäft sinnvoll ist oder ob Agenten Sales besser vorbereiten sollten, wäge ich im Artikel AI SDR im B2B ab.

Build, Buy oder Plattform-Agenten?

Spätestens nach der ersten Demo deines CRM-Anbieters stellt sich die Frage: Brauchen wir eigene Agenten, oder reichen die, die unsere Plattform mitbringt? HubSpot etwa bietet mit Breeze eigene Agenten direkt im CRM an, Salesforce mit Agentforce. Meine Antwort klingt nach Ausrede, stimmt aber: Es kommt darauf an, wie viel deiner Arbeit über die Grenzen eines einzelnen Tools hinausgeht.

In der Praxis ist es selten ein Entweder-oder. Plattform-Agenten können ein guter Baustein sein, solange sie aus derselben Knowledge Base gespeist werden und unter derselben Governance laufen wie alles andere. Den Vergleich im Detail, mit Kriterien für die Entscheidung, findest du in HubSpot Breeze Agents vs. eigene Agenten.

Wer eigene Agenten baut, braucht eine Fähigkeit, die in vielen Marketing-Teams neu ist: jemanden, der Revenue-Logik versteht und sie in Daten, Integrationen und Agenten übersetzt. Für diese Rolle gibt es inzwischen einen Namen, mehr dazu im Artikel über GTM Engineering.

Wie misst du, ob KI-Agenten im Marketing wirken?

Die Versuchung ist groß, Agenten an dem zu messen, was sie am besten können, also am Output: Assets pro Woche, Varianten, gesparte Stunden. Damit misst du auf der falschen Ebene.

Aktivität ist nicht Wirkung. Pipeline ist Wirkung.

Ich messe KI-Agenten im Marketing deshalb vor allem auf zwei Ebenen. Auf der Wirkungsebene sehe ich, ob sich Pipeline bewegt. Die Systemebene sagt mir, ob die Maschine gesund läuft, und sie erklärt meistens auch, warum sich die Pipeline bewegt oder eben nicht.

Die Entlastung steht bewusst unten. Gesparte Zeit ist ein schönes Nebenprodukt, mehr nicht. Wenn die gewonnenen Stunden in noch mehr Content fließen, während die Zielaccounts weiter auf ein Gespräch warten, hast du ein schnelleres Hamsterrad gebaut.

Ein Wort zur Zurechnung: Agenten erzeugen selten allein eine Opportunity. Ich halte deshalb nichts davon, jedem Agenten eine eigene Attribution zu basteln. Sinnvoller ist ein Vorher/Nachher pro Hebel: Wie haben sich Pipeline und Velocity im Segment verändert, seit die Agenten dort arbeiten? Diese Sicht bereitet auch der Pipeline Reporting Agent fürs Weekly vor.

Der 90-Tage-Fahrplan: Build oder Repair

Ob du Marketing neu aufbaust oder ein bestehendes Setup wieder an Pipeline koppelst, ändert den Einstieg. An der Reihenfolge ändert es nichts, die bleibt immer gleich: Diagnose, Priorisierung, Accountability, Operating Cadence. Zuerst kommt die Revenue-Logik in die Knowledge Base, dann folgen die Daten und danach die ersten Agenten.

Tag 1–30: Wissen vor Werkzeug

Die ersten vier Wochen sehen nach wenig AI aus, und das ist Absicht. Du sammelst die letzten zehn bis zwanzig gewonnenen und verlorenen Deals, leitest daraus den ICP mit Ausschlusskriterien und das Buying Center ab, dokumentierst zwei, drei Message Angles mit Proof Points und legst fest, welche Kennzahlen im Weekly zählen. Parallel bekommen die Agenten Lesezugriff auf CRM, Ads und Analytics, und die Regeln für Datenquellen werden mit IT und Datenschutz abgestimmt.

Tag 31–60: zwei, drei Agenten mit Go

Jetzt gehen die Agenten mit dem größten Pipeline-Hebel live. In vielen sales-led Teams sind das Signal und Pipeline Reporting, dazu je nach Engpass Paid Media oder Outreach Routing. Sie arbeiten zunächst auf L1, schlagen also nur vor, und du entscheidest. Jedes Nein bekommt einen Grund. In dieser Phase ist die Korrekturquote die wichtigste Zahl, weil sie zeigt, wo Regeln fehlen.

Tag 61–90: Regeln, Rhythmus, Ausbau

Wiederkehrende Gos werden zu freigegebenen Regeln, ausgewählte Aktionen bekommen Schreibrechte nach Go. Das Weekly läuft auf Basis der Entscheidungsvorlage. Danach entscheidest du anhand von Pipeline-Daten, welcher Agent als Nächstes kommt. Wie das als Projekt aussieht, beschreiben die Pfade Build für den Neuaufbau und Repair für bestehendes Marketing.

• ICP mit Ausschlusskriterien und ein Rollenmodell aus echten Deals
• Zwei bis drei Message Angles mit Proof Points und Status
• Freigegebene Claims und verbotene Formulierungen an einem Ort
• Ein menschlicher Owner pro Knowledge-Base-Modul
• Lesezugriff auf CRM, Ads und Analytics, abgestimmt mit IT und Datenschutz
• Eine Rechte-Stufe pro Agent und Tool, schriftlich festgelegt
• Ein Weekly, in dem Vorschläge entschieden werden
• Eine Pipeline-Kennzahl, an der das Projekt nach 90 Tagen gemessen wird

Meine Empfehlung

Wenn ich das Thema auf einen Satz reduzieren müsste: Erst die Knowledge Base, dann die Agenten – und alles gemessen an Pipeline.

Ich würde nicht mit dem Agenten anfangen, der am meisten Content schreibt, auch wenn das der naheliegende Einstieg ist, weil man das Ergebnis sofort sieht. In sales-led B2B ist mehr Content selten der Engpass. Der liegt fast immer woanders: Niemand weiß rechtzeitig, welche Accounts gerade warm werden, und Marketing kommt ohne Entscheidungsgrundlage ins Weekly. Deshalb starte ich meist mit Signal und Pipeline Reporting.

Die Fehler, die ich am häufigsten sehe

• Ein Superagent, der alles können soll. Den kannst du weder vernünftig testen noch berechtigen oder verbessern. Mit getrennten Rollen geht das.
• Das Wissen steckt im Prompt. Jeder Agent bekommt seine eigene Version des ICP, und nach drei Monaten widersprechen sie sich.
• Zu früh zu viele Rechte. Wer am ersten Tag Regeln ohne Einzel-Go freigibt, spart eine Woche und riskiert das Projekt.
• Zu lange zu wenig Rechte. Wer nach drei Monaten noch jeden Vorschlag von Hand ins Tool kopiert, hat einen teuren Copilot gebaut.
• Agenten in einer Parallelwelt, etwa mit einem eigenen Dashboard, das Sales nie öffnet. Das ändert nichts. Agenten gehören ins CRM und in die Tools, die dein Team ohnehin nutzt.
• Output als Erfolgsmaß. Dazu habe ich oben genug gesagt.

Womit ich anfangen würde

Ehrlich gesagt mit einem Blatt Papier, nicht mit einem Tool. Schreib auf, welche drei Entscheidungen in deinem Marketing jede Woche getroffen werden müssen und auf welcher Grundlage sie heute fallen. Wo die Grundlage fehlt oder zu spät kommt, liegt dein erster Agent. Fehlt schon das Wissen dafür, hast du die erste Aufgabe für die Knowledge Base gefunden.

Marketing ist Teil von Revenue – oder es ist Overhead. Agenten ändern daran nichts. Sie ändern nur, wie schnell du es beweisen kannst.

Wenn du sehen willst, wie das mit deinem Stack, deinem Team und deinem Sales Cycle aussehen würde: Im kostenlosen 30-minütigen Diagnose-Call schauen wir gemeinsam, wo der größte Hebel liegt und ob Build oder Repair der passende Weg ist. Ich pitche dabei nichts, du bekommst meine Einschätzung.