KI-Anwendungsfälle im Marketing: Was bereits funktioniert und welche Neuerungen es 2027 gibt

Wenn Sie KI-Lösungen für das Marketing evaluieren, kennen Sie wahrscheinlich die meisten Optionen bereits. Jeder große Anbieter bietet Agentic AI für prädiktive Segmente, generative Inhalte, die Optimierung des Versandzeitpunkts und irgendeine Form der Journey-Orchestrierung an. Doch es gibt eine entscheidende Frage, durch die sich die Lösungen voneinander unterscheiden und die bei der Bewertung häufig nicht berücksichtigt wird: Auf welche operativen Daten haben die KI-Agenten tatsächlich Zugriff?

In der Regel arbeiten KI-Lösungen im Marketing mit einem unvollständigen Bild des Kunden. Die meisten KI-Marketingtools haben Zugriff auf Verhaltensdaten: Klicks, Öffnungen und Sessions. Sie wissen jedoch nicht, was ein Kunde tatsächlich gekauft oder zurückgegeben hat, ob seine Bestellung verspätet versendet wurde oder welchen Treuestatus er hat.

Die Folge: Ihre Prognosen bleiben oberflächlich, die Personalisierung verfehlt ihr Ziel und über die von Ihnen eingerichtete Customer-Journey-Orchestrierung werden weiterhin E-Mails zu einem abgebrochenen Einkauf an jemanden gesendet, der das Produkt vor zwei Tagen im Geschäft gekauft hat.

Die KI-Anwendungsfälle im Marketing, die messbare Umsatzsteigerungen bewirken, haben eines gemeinsam: Sie haben Zugriff auf operative Daten aus E-Commerce-, Bestell-, Bestands-, Fulfillment- und Servicesystemen.

Im Folgenden erfahren Sie, wie dies in der Praxis aussieht, welche Geschäftsergebnisse sich damit erzielen lassen und wie Sie beurteilen können, ob Ihre aktuelle Systemlandschaft dazu überhaupt in der Lage ist.

Beim KI-Marketing wird künstliche Intelligenz eingesetzt, um Kunden besser zu verstehen, Erlebnisse zu gestalten und zu personalisieren, Entscheidungen zu automatisieren und Geschäftsergebnisse zu optimieren. Wer „KI“ jedoch als einzelne Funktion betrachtet, erhält voneinander getrennte Pilotprojekte, die nicht aufeinander aufbauen und sich in ihrer Wirkung nicht ergänzen.

Unser Blogpost „The Future of Customer Engagement: 4 Shifts Defining the Next Era“ beschreibt vier unterschiedliche Ebenen. Zu wissen, wo Ihr Unternehmen hier steht, ist der schnellste Weg zu einer schlüssigen Strategie:

• Erweiterte Berechnungen: A/B-Tests, Zuordnung von Umsätzen, Erkenntnisse zum Kundenlebenszyklus. Die grundlegende Ebene, die sichtbar macht, was funktioniert.
• Zielgerichtete KI: maschinelles Lernen für Next Best Actions, Optimierung des Versandzeitpunkts, Abwanderungsprognosen. Diese Ebene nutzen die meisten Teams aktuell.
• Generative KI: Erstellung von Inhalten, Übersetzung, Beschleunigung von Kampagnen. Die Ebene, die die meisten Teams derzeit aktiv testen.
• Agentic AI: KI, die auf ein Marketingziel hinarbeitet und Aktivitäten systemübergreifend koordiniert, ohne dass bei jedem Schritt menschliches Eingreifen erforderlich ist – das ist die nächste Stufe.

Ein Team, das generative KI ohne zugrunde liegende zielgerichtete KI einsetzt, produziert zwar schneller Inhalte, kennt aber die Zielgruppe nicht. Ein Team, das Agentic AI ohne verknüpfte Daten testet, automatisiert Entscheidungen anhand einer unvollständigen Sicht auf den Kunden.

Es gibt einen Aspekt, der bei den meisten Anbietervergleichen nicht berücksichtigt wird.

Ein Modell für Abwanderungsprognosen, das mit Daten zu E-Mail-Interaktionen trainiert wurde, kann Ihnen sagen, wer Ihre E-Mails nicht mehr öffnet.

Ein Modell für Abwanderungsprognosen hingegen, das mit Daten zu E-Mail-Interaktionen, Kaufhistorie, Retourenverhalten, Bestellstatus und Serviceinteraktionen trainiert wurde, kann Ihnen sagen, welche Kunden tatsächlich abwandern und warum.

53 % der Marken geben an, dass die Integration von CX und ERP für sie Priorität hat. Gleichzeitig sagen 59 %, dass sie diese Systeme noch nicht miteinander verknüpft haben (CIO-Studie von SAP und Foundry, 2026). Diese Lücke erklärt, warum so viele Investitionen in KI für das Marketing irgendwann stagnieren: Die Modelle sind ausgereift, doch die Datenbasis, auf die sie zugreifen, ist zu dünn.

Wenn Sie KI-Anwendungsfälle für das Marketing bewerten, werden Sie feststellen, dass jede Lösung mittlerweile KI-Funktionen bietet. Die entscheidende Frage lautet daher: Auf welche Daten hat diese KI Zugriff?

1. Kundenverhalten anhand operativer Daten vorhersagen

Eine Kosmetikmarke mit Direktvertrieb führt eine Kampagne zur Rückgewinnung von Kunden durch, die seit 90 Tagen nichts gekauft haben. 400.000 Menschen erhalten dasselbe Angebot zur selben Zeit mit derselben Botschaft. Einige dieser Kunden hätten ohnehin bald wieder gekauft. Der Rabatt schmälert hier lediglich die Marge. Andere haben sich bereits vor drei Monaten von der Marke abgewandt und werden nicht zurückkommen.

Scores zur Kaufwahrscheinlichkeit, Indikatoren für die Abwanderungstendenz und Modelle zur Produktaffinität ersetzen Mutmaßungen durch fundierte Prognosen. Die Qualität dieser Prognosen hängt jedoch komplett davon ab, welche Daten in die Modelle einfließen.

Die Prognosefunktionen von SAP Engagement Cloud basieren auf operativen Kundendaten: darauf, was jemand gekauft und zurückgegeben hat, wie die Person über Commerce, Service und Treueprogramme hinweg mit dem Unternehmen interagiert hat sowie auf ihren Mustern bei Nachbestellungen und ihrer Phase im Kundenlebenszyklus. Diese Datengrundlage nutzen die Funktionen von Joule zur Zielgruppenidentifizierung, um prädiktive Segmente zu erstellen.

Dieser Unterschied ist wirtschaftlich relevant. Die Befragung zum Customer Loyalty Index 2025 ergab, dass die echte Kundentreue seit 2024 um 5 Prozentpunkte gesunken ist – der größte Rückgang innerhalb eines Jahres seit Einführung des Index. Sie liegt nun bei 29 %, und 28 % der Verbraucher haben aus Langeweile die Marke gewechselt. Eine Kampagne zur Rückgewinnung, die startet, solange sich der Kunde noch an Ihre Marke erinnert, kann zur Conversion führen. Sechs Monate später konkurrieren Sie schon mit Marken, zu denen der Kunde inzwischen eine neue Beziehung aufgebaut hat.

2. Kundenerlebnisse über Klicks hinaus personalisieren

Das E-Mail-Programm eines Modehändlers versendet jeden Dienstag dieselbe Kampagne zu „Neuheiten“ an zwei Millionen Abonnenten. Der Kunde, der gerade einen Wintermantel gekauft hat, erhält dieselbe E-Mail wie die Kundin, die seit einer Woche nach Sneakern sucht.

Die meisten Personalisierungs-Engines nutzen Verhaltensdaten: worauf jemand geklickt hat, welche Seiten aufgerufen wurden und wie lange die Person dort verweilt. Diese Informationen sind hilfreich, liefern aber nur ein unvollständiges Bild. Sie berücksichtigen nicht, was jemand gekauft und behalten oder zurückgegeben hat, welche Erfahrungen die Person mit dem Service gemacht hat oder ob die letzte Bestellung pünktlich geliefert wurde.

Die Personalisierungsfunktionen von SAP Engagement Cloud umfassen prädiktive und dynamische Segmentierung, Produktempfehlungen auf Grundlage visueller Affinitäten und der Kaufhistorie, die dynamische Auswahl von Inhalten, personalisierte Angebote, Next Best Actions, die Optimierung des Versandzeitpunkts und Kanalpräferenzen. Die Funktionen von Joule für Produktempfehlungen und die Personalisierung von Inhalten greifen auf operative Daten zu. Dadurch berücksichtigen sowohl die Empfehlung als auch die Botschaft die gesamte Kundenbeziehung.

Die Befragung zum Global Engagement Index 2026 ergab, dass 58 % der Verbraucher die meisten Marketing-E-Mails, die sie erhalten, für irrelevant halten. Die Lücke zwischen dem, was Marken versenden, und dem, was sich Kunden tatsächlich wünschen, wird kleiner, wenn die Personalisierung auf tatsächlichen Kaufdaten und nicht nur auf dem Surfverhalten basiert.

Puma erzielte innerhalb von sechs Monaten mit prädiktiver KI-Segmentierung über SAP Engagement Cloud einen fünfmal höheren Umsatz mit E-Mails. Gleichzeitig wuchs die Datenbank durch die Verknüpfung KI-gestützter Empfehlungsprogramme um 50 %.

3. Marketinginhalte generieren und optimieren

Ein Lifecycle-Marketingteam benötigt für eine Produkteinführung 47 E-Mail-Varianten. Dafür müssen drei Lebenszyklussegmente, vier Kanäle, verschiedene Sprachversionen und A/B-Testvarianten berücksichtigt werden. Das Team besteht aus zwei Personen. Der Launch ist in drei Wochen.

Mithilfe generativer KI werden Inhalte erstellt: auf Segmente zugeschnittene E-Mail-Texte und Betreffzeilen, Produktbeschreibungen sowie Inhaltsvarianten für unterschiedliche Zielgruppen und Kanäle. Es werden visuelle Inhalte personalisiert und lokalisiert und es finden KI-gestützte multivariate Tests statt. Und das alles in einer Geschwindigkeit, die kein Team manuell erreichen könnte.

Eine Studie zum Thema KI im Einzelhandel von SAP ergab, dass 54 % der Marketingverantwortlichen berichten, dass sie höhere Öffnungsraten verzeichnen, wenn die Betreffzeilen von E-Mails von KI generiert werden. Die Auswirkungen auf den Umsatz zeigen sich jedoch vor allem dann, wenn KI-generierte Inhalte mit KI-gestützter Zielgruppenauswahl und KI-optimierten Versandzeitpunkten über vordefinierte Strategien in SAP Engagement Cloud kombiniert werden.

Für eine Evaluierung ist Folgendes entscheidend: Ein eigenständiges Tool mit generativer KI erstellt Inhalte schneller. Eine generative KI, die in eine Marketing-Automation-Lösung integriert ist, erstellt Inhalte unter Berücksichtigung dessen, wer die Inhalte erhält, wann diese die Empfänger erreichen und welche Inhalte diese bereits gesehen haben. Die Inhaltsfunktionen von Joule übernehmen nicht nur das Erstellen von Inhalten, sondern verarbeiten auch Erkenntnisse aus E-Mails, sodass Ihr Team die Auswahl von Inhalten anhand von Performance-Daten weiter optimieren kann.

Eine Studie von BCG und SAP ergab eine Umsatzsteigerung von 15 % pro Kampagne und eine Verringerung der für die Inhaltserstellung aufgewendeten Stunden um 44 %, wenn die Funktionen gemeinsam und nicht voneinander getrennt eingesetzt werden.

4. Customer Journeys anhand realer Signale koordinieren

Ein Kunde legt am Freitagabend ein Paar Stiefel in seinen Warenkorb. Bis Montagmorgen hat er eine E-Mail zu seinem abgebrochenen Einkauf, eine Push-Benachrichtigung, eine SMS und eine Retargeting-Anzeige erhalten. Dabei hat er die Stiefel bereits am Samstag im Geschäft gekauft.

Jede Nachricht nach dem Kauf war überflüssig und hat die Marke ein kleines Stück Vertrauen gekostet. Das Marketingsystem wusste nichts von dem Kauf im Geschäft, da es keinen Zugriff auf E-Commerce- und Point-of-Sale-Daten hatte.

Die KI-gestützte Journey-Orchestrierung steuert, wann eine Interaktion mit Kunden sinnvoll ist, welcher Kanal und welche Inhalte oder Angebote sich eignen, ob ein Anreiz erforderlich ist und wann die Interaktionshäufigkeit begrenzt oder eine Nachricht in Echtzeit unterdrückt werden sollte. Diese Entscheidungen sind jedoch nur so gut wie die Daten, auf denen sie basieren.

SAP Engagement Cloud hat Zugriff auf Daten aus E-Commerce-, Bestellungs-, Lagerbestands-, Fulfillment- und Servicesystemen. Die Funktionen für die Journey-Orchestrierung von Joule koordinieren diese Datenquellen in Echtzeit. So reagieren Ihre Kampagnen auf Ereignisse an jedem Kontaktpunkt, auch auf solche, die außerhalb der Reichweite des Marketingsystems liegen.

Dieselbe Studie von SAP und Foundry ergab, dass 74 % der Marken die Transparenz und Zuordnung von Lagerbeständen als größte Herausforderung bei der Gestaltung ihrer Customer Experience betrachten. Wetterabhängig ausgelöste Kampagnen, Benachrichtigungen zur Wiederverfügbarkeit auf Basis tatsächlicher Bestandsdaten und die Unterdrückung von Benachrichtigungen nach bestätigten Käufen hängen alle von derselben Voraussetzung ab: Das Marketingsystem benötigt Zugriff auf operative Signale.

Molton Brown erzielte mit KI-gestützten, personalisierten Kundeninteraktionen auf Grundlage einheitlicher Daten aus SAP Commerce Cloud und SAP Engagement Cloud bei wichtigen Kampagnen eine um 22 % höhere Conversion Rate gegenüber dem Vorjahr.

5. Von Automatisierung zu KI-Agenten übergehen

Ihr Marketingteam kommt zur wöchentlichen Performance-Besprechung zusammen. Die Öffnungsraten werden in einem Dashboard angezeigt, die Klickraten in einem anderen Dashboard und die Konversionsdaten wurden noch nicht synchronisiert. Alle analysieren die Kampagnen der vergangenen Woche. Bis jemand feststellt, dass die Werbe-E-Mail vom Freitag schlechter als erwartet abgeschnitten hat, haben bereits 200.000 Kunden sie erhalten und die Follow-up-E-Mail wurde ebenfalls schon versendet.

Joule ermöglicht den Einsatz von KI-Agenten, die im Rahmen der vom Marketingteam festgelegten Berechtigungen auf definierte Marketingziele hinarbeiten. Marketingverantwortliche beschreiben, was sie erreichen möchten, und Joule koordiniert die Umsetzung. (Einen ausführlicheren Einblick in die Funktionsweise von Agentic AI im Marketing und ihre Bedeutung für Marketingteams bietet What Is Agentic Marketing? A Guide for Marketers.)

In der Praxis bedeutet das:

• Zielgruppenidentifizierung, bei der Segmente auf Grundlage von Kampagnenzielen und Performance-Signalen erstellt und weiterentwickelt werden
• Kampagnenaktivierung, bei der Kampagnen kanalübergreifend auf Grundlage von KI-gestützten Entscheidungen zu Zielgruppe, Timing und Inhalten umgesetzt werden
• Personalisierung von Inhalten und visuellen Assets, bei der Texte, Bilder und Angebote zum Versandzeitpunkt angepasst werden
• E-Mail-Erkenntnisse, die Performance-Muster aufzeigen und Maßnahmen empfehlen, während die Kampagnen noch laufen
• Journey-Orchestrierung, bei der Kunden anhand von Verhaltenssignalen und operativen Signalen in Echtzeit über verschiedene Kontaktpunkte hinweg weitergeleitet werden

Diese Funktionen sind in die SAP Business Suite integriert und mit Daten zu Bestellungen, Lagerbeständen, Fulfillment, Treueprogrammen und Service verknüpft. Dies unterscheidet integrierte Agentic AI im Marketing von nachträglich angebundenen KI-Tools, die zwar Inhalte generieren können, aber keinen Zugriff auf die geschäftlichen Erkenntnisse zu Kunden haben.

Die Partnerschaft von SAP mit Google Cloud erweitert diese Möglichkeiten zusätzlich. Durch die Integration von Google BigQuery können externe Echtzeitdaten wie Wetterbedingungen oder regionale Nachfragesignale automatisierte Kampagnen-Workflows in Echtzeit auslösen. Das Personalization Playbook beschreibt konkrete Anwendungsfälle, darunter wetterabhängig ausgelöste Kampagnen und Benachrichtigungen zur Wiederverfügbarkeit auf Grundlage aktueller ERP-Bestandsdaten.

Im vierten Quartal 2026 und im ersten Quartal 2027 werden neue Agentenfunktionen eingeführt. Bereits heute erworbene AI Units können automatisch für neue Funktionen genutzt werden, sobald diese verfügbar sind.

Das ändert sich 2027: Der Fokus verschiebt sich von einzelnen Agenten und ihren jeweiligen Aufgaben hin zur übergreifenden Koordination mehrerer Agenten. Aktuell übernehmen Joule-Agenten einzelne Funktionen wie die Zielgruppenidentifizierung oder das Erstellen von Inhalten. Im Laufe des Jahres 2027 werden Agenten diese Aufgaben nacheinander koordinieren: Sie identifizieren eine Zielgruppe, generieren die passenden Inhalte, wählen Kanal und Zeitpunkt aus, aktivieren die Kampagne und nehmen anhand der Performance Anpassungen vor – alles innerhalb eines einzigen Workflows.

Für Marketingverantwortliche bedeutet dies, dass sich die Zeit zwischen „Definieren, was erreicht werden soll“ und „Die Kampagne ist live und wird optimiert“ von Tagen auf Stunden verkürzt. In Unternehmen, die SAP ERP einsetzen, haben die Agenten Zugriff auf operative Signale, die eigenständigen Marketingtools nicht zur Verfügung stehen. Dadurch basieren die von diesen Agenten koordinierten Kampagnen von Anfang an auf Bestands-, Fulfillment- und Bestelldaten.

Die San Jose Sharks, ein Unternehmen aus der Sport- und Unterhaltungsbranche mit mehreren Geschäftsbereichen, erzielten eine Quote von 87 % für den erneuten Kauf von Dauerkarten und ein Umsatzwachstum von 30 %, indem man SAP-Lösungen für Vertrieb, Kundenbeziehungen, E-Commerce, CDP und Analysen miteinander verknüpfte, um über den gesamten Kundenlebenszyklus hinweg KI-gestützte Faninteraktionen zu ermöglichen.

Die Auswahl eines KI-Anwendungsfalls für Ihr Marketing beginnt mit einer Analyse Ihrer Daten. Gehen Sie dabei wie folgt vor:

Prüfen Sie, auf welche Daten Ihr Marketingsystem tatsächlich zugreifen kann.

• abgeschlossene Käufe
• Retouren
• Transaktionen in Filialen
• Servicetickets
• Treuestatus

Wenn Ihre KI ausschließlich mit E-Mail-Klicks und Web-Sessions arbeitet, werden Prognosen und Personalisierung irgendwann an ihre Grenzen stoßen, unabhängig davon, wie ausgereift die Modelle sind. Eine Umfrage von McKinsey zum Stand von KI aus dem Jahr 2025 ergab, dass nur 39 % der Unternehmen KI überhaupt einen Einfluss auf den unternehmensweiten Gewinn zuordnen konnten. Die meisten bezifferten diesen auf weniger als 5 %. Der Schritt von der Einführung von KI hin zu messbaren Umsatzergebnissen stellt für viele Marketingteams derzeit noch eine Herausforderung dar.

Ordnen Sie Ihren aktuellen KI-Reifegrad einer der vier Ebenen zu. Die meisten Teams nutzen bereits erweiterte Berechnungen und testen den Einsatz generativer KI. Defizite bestehen in der Regel beim zielgerichteten Einsatz von KI – etwa bei Prognosen und Next Best Actions – sowie bei der zugrunde liegenden Dateninfrastruktur.

Priorisieren Sie Ihre Anwendungsfälle entsprechend der Verfügbarkeit und Qualität Ihrer Daten. Eine sinnvolle Priorisierung kann wie folgt aussehen:

• Starten Sie hiermit: KI-generierte Inhalte (Ebene 3). Diese weisen die geringste Datenabhängigkeit auf und bieten die schnellstmögliche Wertschöpfung. Dazu gehören die Generierung von Betreffzeilen, Inhaltsvarianten und Lokalisierungen.
• Optimieren Sie mit: prädiktiver Segmentierung und Personalisierung (Ebene 2). Hierfür werden verknüpfte Kauf- und Lebenszyklusdaten benötigt. Das Umsatzpotenzial ist höher, allerdings nur, wenn die entsprechende Datengrundlage vorhanden ist.
• Skalieren Sie mit: Journey-Orchestrierung und Agentic AI (Ebenen 2–4). Hierfür werden operative Echtzeitdaten aus E-Commerce, Bestellungen und Service benötigt. Diese Anwendungsfälle bieten das größte Potenzial, sind aber auch am stärksten von einer soliden Datengrundlage abhängig.

Beginnen Sie mit dem Anwendungsfall, für den es die klarste Bewertungsgrundlage gibt. Vergleichen Sie KI-gestützte Ansätze anhand von Umsatz, Konversion und Kundenbindung mit Ihren bisherigen Ansätzen. Erfassen Sie den zusätzlichen Umsatz aus KI-gestützten Kampagnen; die Kennzahlen zur Einführung von KI können Sie erst einmal vernachlässigen.

Stellen Sie Ihrem Anbieter die entscheidende Frage zu den operativen Daten. Kann die Lösung nativ auf ERP-, E-Commerce-, Bestands- und Servicedaten zugreifen? Oder benötigt sie eine separate Integrationsschicht, die zu Verzögerungen und zusätzlicher Komplexität führt? Dieser Unterschied entscheidet darüber, ob Ihr KI-Marketing mit einem vollständigen oder nur einem unvollständigen Bild des Kunden arbeitet.

Der Einsatz von KI im Marketing birgt reale Risiken, die mit zunehmender Nutzung an Bedeutung gewinnen:

• Datenqualität: KI verstärkt, was in den Daten enthalten ist, einschließlich Fehlern und Lücken. 92 % der Marken geben an, dass eine bessere Datenqualität der wirksamste Weg ist, die CX-bezogenen Gesamtbetriebskosten zu senken (CIO-Studie von SAP und Foundry, 2026).
• Datenschutz, Einwilligung und behördliche Vorschriften: Der AI in Retail Report 2024 ergab, dass 70 % der Verbrauchenden Bedenken hinsichtlich der Nutzung ihrer personenbezogenen Daten durch KI bei Einkäufen haben und nur 11 % ein hohes Vertrauen in KI-gestützte Services im Einzelhandel angeben. Die DSGVO, der EU AI Act und neue regionale Vorschriften stellen konkrete Anforderungen daran, wie KI Kundendaten verarbeitet, wie automatisierte Entscheidungen transparent gemacht werden müssen und welche Einwilligungsmechanismen erforderlich sind. Governance und Einwilligungsmanagement sind regulatorische Verpflichtungen und keine optionalen Funktionen.
• Bias: Prädiktive Modelle, die mit historischen Daten trainiert wurden, können bestehende Verzerrungen bei der Zielgruppenansprache und bei Kundeninteraktionen reproduzieren und verstärken.
• Halluzinationen: Generative KI erzeugt plausibel klingende Inhalte, die sachlich falsch sein können. Jede von KI generierte Aussage muss von einem Menschen überprüft werden.
• Markenkonsistenz: In großem Maßstab von KI generierte Inhalte können ohne entsprechende Vorgaben von der Brand Voice abweichen. Die Befragung zum Global Engagement Index 2026 ergab, dass 85 % der etablierten Marken klare Vorgaben für den Einsatz von KI festgelegt haben.
• Überautomatisierung: Werden Entscheidungen automatisiert, bei denen Kunden menschliches Urteilsvermögen erwarten, kann dies die Kundenbeziehung beeinträchtigen. Die Verantwortung für Strategie, Urteilsvermögen und Brand Voice sollte weiterhin beim Menschen liegen.