Was ist Agentic Marketing und ist Ihr Unternehmen bereit dafür?

Agentic Marketing ist aktuell ein großes Thema bei B2B-Technologieanbietern. Der Begriff ist allgegenwärtig – obgleich es immer schwieriger wird zu unterscheiden, welche Entwicklungen das Marketing tatsächlich verändern und wo lediglich die Vorjahresplanung unter einem neuen Namen vermarktet wird. Umso wichtiger ist die Frage: Was verändert sich wirklich, wenn KI eigenständig entscheiden kann, was als Nächstes zu tun ist?

Betrachten wir ein Problem, das die meisten Marketingteams kennen. Um bei einem typischen mittelständischen Unternehmen eine einzige Kampagne zur Reaktivierung von Kunden auf den Weg zu bringen, muss ein CRM-Manager die Zielgruppe zusammenstellen, ein Lifecycle-Marketer die Customer Journey planen und ein Content-Team die kreativen Inhalte erstellen.

Kein Schritt beginnt, bevor nicht der vorherige abgeschlossen ist. Der gesamte Prozess dauert mehrere Tage. Währenddessen wird das Zeitfenster, in dem Ihre Marke beim Kunden noch präsent ist, kleiner und kleiner.

Beim Agentic Marketing entfällt dieser Staffellauf. Stattdessen betrachtet die KI die Aufgabe ganzheitlich und im jeweiligen Kontext: Sie erhält eine Zielvorgabe, wertet Daten aus, legt die passende Vorgehensweise fest und setzt diese entweder direkt um oder schlägt sie zur Genehmigung vor.

Der 2026 Global Engagement Index von SAP zeigt, dass 81 % der Unternehmen mit hohem Reifegrad KI bereits fest in die Arbeitsabläufe ihrer Teams integriert haben. 63 % der Unternehmen befinden sich auf einer mittleren Reifestufe, das heißt, für eine wirksame Nutzung durch KI-Agenten sind ihre Daten noch zu stark voneinander isoliert.

Im Folgenden erfahren Sie, was Agentic Marketing ist, wie es funktioniert und welche Voraussetzungen die meisten Teams noch schaffen müssen, um den Mehrwert von Agentic Marketing für sich nutzen zu können.

Es ist Mittwochnachmittag. Eine Produktlinie verkauft sich besser als erwartet. Bis Freitag werden drei der beliebtesten Artikel in zwei Regionen ausverkauft sein. Doch bis jemand den drohenden Engpass bemerkt, die anvisierte Zielgruppe identifiziert und die entsprechende Werbekampagne pausiert, sind die E-Mails längst verschickt. Kunden klicken auf den Link – und landen auf einer Produktseite mit dem Hinweis „Nicht vorrätig“.

Ein KI-Agent, der die Lagerbestände überwacht, würde die Promotion stoppen, noch bevor jemand ein entsprechendes Ticket erstellt, das Werbebudget auf Produkte mit ausreichendem Lagerbestand umverteilen und den betroffenen Kunden passende Alternativen empfehlen.

Genau darum geht es beim Agentic Marketing: Es kommen KI-Agenten zum Einsatz, die Ziele interpretieren, die erforderlichen Schritte ableiten und innerhalb von Marketing-Workflows mit einem zuvor festgelegten Maß an Autonomie eigenständig Maßnahmen ergreifen.

Manche Agenten schlagen Maßnahmen vor und warten dann auf die Genehmigung. Andere dürfen bestimmte Entscheidungen mit geringem Risiko selbstständig treffen. Diese Abstufungen der Autonomie sind wichtig.

Ein Unternehmen könnte z. B. einem Agenten erlauben, Versandzeitpunkte anhand von Interaktionsmustern ohne vorherige Genehmigung eigenständig anzupassen. Soll dagegen eine Zielgruppe aus einer umsatzrelevanten Kampagne ausgeschlossen werden, muss ein Mensch dies genehmigen. Die Marketingfachleute definieren die Rahmenbedingungen, innerhalb derer der Agent agieren darf.

Unternehmen mit hohem Reifegrad, die KI bereits in ihre Arbeitsabläufe integriert haben, betrachten sie nicht als separates Tool, das bei Bedarf in einem zusätzlichen Browser-Tab geöffnet wird. Stattdessen ist KI fester Bestandteil der Kampagnenplanung, ‑erstellung und ‑optimierung.

Agentic Marketing geht noch einen Schritt weiter: Hier unterstützt KI nicht mehr nur bei einzelnen Tätigkeiten, sondern koordiniert Abläufe über verschiedene Aufgaben, Kanäle und Datenquellen hinweg.

Das Prinzip lässt sich am besten anhand einzelner Phasen erklären. Der folgende Ablauf zeigt, wie ein KI-Agent ein vorgegebenes Marketingziel konkret umsetzt.

1. Das Ziel verstehen

Am Anfang steht ein Ziel, das vom Marketingteam definiert wird. „Steigere die Wiederholungskäufe von Erstkunden um 15 %“ wäre z. B. eine geeignete Zielvorgabe, weil sie dem Agenten Spielraum bei der Umsetzung lässt. „Sende diese E-Mail an Segment [X]“ wäre hingegen zu eng gefasst. Während die erste Anweisung das gewünschte Ergebnis beschreibt, gibt die zweite bereits eine konkrete Aufgabe vor. Dem Agenten bleibt damit kein Entscheidungsspielraum, um den besten Weg zum Ziel zu ermitteln.

2. Den zur Verfügung stehenden Kontext analysieren

Der Agent wertet alle Informationen aus, auf die er zugreifen kann: Kundenprofile, bisherige Kampagnenergebnisse, Verhaltenssignale, Produktdaten, Geschäftsregeln und Kanalpräferenzen.

Genau hier stoßen viele Unternehmen an ihre Grenzen. 86 % der Unternehmen mit hohem Reifegrad können Daten über sämtliche Kanäle und Kontaktpunkte hinweg verknüpfen und zusammenführen. Bei Teams mit mittlerem Reifegrad liegen die Informationen dagegen häufig in getrennten Systemen, die nicht miteinander kommunizieren. Doch wie soll ein Agent, dem nur die Hälfte der relevanten Informationen zur Verfügung steht, fundierte Entscheidungen treffen?

Dabei geht es um weit mehr als Klick- und Öffnungsraten. Bestellstatus, Lagerbestände, Serviceinteraktionen und Retourenhistorie sind operative Daten aus E-Commerce- und ERP-Systemen, die die Empfehlungen eines Agenten grundlegend beeinflussen können. Schließlich fällt eine Produktempfehlung anders aus, wenn der Agent weiß, dass der betreffende Artikel in der Region des Kunden nicht verfügbar ist.

3. Die nächsten Maßnahmen festlegen

Auf Grundlage des Ziels und der verfügbaren Informationen ermittelt der Agent, welche Maßnahmen voraussichtlich den größten Erfolg versprechen. Er identifiziert eine Zielgruppe, wählt einen geeigneten Kanal aus, empfiehlt Inhalte, bestimmt den optimalen Zeitpunkt und löst eine Customer Journey aus. Dabei wägt er verschiedene Möglichkeiten gegeneinander ab, anstatt lediglich einem vorgegebenen Ablauf zu folgen.

4. Maßnahmen umsetzen

Je nach Berechtigung schlägt der Agent einen Plan vor, der noch genehmigt werden muss, oder setzt ihn eigenständig um. Hier kommt die Governance ins Spiel. Beim sogenannten Human-in-the-Loop-Modell dürfen Agenten innerhalb festgelegter Grenzen Analysen durchführen, Empfehlungen geben und Maßnahmen ergreifen. Überschreitet eine Entscheidung jedoch eine definierte Risikoschwelle, muss sie vor der Umsetzung von einem Marketingverantwortlichen freigegeben werden.

5. Aus den Ergebnissen lernen

Die Leistungsdaten fließen in die zukünftigen Entscheidungen des Agenten ein. Dazu gehören Klickraten, Conversions und die Zuordnung von Umsätzen ebenso wie negative Signale, z. B. Abmeldungen und Retouren. Jedes Ergebnis trägt dazu bei, die nächste Entscheidung zu verbessern. So wird das System mit jeder versendeten Nachricht intelligenter.

Diese fünf Phasen bilden einen kontinuierlichen Kreislauf, bei dem jeder Durchlauf die Grundlage für den nächsten schafft.

Diese drei Technologien lösen unterschiedliche Probleme, und bei den meisten Marketingteams werden alle drei zum Einsatz kommen. Verwirrend ist, dass sie häufig als unterschiedliche Versionen des gleichen Konzepts betrachtet werden.

Bei der Marketingautomatisierung werden Workflows ausgeführt, die Sie zuvor definiert haben. Ein typisches Beispiel ist die Regel: „Wenn ein Warenkorb abgebrochen wird, zwei Stunden später eine E-Mail versenden.“

Generative KI erstellt Inhalte wie Betreffzeilen, Produktbeschreibungen oder Bildvarianten. Sie bietet leistungsstarke Möglichkeiten, reagiert jedoch in erster Linie auf konkrete Vorgaben, anstatt eigenständig Ziele zu verfolgen.

Agentic AI übernimmt die gesamte Koordination. Sie erhält eine Zielvorgabe, bewertet die aktuelle Situation, entscheidet über das weitere Vorgehen und ergreift entsprechende Maßnahmen. Dabei kann sie auf die Marketingautomatisierung zurückgreifen, um eine Customer Journey auszulösen, und generative KI einsetzen, um die passende Nachricht zu formulieren. Der Agent entscheidet jedoch selbst, mit welchem Kunden zu welchem Zeitpunkt über welchen Kanal interagiert werden soll.

Besonders aufschlussreich ist die letzte Zeile der Tabelle:

• Marketingautomatisierung benötigt Auslöser und Regeln.
• Generative KI benötigt einen Prompt und Trainingsdaten.
• Agentic AI benötigt verknüpfte, funktionsübergreifende Echtzeitdaten, da die Qualität jeder Entscheidung davon abhängt, welche Informationen dem Agenten zur Verfügung stehen.

Ein KI-Agent im Marketing umfasst in der Regel mehrere Aspekte: ein definiertes Ziel, KI-gestützte Fähigkeiten zur Analyse und Entscheidungsfindung, Zugriff auf relevante Daten, die Möglichkeit, Informationen aus früheren Interaktionen zu berücksichtigen, sowie Tools und Systeme, mit denen er interagieren kann. Hinzu kommen festgelegte Regeln und Berechtigungen sowie Feedback zu den Ergebnissen seiner Maßnahmen.

Dabei übernehmen einzelne Agenten jeweils bestimmte Aufgaben. Ein Agent kann z. B. Zielgruppen identifizieren, ein anderer Inhalte erstellen und ein dritter den passenden Kanal auswählen und den Versandzeitpunkt optimieren.

Multi-Agenten-Architekturen gehen noch einen Schritt weiter. Hier arbeiten spezialisierte Agenten zusammen. Sie übernehmen gemeinsam die Zielgruppenanalyse, Inhaltserstellung, Kanalauswahl und Optimierung. SAP und Google Cloud haben entsprechende Multi-Agenten-Funktionen für das Marketing entwickelt. Dabei arbeiten Joule Agents von SAP mit Gemini zusammen, um Aufgaben von der Zielgruppenidentifizierung bis zur Kampagnenaktivierung zu übernehmen. Jeder Agent konzentriert sich auf seine jeweiligen Stärken, während das System die Zusammenarbeit koordiniert.

Koordination der Customer Journey

Eine Kundin sieht sich am Samstag Wintermäntel an und kauft schließlich einen im Geschäft. Ohne Koordination erhält sie in den folgenden zwei Wochen weiterhin Angebote für Mäntel per E-Mail, Push-Benachrichtigung und Display-Werbung. Da jeder Kanal auf eigene Daten zugreift, fällt das niemandem auf.

Was Agentic Marketing anders macht: Ein Agent erkennt das Kaufsignal in Echtzeit und passt die Customer Journey entsprechend an. Der Kundin werden nun passende Ergänzungen wie Schals oder Stiefel empfohlen – und zwar über den Kanal, auf den sie am besten anspricht. Die Werbung für Mäntel wird eingestellt.

Ein einziges Signal wird damit an alle relevanten Kontaktpunkte übermittelt. Niemand muss manuell eine Zielgruppe ausschließen oder die Customer Journey neu aufsetzen.

Wie diese Koordination in der Praxis funktioniert, erfahren Sie in den Artikeln A Complete Guide to Customer Journey Orchestration und 6 Sophisticated Journey Orchestration Tactics.

Personalisiertes Customer Engagement

Ein Mitglied eines Treueprogramms bestellt innerhalb einer Woche plötzlich zweimal online, obwohl alle bisherigen Einkäufe fast ausschließlich im Geschäft erfolgten. Diese Verhaltensänderung ist ein wichtiges Signal. Bei einer statischen Segmentierung würde sie jedoch wahrscheinlich unbemerkt bleiben, da sich am Kundenprofil auf den ersten Blick scheinbar nichts verändert.

Was Agentic Marketing anders macht: Ein Agent erkennt die Veränderung, passt die Gewichtung der Kanäle an und empfiehlt Produkte auf Grundlage des aktuellen Online-Surfverhaltens statt ausschließlich anhand früherer Einkäufe im Geschäft. Solche Möglichkeiten erklären, warum 83 % der Unternehmen mit hohem Reifegrad Personalisierung im Jahr 2026 als entscheidendes Differenzierungsmerkmal betrachten. KI ermöglicht es, personalisierte Erlebnisse in einer Geschwindigkeit und einem Umfang bereitzustellen, die Marketingteams manuell nicht erreichen können.

Kundenbindung und Wiedergewinnung

Ein Kunde, der bisher jeden Monat eingekauft hat, bestellt plötzlich nichts mehr. Bei seiner letzten Bestellung gab es Probleme mit einer Rücksendung, deren Bearbeitung drei Tage dauerte. Bei einem herkömmlichen Ablauf zur Wiedergewinnung würde er drei Wochen später einen Rabattcode über 10 % erhalten – ohne dass die Ursache für sein verändertes Kaufverhalten berücksichtigt wird.

Was Agentic Marketing anders macht: Ein Agent mit Zugriff auf die Servicedaten erkennt den Grund und wählt eine Maßnahme, die auf die konkrete Erfahrung des Kunden eingeht. Das könnte eine persönliche Nachricht der Marke sein, eine bevorzugte Bearbeitung der nächsten Rücksendung oder eine Produktempfehlung, bei der die zuvor retournierte Produktkategorie bewusst ausgeschlossen wird. Die Reaktion orientiert sich an der tatsächlichen Situation, anstatt dass automatisch einfach nur ein Rabattgutschein versendet wird.

Weitere Informationen zu Marketingstrategien für die Kundenbindung und zum Zusammenhang zwischen Kundenbindung und -treue finden Sie in unseren ausführlichen Beiträgen zu diesen Themen.

Operative Aufgaben im Marketing

Qualitätssicherung von Kampagnen, Performance-Berichte, Erkennung von Zielgruppenüberschneidungen und Optimierung von Versandzeitpunkten: Diese Aufgaben gehören vielleicht nicht zu den spannendsten Tätigkeiten im Marketing, nehmen aber Woche für Woche viele Stunden Arbeit in Anspruch.

Was Agentic Marketing anders macht: Agenten übernehmen operative Aufgaben und schaffen damit Freiräume für strategische Arbeit, die in vielen Marketingteams zu kurz kommt, weil das Tagesgeschäft zu viel Zeit beansprucht.

Bevor sich Marketingteams fragen, welchen Mehrwert ihnen KI-Agenten bieten, sollten sie eine grundlegendere Frage beantworten: Sind unsere Daten ausreichend verknüpft, unsere Systeme gut genug integriert und unsere Governance-Regeln klar definiert, damit KI-Agenten verantwortungsvoll handeln können?

Der 2026 Global Engagement Index von SAP unterscheidet verschiedene Reifegrade im Bereich Customer Engagement. Die Ergebnisse zeigen deutlichen Handlungsbedarf. 63 % der Unternehmen befinden sich weiterhin auf einer mittleren Entwicklungsstufe. Sie wissen, wie ein überzeugendes Kundenerlebnis aussehen sollte, und haben die entsprechenden Technologien bereits in Demos gesehen. Eine konsequente Umsetzung gelingt ihnen jedoch nicht, weil ihre Daten fragmentiert und ihre Systeme nicht ausreichend miteinander vernetzt sind.

Nur 21 % der Marken erreichen einen hohen Reifegrad. Sie verfügen über vernetzte Systeme, Echtzeitzugriff auf Daten und eine KI-gestützte Koordination, die bereits fest in den Arbeitsabläufen verankert ist. Diese 21 % haben damit die technischen Voraussetzungen geschaffen, um Agentic Marketing erfolgreich einzusetzen.

Drei Faktoren unterscheiden die beiden Gruppen:

Verknüpfte Daten: 50 % der Unternehmen mit hohem Reifegrad greifen in Echtzeit auf Daten zu und nutzen diese aktiv. Wenn ein Agent entscheiden soll, welche Nachricht wann an welchen Kunden gesendet wird, führen veraltete Daten zwangsläufig zu Entscheidungen, die den Status quo nicht berücksichtigen. Ein Agent, der mit einem Datenexport aus der Vorwoche arbeitet, empfiehlt möglicherweise Produkte, Versandzeitpunkte und Kanäle anhand eines Kundenprofils, das längst nicht mehr der aktuellen Situation entspricht.

Funktionsübergreifende Transparenz: Können Ihre Marketingtools auf Daten aus E-Commerce, Kundenservice und operativen Geschäftsprozessen zugreifen? Falls nicht, basieren die Empfehlungen Ihrer Agenten ausschließlich auf Verhaltensdaten. Der operative Kontext, der für die Auswahl geeigneter Maßnahmen entscheidend sein kann, bleibt unberücksichtigt.

Governance: 85 % der Unternehmen mit hohem Reifegrad verfügen über klare Rahmenbedingungen für den Einsatz von KI. Dazu gehören Berechtigungsstrukturen, Eskalationsregeln und Prüfpfade. Wenn KI-Agenten eigenständig handeln dürfen, ohne dass ihre Befugnisse klar begrenzt sind, kann dies das Vertrauen der Kunden schnell gefährden.

Eine ausführliche Übersicht über die verschiedenen Reifegrade und ihre Bedeutung finden Sie im Beitrag What High-Maturity Brands Do Differently.

Angenommen, zwei Einzelhändler launchen die gleiche KI-gestützte Kampagne zur Wiedergewinnung von Kunden. Der Agent des ersten Unternehmens nutzt E-Mail-Öffnungsraten, Website-Besuche und die Kaufhistorie als Grundlage. Dem Agenten des zweiten Unternehmens stehen dieselben Verhaltensdaten zur Verfügung, ergänzt um aktuelle Lagerbestände, Fulfillment-Status und Servicehistorie.

Der erste Agent empfiehlt ein Produkt, das in der Region des Kunden bereits seit einer Woche ausverkauft ist. Der zweite erkennt den Engpass, verzichtet auf diese Empfehlung und schlägt stattdessen eine verfügbare Alternative vor, die bereits am nächsten Tag geliefert werden kann. Die gleiche Technologie, das gleiche Ziel, aber völlig unterschiedliche Ergebnisse.

Die Qualität der Entscheidungen eines Agenten hängt unmittelbar von den Daten ab, auf die er zugreifen kann:

• einheitliche Kundenprofile, über die sämtliche Kontaktpunkte einer einzigen Kundenidentität zugeordnet werden
• First-Party-Verhaltensdaten, die transparent und mit Einwilligung erhoben werden
• Zero-Party-Präferenzen, die die Kunden ausdrücklich selbst mitgeteilt haben
• Transaktions- und operative Daten aus Bestellungen, Retouren, Servicetickets, Lagerbeständen und Preisgestaltung
• Echtzeitsignale, die das aktuelle Geschehen widerspiegeln und nicht den Stand der Vorwoche

84 % der Unternehmen mit hohem Reifegrad können Daten von anderen Teams und Systemen, wie z. B. Vertrieb, Kundenservice, E-Commerce und ERP, verknüpfen und nutzen. Erst dieser funktionsübergreifende Datenzugriff ermöglicht es Agenten, weniger Fehler zu begehen und stattdessen das Kundenerlebnis tatsächlich zu verbessern.

Fehlerhafte bzw. nicht verknüpfte Daten waren schon immer ein Problem. Ein Problem, das sich durch Agentic AI verschärfen kann, da Agenten in kürzester Zeit – schneller, als es ein menschliches Team je könnte – zahlreiche Entscheidungen treffen und Maßnahmen einleiten können. Dadurch kann sich das Vertrauen Ihrer Kunden, das über Monate hinweg aufgebaut wurde, innerhalb von wenigen Sekunden in Luft auflösen.

Kommen wir noch einmal auf den Staffellauf zurück: CRM-Manager, Lifecycle Marketer und Content-Team warten darauf, dass der jeweils vorherige Schritt abgeschlossen wird. Währenddessen schließt sich das Aufmerksamkeitsfenster des Kunden.

Agentic Marketing nimmt niemanden aus dem Rennen. Was entfällt, sind die Wartezeiten zwischen den einzelnen Schritten wie der Analyse, der Entscheidungsfindung und der kanalübergreifenden Umsetzung. Agenten können einen Prozess, der bisher mehrere Tage gedauert hat, auf wenige Minuten verkürzen. Die Menschen im Team geben weiterhin die Strategie vor und genehmigen wichtige Entscheidungen.

Herkömmliche Marketingautomatisierung spielt weiterhin eine Rolle bei vorhersehbaren, wiederkehrenden Abläufen. Agentic AI spielt ihre Stärken dagegen aus, wenn ein System veränderte Rahmenbedingungen erkennen und selbstständig entscheiden muss, was als Nächstes zu tun ist. Besonders wertvoll ist das, wenn in der Zeit, die ein Mensch für die Analyse benötigen würde, der Kunde bereits abgewandert wäre.

SAP Engagement Cloud kombiniert verknüpfte Kundendaten, integrierte intelligente Funktionen durch Joule Agents und operative Geschäftsdaten, die Agenten die nötige Entscheidungsgrundlage liefern. Damit schafft die Plattform schon heute die Voraussetzungen, um Agentic AI für das Customer Engagement einzusetzen, mit Multi-Agenten-Funktionen, die gemeinsam mit Google Cloud entwickelt wurden und bereits auf dem Markt sind.

In drei Jahren werden sich die Teams, die noch immer am Staffellauf festhalten, fragen, wann sie den Anschluss verloren haben.