Was ist Best Practice, um im Marketing Daten mit KI zu analysieren und fundierte Entscheidungen zu treffen? Die goldene Regel passt in eine Zeile: Behandeln Sie jede KI-Schlussfolgerung als Hypothese, bis Sie die Daten dahinter zeigen können. Alles andere (die Frage sauber fassen, Quellen zusammenführen, im Team prüfen) dient dazu, dass diese Regel eingehalten wird, ohne jede Analyse in ein Audit zu verwandeln.
Das Thema ist längst in den Verträgen angekommen. Laut Digiday arbeiten Agenturen KI Klausel für Klausel in ihre Rahmenverträge ein, statt sie neu zu schreiben. Drei Dinge lösen die Änderungen aus: ein Kunde, der einen Zugang zum proprietären KI-Tool der Agentur verlangt, ein Kunde, der bestimmte KI-Formulierungen im Vertrag haben will, oder ein neues KI-gestütztes Tool, das in einem Kundenprojekt zum Einsatz kommt. Keri Bruce, Partnerin der Kanzlei Reed Smith, sagt es schlicht: „Letztlich wollen die Leute Offenlegung. Sie wollen wissen, welche Tools eingesetzt werden.“
Zu wissen, welches Tool zum Einsatz kam, ist der erste Schritt. Der nächste, den jede Kundenberatung aus Meetings kennt, ist unangenehmer: „Und woher wissen wir das?“ Lautet die Antwort „Die KI sagt das“, ist der Insight nur wenig wert, so gut er auch sein mag.
Warum wecken KI-gestützte Analysen Misstrauen?
Weil sie oft ohne Spur ankommen. Eine saubere Zusammenfassung, drei selbstbewusste Schlussfolgerungen und kein Weg zurück zu den Originaldaten. Der Kunde kann nicht beurteilen, ob er eine belastbare Auswertung vor sich hat oder eine plausible Synthese, die niemand geprüft hat.
Dazu kommen die Silos. Social Listening liegt bei einem Team, Kampagnendaten bei einem anderen, das CRM beim Kunden und Wettbewerbsanzeigen als Screenshots in einem Deck. KI analysiert nur, was Sie ihr geben; Teilquellen erzeugen also Teilschlüsse, und jedes Team kommt mit seiner eigenen Version der Wirklichkeit ins Meeting.
Das Ergebnis ist nur allzu vertraut: Stunden für den Abgleich von Zahlen, Meetings, um zu klären, welche Zahl gewinnt, und ein Kunde, der sicherheitshalber keiner von ihnen traut.
Informationsasymmetrie: das Problem darunter
Die Theorie der Informationsasymmetrie, die der Ökonom George Akerlof mit seinem berühmten „Markt für Zitronen“ bekannt gemacht hat, erklärt, was passiert, wenn eine Seite weit mehr weiß als die andere. Der Käufer, der Gutes nicht von Schlechtem unterscheiden kann, misstraut allem und zahlt für alles weniger.
Mit KI verhält es sich genauso. Kann der Kunde nicht sehen, wie eine Schlussfolgerung zustande kam, wertet er alle ab, auch die guten. Und der Zeitpunkt könnte kaum schlechter sein: Laut Digiday verringert KI die für die Arbeit nötigen Stunden und stellt das Abrechnungsmodell nach Stunden in Agenturen auf den Kopf. Wenn die Arbeit weniger Stunden braucht und weniger Vertrauen weckt, wird die Marge von beiden Seiten gequetscht.
Die Asymmetrie besteht auch innerhalb der Agentur. Der Analyst weiß, wie die Analyse gemacht wurde; die Kundenberatung nicht; das Kreativteam weiß noch weniger. Der Ausweg ist in beiden Fällen derselbe: die Belege teilen. Zusammenarbeit besiegt Ineffizienz, wenn alle auf dieselben Daten schauen und dasselbe überprüfen können.
Was macht eine KI-Schlussfolgerung überprüfbar?
Nutzen Sie diese Tabelle als Checkliste, bevor eine Analyse zum Kunden geht.
| Kriterium | „Black-Box“-Schlussfolgerung | Überprüfbare Schlussfolgerung |
|---|---|---|
| Herkunft | „Die KI sagt das“ | Links zu konkreten Posts, Anzeigen oder Datensätzen |
| Umfang | Keine Quellen, kein Volumen, kein Zeitraum | Nennt Quellen, analysiertes Volumen und Zeitraum |
| Argumentation | Vermischt Beobachtung und Interpretation | Trennt, was beobachtet wurde, von dem, was geschlossen wird |
| Gegenprobe | Nur stützende Belege | Enthält, was widerspricht oder einschränkt |
| Prüfung | Eine Person, keine Dokumentation | Geprüft von Strategie, Media und Kundenberatung |
| Reproduzierbarkeit | Nicht wiederholbar | Jemand anderes im Team kommt zum selben Ergebnis |
| Im Meeting | Mit Autorität verteidigt | Mit Beispielen verteidigt |
Best Practice für KI-Datenanalyse, Schritt für Schritt
- Beginnen Sie mit der Entscheidung, nicht mit den Daten. Schreiben Sie die Frage auf und was Sie je nach Antwort anders machen würden. Würde keine Antwort etwas ändern, brauchen Sie die Analyse nicht.
- Führen Sie die Quellen an einem Ort zusammen. Social Listening, Wettbewerbsanzeigen, Kampagnendaten und, wo möglich, Kundendaten. Je weniger fragmentiert die Basis, desto geringer die Verzerrung der Schlussfolgerung.
- Trennen Sie Beobachtung und Interpretation. „Viele Kommentare erwähnen den Preis“ ist eine Beobachtung. „Der Preis bremst den Kauf“ ist eine Interpretation. Bitten Sie das Tool, beides getrennt darzustellen.
- Bestehen Sie auf Rückverfolgbarkeit bis zu den Originaldaten. Jede Schlussfolgerung sollte sich auf die Posts, Anzeigen oder Datensätze zurückführen lassen, die sie stützen. In Defy Monitor zum Beispiel führt jede KI-Schlussfolgerung zu den echten Posts dahinter, denn die Strategie wird per Reverse Engineering aus dem abgeleitet, was Zielgruppen und Wettbewerber tatsächlich veröffentlichen, nicht aus Umfragen.
- Suchen Sie gezielt nach Gegenbelegen. Fragen Sie, was der Schlussfolgerung widerspricht. Findet sich nichts, seien Sie misstrauisch: Entweder ist die Stichprobe klein oder die Frage war suggestiv.
- Prüfen Sie im Team, bevor Sie präsentieren. Fünfzehn Minuten, in denen Strategie, Media und Kundenberatung auf dieselben Beispiele schauen, ersparen Wochen an Missverständnissen.
- Dokumentieren Sie Tools, Quellen und Zeitpunkte. Genau das verlangen Kunden laut Digiday zunehmend: welche Tools eingesetzt werden und wie mit ihren Daten umgegangen wird.
Wenn Sie sehen möchten, wie dieser Workflow aufgebaut ist, vom Sammeln der Daten bis zur Abfrage im Team, werfen Sie einen Blick auf die Defy-Plattform.
Wie brechen Sie Datensilos in einer Agentur auf?
Nicht mit noch einem wöchentlichen Meeting, sondern mit einer gemeinsamen Beleg-Basis. Wenn Strategie, Media, Kreation und Kundenberatung dieselben Quellen heranziehen, geht es in den Diskussionen nicht mehr darum, welche Zahl stimmt, sondern darum, was man damit anfängt.
Enorm hilft es, wenn die Abfrage dieser Basis nicht an einer einzigen Person hängt. Kann nur eine Person das Dashboard steuern, besteht das Silo weiter; es ist nur menschlich geworden. Tools, mit denen sich die Daten in einfacher Sprache befragen lassen, verbreitern den Zugang und damit auch die Verantwortung für die Überprüfung.
Was gehört in den Vertrag und in die Präsentation?
Verträge verändern sich bereits. Laut Digiday hat Mile Marker Klauseln zum Umgang mit Metadaten, zu geistigem Eigentum an KI-generierten Inhalten und zur Transparenz über die eingesetzten Tools angepasst, während Go Fish in den vergangenen sechs Monaten Klauseln zu Brand Safety und Datenschutz ergänzt hat. Kunden, so das Fazit des Mediums, wollen wissen, wie ihre Daten gespeichert und genutzt werden, welche menschliche Aufsicht es gibt und welche Tools im Spiel sind.
Sinnvoll ist es, mit drei Zusagen voranzugehen, die nicht auf die nächste Vertragsverlängerung warten müssen:
- Ein Beleg-Anhang zu jedem Deliverable, der die Quellen und Beispiele hinter jeder Schlussfolgerung zeigt.
- Ein Prüfvermerk, der festhält, wer die Analyse wann geprüft hat.
- Ein Tool-Inventar: welche KI wofür und mit welchen Daten eingesetzt wurde.
Brian Yamada von VML warnt im selben Beitrag, dass zuerst eine Standard-Kostenstruktur für KI vereinbart werden müsse, bevor sich Standard-Vertragssprache formulieren lasse, und rät, Flexibilität einzubauen, um die Konditionen erneut zu prüfen. Bis dieser Standard da ist, ist Transparenz die beste Klausel, die noch in keinem Vertrag steht.
