Wo gibt es KI-Marketing-Fallstudien mit echten Zahlen? An weniger Orten, als die Konferenzszene vermuten lässt. Die meisten „KI-Erfolgsgeschichten“ zählen Outputs: erzeugte Assets, theoretisch gesparte Stunden, eingeführte Tools. Die wenigen, aus denen sich lernen lässt, benennen eine konkrete Ineffizienz, messen sie, erklären die Methode und sagen ehrlich, ob das Ergebnis schon eingetreten ist.
Das frischeste Beispiel kam diese Woche. Campaign Middle East berichtete, dass die Performance-Agentur TRKKN mit Googles quelloffenem Marketing-Mix-Modell Meridian dem Beauty-Händler Faces gezeigt hat, woher sein Umsatz in Saudi-Arabien tatsächlich kommt. Drei Jahre Daten, 11 Kanäle und ein prognostizierter inkrementeller Umsatzzuwachs von 8,5 % plus eine ROI-Verbesserung um 10,8 Prozentpunkte – allein durch das Umschichten von Budget, das Faces ohnehin schon ausgab.
Was belegt der Fall Faces und TRKKN tatsächlich?
Etwas Konkretes und Nützliches. TRKKN setzte Meridian in der bestehenden Google-Cloud-Umgebung von Faces ein, modellierte Online- und Offline-Marketing- und Umsatzdaten von 2023 bis 2025 und erstellte für jeden Kanal Response- und Sättigungskurven. Performance Max erwies sich als stärkster Kanal. Das Modell zeigte außerdem, wo zusätzliche Ausgaben an abnehmende Erträge stoßen würden.
Harry Lonergan, Digital Marketing Director bei Faces, das zur Chalhoub Group gehört, brachte den Wert auf eine Zeile: „Meridian hat uns geholfen, über das hinauszukommen, was wir in der Last-Click-Performance sehen.“
Zwei Einschränkungen. Erstens stammen die 8,5 % und die 10,8 Punkte, wie der Bericht klarmacht, aus modellierten Szenarien, nicht aus Ergebnissen nach der Umsetzung. Zweitens handelt es sich um statistische Modellierung und nicht um generative KI, sie sagt also nichts über Content-Tools aus. Beides schwächt den Fall nicht. Beides macht ihn glaubwürdig, weil Sie genau wissen, was Sie vor sich haben.
Warum sind die meisten KI-Marketing-Fallstudien so dünn?
Ökonomen haben einen Namen für Märkte, in denen Preise nicht mehr die richtigen Signale senden: Marktversagen. Eine klassische Ursache ist Informationsasymmetrie, wenn eine Seite eines Geschäfts weit mehr weiß als die andere. Die Werbebranche lebt seit Jahrzehnten damit. Plattformen bewerten ihre eigene Arbeit selbst. Agenturen rechnen Stunden für Arbeit ab, die Kunden nie zu sehen bekommen. Kunden beurteilen Kanäle anhand von Last-Click-Zahlen, die jedem schmeicheln, was zufällig am nächsten am Verkauf stand.
KI-Fallstudien erben das Problem. Anbieter veröffentlichen die Erfolge, selten die Methode und fast nie die Ausgangsbasis. Eine Zeile wie „40 % der Produktionszeit gespart“ klingt nach einem Beleg, bis man fragt: 40 % wovon, wie gemessen, und was wurde aus der Arbeit?
Die brauchbaren Fälle machen das Gegenteil. Sie gehen eine Ineffizienz an, die der Markt geduldet hat, etwa Last-Click-Messung oder tagelanges manuelles Reporting, und zeigen die Zahl. Effizienz ist in diesem Sinn tatsächlich die Mutter der Innovation: Einen Prozess kann man erst neu erfinden, wenn man sieht, was er kostet.
Welche KI-Fallstudien haben Zahlen, die sich prüfen lassen?
Das können wir heute vorweisen, einschließlich unserer eigenen Kunden, beurteilt nach demselben Test. Wo es keine veröffentlichte Zahl gibt, sagen wir das.
| Fall | Angegangene Ineffizienz | Die Zahl | Prognostiziert oder erzielt? | Was fehlt |
|---|---|---|---|---|
| Faces und TRKKN (Meridian MMM) | Last-Click-Sicht auf 11 Kanäle | 8,5 % inkrementeller Umsatzzuwachs; ROI-Verbesserung um 10,8 Punkte | Prognostiziert auf Basis von drei Jahren Daten | Ergebnisse nach der Umsetzung |
| SAMY mit Defy Agents | Manuelles Performance-Reporting | Drei Tage Arbeit auf einen gekürzt | Im Workflow erzielt | Der kommerzielle Wert der gewonnenen Zeit |
| Enchant mit Defy Monitor | Manuelle CRM-Insights und manuelle Kampagnenausspielung | Keine veröffentlichte Zahl | Für alle Kunden eingeführt | Ein quantifiziertes Ergebnis |
| SharkNinja mit Defy Monitor | Verständnis der LATAM-Märkte | Keine veröffentlichte Zahl | Genutzt, um Strategien zu entwickeln, die sich schnell testen und daraus lernen lassen | Die Ergebnisse dieser Tests |
| Sprint-Agenturen (Beers With Friends, X&O) | Monatelange Projekte und Retainer | Fünf-Tage-Sprints; Kunden kommen mehrmals im Jahr wieder | Betriebsmodell im Einsatz | KI spielt in der Geschichte keine Rolle |
Wie sieht „drei Tage auf einen“ im Agenturalltag aus?
SAMY, eine globale Influencer-Agentur, setzte Defy Agents ein, um das Performance-Reporting zu verschlanken, und kürzte drei Tage Arbeit auf einen. Das ist keine glamouröse Zahl. Aber es ist die Art von Zahl, auf die es ankommt, denn Reporting ist die Pflichtübung, die jedes Account-Team kennt: Zahlen aus Plattformen ziehen, abgleichen, das Deck formatieren, prüfen, versenden, erklären.
Agentische Workflows auf der Defy-Plattform nehmen den Teams solche repetitive Lieferarbeit ab. Die interessante Frage ist, was aus den anderen zwei Tagen wird. Verschwinden sie in noch mehr vom Gleichen, sieht der Kunde nichts. Fließen sie in Analyse, Ideen und Gespräche, wird der Report von einem Kostenfaktor zu einem Grund für die Vertragsverlängerung.
Die Analyse von Campaign US zum Sprint-Modell der Agenturen zeigt, wohin Tempo wirtschaftlich führt. Beers With Friends arbeitet in Fünf-Tage-Sprints. Brett Banker, Mitgründer von X&O, sagt, die Agentur habe „null Kundenbindung“, weil Kunden mehrmals im Jahr wiederkommen, statt Agency-of-Record-Verträge zu unterschreiben. Der Beitrag erwähnt KI überhaupt nicht. Genau das ist der Punkt: Kunden zahlen schon heute für Tempo und Fokus. Schnellere Lieferung macht dieses Modell lediglich für mehr Agenturen zugänglich.
So beurteilen Sie eine KI-Marketing-Fallstudie, bevor Sie sie kopieren
- Benennen Sie die Ineffizienz. Was war vorher verschwenderisch oder unsichtbar? „Wir haben KI eingeführt“ ist keine Ineffizienz.
- Finden Sie die Ausgangsbasis. Drei Tage Reporting, Last-Click-Attribution, ein Projekt, das in Monaten gemessen wird. Keine Ausgangsbasis, keine Fallstudie.
- Prüfen Sie die Methode. Welche Daten, über welchen Zeitraum, über wie viele Kanäle? Der Fall Faces beantwortet alle drei Fragen.
- Trennen Sie Prognose und Ergebnis. Ein modellierter Zuwachs ist eine Vorhersage. Behandeln Sie ihn als Hypothese, die Sie testen, nicht als Ergebnis, das Sie in einem Pitch zitieren.
- Fragen Sie, wohin die gesparte Zeit geflossen ist. Effizienz zählt nur, wenn sie sich in besserer Arbeit, schnelleren Entscheidungen oder geringeren Kosten für den Kunden niederschlägt.
- Starten Sie Ihren eigenen Pilot. Ein Kunde, ein Workflow, ein Monat – und die Ausgangsbasis ist vor dem Start schriftlich festgehalten.
Wo ist die Beleglage noch dünn?
Meist dort, wo die Behauptungen am lautesten sind. Messung und Reporting liefern saubere Vorher-nachher-Zahlen und sind deshalb gute Fallstudien. Generative Inhalte sind schwieriger: Mehr Assets zu produzieren lässt sich leicht zählen, zu belegen, dass diese Assets mehr verkauft haben, dagegen nicht. Seien Sie bei jeder Fallstudie vorsichtig, die beim Volumen aufhört.
Auch unsere eigene Tabelle hat Lücken. Enchant und SharkNinja sind echte Einsätze ohne veröffentlichte Zahlen, und SAMYs Zahl misst Zeit, nicht Umsatz. Wir zeigen die Lücken lieber, als sie zu übertünchen. Die Agenturen, die von hier an gut dastehen, werden ihre Methode neben ihren Erfolgen veröffentlichen, denn nur eine solche Fallstudie liest ein skeptischer Finanzvorstand auf Kundenseite zweimal.
