KI-Agent für Marketing erstellen: Komplettanleitung

Ihre E-Mail-Kampagne läuft seit 48 Stunden. Die Öffnungsquoten stagnieren bei 17 Prozent. Eine manuell konfigurierte Automatisierung würde passiv warten. Ein KI-Agent für Marketing erstellen und einsetzen – das bedeutet, dass dieser Agent längst das Budget zu bezahlten Kanälen umgeleitet hätte, Versandzeiten pro Segment optimiert hätte und eine Re-Engagement-Sequenz für Nicht-Öffner automatisch in die Warteschlange gestellt hätte.

Der Unterschied zwischen Werkzeug, das beobachtet, und Agent, der handelt, ist zentral. Diese Anleitung zeigt, wie Sie einen KI-Agenten für Marketing bauen, der während der Kampagne intelligent den Kurs korrigiert und Ihre Teams zu echtem autonomen Handeln befähigt.

Was ein KI-Agent wirklich tut (und was Automatisierung nicht tut)

Traditionelle Marketing-Automatisierung folgt starren Regeln. Sie schreiben: Wenn die Öffnungsquote unter 20 Prozent fällt, sende nach drei Tagen einen Reminder. Das Werkzeug gehorcht exakt dieser Regel, mehr nicht. Die Logik ist binär und unveränderlich.

Ein KI-Agent hingegen interpretiert Kontext und leitet daraus neue Handlungen ab. Er kann feststellen, dass die Öffnungsquoten auf dem Smartphone schwach, am Desktop aber stark sind, daraus schließen, dass die Betreffzeile auf kleinen Screens schlecht dargestellt wird, und künftige Sendungen nach Gerätetyp aufteilen. Niemand hat diese spezifische Regel vorgegeben. Der Agent hat sich selbst dorthin durchgedacht, indem er mehrere Datenpunkte kombiniert hat.

Dieser Unterschied zählt bei der Planung. Wenn die Aufgabe eine feste, vorhersehbare Logik hat – beispielsweise Erinnerungs-Emails an inaktive Nutzer – ist eine Standard-Automatisierung billiger, schneller und zuverlässiger. Wenn die Aufgabe aber Urteilsfähigkeit über mehrere variable Faktoren verlangt, die sich ständig verschieben – Kampagnen-Optimierung basierend auf Performance-Signalen, Saisonalität und Audience-Verhalten – brauchen Sie einen Agenten.

Ein nützlicher Test: Schreiben Sie die Entscheidungslogik auf. Passt sie auf einen Notizzettel? Bauen Sie eine Regel. Braucht es eine komplette Seite mit Bedingungen und Ausnahmefällen? Das ist Agenten-Gebiet.

Die fünf Komponenten, die jeder Marketing-Agent braucht

Production-Grade-Agenten teilen fünf Bausteine, unabhängig davon, welche Plattform Sie wählen.

1. Ein Sprachmodell-Kern. Die Reasoning-Engine, die Entscheidungen trifft. 2026 entscheiden sich Marketing-Teams überwiegend für Claude oder GPT-4o, wegen ihrer zuverlässigen Instruction-Following-Fähigkeiten. Der System-Prompt des Modells definiert das Ziel des Agenten, seine Grenzen und das exakte Ausgabeformat.

2. Gedächtnis. Kurzzeitkontext (was in dieser Kampagne bisher passiert ist) plus Langzeiterinnerung (was Q3 funktioniert hat, welche Audience-Segmente auf welche Inhalte reagieren). Ohne strukturiertes Gedächtnis erfindet der Agent seinen Ansatz jede Session neu. Aktuelle Benchmarks zeigen eine Genauigkeitslücke von bis zu 15 Prozentpunkten zwischen Agenten mit ordnungsgemäßer Memory-Architektur gegenüber solchen, die nur das Kontextfenster nutzen.

3. Tools. Die Funktionen, die der Agent aufrufen darf: API Ihres CRM, E-Mail-Plattform, Web-Search-Endpoint, Reporting-API Ihres Ad Managers. Jedes Tool ist eine Fähigkeit. Je klarer Sie definieren, was der Agent aufrufen darf und was nicht, desto vorhersehbarer sein Verhalten in der Produktion.

4. Eine Planungsschicht. Wie der Agent ein übergeordnetes Ziel in geordnete Unteraufgaben zerlegt. Für eine Re-Engagement-Kampagne heißt das: Öffnungsquoten pro Segment prüfen, schwächsten Drip-Step identifizieren, drei alternative Betreffszeilen generieren, die beiden Top-Kandidaten A/B-testen. Diese Schicht kann ein einfacher Chain-of-Thought-Prompt sein oder ein Multi-Agent-Setup.

5. Eine Rückkopplungsschleife. Der Mechanismus, der dem Agenten sagt, ob seine letzte Aktion funktioniert hat. Ohne diese Schleife handelt der Agent, passt sich aber nie an. Die Rückkopplungsschleife ist der Unterschied zwischen einmaligem KI-Aufruf und echtem autonomem System.

Die Plattform wählen: No-Code-Builder gegen maßgeschneiderter Stack

Die richtige Antwort hängt von einer entscheidenden Frage ab: Hat Ihr Marketing-Team API-Zugriff auf Ihren Tech-Stack?

Ja? Dann können Sie einen maßgeschneiderten Agenten an zwei bis vier Wochenenden mit Frameworks wie n8n, Make.com oder LangChain bauen. Sie verbinden Ihre Tools, schreiben einen System-Prompt und handhaben Gedächtnis über einen Vector Store oder eine verwaltete Memory-Schicht. Die Obergrenze liegt höher, aber auch die Wartungskosten sind signifikant.

Nein? Platform-First-Agenten sind der schnellere Weg. Tools wie Lindy lassen Sie einen Workflow in natürlicher Sprache beschreiben, sich über OAuth mit bestehenden Tools verbinden (HubSpot, Slack, Google Ads) und haben einen arbeitenden Agenten in unter einem Tag am Laufen. Der Trade-off: begrenzte Anpassung auf der Planungsebene.

Ein dritter Weg verdient Erwähnung: native KI-Agenten, direkt in Ihren bestehenden Tools eingebaut. HubSpot Breeze-Agenten arbeiten innerhalb Ihrer CRM-Daten und führen Re-Engagement-, Prospecting- oder Content-Creation-Aufgaben aus – ohne externe Integrations-Fricktion. Falls HubSpot bereits Ihr System of Record ist, dort zu starten spart erhebliche Aufbauzeit und Konfigurationskomplexität.

Ihre erste Agenten-Aufgabe richtig abgrenzen

Die häufigste Fehlquelle bei KI-Agenten-Projekten ist eine zu breite Aufgabendefinition. Ein Agent, der "Ihr Marketing verbessert", ist kein Task. Das ist eine Vision. Ebenso problematisch: ein Mandat, das vier verschiedene Kanäle, zehn Audience-Segmente und fünf Business-Metriken gleichzeitig optimieren soll.

Eine gut abgegrenzte erste Aufgabe hat genau eines: ein einzelnes, messbares Startereignis und ein einzelnes, messbares Output. Beispiel: "Wenn ein Lead 14 Tage lang keine E-Mail öffnet, generiere drei Re-Engagement-Betreffszeilen und verfasse den Draft zur Freigabe." Ein Trigger, ein Output, ein Approval-Gate. Nicht breiter.

Das Approval-Gate ist nicht optional – es ist fundamental. Die meisten erfolgreichen Teams fahren zwei bis vier Wochen im überwachten Modus, bevor sie den Agenten freigeben. Diese Phase schafft echtes Vertrauen in die Agenten-Urteile und deckt Edge Cases auf, die Sie während der Planung nicht antisizipiert haben: "Was wenn ein Segment Null Öffner hat?" oder "Was wenn unser Email-Provider offline ist?"

Haben Sie die erste Aufgabe vier Wochen lang im überwachten Modus fehlerfrei durchlaufen – mit konsistenten, nachvollziehbaren, geschäftskonformen Vorschlägen – entfernen Sie das Approval-Gate. Der Agent handelt ab dann autonom innerhalb der von Ihnen gesetzten Leitplanken.

Den Agenten fahren: Das Crawl-Walk-Run-Protokoll

Die meisten Teams, die einen funktionierenden Marketing-Agenten in angemessener Zeit produktiv einsetzen, folgen einem bewährten Drei-Phasen-Rhythmus. Das Protokoll minimiert Risiken, schafft Vertrauensaufbau und gibt dem Team Zeit, den Agenten zu kalibrieren.

Crawl. Der Agent beobachtet und erstattet Bericht. Er liest Ihre Kampagnen-Daten (Öffnungsquoten pro Segment, Conversion-Rates, Engagement-Trends), erkennt Muster und liefert Empfehlungen: "Segment A hat Engagement-Rückgang von 15 Prozent. Empfehlung: Frequenz erhöhen." Sie handeln auf diese Empfehlungen manuell. Diese Phase dauert ein bis zwei Wochen und dient hauptsächlich dazu, zu überprüfen, ob der Agent Ihre Daten korrekt liest und seine Analysen Sinn ergeben.

Walk. Der Agent entwirft und stellt Aktionen zur menschlichen Freigabe in die Warteschlange. Er schreibt die Re-Engagement-E-Mail (mit Betreffzeile und Body). Er bereitet Audience-Segmente für Paid-Social-Retargeting vor und generiert Copy-Varianten. Sie geben Freigabe (oder leichte Anpassungen) und der Agent sendet die E-Mail oder startet die Kampagne. Diese Phase läuft typischerweise zwei bis drei Wochen.

Run. Der Agent handelt auf vorabgenehmigten Regelsets ohne tägliche Genehmigung. Sie setzen die harten Leitplanken (maximale Ausgabenveränderung: +15 Prozent pro Tag), und der Agent operiert selbstständig darinnen. Sie überprüfen eine tägliche Zusammenfassung, nicht jede einzelne Aktion. Die Fehlertoleranz ist jetzt höher, dafür sind die Leitplanken nicht verhandelbar.

Die meisten Teams erreichen Run bei ihrer ersten Aufgabe in vier bis acht Wochen vom Start.

Leitplanken vor der autonomen Phase

Die Leitplanken-Konversation ist diejenige, die die meisten Teams auslassen oder zu schwach ausarbeiten. Sie investieren Zeit in den System-Prompt und Tool-Verbindungen, überspringen dann den entscheidenden Schritt: die Definition dessen, wie die autonomen Agenten-Aktionen im Business-Policy-Rahmen bleiben.

Definieren Sie vor dem Übergang zur Run-Phase vier Kategorien von Leitplanken – und kodieren Sie diese als harte Constraints in der Tool-Definition, nicht als Suggestions im System-Prompt, die der Agent umgehen könnte.

Ausgabenlimits. Der Agent kann die tägliche Ad-Ausgabe nicht um mehr als 15 Prozent erhöhen ohne menschlichen Input. Auf Wochenbasis: nicht mehr als 25 Prozent Erhöhung. Das schützt Ihr Budget vor overaggressive Skalierungen. Setzen Sie das als harte Constraint – die API lehnt jeden Aufruf ab, der das Limit überschreitet.

Audience-Ausschlüsse. Churned Accounts, Legal Holds, VIP-Accounts mit speziellen Beziehungsvorgaben, Test-Accounts. Der Agent braucht eine Ausschlussliste, die er unter keinem Reasoning-Pfad überschreiben darf. Implementieren Sie das auf Datenbank-Ebene: Audience-Queries filtern diese IDs immer heraus.

Channel-Regeln. Einige Organisationen haben Compliance-Vorgaben für E-Mail-Frequenz (maximal 2x pro Woche) oder gesetzliche Limits (GDPR, CAN-SPAM). Kodieren Sie diese als harte Constraints. Ein Agent, der dreimal in 24 Stunden E-Mails schickt, optimiert nicht – er ist ein Haftungsrisiko.

Eskalations-Trigger. Definieren Sie, über welche Szenarien der Agent nicht selbst entscheiden darf. Eine Kampagne, die nach drei Optimierungszyklen um 40 Prozent schlechter läuft, triggert eine Eskalation an einen Marketing Manager – nicht automatische weitere Agenten-Optimierungen.

Messen, was der Agent richtig macht (und falsch)

Sie brauchen zwei Dashboards, nicht eins. Viele Teams messen nur das erste und verpassen damit kritische Kalibrierungs-Signale.

Dashboard 1: Campaign-Performance. Öffnungsquoten, Click-Through-Rates, Cost per Acquisition, zugeordnete Revenue, Conversion-Rates. Das ist das, was das Business kümmert und was Sie dem CFO berichten.

Dashboard 2: Agent-Entscheidungsqualität. Wie häufig stimmte der Agent-Vorschlag damit überein, was ein Senior-Marketer in demselben Szenario getan hätte? Ein Agent kann zufällig gute Business-Ergebnisse produzieren, während er intern fehlerhaft denkt. Das zweite Dashboard verlangt, dass Sie auch nach autonomer Operation eine wöchentliche Sample im Review-Queue halten. Ein Senior-Marketer bewertet zehn zufällig gezogene Entscheidungen gegen das, was er getan hätte. Diese Bewertungen sind Ihre Kalibrierungsbasis.

Wenn die zwei Dashboards auseinanderdriften, achten Sie auf. Sie reiten wahrscheinlich auf einem günstigen Marktzyklus, nicht auf einem gut kalibrierten Agenten.

Das Urteil: Starten Sie eng, dann lassen Sie ihn navigieren

Ein KI-Agent für Marketing ist kein Produkt, das Sie kaufen und einmal konfigurieren. Es ist ein System, das Sie schrittweise bauen, kontinuierlich überwachen und regelmäßig kalibrieren. Die Teams, die im ersten Quartal am meisten rausholen, sind diejenigen, die mit dem engstmöglichen Scope gestartet haben: ein klares Triggerereignis, eine konkrete Aktion, ein Approval-Gate mit manueller Freigabe.

Die Teams, die kämpfen, sind mit breitem Mandat gestartet – "Optimiere alle unsere Kampagnen" – und debuggen jetzt verzweifelt, warum der Agent merkwürdige Entscheidungen trifft.

Hier ist der konkrete Fahrplan: Starten Sie mit einer Re-Engagement-Aufgabe – das ist ein realistisches Scenario für jeden Marketing-Stack. Machen Sie diese Aufgabe richtig: enge Scope, klarer Trigger (14 Tage Inaktivität), klarer Output (Draft zur Freigabe), manuelle Freigabe in den ersten vier Wochen. Messen Sie, ob der Agent konsistent richtige Vorschläge macht. Dann – erst dann – geben Sie dem Agenten eine zweite Route zum Navigieren: vielleicht Prospecting-Segmente, vielleicht A/B-Tests. Bauen Sie es schrittweise auf. So erreichen Sie echte Autonomie, nicht nur den Anschein davon.