Wie KI im B2B-Marketing Ergebnisse liefert

Fast neun von zehn Unternehmen nutzen KI inzwischen regelmäßig in mindestens einem Bereich, auch im B2B-Marketing. Im Geschäftsergebnis zeigt sich das selten. In McKinseys State of AI 2026 führen 37 % der Befragten zumindest einen Teil ihres operativen Ergebnisses auf KI zurück, praktisch so viele wie im Vorjahr. Nur rund 6 % gehören zu den High Performern, die mindestens 5 % ihres operativen Ergebnisses der KI zuschreiben. Sie unterscheiden sich vor allem in ihrer Arbeitsweise: Knapp 75 % von ihnen haben ihre Arbeitsabläufe wegen der KI grundlegend neu gestaltet. Bei allen anderen Unternehmen sind es rund 25 %.

Daraus folgt für das B2B-Marketing: KI braucht ein Betriebsmodell. Es legt fest, wofür KI eingesetzt wird, wer sie steuert und nach welchen Regeln. Im Marketing übernimmt KI drei Arten von Arbeit. Sie wertet Daten aus, berechnet Prognosen und beantwortet Fragen an die eigenen Daten. Sie erstellt Inhalte, Kampagnen und Varianten. Und sie führt aus: Als Agent erledigt sie mehrstufige Aufgaben selbstständig und nutzt dafür andere Systeme. Mit jedem dieser Schritte arbeitet die KI selbstständiger, und der Bedarf an Kontrolle wächst. Den Rahmen dafür setzt die Governance, und klare Rollen legen fest, wer welche Arbeit übernimmt.

Feld	Was die KI tut	Welche KI dahintersteckt	Was der Mensch tun muss
Auswerten	Daten auswerten, Prognosen und Scores berechnen, Fragen an die eigenen Daten beantworten	Analytische KI, generative KI als Sprachschnittstelle	Ergebnisse prüfen, die Qualität der Daten sichern
Erstellen	Inhalte, Kampagnen und Varianten erzeugen	Generative KI	Richtung vorgeben, Marke und Fakten sichern
Ausführen	Mehrstufige Aufgaben selbstständig erledigen, über mehrere Systeme hinweg	KI-Agenten: Ein Sprachmodell plant die Schritte und nutzt dafür andere Werkzeuge, von Analyse und generativer KI bis zu CRM und Marketing-Automation	Grenzen setzen, Freigaben einbauen, Ergebnisse überwachen

Analytische KI für Prognosen und Scoring

Analytische KI, auch prädiktive KI genannt, wertet strukturierte Daten aus, also Zahlen aus Tabellen, CRM-Feldern und Transaktionen. Aus vergangenen Daten berechnet sie, was wahrscheinlich passieren wird: welche Accounts bereit sind zu kaufen, welche Kunden abspringen könnten, wie sich die Pipeline entwickelt. Unternehmen setzen diese Form der KI seit Jahrzehnten ein, lange bevor generative KI aufkam. Sie steckt in vielen Unternehmen längst im CRM, in der Marketing-Automation und in ABM-Plattformen und wird oft nur zu einem Bruchteil genutzt.

Wie KI die eigenen Daten im Dialog abfragbar macht

Neu ist die Verbindung mit generativer KI. Sie macht die Daten im Gespräch zugänglich. Unter dem Stichwort „Talk to your data“ fragt ein Marketingleiter in normaler Sprache, welche Accounts einer Branche im letzten Quartal abgesprungen sind, und die generative KI übersetzt die Frage in eine Abfrage an das CRM. Die Zahlen in der Antwort stammen aus dem System und lassen sich dort nachprüfen. Fehler entstehen vor allem, wenn die KI die Frage falsch versteht. In einer Gartner-Umfrage unter 403 Analytics- und KI-Verantwortlichen gab mehr als die Hälfte an, dass ihr Unternehmen KI bereits für automatisierte Auswertungen und Abfragen in natürlicher Sprache einsetzt. Viele Anbieter von CRM- und Marketingsystemen bauen solche Sprachschnittstellen inzwischen direkt ein, ebenso wie Agenten.

Warum gute KI-Antworten saubere Daten brauchen

Eine KI, die auf ein schlecht gepflegtes CRM zugreift, liefert schlechte Antworten in überzeugender Sprache. Die Pflege der Daten gehört deshalb zu den Kernaufgaben des B2B-CMO, denn ohne sie sind weder Prognosen noch Messungen verlässlich. Weil Daten Dritter durch den Datenschutz zunehmend an Wert verlieren, werden die eigenen Daten zur wichtigsten Grundlage für jede weitere KI-Anwendung im Marketing.

Wie generative KI Inhalte erstellt

Generative KI erzeugt Neues: Texte, Bilder, Varianten, Entwürfe für ganze Kampagnen. Ihre Aufgaben sind offen, und ihre Ergebnisse sind schwerer vorherzusehen als die Prognosen analytischer KI. Darum braucht sie mehr Führung.

Ein Mensch gibt die Richtung vor. Ein Blueprint legt die Grenzen fest: Zielkunden, Botschaften, Tonalität und eine klare Definition, wann ein Ergebnis fertig ist. Ein Kreislauf aus Bauen, Prüfen und Korrigieren sichert die Qualität, bis das Ergebnis dem eigenen Anspruch genügt. Dieses Vorgehen funktioniert unabhängig vom Werkzeug, mit allgemeinen Sprachmodellen genauso wie mit spezialisierten Marketing-Tools oder eigenen KI-Assistenten.

Der Blueprint als Grundlage für stimmige Inhalte

Der Blueprint besteht aus einer Bibliothek freigegebener Bausteine wie Wertversprechen, Belegen, Anwendungsfällen und Antworten auf Einwände, jeweils markiert nach Persona, Branche und Phase der Buyer Journey. Dazu kommen Vorlagen, Anweisungen für die KI und geprüfte Fakten: Zahlen, Produktdaten und Quellen, auf die sich alle Inhalte stützen. So stimmen Landingpage, E-Mail und Sales-Unterlage in der Sache überein. Das hilft auch bei der KI-Suche, denn einheitlich beschriebene Unternehmen kann eine KI präziser einordnen.

Für die Art, wie etwas gesagt wird, setzt der Blueprint nur Leitplanken, etwa eine Tonalität, die zur Marke passt. Innerhalb dieser Leitplanken passen sich Ton und Zuspitzung dem Kanal und der Zielgruppe an. Und was ein Unternehmen unverwechselbar macht, kommt von den Menschen: Kundengeschichten, Erfahrungen aus Projekten, eine klare Haltung. Wenn viele Wettbewerber mit denselben Sprachmodellen arbeiten, liegt genau darin der Unterschied.

Warum Menschen die Ergebnisse prüfen müssen

Auch wenn die KI nur aus geprüften Quellen schreibt, macht sie Fehler. Eine Studie der Stanford University untersuchte KI-Werkzeuge für die juristische Recherche, die ihre Antworten nur aus einer festgelegten Sammlung von Urteilen und Gesetzen bilden. Sie machten deutlich weniger Fehler als allgemeine Chatbots. Trotzdem waren je nach Werkzeug noch 17 bis 34 % ihrer Antworten falsch.

Wo generative KI an ihre Grenzen stößt, entscheidet deshalb die Erfahrung der Menschen, die ihre Ergebnisse prüfen. Ihr Urteilsvermögen gehört zu den Investitionen, die ein CMO beim Einsatz seines Budgets bewusst einplanen sollte.

Wie KI-Agenten Aufgaben ausführen

Ein KI-Agent arbeitet auf ein Ziel hin. Ein Sprachmodell plant die nötigen Schritte und nutzt dafür andere Werkzeuge über Schnittstellen: Es fragt Daten im CRM ab, greift auf die Prognosen analytischer KI zurück, schreibt Texte mit generativer KI und bedient klassische Software wie Marketing-Automation oder E-Mail-Systeme. Die Marketing-Automation läuft dabei weiter wie bisher. Der Agent übernimmt Arbeit, die bisher ein Mensch erledigt hat, etwa Kontakte auswählen, Texte vorbereiten und eine Kampagne starten.

Ein Beispiel aus dem B2B-Marketing

Nach einer Fachmesse soll das Marketing alle Gespräche nachbereiten. Ein Agent holt die Liste der Kontakte aus dem CRM, prüft anhand der Scores, welche Accounts bereit sind zu kaufen, und schreibt für jeden Kontakt einen Entwurf aus den freigegebenen Bausteinen. Er legt die E-Mails in der Marketing-Automation an und meldet dem Vertrieb die Accounts mit dem größten Potenzial. Bevor eine E-Mail das Haus verlässt, gibt ein Mensch sie frei.

Warum Agenten klare Grenzen brauchen

Ein Agent greift in echte Systeme ein. Seine Fehler bleiben deshalb nicht im Entwurf, sie erreichen Kunden, Daten und Budgets. Gartner erwartet, dass mehr als 40 % der Projekte mit KI-Agenten bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklarem Geschäftswert oder unzureichender Kontrolle der Risiken. Wer Agenten einsetzt, legt deshalb fest, was ein Agent allein entscheiden darf und wo ein Mensch freigeben muss. Und er überwacht, was der Agent tut, damit Fehler früh auffallen. Diese Regeln gehören zur Governance.

Governance als Rahmen für KI im B2B-Marketing

Je selbstständiger die KI arbeitet, desto wichtiger werden klare Regeln. Governance gilt deshalb für alle drei Arten von KI-Arbeit, für das Auswerten, das Erstellen und das Ausführen. Sie regelt, wer entscheidet, welche Daten die KI nutzen darf und wie ihre Ergebnisse geprüft werden. In der Praxis sind das wenige, klare Regeln: Welche Werkzeuge sind freigegeben? Welche Daten dürfen in welches System? Wo muss ein Mensch prüfen und freigeben? Und wer trägt die Verantwortung, wenn ein Ergebnis falsch ist?

Fehlen solche Regeln, suchen sich Teams eigene Wege. Dann kann es passieren, dass Marketer mit Kundendaten in privaten KI-Konten arbeiten, weil die offiziellen Werkzeuge fehlen oder zu umständlich sind. Das ist meist ein Zeichen dafür, dass Teams schneller arbeiten wollen, als ihre Werkzeuge es erlauben. Gute Governance macht den offiziellen Weg zum einfachsten.

Was der EU AI Act für Marketingteams bedeutet

Für Unternehmen in der EU gibt der EU AI Act den Rahmen vor. Zwei Pflichten betreffen Marketingteams direkt. Seit Februar 2025 müssen Unternehmen, die KI einsetzen, dafür sorgen, dass ihre Mitarbeitenden ausreichend mit KI umgehen können. Seit August 2026 überwachen nationale Behörden diese Pflicht, und laut den Fragen und Antworten der EU-Kommission genügen interne Aufzeichnungen über Schulungen als Nachweis. Seit dem 2. August 2026 gelten außerdem Pflichten zur Transparenz: Menschen müssen erkennen können, wenn sie mit einer KI sprechen, und realistisch wirkende Bilder oder Videos, die eine KI erzeugt hat, müssen als solche gekennzeichnet sein. Daneben gilt die Datenschutz-Grundverordnung, auch beim Einsatz generativer KI mit Kundendaten.

Governance im Arbeitsablauf

Wirksam wird Governance erst, wenn sie in die Arbeitsabläufe eingebaut ist: als Schritt zur Freigabe vor jeder Veröffentlichung, als klar begrenzter Zugriff der KI auf Daten und als Dokumentation, wer was wann geprüft hat. Bei Agenten kommt hinzu, dass festgelegt ist, welche Handlungen sie allein ausführen dürfen.

Die Rollen im KI-Betriebsmodell

Bisher haben wir beleuchtet, welche Arbeit KI im Marketing übernimmt. Jetzt wenden wir uns den Menschen und den Rollen zu, die diese Arbeit steuern. McKinsey schätzt, dass 75 % aller Rollen grundlegend neu zugeschnitten werden müssen. Die meisten verschwinden dabei nicht. Sie verändern sich.

Für die Zusammenarbeit mit KI unterscheidet McKinsey zwei Positionen. Wer „in the loop“ arbeitet, ist direkt Teil des Ablaufs und prüft und bearbeitet, was die KI liefert. Wer „above the loop“ arbeitet, steht über dem Ablauf und legt fest, wie er funktioniert. Jede der folgenden Rollen nimmt eine dieser beiden Positionen ein.

Der Architekt

Der Architekt arbeitet above the loop. Meist ist es der CMO oder eine erfahrene Führungskraft im Marketing. Je mehr Arbeit die KI übernimmt, desto weniger entscheidet der Architekt über einzelne Inhalte und desto mehr über das System, in dem sie entstehen. Er legt die Strategie fest: welche Zielkunden das Marketing anspricht, welche Botschaften gelten und welche Kampagnen Vorrang haben. Er bestimmt die Grenzen für KI, also welche Entscheidungen Agenten allein treffen dürfen und welche bei Menschen bleiben. Er entscheidet, wo KI eingesetzt wird und wohin das Budget fließt, und er verantwortet das Ergebnis, auch wenn eine KI die Arbeit erledigt hat. Und er gestaltet das Team neu. Gartner zählt den Aufbau hybrider Teams aus Menschen und Agenten zu den obersten Prioritäten von CMOs.

Der Orchestrator

Der Orchestrator arbeitet ebenfalls above the loop. Er setzt die Vorgaben des Architekten in Arbeitsabläufe um, in denen Menschen, KI-Werkzeuge und Agenten zusammenarbeiten. Am nächsten kommt ihm heute der Marketing Automation Manager, der ebenfalls Abläufe baut und Systeme verbindet. Neu ist, dass KI nicht nach festen Regeln arbeitet und bei jedem Durchlauf ein anderes Ergebnis liefert. Der Orchestrator legt deshalb für jeden Ablauf fest, auf welche Daten die KI zugreifen darf, nach welchen Anweisungen sie arbeitet, was Agenten allein erledigen dürfen und an welcher Stelle ein Mensch das Ergebnis prüft, bevor es weitergeht.

Der Content Engineer

Der Content Engineer übernimmt diese Aufgabe für Inhalte. Er baut und pflegt den Blueprint aus dem Abschnitt zur Erstellung von Inhalten: Bausteine, Vorlagen, Anweisungen für die KI und geprüfte Fakten. In mittelständischen Unternehmen ist das oft dieselbe Person wie der Orchestrator, in größeren Organisationen arbeiten hier Spezialisten.

Das Produktionsteam

Das Produktionsteam arbeitet in the loop. Es erstellt Kampagnen und Inhalte, zunehmend gemeinsam mit KI-Agenten. Es prüft die Ergebnisse, passt sie an Märkte und Kunden an, bearbeitet Ausnahmen und gibt frei. Im Beispiel der Fachmesse ist es das Team, das jede E-Mail prüft, bevor sie das Haus verlässt.

Rolle	Position	Aufgabe	Ergebnis
Architekt	Above the loop	Legt Strategie, Grenzen für KI, Budget und den Aufbau des Teams fest	Ein Rahmen, an dem sich alle Abläufe ausrichten
Orchestrator	Above the loop	Gestaltet die Abläufe aus Menschen, KI und Agenten und legt fest, wo geprüft wird	Abläufe, die verlässliche Ergebnisse liefern
Content Engineer	Above the loop	Baut und pflegt Bausteine, Vorlagen, Anweisungen und geprüfte Fakten	Ein Content-System, aus dem stimmige Inhalte entstehen
Produktionsteam	In the loop	Arbeitet mit KI und Agenten, prüft, passt an, gibt frei	Kampagnen und Inhalte in hoher Geschwindigkeit, im Rahmen der Marke

In diesem Modell verlagert sich die Arbeit im Marketing. Weniger Zeit fließt in die Herstellung einzelner Inhalte, mehr in die Strategie, in die Gestaltung von Abläufen und in die Prüfung von Ergebnissen. Damit stellen sich bekannte Fragen der Organisation neu. Lohnt es sich noch, ausführliche Inhalte und die kurzen Texte, die daraus entstehen, etwa ein Whitepaper und die Beiträge für Social Media, auf verschiedene Teams oder Agenturen zu verteilen, wenn KI die Beiträge direkt aus dem Whitepaper ableiten kann? Und welche Aufgaben bleiben in den Regionen und welche wandern in die Zentrale, wenn KI Inhalte übersetzen und anpassen kann, die Prüfung aber Menschen braucht, die den Markt kennen?

Inhalte als Quelle für KI-Antworten

Bisher ging es um KI, die das Marketing selbst einsetzt. KI spielt aber auch bei den Käufern eine wachsende Rolle. Laut Forrester nutzen 94 % der B2B-Käufer KI in ihrem Kaufprozess, und doppelt so viele wie im Vorjahr halten generative KI oder KI-gestützte Suche für wichtiger als jede andere Informationsquelle, auch als die Websites der Anbieter. Welche Unternehmen in den Antworten auftauchen, hängt davon ab, was die Systeme über sie finden und wie stimmig das Bild ist, das Website, Vertrieb und Partner gemeinsam zeichnen.

Für Google gelten dabei keine Sonderregeln. Seine KI-Funktionen folgen denselben Grundlagen wie die klassische Suche: wichtige Inhalte als Text, eine gute interne Verlinkung und strukturierte Daten, die zum sichtbaren Text passen. Inhalte, die eine Frage direkt beantworten, ihre Quellen nennen und klar gegliedert sind, lassen sich deshalb von jedem System leichter auswerten und in KI-Antworten zitieren.

Neue Inhalte aus dem Content-System

Am leichtesten gelingt das mit Inhalten, die von Anfang an so angelegt sind. Der Blueprint liefert dafür die Grundlage: Bausteine mit klaren Antworten, geprüfte Fakten mit Quellen und Vorlagen, die eine klare Gliederung und häufige Fragen mit Antworten bereits vorsehen. So entstehen neue Inhalte gleich in einer Form, die Menschen und KI-Systeme gut lesen können.

Bestehende Inhalte nachrüsten

Die meisten Unternehmen haben allerdings eine Bibliothek aus Artikeln, Whitepapern und Produktseiten, die vor der KI-Suche entstanden sind. Sie neu zu schreiben, kostet zu viel. Ein Beispiel aus unserer Arbeit: Unser Assistent für Generative Engine Optimization (GEO) nimmt einen fertigen Fachartikel und erstellt daraus die Elemente, die Suchmaschinen und KI-Systeme auswerten: SEO-Titel und Metadaten, einen Einstieg, der die zentrale Frage direkt beantwortet und seine Quellen nennt, sowie häufige Fragen mit Antworten. Das Ergebnis ist ein erster Entwurf. Fachleute prüfen ihn und stellen ihn fertig, denn sie beurteilen, ob eine Aussage stimmt und eine Quelle trägt.

Beide Wege ergänzen sich. Das Nachrüsten macht vorhandene Inhalte schnell für die KI-Suche sichtbar. Das Content-System sorgt dafür, dass neue Inhalte von Anfang an so entstehen.

Wie sich der Wert von KI im Marketing messen lässt

Bleibt die Frage, die jeder Vorstand stellt: Was bringt die KI? Der Umsatz eines Unternehmens hängt von vielen Faktoren ab, von Produkt, Preis, Vertrieb und Markt. Den Wert der KI allein misst man deshalb dort, wo sie die Arbeit verändert: Wie lange dauert ein Ergebnis? Was kostet es? Und wie viel Nacharbeit braucht es, bis es freigegeben werden kann?

Welche Kennzahlen den Wert von KI zeigen

Die Grundlage ist ein Vergleich mit dem Stand ohne KI. Das muss nicht aufwändig sein. Es genügt, für zwei oder drei wiederkehrende Aufgaben festzuhalten, wie lange sie heute dauern, was sie kosten und wie oft nachgebessert werden muss. Dieselben Werte misst man nach dem Einsatz der KI. Zu den Kosten gehören dann Lizenzen und Rechenkosten, aber auch die Zeit, die Menschen für Prüfung und Korrektur aufwenden.

Wann sich ein KI-Agent lohnt

Ob sich ein KI-Agent lohnt, hängt vom Verhältnis zwischen Arbeitszeit und Prüfzeit ab, wie David Tepper, CEO von Pay-i, in einem Interview im McKinsey Quarterly vorrechnet. Sein Beispiel, übertragen auf 100 Aufgaben: Ein Mensch braucht für jede zwei Stunden, insgesamt 200 Stunden. Übernimmt ein Agent die Aufgaben, prüft ein Mensch jedes Ergebnis in sechs Minuten, insgesamt zehn Stunden. Was der Agent nicht brauchbar erledigt, macht der Mensch wie bisher selbst. Gelingen dem Agenten 5 % der Aufgaben, gleichen die eingesparten Stunden die Prüfzeit genau aus. Jeder weitere Prozentpunkt spart zwei Stunden. Bei 50 % sinkt der Aufwand von 200 auf 110 Stunden. Die Rechnung setzt allerdings voraus, dass sich ein schlechtes Ergebnis einfach verwerfen lässt, etwa ein misslungener Entwurf. Deshalb gehört vor jeden Schritt, der nach außen wirkt, eine Freigabe durch einen Menschen, wie im Beispiel der Fachmesse.

Gewonnene Zeit und gesparte Kosten sind noch kein Umsatz. Sie schaffen aber Raum für die Arbeit, die zum Ergebnis beiträgt. Ob diese Arbeit am Ende wirkt, zeigen die Kennzahlen, mit denen Marketing seinen Beitrag zum Geschäftsergebnis nachweist.

Wo Menschen den Unterschied machen

KI wertet Daten aus, schreibt Entwürfe und erledigt Aufgaben über mehrere Systeme hinweg, schneller als jedes Team. Die Richtung gibt sie nicht vor. Welche Kunden ein Unternehmen gewinnen will, welche Geschichte es erzählt und welche Risiken es eingeht, legen Menschen fest. Je mehr Arbeit die KI übernimmt, desto mehr Gewicht haben diese Fragen.

Hier liegt auch der Grund, warum KI in manchen Unternehmen Ergebnisse liefert und in anderen nicht. Die High Performer in McKinseys Studie haben ihre Arbeitsabläufe um die KI herum neu gestaltet. Sie haben festgelegt, was die KI übernimmt, wo Menschen prüfen und wer die Verantwortung trägt. Die Technik steht allen Unternehmen zur Verfügung. Den Unterschied machen Teams, die wissen, wohin ihr Marketing will, und ihre Arbeit danach ausrichten.