KI im Marketing: So erstellen Sie vertrauenswürdige, skalierbare Workflows

In den letzten Jahren haben Marketingteams verschiedene Phasen der KI-Einführung durchlaufen: Am Anfang stand die Frage, ob sie KI überhaupt nutzen sollen, dann ging es darum, wo KI das Unternehmen unterstützen kann, und letztlich drehte sich alles darum, wie KI operationalisiert werden kann. Mittlerweile sind die Ansprüche gestiegen. Führungskräfte fragen sich, was vertrauenswürdig und skalierbar ist und wie sie den erwarteten ROI aus KI-Investitionen erzielen können.

Zudem ist Marketing-KI heute weitaus leistungsfähiger. Systeme können nun mit begrenztem menschlichem Eingreifen Tools auswählen, Workflows aufrufen, Entscheidungen formen und Maßnahmen ergreifen. Das Marketing entwickelt sich von unterstützenden Tools hin zu handelnden Agenten. Während dieser Wandel mehr Arbeit als je zuvor ermöglicht, erhöht er auch die Anforderungen an die Daten, Definitionen und Kontrollen, die dem Workflow zugrunde liegen. Sind Eingabedaten unvollständig, inkonsistent oder nicht zweckgebunden, können KI-Systeme Fehler und Datenschutzrisiken tief in nachgelagerte Systeme übertragen, noch bevor ein Mensch eingreifen kann.

Die Herausforderung besteht also nicht einfach darin, KI in mehr Marketing-Tools zu integrieren. Unternehmen müssen KI-Systeme mit geregelten Daten, einem gemeinsamen Geschäftskontext und klaren operativen Grenzen verknüpfen und gleichzeitig das menschliche Urteilsvermögen über Ziele, kreative Qualität und folgenschwere Entscheidungen bewahren.

Wie Denise Persson, CMO bei Snowflake, schreibt: „Die Marketingleiter:innen, die in der Agentic-Ära erfolgreich sein werden, sind diejenigen, die verstehen, dass Governance und Innovation keine Gegensätze sind.“

KI im Marketing ist der Einsatz von prädiktiver KI, generativer KI und agentischen Systemen, um Marketingdaten zu interpretieren, Entscheidungen zu unterstützen und Aufgaben durch Marketing-Workflows zu leiten.

• Prädiktive KI prognostiziert wahrscheinliche Entwicklungen: Sie hilft Marketer:innen dabei, Muster in Kunden- und Kampagnendaten zu erkennen – von der Konversionsneigung und dem Abwanderungsrisiko bis hin zur Nachfrage und dem Customer Lifetime Value.
• Generative KI erstellt neue Inhalte auf Basis von Kontext: Sie generiert oder adaptiert Texte, Bildmaterial und Analysen anhand der bereitgestellten Briefings, Quellinformationen und Zielgruppenkontexte.
• Agentic AI koordiniert mehrstufige Aufgaben: Sie ruft Informationen ab, wählt aus genehmigten Tools aus und führt eine Aufgabe innerhalb der von der Anwendung festgelegten Grenzen fort.

Diese Funktionen werden oft in einem Workflow miteinander verknüpft. Beispielsweise kann ein prädiktives Modell Kunden mit hoher Abwanderungswahrscheinlichkeit identifizieren, woraufhin ein generatives System maßgeschneiderte Nachrichten für diese Segmente erstellt. Ein Agent kann dann die Berechtigung prüfen, die Kampagne zur Genehmigung weiterleiten und die Aktivierung koordinieren.

Generative KI hilft Marketingteams dabei, Kampagnen-Assets schneller zu erstellen und anzupassen, insbesondere wenn eine Kampagne mehrere Zielgruppen, Formate und Kanäle unterstützen muss.

Zu den typischen Anwendungsfällen gehören:

• Kampagnenentwicklung: Ein freigegebenes Briefing in erste Textentwürfe, visuelle Konzepte und Messaging-Varianten verwandeln.
• Kanalanpassung: Quellmaterial für E-Mail, Paid Media, Social Media, Landingpages und andere Formate überarbeiten.
• Content-Analyse: Assets klassifizieren, Themen aus dem Feedback von Kund:innen extrahieren und Entwürfe mit freigegebenen Aussagen oder Terminologien vergleichen.
• Content Operations: Wachsende Content-Bibliotheken taggen, zusammenfassen und organisieren, damit Teams relevantes Material finden und wiederverwenden können.

Das Modell kann nur dann ein nützliches Asset erstellen, wenn es über ausreichend Kontext verfügt, um sowohl die Botschaft als auch deren Grenzen zu verstehen. Freigegebene Produktinformationen bestimmen, welche Aussagen das Asset unterstützen kann, während der Zielgruppen- und Kampagnenkontext klärt, was es erreichen muss. Markenstandards, rechtliche Anforderungen und Kanalregeln schränken dann ein, wie diese Botschaft im endgültigen Format ausgedrückt werden kann.

Diese Eingaben von den kreativen Anweisungen getrennt zu halten, verbessert zudem die Überprüfung. Teams können Aussagen, Terminologie und Offenlegungen anhand freigegebener Quellen validieren und dann menschliches Urteilsvermögen auf Zielgruppenrelevanz, Originalität und Überzeugungskraft anwenden.

Erfahren Sie, wie Sie in Snowflake eine zuverlässige Datenqualität erreichen – direkt in der Plattform, ohne zusätzliche Tools oder Infrastruktur:

Personalisierung stützt sich seit Langem auf Segmentierungs-, Scoring- und Empfehlungsmodelle. KI optimiert diese Prozesse, indem sie eine breitere Mischung aus verhaltensbezogenen, transaktionalen und unstrukturierten Signalen interpretiert und dann die Ausgabe anpasst, wenn sich der Kontext der Kund:innen ändert.

Das System muss die Kund:innen identifizieren, die verfügbaren Signale interpretieren und bestimmen, welche Aktionen relevant und zulässig sind. KI kann dann mehrere Teile dieses Prozesses unterstützen:

• Segmentierung: Gruppen von Kund:innen oder Accounts anhand von Mustern identifizieren, die durch manuell definierte Regeln möglicherweise schwer zu erfassen sind.
• Propensity- und Churn-Modellierung: Einschätzen, wie wahrscheinlich es ist, dass Kund:innen konvertieren, abwandern oder auf eine bestimmte Aktion reagieren, wenn neue Signale eintreffen.
• Customer Lifetime Value: Den zukünftigen Wert einer Kundenbeziehung mithilfe einer breiteren Palette von verhaltensbezogenen und transaktionalen Eingaben prognostizieren.
• Empfehlungen: Produkte, Angebote, Inhalte oder nächste Aktionen im Hinblick auf den aktuellen Kontext der Kund:innen und die verfügbaren Optionen bewerten und einstufen.
• Messaging Adaption: Sprache, Format oder Werbemittel an eine Zielgruppe, einen Kanal oder eine Phase der Customer Journey anpassen.

Diese Anwendungsfälle hängen von drei zusammenhängenden Anforderungen ab: ausreichend Kontext, um die aktuelle Situation der Kund:innen zu verstehen, Regeln, die bestimmen, welche Reaktionen zulässig sind, und eine zuverlässige Methode, um Aktivitäten den richtigen Kund:innen, Accounts oder Buying Groups zuzuordnen.

Forecasting, Lead Scoring und Optimierungsregeln spielen bei der Kampagnenplanung bereits eine etablierte Rolle. KI verändert die Art und Weise, wie diese Methoden zusammenarbeiten können, indem sie eine breitere Palette von Zielgruppen-, Kreativ-, Kanal- und Ergebnissignalen analysiert und dann Empfehlungen überarbeitet, wenn sich die Performance ändert.

Zu den typischen Anwendungsfällen gehören:

• Zielgruppenplanung: Schätzungen zu Propensity, Churn und Customer Value kombinieren, um Kund:innen oder Accounts für ein bestimmtes Kampagnenziel zu priorisieren.
• Prognosen: Nachfrage, Konversion, Pipeline oder Umsatz anhand aktueller Kampagnen-, Kund:innen- und Marktsignale schätzen.
• Lead Scoring: Das Ranking von Leads oder Accounts aktualisieren, sobald neues Verhalten, firmografische Informationen und nachgelagerte Ergebnisse verfügbar werden.
• Budgetallokation: Die Performance über Kampagnen und Kanäle hinweg vergleichen und dann empfehlen, wo zusätzliche Ausgaben das ausgewählte Ergebnis am wahrscheinlichsten verbessern.
• Programmatic Advertising: Gebote, Platzierungen und Zielgruppenauslieferung anpassen, wenn sich Performance und Inventarbedingungen ändern.
• Kampagnenoptimierung: Ermitteln Sie, ob Änderungen an Zielgruppe, Creative, Angebot, Kanal oder Ausgaben die Ergebnisse am wahrscheinlichsten verbessern.
• Übergabe von Marketing an den Vertrieb: Leiten Sie den Score, unterstützende Signale und das prognostizierte Ergebnis an den Vertrieb weiter, damit das Ranking die nächste Aktion bestimmt.

KI kann einen größeren Teil der Kampagne analysieren und häufiger Änderungen empfehlen, aber das Unternehmen muss weiterhin das Ziel definieren, die zugrunde liegenden Metriken standardisieren und Experimente oder geeignete Attributionsmethoden verwenden, um festzustellen, ob die Kampagne das beobachtete Ergebnis verursacht hat.

Klassische Marketing-Automatisierung funktioniert hervorragend, wenn Teams Trigger und Reaktionen im Voraus exakt definieren können. KI-Agenten unterstützen Workflows, die zunächst eine Ursachenanalyse erfordern, bevor die nächste beste Maßnahme feststeht. Wenn beispielsweise die Performance einer Kampagne nachlässt, hängt die angemessene Reaktion von der Ursache ab – geringe Auslieferung, Zielgruppenermüdung, schwache Creatives und unvollständige Conversion-Daten erfordern unterschiedliche Maßnahmen.

Marketing-Agenten können Aufgaben unterstützen wie:

• Kampagnen-Monitoring: Aktuelle Performance-Werte fortlaufend mit Budgetvorgaben, Pacing und Ziel-KPIs abgleichen.
• Performance-Analyse: Zielgruppenfrequenz, Kanalauslieferung, Creative-Resonanz und die Aktualität der Messdaten detailliert untersuchen.
• Workflow-Koordination: Empfehlungen, Freigaben und ausgeführte Aktionen nahtlos zwischen verschiedenen Marketing-Systemen weiterleiten.
• Lead- und Zielgruppenverwaltung: Nutzen Sie aktuelle eigene Daten und definierte Geschäftsregeln, um Datensätze zu qualifizieren, anzureichern oder weiterzuleiten.
• Next-Best-Action-Workflows: Empfehlen Sie eine genehmigte Reaktion basierend auf dem Kundenkontext oder führen Sie diese aus.

Diese Workflows unterscheiden sich darin, wie viel Verantwortung das System trägt. Ein Copilot unterstützt interaktive Tasks – der:die Marketer:in fordert möglicherweise eine Analyse an, überprüft das vom Copiloten gelieferte Ergebnis und entscheidet, was als Nächstes passiert. Ein Agent kann einen größeren Teil des Workflows übernehmen und genehmigte Tools verwenden, um ein Problem zu untersuchen, eine Empfehlung vorzubereiten, Aufgaben weiterzuleiten oder eine zulässige Aktion durchzuführen.

Da das System mehr Zwischenschritte übernimmt, werden seine Betriebsgrenzen immer wichtiger. Dienstidentitäten, Tool-Berechtigungen, Genehmigungsschwellenwerte, Budgetgrenzen und Stoppbedingungen definieren diese Grenzen, um zu verhindern, dass Agenten unerwünschte Aktionen ausführen.

Die Zuverlässigkeit hängt davon ab, dass in jeder Phase des Workflows der richtige Kontext und die richtigen Kontrollen beibehalten werden. Dazu gehören die Verknüpfung von Kunden- und Kampagnendaten, die Standardisierung von Geschäftsdefinitionen, die Durchsetzung von Datenschutz- und Zugriffsanforderungen, die Einschränkung der Befugnisse von Agenten und die Bewertung, ob die Ergebnisse das beabsichtigte Geschäftsergebnis unterstützen.

Leistungsfähigere Modelle beheben keine unzuverlässigen Definitionen, keinen fragmentierten Kundenkontext und keinen unangemessenen Zugriff. Wie Patrick Crosby von Snowflake schreibt: „Das lässt sich nicht mit besseren Modellen lösen. Es lässt sich durch eine flexible Daten- und KI-Grundlage beheben.“ Die Zuverlässigkeit hängt davon ab, dass in jeder Phase des Workflows der richtige Kontext und die richtigen Kontrollen beibehalten werden.

Verknüpfen Sie Kunden- und Kampagnendaten

Marketingentscheidungen basieren auf CRM-Datensätzen (Customer Relationship Management), Transaktionen, Produktaktivitäten, Webverhalten, Kampagnenkontakten, Einwilligungsstatus und nachgelagerten Ergebnissen. Jedes System erfasst nur einen Teil der Kundenbeziehung. Wenn diese Datensätze getrennt bleiben, verwendet die Segmentierung möglicherweise eine Kundenidentität, die Aktivierung eine zweite und die Messung eine dritte.

Eine vernetzte 360-Grad-Kundensicht gibt Modellen und Anwendungen Zugriff auf eine konsistente Identität und Interaktionshistorie. Die Identitätsauflösung verknüpft Datensätze systemübergreifend, während die Datenaktualität zum Workflow passen sollte. Beispielsweise toleriert ein vierteljährliches Planungsmodell möglicherweise einen langsameren Aktualisierungszyklus, aber ein Next-Best-Action-Workflow benötigt aktuelle Käufe, Produktaktivitäten, Kampagnenkontakte und Einwilligungen, bevor er eine Reaktion auswählt.

Teams sollten auch die Daten überwachen, die in den Workflow einfließen. Fehlende Felder, verzögerte Updates und Änderungen in der Quellenabdeckung können plausibel aussehende, aber ungenaue Ergebnisse erzeugen.

Standardisieren Sie Metriken und Geschäftsdefinitionen

Ein Spaltenname verrät einem Modell nicht, wie das Unternehmen ihn definiert. Beispielsweise kann eine Conversion auf einer Plattform das Absenden eines Formulars bedeuten, auf einer anderen einen abgeschlossenen Kauf und auf einer dritten eine vom Vertrieb akzeptierte Opportunity. Umsatz kann sich auf Buchungen, realisierte Umsätze oder den prognostizierten Customer Lifetime Value beziehen. Jede Definition kann gültig sein, aber unterschiedliche Marketingentscheidungen unterstützen.

Semantischer Kontext macht Unterscheidungen durch verwaltete Metriken, Views, Metadaten und Beziehungen zwischen Geschäftsentitäten explizit. Er kann auch Attributionsfenster, Zielgruppenausschlüsse, Angebotsberechtigungen und Kriterien für die Übergabe vom Marketing an den Vertrieb beibehalten.

Wichtige Definitionen sollten einen benannten Eigentümer oder Steward haben, der Änderungen genehmigt und Differenzen zwischen Marketing, Vertrieb, Finanzen und Analytics klärt. Ohne diese Verantwortlichkeit können Modelle und Berichte weiterhin verschiedene Versionen derselben Metrik verwenden, lange nachdem das Unternehmen glaubt, das Problem sei gelöst.

Datenschutz, Einwilligungen und Zugriffskontrollen durchsetzen

Marketing-Workflows nutzen oft personenbezogene, verhaltensbezogene und kommerziell sensible Daten. Diese Datensätze unterliegen weiterhin den Anforderungen an Zugriff, Einwilligung und zulässige Nutzung, wenn ein Modell sie abruft oder ein Agent auf ihrer Basis handelt.

Rollenbasierte Zugriffskontrollen (Role-Based Access Controls, RBAC) schränken ein, welche Nutzer:innen und Dienstidentitäten Daten auf Kundenebene einsehen können. Klassifizierung und Maskierung schützen sensible Felder, während Einwilligungs- und Präferenzdatensätze bestimmen, welche Zielgruppen, Angebote und Kanäle für den Workflow verfügbar sind.

Auch der Grund für die Datenerfassung spielt eine Rolle. Informationen, die zur Bereitstellung eines Dienstes gesammelt wurden, dürfen möglicherweise nicht für Targeting oder Modellierung verwendet werden. Regionale Datenschutzanforderungen, Verträge und Aufbewahrungsrichtlinien können die zulässige Nutzung weiter einschränken.

Für die Zusammenarbeit mit Partnern unterstützen Data Clean Rooms genehmigte Zielgruppen- und Messanalysen, ohne einem anderen Beteiligten rohe Kundendatensätze offenzulegen. Sie helfen bei der Kontrolle, wie Daten zusammengeführt und analysiert werden, ersetzen jedoch nicht die Einwilligung, vertragliche Prüfungen oder geltende gesetzliche Anforderungen.

Audit-Protokolle sollten zeigen, auf welche Daten die Anwendung zugegriffen hat, welche Richtlinien angewendet wurden und wie die resultierende Ausgabe verwendet wurde.

Berechtigungen und Aktionen von Agenten einschränken

Das operationelle Risiko steigt mit den dem System erteilten Befugnissen, da derselbe Fehler sehr unterschiedliche Konsequenzen haben kann, je nachdem, ob das System eine Aktion nur empfiehlt oder sie auch ausführt. Aus diesem Grund benötigen agentische Workflows zusätzlich zu den Datenzugriffskontrollen Berechtigungen auf Aktionsebene.

Ein Agent darf möglicherweise:

• Die Kampagnen-Performance lesen, aber die Ausgaben nicht ändern oder sie nur innerhalb eines bestimmten Rahmens anpassen
• Eine Zielgruppe entwerfen, sie aber nicht aktivieren
• Eine Kampagne unter definierten Bedingungen pausieren, aber vor dem Neustart eine Genehmigung einholen
• Inhalte generieren und weiterleiten, aber keine Berechtigung zur Veröffentlichung erhalten

Dienstidentitäten, Tool-Berechtigungen, Genehmigungsschwellenwerte, Budgetobergrenzen und Stoppbedingungen definieren den Handlungsspielraum des Agenten. Die Anwendung sollte nur die Tools und Befugnisse gewähren, die für die zugewiesene Aufgabe erforderlich sind.

Teams benötigen außerdem Traces, die zeigen, welche Daten der Agent verwendet hat, welche Tools er aufgerufen hat und wie er zum Endergebnis gelangt ist. Diese Aufzeichnungen unterstützen Audit-Prozesse und Überprüfungen, wenn der Workflow ein unerwartetes Ergebnis liefert oder einen Genehmigungsschwellenwert überschreitet.

Ausgaben anhand von Geschäftsergebnissen bewerten

Die Bewertung muss zwei separate Fragen beantworten: Hat das KI-System die ihm zugewiesene Aufgabe korrekt ausgeführt, und hat diese Aufgabe zu dem Marketingergebnis beigetragen, das das Unternehmen verbessern wollte?

Auf Aufgabenebene hängen die Kriterien von der Art der eingesetzten KI ab. Ein prädiktives Modell sollte Schätzungen liefern, die mit den beobachteten Ergebnissen übereinstimmen und die Entscheidung, die es unterstützt, verbessern. Ein generatives System sollte korrekte Fakten, genehmigte Terminologie und erforderliche Offenlegungen verwenden. Ein Agent muss die geeigneten Tools auswählen, innerhalb seiner Befugnisse bleiben und eskalieren oder eine Wiederherstellung durchführen, wenn eine Datenquelle oder ein nachgelagerter Dienst ausfällt.

Um zu bewerten, ob das System das richtige Ergebnis optimiert hat, müssen Teams das Ziel, das Messfenster und die Vergleichsmethode definieren, bevor das System beginnt, auf eine Metrik hin zu optimieren. Andernfalls könnte ein Workflow beispielsweise die Klickrate auf Kosten der qualifizierten Pipeline verbessern oder die zugeschriebenen Conversions erhöhen, ohne inkrementellen Umsatz zu generieren.

Das Messdesign bestimmt, welche Schlussfolgerungen das Unternehmen stützen kann. Für eine Kampagne ausgewählte Kund:innen haben möglicherweise bereits eine höhere Kaufabsicht als die nicht berücksichtigten. Daher bleiben Experimente, Kontrollgruppen und geeignete Attributionsmethoden notwendig, um die Auswirkungen der Kampagne von Ergebnissen zu unterscheiden, die wahrscheinlich ohnehin eingetreten wären.

Inhaltsqualität und Bias überwachen

KI-Systeme spiegeln die Qualität und Verteilung der von ihnen verwendeten Informationen wider. Fehler können entstehen, wenn Quelldaten veraltet, unvollständig oder inkonsistent sind, und Bias kann auftreten, wenn bestimmte Kund:innen, Verhaltensweisen oder Ergebnisse stärker repräsentiert sind als andere. Beispielsweise beinhalten historische Marketingdaten die Auswirkungen früherer Entscheidungen zu Targeting, Berechtigung und Messung. Daher spiegeln die Muster in den Daten möglicherweise eher wider, wie das Unternehmen agiert hat, als wie Kund:innen unter gleichen Bedingungen reagiert hätten.

Die Auseinandersetzung mit Inhaltsqualität und Bias beginnt mit verwalteten, aktuellen Quelldaten und dokumentierten Definitionen, erfordert aber auch aktives Testen. Überprüfungskriterien, repräsentative Evaluierungsdaten, Performance-Analysen auf Gruppenebene und menschliche Aufsicht helfen dabei, zu erkennen, wo das System nicht unterstützte Inhalte, ungleiche Fehlerraten oder systematisch unterschiedliche Ergebnisse für verschiedene Zielgruppen produziert. Wenn diese Muster auftreten, sollten Teams die Daten, Labels, Anweisungen oder Entscheidungsregeln korrigieren, die sie erzeugt haben, anstatt sich nur auf nachgelagerte Überprüfungen zu verlassen.

Die AI Data Cloud für Marketing von Snowflake bietet Marketingteams eine gemeinsame Umgebung für die Arbeit mit Kunden-, Produkt- und Kampagnendaten, um anschließend KI auf diese Informationen anzuwenden, ohne für jeden Anwendungsfall eine separate Architektur zu benötigen.

Snowflake CoWork bietet Marketer:innen und anderen Geschäftsanwender:innen eine dialogorientierte Benutzerschnittstelle, um verwaltete Unternehmensdaten zu untersuchen und genehmigte Arbeiten voranzutreiben. Ein:e Marketer:in könnte CoWork nutzen, um eine Änderung der Kampagnen-Performance zu untersuchen, Medienergebnisse mit Pipeline- oder Transaktionsdaten zu vergleichen und eine Empfehlung vorzubereiten, die auf den aktuellen Daten und dem semantischen Kontext des Unternehmens basiert.

Snowflake AI Functions unterstützen die wiederholbare KI-Verarbeitung innerhalb der Daten-Workflows, die diesen Erlebnissen zugrunde liegen. Marketing-, Analytics- und Datenteams können sie nutzen, um Inhalte zu klassifizieren, Informationen zu extrahieren, Kampagnenergebnisse zusammenzufassen, Kundenfeedback zu analysieren und Material aus einem genehmigten Produkt- oder Kampagnenkontext zu generieren, ohne die zugrunde liegenden Daten zuvor in eine separate KI-Verarbeitungsumgebung verschieben zu müssen.

Für Workflows, die über mehrere Schritte oder Tools hinweg fortgesetzt werden müssen, bietet Cortex Agents die zugrunde liegende Orchestrierung. Ein Agent kann Cortex Analyst verwenden, um strukturierte Daten abzufragen, Cortex Search, um Informationen aus unstrukturierten Quellen abzurufen, und benutzerdefinierte Tools, um die daraus resultierende Erkenntnis mit einem genehmigten Geschäftsprozess zu verknüpfen. Die dem Agenten zugewiesenen Tools und Berechtigungen bestimmen, ob der Workflow bei der Analyse stoppt, eine Empfehlung vorbereitet, die Arbeit zur Genehmigung weiterleitet oder in einem anderen System fortgesetzt wird.

Snowflake Horizon Catalog sorgt für die Governance über diese Daten- und KI-Workloads hinweg. Klassifizierung, Maskierung, rollenbasierter Zugriff und Lineage bleiben mit den zugrunde liegenden Daten verbunden und helfen Teams dabei, zu kontrollieren, welche Nutzer:innen und Dienstidentitäten auf Kundeninformationen zugreifen können und wie diese Informationen verwendet werden. Cortex AI Guardrails bietet Laufzeitschutz vor Prompt-Injection- und Jailbreak-Versuchen für unterstützte agentenbasierte Erlebnisse.

Snowflake Data Clean Rooms erweitert denselben kontrollierten Ansatz auf die Zusammenarbeit zwischen Werbetreibenden, Publishern und anderen Partnern. Data Clean Rooms sind so konzipiert, dass Teilnehmer:innen genehmigte Zielgruppen- und Messanalysen durchführen können, ohne rohe Kundendatensätze offenzulegen, während sie gleichzeitig definierte Kontrollen darüber behalten, wie Daten verknüpft, abgefragt und verwendet werden.

Zusammen ermöglichen diese Funktionen Marketingteams die Nutzung verschiedener Modelle, Anwendungen und Aktivierungsplattformen, während die Daten, der semantische Kontext und die Richtlinien, die diesen Workflows zugrunde liegen, konsistent bleiben.

Da KI-Funktionen immer breiter verfügbar werden, wird der Zugang zu KI-Modellen zu einer Standardressource. Der größere Vorteil wird sich daraus ergeben, wie effektiv ein Unternehmen Modellfunktionen mit dem eigenen Kundenwissen, den Geschäftsregeln und den Entscheidungsprozessen verknüpft.

Die Unternehmen, die am meisten von Marketing-KI profitieren, werden diejenigen sein, die sie als Betriebsmodell und nicht als bloße Sammlung von Funktionen betrachten. Sie werden von Anfang an auf Verantwortlichkeit setzen, die Autonomie strategisch ausbauen und KI nutzen, um das menschliche Urteilsvermögen hinter der Arbeit zu stärken – und nicht zu ersetzen.