Bild: Nathan Dumlao – Unsplash | Bearbeitet mit KI (ChatGPT)

In den meisten Unternehmen wird das Media-Budget noch immer einmal im Jahr verteilt – auf Basis von Vorjahreswerten, Agenturempfehlungen und Erfahrung. Gleichzeitig ändern sich Preise, Reichweiten und Nachfrage im Tagesrhythmus. Datengetriebene Modelle und KI-Agenten versprechen, diese Lücke zu schließen. Doch bevor Agenten Budgets verschieben können, müssen Werbungtreibende ein älteres Problem lösen: Sie wissen oft nicht genau, was ihre Werbung wirklich kostet und was sie bewirkt.

Wer mit Marketing-Verantwortlichen über ihre Datenlage spricht, hört häufig dieselbe Geschichte. Die Performance-Daten der großen Plattformen liegen in deren eigenen Oberflächen, die Zahlen aus TV, Out-of-Home und Print kommen von Agenturen und Vermarktern, CRM-Maßnahmen wie Newsletter oder Direct Mailings werden in einer anderen Abteilung ausgewertet. Jede Quelle folgt ihrer eigenen Logik, eigenen KPIs und eigenen Zeitfenstern. So lässt sich ein Tausend-Kontakt-Preis im Fernsehen nicht ohne Weiteres neben einen Cost-per-Click in der Suche legen.

Hinzu kommt ein blinder Fleck bei den Kosten. In vielen Auswertungen taucht nur der reine Media-Spend auf. Technologiegebühren für DSPs und Adserver, Agentur-Fees, Produktionskosten für Motive und Spots oder interne Betriebskosten fehlen. Ein Kanal, der auf dem Papier einen hervorragenden Return on Ad Spend ausweist, kann unter Vollkosten deutlich schlechter dastehen als ein vermeintlich teurerer.

Solange diese Grundlage fehlt, bleibt die Budgetverteilung eher eine Wette als eine Entscheidung. Daran ändert auch die leistungsfähigste KI nichts – sie würde auf einer lückenhaften Datenbasis nur schneller falsche Schlüsse ziehen.

Der erste Schritt zu einem modernen Mediamanagement ist deshalb unspektakulär: alle Investitionen und Ergebnisse aus digitalen und klassischen Kanälen sowie aus dem CRM in einer gemeinsamen Datenbasis zusammenzuführen – inklusive aller Neben- und Technologiekosten. Das klingt nach einem IT-Großprojekt, muss es aber nicht mehr sein. Viele Datenquellen sind heute über Schnittstellen erreichbar, und Agenturen wie Vermarkter können über geregelte Rollen- und Rechtemodelle Daten direkt ihrem Kunden zuliefern, statt monatlich Excel-Tabellen zu verschicken.

Vergleichbar werden die Kanäle dadurch allein allerdings noch nicht. Ein TV-Spot und ein Social-Video auf Instagram unterscheiden sich in Reichweite, Kontaktqualität und Wirkungsweise grundlegend, und ihre Plattform-Kennzahlen sprechen unterschiedliche Sprachen. Die gemeinsame Datenbasis schafft aber die Voraussetzung, ihre Wirkung im nächsten Schritt an einem gemeinsamen Ziel zu messen.

Entscheidend ist die Datenhoheit. Werbungtreibende sollten selbst über eine aktuelle, vollständige Sicht auf ihre Investitionen verfügen, statt sich auf die Selbstauskünfte von Plattformen zu verlassen, die zugleich ihre eigene Wirkung messen. Gerade für den offenen Werbemarkt ist das eine Chance: Wenn alle Kanäle an denselben Geschäftszielen gemessen werden, etwa an Umsatz, Neukunden oder Deckungsbeitrag, zählt der tatsächliche Beitrag zum Geschäftserfolg – nicht die Qualität des Reportings.

Auf dieser Basis erlebt ein altbekanntes Verfahren eine Renaissance: das Marketing-Mix-Modelling (MMM). Lange galt es als aufwendige Studie, die einmal im Jahr von Spezialisten erstellt wurde und deren Ergebnisse bei Vorlage bereits veraltet waren. Mit durchgehend aktuellen Daten und automatisierten Modellen lässt sich MMM heute auf Tagesbasis rechnen und laufend neu kalibrieren.

Das verändert die Rolle der Modelle grundlegend. Statt rückblickend zu erklären, was passiert ist, liefern sie Prognosen für die kommenden Wochen und Monate. Externe Faktoren wie Wetter, Feiertage, Aktionszeiträume wie die Black Week, Verbraucherpreise oder Wettbewerbspreise fließen ein und trennen den Effekt der Werbung von der Grundnachfrage. Über Adstock-Effekte wird sichtbar, wie lange eine Kampagne nachwirkt. Damit lässt sich auch der kommerzielle Beitrag von Markenkommunikation fundiert beziffern, der in Last-Click-Betrachtungen regelmäßig unter den Tisch fällt.

Hier liegt auch die Antwort auf die Frage, wie sich ein TV-Spot und ein Social-Video auf Instagram überhaupt vergleichen lassen. Über ihre Formate oder Plattform-Kennzahlen gelingt das nicht: GRP, View-Through-Rate und Klickrate bleiben unterschiedliche Währungen. Vergleichbar wird erst ihr Beitrag zu einem gemeinsamen Ziel. Das Modell schätzt, wie viel zusätzlichen Umsatz jeder Kanal pro investiertem Euro erzeugt, unter Berücksichtigung von Nachwirkung und Sättigung. Unterschiede in Zielgruppe, Kreation und Wirkungsweise verschwinden dadurch nicht, sie werden aber in einer Größe sichtbar, die über alle Medien hinweg dieselbe Sprache spricht.

Ein weiterer Punkt wird oft unterschätzt: MMM arbeitet mit aggregierten Daten und kommt ohne nutzerbezogenes Tracking aus. In einem Umfeld, in dem Consent-Raten, Browser-Restriktionen und Regulierung die Signalbasis schmälern, ist das kein Detail, sondern ein strategischer Vorteil.

Hier kommen KI-Agenten ins Spiel. Ein Modell allein ist Wissen; erst die Übersetzung in konkrete Maßnahmen schafft Wirkung. Genau an dieser Übersetzung scheitern viele Organisationen, weil Analysen Zeit kosten, Abstimmungen sich ziehen und Planänderungen bei jedem Vermarkter einzeln umgesetzt werden müssen.

Agentische Systeme setzen an dieser Stelle an. Vielversprechend sind Architekturen, in denen mehrere spezialisierte Agenten zusammenarbeiten: Experten-Agenten beobachten jeweils einen Kanal und dessen Performance-Signale, ein übergeordneter Agent nutzt das Mix-Modell als Wissensbasis und wägt die Empfehlungen gegeneinander ab. Das Ergebnis sind keine Dashboards, die jemand bei Gelegenheit öffnet, sondern proaktive Hinweise: Ein Kanal nähert sich seiner Sättigung, ein anderer bietet gerade günstige Reichweite, eine Budgetverschiebung würde den prognostizierten Umsatz um einen bezifferbaren Betrag erhöhen.

Im nächsten Schritt übernehmen Agenten auch operative Routinen – vom wöchentlichen Reporting bis zur Anpassung von Budgets und Geboten über mehrere Kanäle hinweg. Das Budget wird damit beweglich: Es folgt der Wirkung, nicht mehr dem Jahresplan.

So verlockend die Vorstellung eines selbststeuernden Media-Budgets ist: Agentisches Mediamanagement ersetzt keine Marketing-Strategie. Ziele, Markenpositionierung, Mindestpräsenzen in bestimmten Kanälen und Risikogrenzen müssen Menschen definieren. Agenten arbeiten innerhalb dieser Leitplanken, und ihre Entscheidungen müssen nachvollziehbar bleiben. Eine Blackbox-Optimierung, deren Logik niemand erklären kann, stößt in Marketing, Controlling und Geschäftsführung zu Recht auf Skepsis.

Auch die Zusammenarbeit mit Agenturen verändert sich. Wenn Routinearbeit in Analyse und Umsetzung automatisiert wird, rückt die strategische und kreative Beratung stärker in den Mittelpunkt. Das ist weniger Bedrohung als Chance, Kapazitäten dort einzusetzen, wo sie den größten Unterschied machen.

Werbungtreibende, die sich auf diese Entwicklung vorbereiten wollen, sollten drei Fragen ehrlich beantworten. Erstens: Kennen wir die Vollkosten jedes Kanals, und messen wir alle Medien am selben Geschäftsziel? Zweitens: Wie oft können wir unseren Mediaplan heute realistisch anpassen – und wie lange dauert es, bis eine Entscheidung bei den Vermarktern umgesetzt ist? Drittens: Wer im Unternehmen verantwortet die Daten, auf denen Budgetentscheidungen beruhen?

Wer diese Fragen beantworten kann, hat das Fundament für agentisches Mediamanagement gelegt. Der eigentliche Wandel liegt darin, Media-Budgets nicht mehr als einmal verteilte Summe zu verstehen, sondern als Investition, die jeden Tag aufs Neue begründet werden muss.