TL;DR: Die meisten auf agentischer KI gestützten Strategien scheitern nicht, weil die Technologie schlecht ist, sondern weil Teams KI-Agenten ohne Koordination, verifizierte Daten oder direkte Verteilung entwickeln und dabei eher auf Aktivität als auf Wirkung optimieren. Chris Brownlee, SVP, Product bei Yext, erklärt, warum in der KI-Ära nicht die Marken mit den meisten KI-Agenten gewinnen werden, sondern diejenigen, deren KI-Agenten von einer einzigen verifizierten Quelle der Wahrheit aus zusammenarbeiten.
Die Phrase „KI-Agenten“ dominiert die Schlagzeilen. Mittlerweile bedeuten die Worte alles und nichts.
Jeder Softwareanbieter hat sie (oder behauptet, sie zu haben). Alle Unternehmen sprechen darüber. Und viele Unternehmen haben das vergangene Jahr damit verbracht, sie einzusetzen, nur um festzustellen, dass die Ergebnisse nicht ganz ihren Erwartungen entsprechen.
Aber das bedeutet nicht, dass die Technologie defekt ist oder dass KI-Agenten nicht das Potenzial haben, unsere Arbeit zu verbessern. Es besteht einfach ein wesentlicher Unterschied zwischen dem „Verfügbarsein von KI-Agenten“ und dem Vorhandensein einer agentenbasierten Strategie, die Ergebnisse liefert.
Eine Handvoll KI-Agenten, die Bewertungsantworten bearbeiten, Einträge aktualisieren oder Beiträge in sozialen Netzwerken planen, kann wie ein Fortschritt wirken. Aber wenn diese KI-Agenten nicht koordiniert sind, nicht mit präzisen Daten arbeiten und nicht auf Zielen basieren, die über ihre individuellen Aufgaben hinausgehen, haben Sie keine agentenbasierte Strategie entwickelt. Sie haben eine stärker automatisierte Version dessen erstellt, was Sie bereits hatten.
Was also sollten Marken stattdessen tun? Wir haben Chris Brownlee, SVP, Product bei Yext, gebeten, aufzuschlüsseln, warum „mehr Automatisierung“ zu oft scheitert und was Sie tun können, um diese Fallstricke zu vermeiden.
Lauryn Chamberlain, Senior Editorial Strategy Manager : Chris, heutzutage behauptet jedes Unternehmen, „KI-Agenten“ zu haben. Welche Version dieses Gesprächs haben Sie satt und was würden Sie sich wünschen, dass mehr Leute fragen?
Chris Brownlee, SVP, Product : Der Begriff mag technisch kompliziert klingen, aber sobald man sich KI-Agenten wie Mitarbeitende vorstellt, die Aufgaben für einen erledigen können, ergeben sie mehr Sinn. Das Problem ist, dass heutzutage jedes Produkt ein LLM auf eine Aufgabe anwenden und es als „Agent“ bezeichnen kann. Ebenso könnte man im Prinzip eine beliebige Person ohne Kenntnisse für einen Job einstellen.
Aber Sie würden nicht einfach irgendeine Person einstellen, oder? Sie suchen Erfahrung, Wissen und Fachkompetenz. Sie suchen eine Person, die auf Basis der vorliegenden Daten und Fakten gute Entscheidungen treffen kann. Im Grunde ist Automatisierung wie Mitarbeitende am Anfang ihrer Karriere: Sie kann nur die Aufgabe ausführen, die direkt vor ihr liegt. Eine echter KI-Agent ist eher mit einem Digital Marketing Director vergleichbar, der mit einem deutlich höheren Maß an Ambiguität umgehen kann.
Ein LLM in ein Produkt einzubauen ist heutzutage eine Standardfunktion. Jede Software kann das. Die eigentliche Frage ist: Welchen Kontext hat der KI-Agent und innerhalb welcher Grenzen muss er arbeiten?
Diese Grenzen sind wichtiger, als den meisten Menschen bewusst ist.
Hier ist ein konkretes Beispiel dafür, wie das schiefgehen kann. Angenommen, eine agentische KI stellt fest, dass eine Eisdiele ein breiteres Publikum erreichen könnte, indem es seine primäre Kategorie bei Google ändert. Ohne viel Kontext könnte die Kategorie in „Café“ geändert werden, weil das Geschäft Kaffee verkauft und mehr Menschen nach Kaffee suchen. Oberflächlich betrachtet scheint das logisch. Aber jetzt konkurriert diese Eisdiele mit Hunderten von Cafés in der Nähe. Und auf taktischer Ebene erfordert die Änderung einer primären Kategorie eine erneute Genehmigung des Profils durch Google, was Tage oder Wochen dauern kann. Das ist eine Katastrophe.
Je weniger Daten und Kontext einem Agenten zur Verfügung stehen, desto wahrscheinlicher ist es, dass er die falsche Entscheidung trifft. Folgt Ihr Agent generischen Best Practices, oder weiß er tatsächlich, wie Sie im Vergleich zu Ihrer direkten Konkurrenz abschneiden und welche spezifischen Maßnahmen Ihre Zahlen verbessern werden? Das ist die Frage, die Sie sich stellen sollten.
Sie haben eben schon ein paar Mal die Begriffe „Daten“ und „Kontext“ erwähnt, das passt also gut zum Thema: Sie haben öffentlich über strukturierte Daten als Grundlage für die Sichtbarkeit von KI gesprochen. Aber die meisten Marketingfachkräfte betrachten KI-Agenten als ein Workflow-Problem, nicht als ein Datenproblem. Woher kommt diese Diskrepanz und warum ist sie wichtig?
KI-Agenten können Ihnen dabei helfen, einen vollständigen und aussagekräftigen Datensatz zu erstellen. Diese Daten sind es, die die KI-Sichtbarkeit fördern. Bei Yext strukturieren wir alles rund um Ihre Marke in einem Knowledge Graph. Diese Daten sorgen dafür, dass Sie im gesamten Web konsistent auftauchen, was das Vertrauen der KI-Suchmaschinen stärkt. Wenn eine KI-Suchmaschine konsistente, genaue Informationen über Ihre Marke sieht, ist sie zuversichtlicher, diese mit den Nutzer*innen zu teilen.
Die Herausforderung besteht darin, dass es wirklich schwierig ist, diese Daten vollständig und aktuell zu halten. Die manuelle Verwaltung an Tausenden von Standorten, täglich, ist nahezu unmöglich. Deshalb haben wir KI-Agenten entwickelt, deren Aufgabe es ist, Informationen zu finden, die den Knowledge Graph bereichern: durch das Scannen des Webs, das Kombinieren vorhandener Daten auf neue Weise oder das Einbeziehen von Kundeninteraktionen, um das Bild zu vervollständigen.
Je mehr eine KI-Suchmaschine über Ihre Marke weiß, desto wahrscheinlicher ist es, dass sie Sie mit Kundschaft zusammenbringt, die aktiv zum Kauf bereit ist. Hochwertige Übereinstimmungen bringen Ihre Marke mit den Kund*innen in Kontakt, die die höchste Kaufabsicht haben. Diese Chance beginnt mit den Daten, nicht mit dem Workflow.
Wenn Sie beurteilen möchten, ob eine agentische KI-Strategie tatsächlich sinnvoll ist, welche Fragen würden Sie stellen?
Der Zweck eines Agenten besteht darin, Ihnen Zeit zu sparen und den Wert Ihrer Marke zu steigern, genauso, wie Sie Mitarbeitende einstellen würden. Mitarbeitende auf Einstiegsniveau setzt man schließlich auch für Aufgaben mit geringem Risiko und wenig Interpretationsspielraum ein. Dasselbe gilt für KI-Agenten: Ihre Stärken liegen in wiederholbaren, klar definierten Aufgaben – und viele davon haben wir für unsere Kund*innen bereits gelöst.
Aber wir befinden uns jetzt in einer Phase, in der wir KI-Agenten für das mittlere Management entwickeln: KI-Agenten mit Zugang zu tieferen, breiteren Datensätzen, der Fähigkeit zum Datenabgleich und dem Kontextverständnis, zu begreifen, was Agent 1 gerade macht und wie sich das auf die nächsten Schritte von Agent 2 auswirken sollte.
Die eigentliche Frage bei jeder agentischen Strategie ist, ob die KI-Agenten unabhängig voneinander oder in Koordination handeln. Unabhängige KI-Agenten, egal wie viele Sie zusammenbringen, sind auf die Summe ihrer individuellen Aufgaben beschränkt. Koordinierte KI-Agenten können anspruchsvollere Aufgaben erledigen.
Beschreiben Sie mir bitte, wie es konkret aussieht, wenn KI-Agenten nicht koordiniert sind. Was läuft schief und warum ist es so schwer zu erkennen, bis bereits Schaden angerichtet wird?
Lassen Sie mich diesmal ein positives Beispiel verwenden, um zu veranschaulichen, was möglich wird, wenn Koordination tatsächlich funktioniert.
Nehmen wir an, dieselbe Eisdiele hat zwei KI-Agenten: einen, der auf Bewertungen reagiert, und einen, der Beiträge in sozialen Netzwerken erstellt. Jeder arbeitet an seinem individuellen Job. Aber Folgendes ist möglich, wenn sie Informationen so austauschen können, wie es zwei Kolleg*innen tun würden.
Die agentische KI für die Bewertungsantworten bemerkt, dass Kund*innen immer wieder vom Geschmack des Monats schwärmen. Sie leitet diese Information an die agentische KI für Social Media weiter: „Aufgepasst, die Leute mögen diese Sorte gerade sehr.“ Der Social-Media-Agent nutzt diese Erkenntnis und entwickelt darauf basierend eine Kampagne: Beiträge, Timing und Blickwinkel werden allesamt von dem beeinflusst, was echte Kund*innen in Echtzeit sagen.
Wenn diese beiden KI-Agenten keine Informationen austauschen können, verschwindet diese Gelegenheit einfach. Je besser es Ihnen gelingt, die Zusammenarbeit der KI-Agenten zu orchestrieren, damit sie gemeinsam auch mehrdeutige Aufgaben im Einklang mit den übergeordneten Zielen der Marke lösen, desto leistungsfähiger wird das gesamte System.
Worauf will Yext damit eigentlich hinaus? Nicht die Roadmap-Version, sondern wie sieht ein Sieg in der Realität aus?
Diese Orchestrierungsebene ist entscheidend. Wir arbeiten an mehr individuellen KI-Agenten, aber auch an einer mittleren Managementebene, die die Strategie koordinieren und anpassen kann, wenn Signale aus einem Teil der Marke einen anderen beeinflussen.
Das gesamte Marketing einer Marke muss zusammenarbeiten. Um Kund*innen ein großartiges Erlebnis während der gesamten Customer Journey zu bieten, muss alles aufeinander abgestimmt sein. Die KI muss die Ziele und Absichten verstehen. Je besser das Kundenerlebnis, desto wahrscheinlicher werden potenzielle Kund*innen zu zahlenden Kund*innen.
Haben Sie noch abschließende Gedanken für Marken, die derzeit agentische KI evaluieren?
KI-Agenten sind keine oberflächliche Funktion. Analysieren Sie die Daten und die Grenzen, in denen KI-Agenten agieren können, bevor Sie sich festlegen. Stellen Sie sicher, dass Ihnen keine Berufseinsteigenden für eine Stelle auf Direktorenebene verkauft werden.
