Diese Webseite, der Blog, die Wettbewerbsanalysen, die LinkedIn-Posts: Den Großteil der laufenden Marketing-Arbeit erledigen bei uns KI-Agenten. Nicht als Pilotprojekt, sondern produktiv. Was vor zwölf Monaten als Experiment begann, ist heute der Standardbetrieb für unsere Außendarstellung. Und genau diese Praxis ist unser stärkstes Argument im Kundengespräch.
Der Anlass, das öffentlich zu machen, ist nicht Selbstdarstellung. Wir bekommen die Frage in jeder zweiten Discovery: “Wie macht ihr das selbst mit KI?”. Ehrlicherweise sieht man es uns kaum an, denn KI-Agenten arbeiten leise. Hier ist eine konkrete Tour durch den Stack, die Workflows, die wirklich laufen, und die Fallstricke, die wir uns abholen mussten, bevor das System verlässlich wurde.
Was AI-Native Marketing bei uns konkret bedeutet
AI-Native ist ein häufig missbrauchter Begriff. Bei uns hat er eine konkrete Bedeutung: Ein Mensch entscheidet, was getan werden soll. Ein Agent entscheidet, wie. Ein Mensch prüft das Ergebnis und gibt frei. Und ein Mensch übernimmt alle irreversiblen Aktionen, etwa Veröffentlichungen oder Geldbewegungen.
Das ist kein vollständig autonomer Workflow, und das ist Absicht. In jeder Pipeline sitzen bewusst gesetzte Freigabe-Schritte. Der Punkt ist nicht, den Menschen zu ersetzen, sondern die Routine-Stunden, die sich ein 10-Personen-Unternehmen schlicht nicht leisten kann, an Agenten zu delegieren.
Konkret nutzen wir Claude als zugrundeliegendes Modell, Cowork als Desktop-Agent für unsere Marketing-Workflows, Claude Code für die Entwicklung und das Model Context Protocol (MCP) für die Anbindung an GitLab, Mattermost und die Search Console. Dazu kommt unser eigenes Skills-System, das Domain-Wissen kapselt: Designstandards, Schreibstil, Kategorien-Schema, Verbots-Listen. Der Stack ist bewusst klein gehalten, weil mehr Tools mehr Reibung bedeuten.
Workflow 1: Blog-Artikel von der Idee bis zum Cover-Bild
Jeden Montag startet ein Scheduled Task automatisch. Die Pipeline läuft so ab: Topic-Auswahl aus einem priorisierten Backlog, Schreiben des Artikels in Deutsch und Englisch nach festen Skill-Vorgaben, automatisierte SEO-Validierung (Title-Länge, Description-Länge, Heading-Struktur, Wortanzahl, interne Links, verbotene Marketing-Floskeln), Generierung eines Cover-Bilds in einheitlichem Stil über die Bilder-API, Posting eines Status-Updates im internen Mattermost und Benachrichtigung der Sales-Abteilung über einen Inbox-Router.
Was der Agent NICHT macht: Er pusht nichts ins Git. Der finale Commit liegt bei einem Menschen. So bleibt der Veröffentlichungs-Schritt unter Kontrolle, und gleichzeitig ist die zeitintensive Vorarbeit erledigt, bevor jemand morgens den Rechner aufklappt. Mehr zu vergleichbaren Setups haben wir in unserem Beitrag zu persönlicher KI-Automatisierung in der Praxis beschrieben.
Workflow 2: Wettbewerbsanalyse als Scheduled Task
Ein zweiter Agent läuft monatlich und scannt eine fest definierte Liste von Wettbewerber-Websites. Pro Lauf erfasst er neue Blog-Posts, Referenz-Cases, Service-Änderungen, SEO-Sichtbarkeit (Domain Rating und neue Backlinks aus Ahrefs) sowie SERP-Bewegungen für die für uns kritischen Keywords.
Ergebnis ist ein Score-basierter Bericht im Mattermost-Channel mit konkreten Handlungsempfehlungen für unser eigenes Marketing. Aus diesem Report wandern Themenideen direkt in den Blog-Backlog. Was vorher zwei Tage manuelle Recherche gekostet hat, läuft jetzt in einer Stunde durch und ist über Monate vergleichbar, weil das Format identisch bleibt.
Workflow 3: SEO und Performance Audits
Wöchentlich läuft ein Audit-Agent über die Live-Site. Geprüft werden Lighthouse-Scores, Core Web Vitals, Accessibility nach WCAG 2.1 AA, Security-Header, defekte Links und Indexierungs-Status in der Google Search Console. Der Bericht landet ebenfalls in Mattermost, mit klar markierten Regressions-Findings, sortiert nach Severity.
Spannend an dem Workflow: Er hat uns mehrfach davor bewahrt, Performance-Regressionen zu deployen, die wir manuell nicht gesehen hätten. Eine fehlende Bildkomprimierung, ein versehentlich entfernter loading="lazy"-Attribut, ein Header, der unter ein Drittparty-CDN zurückgefallen ist: Das sind genau die Dinge, die ein Mensch nach Stunden Code-Arbeit übersieht. Ein Agent, der jede Woche mit derselben Checkliste anrückt, übersieht sie nicht.
Der Bauplan: MCP als verbindendes Element
Was die drei Workflows technisch verbindet, ist das Model Context Protocol. Über MCP-Server bekommt jeder Agent kontrollierten Zugriff auf die externen Systeme: GitLab für Code und Issues, Mattermost für Kommunikation, die Search Console für Indexierungs-Daten, Ahrefs für SEO-Metriken. Statt für jede Integration ein eigenes Plugin zu bauen, sprechen alle Tools dasselbe Protokoll.
Den technischen Hintergrund haben wir im Beitrag zum Model Context Protocol ausführlicher erklärt. Für die Marketing-Praxis hier reicht der Kern: MCP ist der Grund, warum wir nicht für jeden neuen Workflow einen Custom-Connector bauen müssen. Das senkt die Hürde, einen weiteren Routine-Job an einen Agenten zu übergeben, drastisch.
Was funktioniert, und was nicht
Drei Bereiche laufen verlässlich: strukturierte, wiederkehrende Aufgaben mit klaren Akzeptanzkriterien (Blog, Audits, Reports). SEO-Validierung gegen feste Checklisten. Bildgenerierung in einem einheitlichen Stil, sobald die Prompts einmal sitzen.
Mittelmäßig läuft die kreative Themenfindung. Agenten neigen dazu, ähnliche Themen zu wiederholen oder in Buzzwords abzudriften. Hier helfen scharfe Skill-Definitionen mit Verbots-Listen, in denen wir typische Marketing-Phrasen hart blockieren. Auch externe Recherche aus dem Web bleibt eine Schwachstelle: Cache-Effekte und Halluzinationen sind reale Probleme, jede Behauptung muss geprüft werden, bevor sie online geht.
Nicht funktionieren Strategie-Entscheidungen. Wo positioniert sich das Unternehmen? Welche Story erzählen wir? Wer ist die Zielgruppe? Diese Fragen muss ein Mensch beantworten. Ein Agent kann nur in dem Rahmen arbeiten, den der Mensch vorgibt. Wer den Rahmen unscharf lässt, bekommt unscharfe Ergebnisse.
Lessons Learned aus zwölf Monaten Praxis
Wer mit AI-Native Marketing anfangen will, sollte drei Dinge im Kopf behalten.
Skills sind wichtiger als Modelle. Welches LLM im Hintergrund läuft, ist weniger entscheidend als die Qualität der Anleitungen, die der Agent bekommt. Wir haben Wochen damit verbracht, unsere internen Skills zu verfeinern: Was sind unsere Designstandards? Welche Phrasen lehnen wir ab? Wie sieht unser Schreibstil aus? Diese Arbeit zahlt sich zehnfach aus, weil sie modell-agnostisch wiederverwendbar ist.
Freigabe-Punkte einbauen. Wir lassen den Agenten den Artikel schreiben, das Bild generieren, die SEO prüfen, aber das Live-Schalten macht ein Mensch. Das ist die Versicherung gegen einen schlechten Tag des Modells und gegen Halluzinationen, die durchrutschen. Eine ähnliche Diskussion zu Tool-Auswahl im Marketing führen wir auch im Beitrag zu KI-Tools für Content Creation.
Tooling minimal halten. Mehr Tools heißt mehr Bugs, mehr Lizenzkosten, mehr Onboarding-Aufwand. Wir kommen mit einer Handvoll Bausteinen aus, weil wir das Gleiche oft nutzen. Jedes neue Tool muss erklären, warum es im Stack bleiben darf.
Der größte Gewinn ist nicht die eingesparte Zeit, sondern die Konsistenz. Unsere Blog-Artikel haben heute eine konstante Qualität, die ein wechselnder Freelancer nie erreichen würde. Unsere Wettbewerbsdaten sind über Monate vergleichbar. Unsere SEO-Checks laufen jede Woche, nicht “wenn jemand Zeit hat”.
Was Sie für Ihr eigenes Unternehmen mitnehmen können
Wenn Sie selbst überlegen, KI-Agenten in Marketing oder Vertrieb einzusetzen, fangen Sie nicht beim Tooling an. Fangen Sie bei der Frage an: Welcher wiederkehrende Prozess kostet uns die meiste Zeit, ohne kreative Entscheidungen zu erfordern? Das ist Ihr erster Kandidat.
Die Werkzeuge sind im Vergleich zur Prozess-Frage zweitrangig. Wir helfen Mittelständlern dabei, genau diese Analyse strukturiert zu machen und das erste Pilotprojekt aufzusetzen, das wirklich produktiv geht, statt im PoC-Friedhof zu landen, in dem die meisten KI-Initiativen 2024 und 2025 verschwunden sind.
Mehr zu unserem Vorgehen finden Sie auf unserer Seite zu KI-Beratung und KI-Strategie. Oder schreiben Sie uns direkt, die ersten dreißig Minuten kosten nichts.
