Generative KI ist im Marketing vieler Unternehmen angekommen. Mehr als 70 Prozent der von OWM und Accenture Song befragten OWM-Mitgliedsunternehmen nutzen sie bereits. Bei agentischen Systemen steht die Entwicklung dagegen noch am Anfang. Zwar beschäftigen sich viele Unternehmen mit Pilotprojekten, 91 Prozent der Befragten geben aber an, dass solche Systeme bislang weniger als zehn Prozent ihrer Marketingentscheidungen beeinflussen. Auch die internationale CMO-Befragung von BCG zeigt eine ähnliche Lücke zwischen Anspruch und Praxis: 42 Prozent nutzen generative KI weiterhin vor allem für einzelne menschliche Aufgaben, weniger als ein Drittel arbeitet bereits mit agentengestützten Abläufen.

Für Kommunikationsverantwortliche ist daran weniger die Frage interessant, ob bald autonome „Marketing-Agenten" ganze Abteilungen übernehmen. Dafür gibt es derzeit keine belastbare Grundlage. Relevanter ist eine viel praktischere Entwicklung: Sobald KI-Systeme nicht mehr nur einzelne Ergebnisse liefern, sondern Arbeitsschritte miteinander verbinden, verschieben sich die Grenzen der Automatisierung. Ein System kann recherchieren, einen Text erstellen, ihn überarbeiten, für unterschiedliche Kanäle anpassen und anschließend seine Veröffentlichung vorbereiten. Im Community Management kann es Kommentare beobachten, einordnen, Kontext zusammentragen und abhängig vom Ergebnis eine weitere Aktion auslösen. Genau an diesen Stellen wird aus einem Werkzeug ein agentischer Prozess. McKinsey bezeichnet deshalb nicht das einzelne KI-Tool, sondern den gesamten Arbeitsablauf als entscheidende Ebene der Veränderung.

Content Marketing: Wann wird sauberer KI-Content zu Content Slop?

Bei Content ist die naheliegende Sorge häufig noch immer, dass KI Fehler produziert oder Texte schlecht formuliert. Das ist inzwischen nur ein Teil des Problems. Aktuelle Sprachmodelle können formal sehr gute Texte erstellen. Grammatik, Aufbau, Tonalität und Übergänge stimmen. Gerade dadurch entsteht jedoch eine andere Qualitätsfrage: Ein Text kann vollkommen korrekt, flüssig und professionell wirken, und trotzdem kaum etwas Eigenes enthalten.

Wir haben dieses Problem zuletzt unter dem Begriff Content Slop diskutiert. Gemeint ist damit nicht einfach KI-generierter Content. Ein menschlich geschriebener Beitrag kann ebenso belanglos sein. Kritisch wird es dort, wo Produktionsqualität und tatsächlicher Informationswert auseinanderfallen: Der Text sieht professionell aus, enthält aber nur Bekanntes, allgemeine Empfehlungen oder sprachlich sauber formulierte Selbstverständlichkeiten. Das Problem generativer KI besteht vor allem darin, dass sich solche Inhalte heute schneller, billiger und in größeren Mengen produzieren lassen. Mehr dazu in Content Slop: Wo KI-Content aufhört zu wirken und anfängt, Vertrauen zu kosten.

Jede weitere Bearbeitung kann etwas von der Besonderheit herausfiltern

Mit agentischen Content-Prozessen kommt ein zusätzlicher Effekt hinzu. Ein Ausgangstext wird nicht mehr nur einmal generiert. Unterschiedliche Systeme oder Arbeitsschritte bearbeiten ihn nacheinander: Recherche, Zusammenfassung, Strukturierung, Brand Voice, SEO, Kürzung, Social-Media-Adaption oder Personalisierung. Jede einzelne Stufe kann ihren Auftrag korrekt erfüllen. Trotzdem kann das Gesamtergebnis schlechter werden.

Der Grund liegt in einer Eigenschaft, die Sprachmodelle grundsätzlich nützlich macht: Sie erzeugen bevorzugt sprachlich plausible und kohärente Ergebnisse. Eine aktuelle Metaanalyse von 19 empirischen Studien findet einen kleinen, aber statistisch signifikanten Homogenisierungseffekt bei der Zusammenarbeit mit generativer KI. Eine weitere Untersuchung mit 2.200 Texten kommt ebenfalls zu dem Ergebnis, dass KI-generierte Inhalte auf Gruppenebene weniger zusätzliche Ideenvielfalt erzeugten als menschliche Texte. Diese Studien untersuchen keine agentischen Marketingprozesse. Sie liefern aber einen relevanten Hinweis darauf, dass zunehmende KI-Unterstützung Vielfalt nicht automatisch erhöht.

Für Content-Prozesse ergibt sich daraus eine naheliegende Gefahr, die wir als redaktionelle Hypothese verstehen sollten: Wenn mehrere KI-Stufen nacheinander auf Klarheit, Konsistenz und Anschlussfähigkeit optimieren, können sie Besonderheiten schrittweise herausarbeiten, allerdings im falschen Sinne des Wortes. Ein Interview enthält zunächst eine konkrete Erfahrung. Die Zusammenfassung macht daraus eine Beobachtung. Die nächste Stufe formuliert daraus eine Empfehlung. Bei der Anpassung an die Brand Voice wird die Aussage etwas vorsichtiger. Die Social-Media-Version verdichtet sie schließlich auf: „Unternehmen müssen Menschen, Prozesse und Technologie ganzheitlich zusammendenken.".

Nichts daran ist falsch. Nur ist von der ursprünglichen Information kaum noch etwas übrig.

Content braucht deshalb nicht noch mehr Konsistenz

An dieser Stelle reicht ein klassisches Content-Briefing mit Vorgaben wie „professionell, prägnant, verständlich und konsistent" nicht mehr. Solche Regeln können die Glättung sogar fördern. Wer agentische Prozesse für Content nutzt, sollte bewusst Gegenbewegungen einbauen. Unterschiedlichkeit muss zum Teil des Auftrags werden.

Fünf Ansätze erscheinen uns dafür besonders sinnvoll:

1. Nicht jede Stufe darf optimieren. Einzelne Arbeitsschritte sollten bewusst andere Aufgaben bekommen: Gegenargumente suchen, fehlende Beispiele markieren, ungewöhnliche Aussagen identifizieren oder prüfen, welche Aussage zu allgemein geworden ist.
2. Konkrete Informationen schützen. Zahlen, Originalaussagen, Beispiele, Erfahrungen und belegte Einzelbeobachtungen dürfen nicht ohne Grund durch abstraktere Formulierungen ersetzt werden.
3. Content-Briefings auf Abwechslung ausrichten. Nicht nur Brand Voice festlegen, sondern unterschiedliche Einstiege, Satzlängen, Argumentationsmuster und Perspektiven ausdrücklich zulassen. Sonst produziert eine konsistente Markenstimme schnell hundert Texte mit demselben sprachlichen Rhythmus.
4. Zwischendurch zur Quelle zurückspringen. Ein Agent sollte nicht immer nur den Output der vorherigen Stufe erhalten. Der Abgleich mit Interview, Studie, Transkript oder Ausgangsmaterial verhindert, dass sich frühe Vereinfachungen durch den gesamten Prozess ziehen.
5. Meta-Aussagen gezielt prüfen. Sätze wie „Unternehmen müssen jetzt handeln", „Technologie allein reicht nicht" oder „Menschen bleiben entscheidend" können richtig sein. Sie sollten aber die Frage überstehen: Welche konkrete Information enthält dieser Satz noch?

Diese Regeln sollen den Informationsverlust durch wiederholte Optimierung sichtbar machen, nicht Texte absichtlich inkonsistent oder kompliziert machen. Eine gute Schlussprüfung lautet deshalb nicht nur: Ist der Text korrekt und gut geschrieben? Ebenso wichtig ist: Was ist gegenüber dem Ausgangsmaterial verloren gegangen, und was steht hier noch, das nicht genauso in hundert anderen Beiträgen stehen könnte?

Agentische Systeme können auch zum Qualitätsprüfer werden

Interessanterweise lässt sich genau dasselbe technische Prinzip auch gegen die Verallgemeinerung einsetzen. Ein Agent muss nicht zwangsläufig den nächsten Text erzeugen. Er kann als Gegenleser arbeiten. Beispielsweise kann ein System ausschließlich Allgemeinplätze markieren, ein anderes nach Aussagen ohne Beleg suchen und ein drittes überprüfen, ob konkrete Beispiele aus dem Ausgangsmaterial im Laufe der Bearbeitung verschwunden sind.

Damit verändert sich die Rolle der KI im Content-Prozess. Nicht jeder Agent muss Produzent sein. Manche können bewusst eine redaktionelle Gegenfunktion übernehmen. Das erscheint uns gerade bei mehrstufigen Prozessen sinnvoller, als am Ende lediglich einen Menschen vor einen nahezu fertig automatisierten Beitrag zu setzen und um Freigabe zu bitten. Qualitätssicherung gehört dann in den Prozess und nicht nur an dessen Ende.

Beim Community Management liegt das Risiko an einer anderen Stelle

Community Management funktioniert anders. Hier ist zu große sprachliche und interpretative Freiheit gerade nicht erwünscht. Ein System beantwortet keine abstrakte Content-Aufgabe, sondern reagiert auf einen konkreten Menschen in einer konkreten Situation. Ein Kommentar kann ironisch gemeint sein, auf eine frühere Diskussion verweisen oder nur für Personen verständlich sein, die den Kontext einer Community kennen. Eine Beschwerde kann ein Einzelfall sein oder der erste sichtbare Hinweis auf ein größeres Problem.

Genau deshalb haben wir bereits in KI-Agenten im Social Media Management: Wo Automatisierung endet und Community Management beginnt argumentiert, dass der größere Nutzen agentischer Systeme häufig vor der eigentlichen Antwort liegt. Systeme können große Mengen an Kommentaren beobachten, Themen zuordnen, wiederkehrende Probleme erkennen, Vorgeschichten zusammentragen und auffällige Veränderungen melden. Je stärker eine Aufgabe dagegen Beziehung, Interpretation oder Moderation berührt, desto eher sollte KI assistieren statt autonom handeln.

Menschen müssen die KI nicht erkennen, um eine schlechte Antwort zu bemerken

Umgangssprachlich könnte man sagen: Menschen riechen schnell den Braten, wenn ihnen automatisch geantwortet wird. Wissenschaftlich müssen wir vorsichtiger sein. Menschen können KI-generierte Inhalte keineswegs zuverlässig als solche erkennen. Das eigentliche Problem liegt deshalb wahrscheinlich weniger in der sicheren Erkennung der Technologie als in der Wahrnehmung der Kommunikation.

Ein kontrolliertes Experiment mit 680 Personen in Social-Media-Diskussionen fand beispielsweise, dass einige KI-Hilfen zwar die Menge und Aktivität in Diskussionen erhöhen konnten, gleichzeitig aber die wahrgenommene Qualität und Authentizität der Gespräche beeinträchtigten. Eine 2026 veröffentlichte Untersuchung zu öffentlichen Antworten auf negative Bewertungen zeigt ebenfalls ein differenziertes Bild: Menschliche Standardantworten erzeugten dort mehr Vertrauen als entsprechende Standardantworten eines KI-Bots, wobei wahrgenommene Authentizität eine wichtige Rolle spielte. In bestimmten stärker rational ausgerichteten Antwortsituationen schnitt der KI-Bot dagegen besser ab. Eine einfache Regel „Mensch gut, KI schlecht" lässt sich daraus also gerade nicht ableiten.

Für die Kommunikationspraxis ist eine andere Beobachtung hilfreicher: Menschen bemerken sehr schnell, wenn eine Antwort ihre Situation nicht wirklich aufnimmt. Austauschbare Empathie, eine paraphrasierte Wiederholung des eigenen Kommentars oder ein freundlich klingender Standardsatz können formal perfekt sein und trotzdem vermitteln: Hier hat niemand wirklich zugehört. Das kann durch KI entstehen. Es kann genauso gut bei menschlichen Serviceprozessen passieren. Agentische Systeme erhöhen aber die Geschwindigkeit und Menge, mit der solche Antworten ausgespielt werden können.

Im Dialog sollte das System weniger schätzen, nicht besser schätzen

Genau hier unterscheiden sich Content Marketing und Community Management deutlich. Bei Content wollen wir verhindern, dass zu viel Konsistenz alles Besondere entfernt. Im direkten Dialog wollen wir dagegen verhindern, dass ein System aus wenigen Hinweisen zu viel interpretiert.

Wenn eine Frage eindeutig ist, kann Automatisierung weit gehen: Öffnungszeiten, Verfügbarkeit, Links, bekannte Serviceprozesse oder klar geregelte Auskünfte lassen sich häufig zuverlässig bearbeiten. Sobald eine Äußerung mehrdeutig wird, sollte die Regel anders aussehen. Ironie erkannt? Nicht kreativ zurückwitzeln, sondern gegebenenfalls an einen Menschen geben. Emotionale Beschwerde? Nicht den vermeintlichen Gefühlszustand erraten. Politisch oder reputationskritisch? Keine freie Interpretation. Unbekannte Vorgeschichte? Erst Kontext beschaffen oder eskalieren.

Gute Governance bedeutet hier deshalb weniger Schätzigkeit. Das System braucht klare Zuständigkeiten, definierte Informationsquellen und Schwellen, ab denen es nicht mehr selbst entscheidet. Dazu gehört auch die Möglichkeit, bewusst nicht zu reagieren. Professionelles Community Management besteht nicht darin, jeden Kommentar möglichst schnell mit einer Antwort zu versehen. Manchmal ist Beobachten sinnvoller. Manchmal entwickelt sich eine Diskussion selbst. Manchmal muss ein Thema intern eskaliert werden.

Automatisierung sollte menschliche Aufmerksamkeit besser verteilen

Damit verändert sich auch die Produktivitätslogik. Wenn ein Community-Team täglich große Mengen an Beiträgen manuell sichten muss, bindet es viel Zeit bei Tätigkeiten, für die KI inzwischen gut geeignet ist: Sortieren, Muster erkennen, Kontext zusammenstellen und Auffälligkeiten markieren. Genau dort kann ein agentischer Prozess erheblichen Nutzen erzeugen.

Der entscheidende Produktivitätsgewinn liegt weniger im automatischen Versand jeder Antwort. Er liegt darin, dass Menschen schneller erkennen, wo ihre Aufmerksamkeit tatsächlich gebraucht wird. Kritik mit größerer Reichweite, ein neu auftauchendes Problem, eine ungewöhnliche Stimmungslage oder eine komplexe Diskussion können früh sichtbar gemacht werden. Standardfälle laufen automatisiert. Beziehungen, Konflikte und sensible Situationen bleiben dort, wo Kontext und Urteilskraft vorhanden sind.

Die häufig formulierte Erwartung, agentische Systeme müssten möglichst viele Entscheidungen selbst übernehmen, um wirtschaftlich interessant zu sein, wird damit relativiert. McKinsey findet in seiner aktuellen Befragung von 521 Marketingverantwortlichen zwar eine breite KI-Nutzung, aber weniger als zehn Prozent berichten bislang davon, Wert über durchgängige End-to-End-Prozesse zu realisieren. Der sinnvolle Einsatz muss deshalb nicht in maximaler Autonomie liegen. Gerade in der Kommunikation kann ein besserer Informationsfluss zwischen System und Mensch wertvoller sein als eine vollständig automatisierte Ausführung.

Was sich für Kommunikationsverantwortliche tatsächlich ändert

Agentische Systeme machen eine schon länger bestehende Frage konkreter: An welcher Stelle eines Kommunikationsprozesses entsteht eigentlich der Wert menschlicher Arbeit? Bei einer Zusammenfassung oder Variantenbildung kann der Anteil sehr klein sein. Bei der Bewertung einer widersprüchlichen Quelle, der Auswahl einer ungewöhnlichen Perspektive oder einer Reaktion auf öffentliche Kritik kann er entscheidend sein.

Deshalb erscheint uns eine pauschale Regel wie „Human in the Loop" zu wenig hilfreich. Ein Mensch, der am Ende hundert automatisch erzeugte Inhalte freigibt, verbessert den Prozess nicht automatisch. Ebenso wenig braucht jede Standard-Serviceantwort eine manuelle Prüfung. Entscheidend ist die richtige Stelle der menschlichen Entscheidung. Beim Content kann sie früh liegen: Thema, Perspektive, Quellen und Substanz definieren. Später muss geprüft werden, ob diese Besonderheiten die automatisierte Bearbeitung überlebt haben. Im Community Management sollte der Handlungsspielraum dagegen mit wachsender Unsicherheit kleiner werden.

Fazit: Agentische Kommunikation braucht unterschiedliche Grenzen

Die aktuellen Studien geben keinen Anlass anzunehmen, dass Marketing und Kommunikation kurzfristig weitgehend autonom durch KI-Systeme laufen werden. Sie zeigen aber, dass zunehmend nicht nur einzelne Aufgaben, sondern komplette Arbeitsabläufe betrachtet werden. Für Content Marketing und Community Management entstehen daraus sehr unterschiedliche Anforderungen.

Im Content Marketing liegt die Gefahr darin, dass mehrere gut gemeinte Optimierungsschritte Inhalte immer sauberer und gleichzeitig immer allgemeiner machen. Hier braucht es bewusste Brüche, unterschiedliche Fragestellungen, abwechslungsreichere Briefings und eine wiederholte Rückbindung an die ursprüngliche Substanz. Im Community Management liegt das Risiko eher in einer zu freien Interpretation von Situationen. Hier helfen klare Regeln, enge Handlungsspielräume und eine frühe Übergabe an Menschen.

Die entscheidende Frage lautet deshalb nicht: Wie autonom können unsere KI-Systeme arbeiten? Sondern wesentlich konkreter: An welcher Stelle macht mehr Autonomie die Kommunikation besser, und an welcher Stelle nimmt sie ihr genau das, was sie wirksam macht?

Quellen und Vertiefungen

Externe Grundlagen: OWM / Accenture Song, „Agentic AI in Marketing – Moving Fast, Staying in Control" vom 17.03.2026; BCG CMO Survey 2026; McKinsey, „Reinventing marketing workflows with agentic AI" sowie „From anxiety to advantage"; de Rooij/Biskjaer, Metaanalyse zur Homogenisierung bei Human-AI Co-Creation; Doshi et al. beziehungsweise die aktuelle Forschung zur kreativen Homogenisierung; experimentelle Untersuchungen zur Wirkung KI-unterstützter Social-Media-Kommunikation und öffentlicher KI-Antworten.

Shift/MarKom-Vertiefungen: „Content Slop: Wo KI-Content aufhört zu wirken und anfängt, Vertrauen zu kosten" sowie „KI-Agenten im Social Media Management: Wo Automatisierung endet und Community Management beginnt".