Von AI Agents zu Physical AI: Das nächste Marketing-Betriebsmodell
Von AI Agents zu Physical AI: Das nächste Marketing-Betriebsmodell
Marketing steht vor einer Verschiebung, die über schnellere Content-Produktion hinausgeht. Während generative KI in den vergangenen Jahren vor allem Texte, Bilder, E-Mails und Kampagnenvarianten beschleunigt hat, rückt nun eine andere Fähigkeit in den Mittelpunkt: Systeme können Ziele verfolgen, Entscheidungen vorbereiten oder ausführen und mehrere Schritte über verschiedene Tools hinweg koordinieren.
Diese Entwicklung wird häufig als agentische KI beschrieben. Für Marketingverantwortliche ist sie deshalb relevant, weil sie aus einzelnen Automatisierungen zunehmend vernetzte Entscheidungsprozesse machen kann. Noch weiter reicht der nächste Schritt: KI wird nicht nur in Software, sondern auch in physischen Umgebungen wirksam. Roboter, vernetzte Produkte, Sensoren, Displays, Fahrzeuge oder intelligente Geräte können Teil derselben Customer Experience werden.
Damit verändert sich die Rolle des Marketings. Aus Kampagnen, Kanälen und Kontaktpunkten kann ein System entstehen, das Signale auswertet, Entscheidungen trifft, Inhalte erzeugt, Aktionen auslöst und daraus lernt.
Warum Agentic AI anders ist als klassische Automatisierung
Klassische Marketing-Automation folgt in der Regel vordefinierten Regeln. Ein Ereignis löst eine Nachricht aus, ein Segment erhält eine Kampagne, ein Lead-Score startet eine Vertriebsaktion. Agentische KI erweitert dieses Prinzip. Sie kann Daten interpretieren, Handlungsoptionen vergleichen, Systeme nutzen und Ergebnisse in ihre nächsten Entscheidungen einbeziehen.
Im Marketing könnte ein solcher Agent zum Beispiel Veränderungen im Kundenverhalten erkennen, Zielgruppen neu bewerten, Inhalte anpassen, Tests starten, Budgets verschieben oder eine nächste Interaktion im CRM auslösen. Der Unterschied liegt nicht nur in der Effizienz. Es geht um eine neue Entscheidungsebene zwischen Analyse und Ausführung.
Die zentrale Frage verschiebt sich damit von der Tool-Auswahl zur Gestaltung des Betriebsmodells. Unternehmen müssen entscheiden, welche kommerziellen Entscheidungen weiterhin vollständig beim Menschen liegen, wo KI Empfehlungen geben darf und wo Systeme innerhalb klarer Grenzen eigenständig handeln können.
Physical AI erweitert Marketing in die reale Welt
Parallel dazu entwickelt sich ein zweiter Bereich: Physical AI. Gemeint sind KI-Systeme, die ihre physische Umgebung erfassen, interpretieren und über Geräte oder Maschinen handeln können. Dazu gehören nicht nur humanoide Roboter. Relevant sind auch Service-Roboter, Kiosksysteme, intelligente Regale, vernetzte Produkte, autonome mobile Systeme, digitale Displays, Fahrzeuge oder industrielle Maschinen.
Die International Federation of Robotics meldete für 2024 fast 200.000 weltweit verkaufte professionelle Service-Roboter. Einsatzfelder reichen von Logistik und Reinigung über Gesundheitswesen und Hospitality bis zu Informations- und Leitsystemen in öffentlichen Räumen. Gleichzeitig bleibt der Markt noch unreif. Gartner weist in einer Einschätzung für 2026 darauf hin, dass Physical AI zwar erhebliches Veränderungspotenzial besitzt, aber auch deutliche Umsetzungs- und Reiferisiken mitbringt.
Für Marketingorganisationen ist der strategische Punkt dennoch klar: Digitale Erlebnisse enden künftig seltener am Bildschirm. Wenn Software-Agenten mit physischen Endpunkten verbunden werden, können Kundeninteraktionen in Filialen, Showrooms, Events, Serviceumgebungen oder über vernetzte Produkte dynamischer gesteuert werden.
Ein neues System für Kundenerlebnisse
Ein mögliches Szenario zeigt die Richtung. Eine Kundin recherchiert morgens ein Produkt mit Hilfe eines persönlichen KI-Assistenten. Später besucht sie ein Geschäft. Ein Service-Roboter oder ein interaktives System erkennt den Kontext, beantwortet Fragen und hilft bei der Orientierung. Im Hintergrund prüft ein Agent die Verfügbarkeit, bewertet, ob ein Angebot sinnvoll ist, und bereitet die Abwicklung vor.
Nach dem Kauf endet der Prozess nicht. Transaktionsdaten, Service-Feedback und Nutzungssignale können zurück in CRM-, Commerce-, Marketing- und Bestandssysteme fließen. Ein Agent bewertet das Ergebnis, aktualisiert Präferenzen und passt spätere Kommunikation an. Der nächste Kontakt kann über eine App, einen Verkäufer, ein Produkt, ein Assistenzsystem oder eine Maschine erfolgen.
Der klassische Begriff der Customer Journey reicht für ein solches Modell nur noch bedingt aus. Es geht weniger um lineare Kontaktstrecken und stärker um ein intelligentes Kundensystem, das digitale, menschliche und physische Interaktionen miteinander verbindet.
Die fünf Ebenen eines KI-gestützten Marketingmodells
Damit solche Systeme funktionieren, brauchen Unternehmen mehr als einzelne Pilotprojekte. Entscheidend ist eine Architektur, die Daten, Entscheidungen, Content, Kanäle und operative Systeme zusammenführt.
Erstens benötigen Unternehmen eine kontinuierliche Intelligenzschicht. Statt nur periodisch Reports zu erstellen, können Signale aus CRM, Webanalyse, Suche, Commerce, Service, Medien, Produktnutzung und physischen Interaktionen laufend ausgewertet werden. Erkenntnisse werden dadurch weniger zum Ergebnis einzelner Studien und stärker zu einem operativen Eingangssignal.
Zweitens entsteht eine autonome Entscheidungsschicht. KI kann mögliche Maßnahmen gegen Ziele, Regeln und Einschränkungen prüfen. Sie kann beispielsweise bewerten, ob ein Angebot angezeigt, ein Budget erhöht, eine Zielgruppe priorisiert oder ein Vertriebskontakt ausgelöst werden sollte. Hier müssen Unternehmen klare Entscheidungsrechte definieren.
Drittens wird eine generative Erlebnisschicht wichtiger. Inhalte, Produktinformationen, Angebote, Bilder, Videos und Serviceantworten können kontextabhängig zusammengesetzt werden. Damit steigt jedoch der Bedarf an maschinenlesbarer Markenführung. Tonalität, Claims, Bildregeln, rechtliche Vorgaben und Produktwissen müssen so strukturiert sein, dass KI sie zuverlässig anwenden kann.
Viertens kommt eine physische Ausführungsschicht hinzu. Entscheidungen aus digitalen Systemen können reale Handlungen auslösen, etwa über Displays, Roboter, mobile Systeme, vernetzte Geräte oder Logistikprozesse. Dadurch verschwimmt die Grenze zwischen digitalem und physischem Kundenerlebnis.
Fünftens braucht es Orchestrierung und Lernen. Einzelne Agenten für Zielgruppen, Content, Media, CRM, Commerce oder Service dürfen nicht isoliert optimieren. Sie müssen Ziele teilen, Konflikte erkennen, Prioritäten abstimmen und Ergebnisse in zukünftige Entscheidungen einbeziehen.
Marketing richtet sich auch an Maschinen
Ein weiterer Effekt betrifft die Auffindbarkeit und Bewertung von Angeboten. Zunehmend können nicht nur Menschen, sondern auch KI-Agenten Produkte vergleichen, Anforderungen prüfen und Kaufentscheidungen vorbereiten. Damit wird es wichtiger, dass Markeninformationen von Maschinen verstanden und verifiziert werden können.
Strukturierte Produktdaten, klare Preise, verfügbare Spezifikationen, belastbare Bewertungen, Schnittstellen, aktuelle Wissensdatenbanken und verständliche Richtlinien werden zu Marketing-Assets. Wenn ein Agent ein Angebot nicht eindeutig interpretieren oder mit einem System nicht zuverlässig interagieren kann, sinkt die Chance, überhaupt in die engere Auswahl zu kommen.
Governance wird Teil der Marketingarchitektur
Je stärker Systeme eigenständig handeln, desto wichtiger werden Kontrolle, Transparenz und Verantwortlichkeit. Das gilt besonders für europäische Unternehmen. Seit dem 2. August 2026 greifen wichtige Transparenzanforderungen des EU AI Act, unter anderem für bestimmte KI-Interaktionen und synthetische Inhalte.
Marketingorganisationen sollten Governance daher nicht nachträglich ergänzen. Sie gehört in das Design der Systeme. Dazu zählen Identitäts- und Berechtigungsmanagement, menschliche Aufsicht, Protokollierung, Datenschutz, Modellmonitoring, Cybersecurity, Herkunftsnachweise für Inhalte und klare Eskalationswege. Bei Physical AI kommt hinzu, dass Softwareentscheidungen reale Aktionen auslösen können.
Ein pragmatischer Grundsatz lautet: Autonomie sollte nur so schnell wachsen wie die Fähigkeit eines Unternehmens, sie zu beobachten, zu begrenzen und zu steuern.
Was Marketingverantwortliche jetzt prüfen sollten
Der Nutzen agentischer KI entsteht selten durch eine möglichst große Sammlung von Tools. Wichtiger ist die Auswahl der richtigen Entscheidungen und Workflows. Unternehmen sollten zunächst die wiederkehrenden kommerziellen Entscheidungen identifizieren, die Umsatz, Kundenerlebnis oder Kosten wesentlich beeinflussen.
Darauf aufbauend sollten sie End-to-End-Prozesse neu gestalten, Daten aus CRM, Analytics, Content, Commerce und Betriebssystemen verbinden und Markenwissen maschinenlesbar machen. Ebenso wichtig ist eine klare Abstufung der Autonomie: Welche Systeme beraten, welche handeln nach Freigabe und welche dürfen innerhalb enger Grenzen selbst ausführen?
Wo physische Kontaktpunkte relevant sind, sollten Unternehmen zudem prüfen, wie Stores, Serviceumgebungen, vernetzte Produkte, Displays oder Roboter in eine gemeinsame Customer-Experience-Architektur integriert werden können. Erfolg sollte nicht an erzeugten Prompts oder automatisierten Stunden gemessen werden, sondern an Geschäftsergebnissen wie zusätzlichem Umsatz, Conversion, Kundenbindung, Geschwindigkeit, Servicekosten und Zufriedenheit.
Vom Kampagnenmanagement zum intelligenten Betriebssystem
Marketing hat sich über mehrere Technologiestufen entwickelt. Massenmedien brachten Reichweite, digitale Kanäle brachten Messbarkeit, Marketing-Automation brachte Skalierung und generative KI brachte neue Produktionsgeschwindigkeit. Agentische KI fügt Entscheidungsfähigkeit hinzu. Physical AI erweitert diese Entscheidungen in die reale Welt.
Für Unternehmen liegt die Chance nicht darin, möglichst viel Autonomie zu schaffen. Entscheidend ist, kommerzielle Systeme zu bauen, die bessere Entscheidungen treffen, konsistente Erlebnisse ermöglichen und messbare Wirkung erzielen. Gleichzeitig müssen sie transparent, kontrollierbar und markenkonform bleiben.
Die nächste Entwicklungsstufe des Marketings wird KI deshalb nicht nur als Werkzeug nutzen. Sie wird zunehmend über KI organisiert, gesteuert und kontinuierlich verbessert.