von KI-Agenten im Marketing: Was ein Tech-Unternehmen aus dem Bau autonomer Content-Agenten gelernt hat
Nicht das größere Sprachmodell entscheidet über den Erfolg von KI im Marketing — sondern die Frage, ob der Agent die richtige Fähigkeit zum richtigen Zeitpunkt hat. Diese Erkenntnis eines KI-Startups spart Mittelständlern viel Geld an genau der falschen Stelle.
Ein KI-Startup baute Marketing-Agenten, die Content autonom recherchieren, schreiben und veröffentlichen. Nach Monaten Entwicklung stand fest: Mehr Rechenleistung und teurere Modelle waren nicht der Hebel. Die klar abgegrenzte Fähigkeit jedes Agenten war es. Wer im Mittelstand über KI im Marketing nachdenkt, kann aus diesem Praxisbericht direkt lernen, wo sich Investitionen lohnen — und wo nicht.
Das Problem: Marketing frisst Zeit, die der Mittelstand nicht hat
Das Team von Noumena stand vor einer Herausforderung, die jeder Mittelständler kennt: Marketing bindet Zeit und Fachkräfte. Recherchieren, Texten, Anpassen für LinkedIn, X, Blog — ein einzelner Beitrag durchläuft fünf bis acht Arbeitsschritte, jeder davon manuell.
Bei einem kleinen Team bedeutet das eine harte Wahl: entweder Content oder Kerngeschäft. Die naheliegende Idee war ein großer, mächtiger KI-Agent, der alles selbst erledigt. Genau hier scheiterten die ersten Versuche.
Der Agent bekam zu viele Aufgaben gleichzeitig, verlor den Kontext, halluzinierte Quellen und produzierte generischen Marketing-Text, den niemand lesen wollte. Mehr Rechenleistung half nicht. Ein teureres Modell auch nicht. Der Praxisbericht [Skill is All You Need: Lessons from Building Marketing Agents at Noumena](https://huggingface.co/blog/Noumena-AI/skill-is-all-you-need-lessons-from-building-market) beschreibt offen, dass die ersten Architekturen schlicht nicht funktionierten.
Die Lösung: Spezialisierte Agenten statt Alleskönner
Der Durchbruch kam mit einem Perspektivwechsel. Statt eines Alleskönners bauten die Entwickler spezialisierte Agenten, die jeweils nur eine klar umrissene Fähigkeit beherrschen: Recherche, Konsolidierung, Texten, Plattform-Anpassung.
Jeder Agent erhält ausschließlich den Kontext, den er für seine eine Aufgabe braucht, und gibt das Ergebnis an den nächsten weiter. Eine Pipeline statt eines Superhirns.
Der eigentliche Hebel ist der Kontext
Der zentrale Hebel war nicht das Modell, sondern die Aufbereitung: klare Anweisungen, präzise definierte Eingaben, abgegrenzte Verantwortung.
- Ein Agent, der weiß, dass er aus drei vorgegebenen Quellen einen 280-Zeichen-Post formuliert, liefert verlässlich.
- Ein Agent, der „mach mal Marketing“ hört, liefert Müll.
Die Lektion im Titel ist wörtlich gemeint: Skill is all you need — die Fähigkeit zählt, nicht die Größe.
Der Mensch bleibt an einer Stelle im Prozess
Konkret strukturierte das Team den Ablauf in Phasen: Signal sammeln, Thema verdichten, Entwurf schreiben, Freigabe durch einen Menschen, Veröffentlichung. Der Mensch bleibt im Prozess — aber nur noch an einer einzigen Stelle, der Freigabe. Den Rest erledigen die Agenten.
Die Ergebnisse: Vier belastbare Erkenntnisse
Aus dem Bericht lassen sich vier Lektionen für die Praxis ableiten:
- Modellgröße ist überbewertet. Kleinere, günstigere Modelle mit klarer Aufgabe schlugen größere Modelle mit unklarer Aufgabe. Für viele Schritte reicht ein günstiges Modell — das senkt die laufenden Kosten pro Beitrag erheblich.
- Spezialisierung schlägt Generalisierung. Vier abgegrenzte Agenten lieferten konsistentere Qualität als ein universeller Agent. Jeder Fehler ließ sich einem Schritt zuordnen und gezielt beheben.
- Der Engpass ist der Kontext, nicht die Rechenleistung. Die meiste Entwicklungszeit floss nicht in Technik, sondern in präzise Anweisungen und die Bereitstellung der richtigen Informationen.
- Mensch-im-Prozess bleibt Pflicht. Vollautonome Veröffentlichung ohne Freigabe führte zu Reputationsrisiken. Ein einziger menschlicher Freigabe-Checkpoint fing kritische Fehler ab, ohne den Durchsatz zu bremsen.
Übersetzt in den Marketing-Alltag heißt das: Ein Beitrag, der vorher einen halben Arbeitstag band, wird zur 15-Minuten-Freigabe eines fertigen Entwurfs. Die Mitarbeiter prüfen und entscheiden — sie tippen nicht mehr.
Was Mittelständler konkret mitnehmen können
Für ein Unternehmen mit 10 bis 500 Mitarbeitern sind diese Erkenntnisse direkt übertragbar:
Fazit
Die Versuchung ist groß, KI im Marketing als Frage der Rechenleistung zu behandeln: größeres Modell, mehr Budget, bessere Ergebnisse. Der Bericht von Noumena zeigt das Gegenteil. Der Unterschied zwischen funktionierender und nutzloser KI liegt in der Klarheit der Aufgabe und der Präzision der Anweisungen — beides können Mittelständler selbst gestalten, ohne Millionenbudgets.
Wer KI im Marketing einführen will, sollte deshalb nicht mit der Technik beginnen, sondern mit der Frage: Welche einzelne, klar umrissene Aufgabe soll der erste Agent übernehmen — und wie genau beschreibe ich ihm meine Marke?
Mehr dazu, wie sich Sprachmodelle sinnvoll im Mittelstand einsetzen lassen, lesen Sie in unseren Beiträgen zu ki-strategie-mittelstand und ki-tools-im-vergleich.
Quelle: [Skill is All You Need: Lessons from Building Marketing Agents at Noumena](https://huggingface.co/blog/Noumena-AI/skill-is-all-you-need-lessons-from-building-market)
