Agentic Advertising: Wenn der Bock zum Gärtner eurer Werbeplätze wird

Agentic Advertising: Wenn der Bock zum Gärtner eurer Werbeplätze wird

Ich falte das zweite Hemd in die Tasche für Berlin und denke an Anja und Tom.

Die beiden Trainees, die früher in unserer Agentur die Media-Buchungen kuratiert haben, bevor irgendein Algorithmus wusste, was ein sauberes Werbeumfeld überhaupt ist. Sie sind durch Flure getapert, die heute vom Homeoffice leergefegt sind, haben den Kopierer am Laufen gehalten und, ich schwöre, bis vor ein paar Jahren tatsächlich noch ein Faxgerät bedient, das offenbar niemand außer der Buchhaltung abschalten durfte. Anja und Tom haben sich durch Reportings gewühlt, verdächtige Domains aussortiert, Bauchentscheidungen getroffen, für die es damals noch kein Dashboard gab.

In ein paar Tagen stehe ich vor einer Gruppe, die Mitarbeiter wie Anja und Tom noch kennt. Echte Menschen, die Werbeplätze prüften, bevor Geld dafür floss. Ich muss dieser Gruppe erklären, dass das so nicht mehr stimmt. Nicht, weil der Einkauf jetzt automatisiert stattfindet, das ist schon eine ganze Weile so. Sondern weil die Maschine inzwischen auch das übernimmt, wofür wir früher Anja und Tom bezahlt haben: entscheiden, ob der Platz überhaupt etwas taugt.

Vor ein paar Tagen habe ich darüber bereits etwas geschrieben, mit einer Headline, die mir seitdem nicht mehr aus dem Kopf geht: «der Bock, der nun der Gärtner ist». Auf den Bühnen nennt man das gerade the new orange, ein Ausdruck, den ich mir nicht ausgedacht habe und der vor allem eines verrät: wie sehr die Branche schon wieder an ihrem eigenen nächsten großen Ding für die DMEXCO 2026 werkelt.

Was Anja und Tom eigentlich gemacht haben

Media-Trading war nie nur Einkauf. Es war auch Kontrolle. Jemand musste prüfen, ob die Seite, auf der eine Anzeige lief, wirklich existierte, ob echte Menschen sie besuchten, ob das Umfeld zur Marke passte. Diese Kontrolle lag in der Praxis oft bei genau den Kollegen, die am wenigsten Macht hatten, sie ernsthaft durchzusetzen. Anja und Tom haben trotzdem gemacht, was sie konnten. Stichproben gezogen, Listen gepflegt, Bauchgefühl gegen Reporting-Zahlen gehalten. Und sie haben, nebenbei, dafür gesorgt, dass am Ende mehr als ein Anbieter überhaupt zur Auswahl stand. Es war unvollkommen. Aber es war ein Mensch, der hinschaute, mit einem Interesse, das dem des Verkäufers nicht immer entsprach.

Zwei Geschichten, und keine davon ist ganz Anjas

Wenn ich die Forschung der letzten Monate nüchtern sortiere, zerfällt sie in zwei Geschichten, die gerade gerne in einen Topf geworfen werden, obwohl sie unterschiedliche Dinge beschreiben. Die eine passiert innerhalb der KI selbst, wenn ein System entscheidet, ob es in seiner eigenen Antwort eine bezahlte Empfehlung unterbringt. Die andere passiert draußen, wenn ein Agent auf eine ganz gewöhnliche Webseite mit ganz gewöhnlichen Bannern trifft. Beide laufen gerade unter demselben Etikett, agentic advertising. Beide haben trotzdem wenig miteinander zu tun, und keine der beiden ist wirklich die Geschichte von Anja und Tom.

Der Bock wird sein eigener Gärtner

Die erste Geschichte hat mit Anjas Job eigentlich nichts zu tun. Hier kauft niemand fremdes Inventar ein. Ein KI-System, ein Publisher im eigentlichen Sinn, entscheidet selbst, ob es sich mitten im eigenen Dialog monetarisiert. Der Baustein dafür trägt in einer Fachpublikation aus dem Haus von Microsoft den schönen Namen Opportunity Gate, eine Softwarekomponente, die entscheidet, ob eine Werbemöglichkeit genutzt wird, trainiert von genau dem Unternehmen, das an jeder genutzten Möglichkeit verdient. Das ist die reinste Form dessen, was ich früher beim Adfraud den Bock als Gärtner genannt habe, nur dass der Garten jetzt der eigene Satzbau ist.

Man muss dem System lassen, dass es dabei nicht einfach nur ja sagt. In den Tests senkte ein kostensensitives Training die Zahl der Fehlalarme, also Anzeigen, die eingeblendet wurden, obwohl gar keine Kaufabsicht vorlag, um gut 39 Prozent, ohne dass echte Kaufabsichten übersehen wurden. Das ist die Disziplin, die Anja jahrelang mit einer Excel-Liste und einem schlechten Gewissen erledigt hat, jetzt in einer Kennzahl, nur dass sie diesmal für den Verkäufer arbeitet, nicht für den Einkäufer.

Wie fein diese Selbstkontrolle inzwischen gestaffelt ist, zeigt eine Einordnung des kommerziellen Einflusses in solchen Systemen, die vier Stufen unterscheidet. Die simpelste ist die Markennennung, ein Produkt wird schlicht genannt. Die zweite verändert, welche Argumente oder Quellen der Agent in seiner Antwort betont, ohne dass eine Marke fällt. Die dritte lenkt aktiv zu einer bestimmten Handlung oder Plattform. Die vierte prägt über viele Gespräche hinweg, welche Präferenzen sich überhaupt erst bilden. Je höher die Stufe, desto schwerer wird der Einfluss zu erkennen, zu messen und anzufechten. Am gefährlichsten ist dabei etwas fast Banales, die Auswahl der Werkzeuge selbst. Fragt ein Einkaufs-Agent für eine Reise nur eine einzige Buchungs-API ab, tauchen konkurrierende Anbieter in seiner Entscheidung gar nicht erst auf. Nicht verloren, nicht schlecht bewertet, einfach nie betrachtet.

Andere Teams haben Bewertungsmodelle gebaut, die vorhersagen sollen, ob ein Mensch auf eine eingebettete Empfehlung reagieren würde. Ein solches Modell erkannte einen Wechsel zu einem unpassenden Produkt in 79 Prozent der Fälle richtig, deutlich öfter als einfachere KI-Bewerter mit 60 bis 67 Prozent. In einem Blindvergleich stimmte seine Auswahl in 92 Prozent der Fälle mit dem Urteil menschlicher Prüfer überein, bei eindeutigen Fällen sogar in 96 Prozent. Was das Modell nicht liefert, schreiben die Autoren selbst dazu, ist eine kalibrierte, echte Klickwahrscheinlichkeit. Die Zahl klingt nach Gewissheit. Sie ist vorerst nur eine sehr überzeugende Vermutung.

Auch der Zeitpunkt wird verhandelt, nicht nur, wer gewinnt. Ein Modell für dynamische Auktionen berechnet, an welcher Stelle eines mehrstufigen Dialogs eine Empfehlung am wirkungsvollsten platziert wird, mit Verfahren aus der Optimal-Stopping-Theorie, die eigentlich berechnen, wann man in einer Entscheidungsfolge am besten zugreift. In simulierten Gesprächen erhöhte das den Nettoerlös um 11 Prozent gegenüber einem festen Entscheidungsmoment. Es sind simulierte Gespräche der Agenten, das ist wichtig. Echte Klicks, echte Gebote gab es hier nicht.

Das System aus dem Haus von Microsoft, das solche Entscheidungen bereits live trifft, meldet nach mehreren Trainingsrunden im Offline-Test 82 Prozent mehr Relevanz und 63 Prozent mehr Vielfalt in den ausgespielten Anzeigen. In einem zwanzigtägigen Online-Test waren es 22 Prozent mehr Umsatz pro tausend Antworten, bei einer um 74 Prozent höheren Anzeigenabdeckung. Offiziell gilt das System noch als «work in progress». Live geschaltet ist es trotzdem.

Der Sofortirrtum kennt keinen Zweifel. Die Opportunity Gate, die sich selbst genehmigt, auch nicht.

Wo Agenten wirklich auf Werbeplätze treffen

Die zweite Geschichte ist näher an dem, was ich der Gruppe in Berlin eigentlich erzählen will. Hier trifft ein Agent auf einen echten Werbeplatz auf einer echten Seite, so wie es früher ein Mensch getan hätte. In einem Experiment mit mehreren KI-Agenten auf einer künstlichen Buchungsplattform traf GPT-4o in 90 von 100 Durchläufen eine klare Buchungsentscheidung, Gemini 2.0 Flash dagegen nur in 43 von 100. Fragte ein Nutzer nach dem «billigsten» Zimmer, wählte der Agent in 90 bis 100 Prozent der Fälle tatsächlich das günstigste passende Angebot, zuverlässiger als bei jedem anderen Kriterium. Strukturierte Daten wie Preisfelder, Verfügbarkeit und passende Stichworte wirkten insgesamt deutlich stärker als hübsch gestaltete Werbebanner. Ein Agent lässt sich nicht von einem schönen Foto verführen, er liest das Feld, so wie früher ein Trainee die Tabelle gelesen hat, nur ohne Mittagspause und ohne das leise Unbehagen, das Anja manchmal überkommen hat, wenn eine Zahl zu gut aussah, um wahr zu sein.

Was fehlt

Was in keiner der beiden Geschichten wirklich vorkommt, ist die eigentliche Ablösung von Anja und Tom, ein Agent, der selbst als Trader auftritt, der für einen Kunden Werbeplätze über Auktionen einkauft, Inventar prüft, Listen pflegt. Diese Automatisierung passiert höchstwahrscheinlich auch gerade, nur redet darüber niemand mit denselben Folien wie über das schillernde neue Werbeformat innerhalb der KI-Antworten. Die laute Geschichte handelt vom Werbeplatz, der sich in einen selbstgeführten Gesprächsmoment auflöst. Die leise Geschichte handelt davon, dass der alte Werbeplatz einfach weiter existiert, nur dass niemand mehr wie Anja am Montagmorgen genau hinschaut.

Was bleibt

Ich weiß noch nicht genau, mit welchem Satz ich das der Gruppe in Berlin beibringen werde. Vielleicht sage ich ihnen, es gibt eine laute und eine leise Nachricht. Die laute: der Werbeplatz, wie ihn Anja und Tom kannten, bekommt gerade einen lauten neuen Nachbarn, eine Kontrollinstanz, die aussieht wie ein Korrektiv, aber derselben Firma gehört, die an der eigenen Antwort mitverdient. Die leise: die Frage, ob überhaupt mehr als ein Anbieter im Rennen war, wird nirgendwo lauter gestellt. Sie wird einfach nicht mehr gestellt. Das Faxgerät steht wahrscheinlich noch irgendwo in einem Lagerraum, und niemand hat vor, es wieder anzuschließen.