---
title: "Architektur eines AI Marketing Operating Systems"
description: "Architektur mit acht Ebenen, Human + AI Execution Model und Workflow-Spezifikation: So werden KI-Tools zu einem gesteuerten Marketing Operating System."
url: "https://kodokalabs.com/de/intelligence-hub/ai-marketing-transformation/ai-marketing-operating-system-architektur/"
language: de
published: 2026-10-05
updated: 2026-11-06
---

# Architektur eines AI Marketing Operating Systems

## Zusammenfassung für die Geschäftsleitung

Wir bei kōdōkalabs beobachten seit Jahren dasselbe Muster in Marketing-Organisationen großer Unternehmen: erhebliche Ausgaben für KI, wuchernde Tool-Landschaften und kaum nachhaltige Veränderung dessen, wie Marketing tatsächlich arbeitet. Das Problem ist nicht die Technologie. Die Marketingführung entscheidet immer wieder über den Einkauf von Software, wo die Lage ein neu gestaltetes Operating Model verlangt. Dieser Leitfaden stellt den Architecture Decision Stack mit acht Ebenen vor, mit dem wir ein gesteuertes AI Marketing Operating System entwerfen, das Human + AI Execution Model, das jede Marketingaufgabe der passenden Stufe menschlicher Aufsicht zuordnet, und die Workflow-Spezifikation mit elf Feldern, die einen Prozess reproduzierbar macht, statt ihn im Erfahrungswissen Einzelner zu belassen. Dazu kommen die Disziplinen für Diagnose und Capability Transfer, die alles mit messbarer Wirkung verbinden.

## Die wichtigsten Erkenntnisse zur Architektur des AI Marketing Operating Systems

- Die Einführung von KI-Tools und kommerzielle Wirkung durch KI sind nicht dasselbe. Beides zu verwechseln, ist der häufigste Grund, warum KI-Marketingvorhaben in Unternehmen nach einem vielversprechenden Pilotprojekt ins Stocken geraten.
- Der Architecture Decision Stack ordnet acht voneinander abhängige Entwurfsebenen in eine Reihenfolge, von Geschäftsergebnis und Umfang bis zu Enablement und [Capability Transfer](../../pages/en/ai-marketing-framework/ai-marketing-enablement-and-capability-transfer.md). Keine Ebene wird isoliert entworfen.
- Das Human + AI Execution Model ordnet jede Marketingaufgabe einer von vier Stufen zu: in menschlicher Hand, KI-unterstützt, KI-ausgeführt unter Aufsicht oder untersagt. Maßgeblich sind Markenexposition und operative Umkehrbarkeit, nicht Bequemlichkeit.
- Ein Workflow ist erst produktionsreif, wenn er über elf Felder spezifiziert ist: Auslöser, Eingaben, Schritte, Verantwortliche, Systeme, Wissen, Ausnahmen, Freigaben, Ergebnisse, Nachweise und Kennzahlen. So konkret, dass er den Weggang der Person übersteht, die ihn gebaut hat.
- [Generative Engine Optimization](../en/generative-engine-optimization-geo-the-complete-guide.md) hängt heute von Informationsdichte und überprüfbarer Entitätsstruktur ab, nicht von der Platzierung von Keywords. Ein Content-Betrieb ohne Architektur wird für die Antwortsysteme, die die klassische Suche ablösen, unsichtbar.

## Die zentrale These: Warum das Marketing in Unternehmen KI falsch herum angeht

Marketing-Organisationen im Mittelstand und in Großunternehmen haben generative KI-[Tools](../../pages/en/tools.md) in einem Tempo übernommen, das vor fünf Jahren undenkbar schien. Lizenzen für Schreibassistenten, Recherche-Copiloten und Bildgeneratoren gibt es in nahezu jeder Marketingabteilung, mit der wir arbeiten. Die Neugestaltung dessen, wie Marketing unter diesen Werkzeugen arbeitet, hielt damit nicht Schritt. Wir sehen Abteilungen, die die Technologie gekauft und das [Operating Model](../en/ai-native-marketing-organization-operating-model-and-roles.md), in dem sie laufen sollte, nie angefasst haben. In dieser Lücke steckt fast jedes gestockte KI-Vorhaben.

Das ist die Überzeugung, die wir in jedes Projekt einbringen: Marketing-Organisationen haben KI-Tools eingeführt, aber nicht neu gestaltet, wie Marketing tatsächlich arbeitet. Dieses Missverhältnis, und nicht ein Mangel der Modelle, ist der wichtigste Grund, warum KI-Vorhaben keine Ergebnisse liefern, die bis ins Aufsichtsgremium tragen. Tool-Wildwuchs und operativer Stillstand sind keine Gegensätze. Sie bestehen in derselben Organisation nebeneinander, oft im selben Quartal, denn Software zu kaufen verlangt keine Änderung bei Entscheidungsrechten, Prüf-Workflows, Daten-Governance oder Teamstruktur. Die Neugestaltung des Operating Models verlangt alle vier.

Die empirische Ausgangslage ist ernüchternd und gut belegt. Die [Forschung der RAND Corporation](https://www.rand.org/pubs/research_reports/RRA2680-1.html) zu den Ergebnissen von KI-Projekten kommt zu dem Schluss, dass mehr als 80 % der KI-Projekte vollständig scheitern, etwa doppelt so viele wie bei vergleichbaren IT-Vorhaben ohne KI. Als Hauptursachen nennt sie einen verfehlten Zweck, schwache Datengrundlagen und schwindende Unterstützung durch die Geschäftsleitung und nicht technische Grenzen. [Gartner](https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025) liefert einen Ausblick: Mindestens 30 % der Projekte mit generativer KI werden nach dem Proof of Concept voraussichtlich aufgegeben, und ein deutlich größerer Anteil, nämlich 40 % der Initiativen mit agentischer KI, soll bis 2027 eingestellt werden. Unterschiedliche Methoden, unterschiedliche Zeithorizonte, derselbe Befund: KI-Marketingvorhaben scheitern in einem Ausmaß, das bei anderen Technologieinvestitionen nie toleriert würde, und die Ursache liegt in der Organisation, nicht im Algorithmus.

Unsere These folgt aus diesen Belegen: Künstliche Intelligenz liefert im Marketing nur dann kumulierenden kommerziellen Wert, wenn sie als Neugestaltung des Operating Systems umgesetzt wird, die Workflows, Datenarchitektur, Governance und Capability Transfer umfasst, und nicht als Posten im Einkauf, der auf eine unveränderte Organisation aufgesetzt wird. Ein Operating System meint hier die Gesamtheit aus Entscheidungsrechten, Workflows, Wissensstrukturen, Governance-Freigaben, [Mess](../../pages/en/ai-marketing-framework/ai-marketing-measurement-and-value-realization.md)-Ausgangsbasen und Enablement-Mechanismen, die bestimmen, wie Arbeit erledigt, geprüft und verbessert wird. Ein Tool ist eine Komponente dieses Systems, nie ein Ersatz dafür. Der Rest des Leitfadens zeigt Ebene für Ebene, wie es aussieht, wenn es mit ingenieurmäßiger Disziplin gebaut statt zusammengewürfelt wird.

## Die Anatomie des Scheiterns bei der Einführung

Bevor wir ein Operating System entwerfen, das funktioniert, sollten wir die vier Fehlerbilder benennen, die jene zu Fall bringen, die nicht funktionieren. Jedes zeigt sich in den Organisationen, die wir diagnostizieren, immer wieder und hat eine erkennbare Signatur.

Das erste ist die Falle der Einzellösungen. Einzelne Teams und Mitarbeitende führen generative Tools unabhängig voneinander ein: Eine Content-Leitung probiert einen browserbasierten Assistenten aus, eine Demand-Generation-Managerin baut sich eine private Prompt-Bibliothek, ein Product Marketer füttert einen Chatbot mit Wettbewerbsinformationen, ohne dass eine Richtlinie zum Umgang mit Daten gilt. Jede Entscheidung ist für sich nachvollziehbar. Keine ist abgestimmt, auffindbar dokumentiert oder an einem gemeinsamen Governance-Standard bewertet. Softwarewildwuchs folgt fast sofort: Lizenzen, deren Auslastung niemand verfolgt, Prompt-Bibliotheken in der privaten Notiz-App und kein Mechanismus dafür, dass sich verbindet, was ein Team lernt und ein anderes längst weiß. Am Ende stehen Dutzende kleiner, unverbundener KI-Experimente und keine angesammelte Kompetenz.

Das zweite ist der Prüfungsengpass, das Fehlerbild, das bis zum Blick auf die Zahlen wie ein Erfolg aussieht. Generative Tools können erste Entwürfe um ein Vielfaches schneller erzeugen, fünffach schnellere Rohtexte für Routine-Marketingmaterial sind eine plausible, oft konservative Schätzung. Faktenprüfung, Abgleich mit der Markensprache, rechtliche Prüfung und redaktionelles Urteil braucht jeder Inhalt vor der Veröffentlichung trotzdem. Diese Arbeit verschwindet nicht, sie verlagert sich nach hinten, drängt sich in ein kürzeres Zeitfenster und landet bei der Senior-Redaktion und den fachlich Prüfenden, deren Zeit ohnehin knapp ist. Ein Team, das fünfmal so viele Entwürfe erzeugt, ohne Prüfkapazität auszubauen, liefert nicht fünfmal so viele fertige Ergebnisse, sondern eine Warteschlange. Sie wächst, bis jemand den Prüfstandard senkt, was eigene Risiken schafft, oder einräumt, dass der Produktivitätsgewinn auf Organisationsebene nie real war, obwohl er beim Entwurf real war.

Das dritte ist der Wissenskollaps. Ein großes Sprachmodell ohne strukturierte Verankerung im Kontext (ohne dokumentierte Markensprache, geprüfte eigene Daten und definierte Wissensdatenbank) greift zur statistisch sichersten, allgemeinsten Formulierung seiner Trainingsverteilung. Das Ergebnis liest sich kompetent und flüssig und ist von dem, was jeder Wettbewerber mit demselben Tool erzeugen würde, nicht zu unterscheiden. Schlimmer noch: Erzeugung ohne Verankerung birgt ein reales Halluzinationsrisiko, also Aussagen, Statistiken oder technische Details, die selbstsicher klingen und schlicht falsch sind. Solche Inhalte in großer Menge zu veröffentlichen, riskiert mehr als gelegentlich eine peinliche Korrektur: Artikel für Artikel höhlt es die differenzierte Marktpositionierung aus, die sich ein Unternehmen über Jahre aufgebaut hat, und ersetzt sie durch Inhalte, die von überall hätten stammen können.

Das vierte Fehlerbild ist aus dem Inneren der Marketingabteilung schwerer zu erkennen, weil es in der Geschäftsbeziehung liegt und nicht im internen Prozess: die Bindung an Agentur-Retainer. Klassische Agenturmodelle rechnen nach Zeit oder Liefervolumen ab, und generative Tools erlauben vielen Agenturen, dieses Volumen schneller zu produzieren, ohne dass sich ändert, was sie liefern. Das kommerzielle Interesse der Agentur läuft dem Aufbau interner Kompetenz beim Kunden zuwider, denn wer sein KI-gestütztes Marketing selbst betreiben kann, braucht den Retainer nicht mehr. Das Unternehmen zahlt laufende Honorare für eine Ausführung, die inzwischen deutlich schneller entsteht, während institutionelles Wissen, Prompt Engineering, Workflow-Dokumentation und die technische Architektur undokumentiert bei der Agentur bleiben. Der Kunde zahlt für Tempo, das die KI geschaffen hat, ohne je die operative Verantwortung zu gewinnen, es selbst zu nutzen.

![Abbildung 1: Die Kluft bei der KI-Einführung in Unternehmen](https://kodokalabs.com/assets/media/2026/10/kodokalabs-intelligence-hub-ai-marketing-tranformation-ai-marketing-operating-system-architecture-enterprise-ai-adoption-divide.webp)

*Abbildung 1: Die Kluft bei der KI-Einführung in Unternehmen*

Das Diagramm stellt zwei Wege nebeneinander. Der Weg der Ad-hoc-Einführung führt von unverbundenen Prompt-Eingaben über unkuratiertes Erfahrungswissen auf einzelnen Laufwerken in unbeaufsichtigtes Entwerfen durch große Sprachmodelle, in einen Rückstau der redaktionellen Prüfung und zu generischer Veröffentlichung. Am Ende stehen kein institutionelles Gedächtnis und messbare Verwässerung der Marke. Der Weg des gesteuerten Operating Systems führt von einem definierten Geschäfts-KPI-Rahmen über eine gesteuerte Wissensebene aus Vektorspeicher und [Knowledge Graph](../en/knowledge-graphs-for-marketing-seo-and-ai.md) in spezialisierte [Agentic-Drafting-Pipelines](../../pages/en/methodology/agentic-drafting.md), durch programmatische Risikoprüfungen und in menschlich gesteuerte Entscheidungstore. Daraus entstehen informationsdichte, zitierfähige Assets, und am Ende stehen sich verstärkende Telemetriedaten, die jeden Zyklus besser informiert machen als den vorigen. Beide Wege beginnen mit demselben Rohmaterial, dem Zugang zu generativer KI, und enden an entgegengesetzten Zielen, weil dazwischen etwas anderes liegt.

## Der zentrale Bauplan: der Architecture Decision Stack

Sind die Fehlerbilder benannt, wird die Entwurfsfrage konkret: Was muss in welcher Reihenfolge entschieden werden, damit ein KI-Marketingvorhaben sich verstärkt, statt zu stocken? Wir ordnen diese Arbeit mit dem Architecture Decision Stack, der eigenen [Methodik](../../pages/en/methodology.md) von kōdōkalabs und keinem extern standardisierten Architektur-[Framework](../../pages/en/ai-marketing-framework.md). Er reiht acht verbundene Ebenen vom Geschäftsergebnis bis zu Enablement und Übergabe der Verantwortung. Jede Ebene baut auf der darüber auf.

### Ebene 1: Geschäftsergebnis und Umfang.

Jede Architekturentscheidung muss sich auf ein konkretes kommerzielles Ergebnis zurückführen lassen, etwa ein Pipeline-Ziel, eine Verkürzung der Durchlaufzeit oder eine Benchmark für die Kosten pro Asset, und nicht auf den vagen Anspruch, „mehr KI zu nutzen“. Sie legt außerdem fest, was ausdrücklich nicht zum Umfang gehört, damit das Vorhaben nicht in Nachbarprobleme ausufert, für die niemand Zeit oder Governance-Kapazität eingeplant hat. Diese Ebene zu überspringen, ist der häufigste Grund, warum ein Pilotprojekt, das in einem engen Testfall gut lief, kollabiert, sobald jemand versucht, es auf die gesamte Marketingfunktion zu verallgemeinern.

### Ebene 2: Operating Model und Entscheidungsrechte.

Diese Ebene beantwortet, wer was entscheidet: das verantwortliche Governance-Gremium, die RACI-Struktur über Marketing, Recht, Marke und IT und vor allem, wer einen Prompt, Workflow oder eine Modellkonfiguration freigeben, ändern oder außer Dienst stellen darf. Ohne ausdrückliche Entscheidungsrechte fällt die Befugnis an die Person, die mit dem Tool am besten zurechtkommt, und das ist selten dieselbe, die Marken- oder Rechtsrisiko verantworten sollte.

### Ebene 3: Workflow und Verantwortung von Mensch und KI.

Hier wird der tägliche Ausführungsweg entworfen, und Aufgaben werden nach operativem Risiko verteilt und nicht danach, wer zufällig Zugang zu einem bestimmten Tool hat. Auf dieser Ebene wird das Human + AI Execution Model, das der nächste Abschnitt beschreibt, tatsächlich auf reale Workflows angewendet, statt abstrakt diskutiert zu werden.

### Ebene 4: Wissens- und Datenarchitektur.

Diese Ebene strukturiert die eigenen Informationen, auf die die KI-Systeme der Organisation tatsächlich zugreifen werden: Marken-Knowledge-Graphs, Vektor-Repositories für den Abruf und semantische Strukturen, mit denen ein Modell konkrete, geprüfte, differenzierte Informationen abrufen kann, statt allein aus seiner allgemeinen Trainingsverteilung zu erzeugen. Hier entscheidet sich, ob der Output austauschbar oder wirklich proprietär ist. Die Ebene wird oft übersprungen, weil sie schwerer zu sehen ist als ein neues Softwareabonnement.

### Ebene 5: Technologie- und Integrationsarchitektur.

Hier wird entworfen, wie Tools verbunden werden: modulare, toolunabhängige API-Orchestrierung und eine entkoppelte Modellebene, damit ein Wechsel von Modell oder Anbieter nicht den Neubau jedes Workflows verlangt. Die enge Bindung an die proprietäre Schnittstelle eines Anbieters ist hier ein verbreiteter, teurer Fehler.

### Ebene 6: Governance, Datenschutz, Sicherheit und Qualitätskontrollen.

Hier wird „Governance by Design“ als programmatische Risikoprüfung, Prüfpfad und Compliance-Check in den Workflow selbst eingebaut und nicht als Prüfschritt nachträglich aufgesetzt. Eine Richtlinie, die nur als Dokument existiert und die in der Produktion niemand zurate zieht, ist keine Governance, sondern eine Verbindlichkeit, die bei einem Audit auffällt.

### Ebene 7: Messung und Wertdesign.

Die Leistung jedes Workflows muss definiert und seine Ausgangsbasis festgelegt sein, bevor er live geht, nicht danach. Nachträglich entworfene Messung misst tendenziell, was sich bequem aus einem bestehenden Dashboard ziehen lässt, und nicht, was beantwortet, ob das Vorhaben Wert schafft. Diese Falle soll die Ebene verhindern.

### Ebene 8: Enablement, Dokumentation und Capability Transfer.

Die letzte Ebene baut die Runbooks, Trainingsprogramme und terminierten Übergabe-Meilensteine, mit denen das interne Team das System nach dem Start selbst betreiben und verbessern kann, statt auf unbestimmte Zeit von dem abzuhängen, der es gebaut hat, sei es ein externer Partner oder ein einzelner interner KI-Champion, der jederzeit gehen könnte.

| Ebene | Hauptfokus | Verbindliche operative Ergebnisse |
| --- | --- | --- |
| **1. Geschäftsergebnis und Umfang** | Kommerzielle Grenzen und Liste dessen, was nicht zum Umfang gehört | Benanntes KPI-Ziel, ausdrückliche Liste ausgeschlossener Themen, Management-Sponsor |
| **2. Operating Model und Entscheidungsrechte** | Governance-Struktur und Befugnis über Prompts | RACI-Matrix, benannte Freigabeinstanz, Eskalationsweg |
| **3. Workflow und Verantwortung von Mensch und KI** | Aufteilung der Aufgaben nach Risikostufe | Human + AI Execution Model, auf jeden Workflow-Schritt angewendet |
| **4. Wissens- und Datenarchitektur** | Proprietäre Verankerung der Generierung | Marken-Knowledge-Graph, Vektor-Abrufsystem, Verzeichnis maßgeblicher Quellen |
| **5. Technologie- und Integrationsarchitektur** | Modulare, anbieterunabhängige Werkzeuge | API-Orchestrierungsebene, dokumentierte Logik zur Modellauswahl |
| **6. Governance, Datenschutz, Sicherheit, Qualitätskontrollen** | Risikostufen und Freigabetore | Programmatische Risikoprüfungen, Prüfpfad, Nachweis der Compliance-Freigabe |
| **7. Messung und Wertdesign** | Ausgangsbasen vor der Umsetzung und KPI-Telemetrie | Vor dem Start erfasste Ausgangskennzahlen, Attributionsmodell, Dashboard |
| **8. Enablement, Dokumentation, Capability Transfer** | Runbooks, Training, terminierte Übergabe | Workflow-Runbooks, internes Zertifizierungsprogramm, Zeitplan der Übergabe |

![Abbildung 2: Der Architecture Decision Stack](https://kodokalabs.com/assets/media/2026/10/kodokalabs-intelligence-hub-ai-marketing-tranformation-ai-marketing-operating-system-architecture-architecture-decision-stack.webp)

*Abbildung 2: Der Architecture Decision Stack*

Das Stack-Diagramm zeigt die acht Ebenen als Hierarchie vom Fundament zum Betrieb: Geschäftsergebnis und Umfang bilden die Basis, Enablement, Dokumentation und Capability Transfer die Spitze, und die Ergebnisse jeder Ebene fließen in die Entwurfseingaben der nächsten. Die Architektur ist fertig, wenn jede Ebene dokumentierte Entscheidungen mit einer benannten Freigabeinstanz hat, jede wesentliche Entscheidung mit Begründung in einem Architecture Decision Record steht und das Team alles hat, um weiterzumachen, ohne mitten in der Umsetzung eine Entwurfsentscheidung zum ersten Mal treffen zu müssen. Passiert das doch, war diese Ebene offenbar nicht abgeschlossen, bevor die Arbeit weiterging.

## Steuerung der Aufgaben: das Human + AI Execution Model

Unverwaltete KI-Automatisierung im Marketing birgt Haftungsrisiken für Marke, Recht und Betrieb, die man leicht unterschätzt, bis eines öffentlich eintritt. Ein Modell, das einen Blogbeitrag mit erfundener Statistik entwirft, ist peinlich. Ein Modell, das eigenständig eine Tatsachenbehauptung zur Produktleistung ohne rechtliche Prüfung veröffentlicht oder nicht anonymisierte Kundendaten in ein externes System einspeist, ist ein Problem ganz anderer Kategorie. Das Human + AI Execution Model verhindert genau diese Verwechslung. Es ordnet jede Marketingaufgabe anhand zweier Variablen einer von vier Stufen zu: wie stark die Aufgabe Marken- und Sachrisiken ausgesetzt ist und wie umkehrbar ein Fehler wäre.

### Stufe 1: Ausführung in menschlicher Hand.

Hierzu zählen strategische Positionierung, sensible Kundenkommunikation, die Kernbotschaft und Entscheidungen der Geschäftsleitung: hohe Exposition, geringe Umkehrbarkeit eines Fehlers und ein Urteil, das ein Modell nicht unbeaufsichtigt fällen sollte. Das Tor ist die absolute menschliche Freigabe, bevor irgendetwas weitergeht.

### Stufe 2: KI-unterstützte Ausführung.

Hierzu zählen die Auswertung tiefer Recherchen, vorläufige Gliederungen und erste Entwürfe: Arbeit, bei der KI den Prozess wirklich beschleunigt, eine Fachperson aber alles prüft, bevor es weitergeht. Das Tor ist die verpflichtende fachliche Prüfung und keine Stichprobe.

### Stufe 3: KI-Ausführung unter Aufsicht.

Hierzu zählt strukturierte technische Arbeit mit geringerem Risiko: Metadaten-Tagging, automatisierte Berichtsauszüge und JSON-LD-Schema, also Aufgaben mit einer klaren richtigen Antwort und begrenzter Markenexposition. Das Tor sind regelmäßige Stichproben und automatisierte Validierungstests, passend zum tatsächlichen Risiko und nicht wie bei Stufe 1.

### Stufe 4: Untersagte oder eingeschränkte Ausführung.

Hierzu zählen autonome Veröffentlichungs-Feeds ohne menschliche Kontrollstelle, ungeprüfte algorithmische Aussagen zu Produktleistung oder rechtlicher Stellung und das Hochladen eigener oder Kundendaten in externe Modelle ohne geprüfte Vereinbarung zum Umgang mit Daten. Das Tor ist kein Prüfschritt, sondern eine harte programmatische Sperre, die im Zweifel sicher ausfällt und nicht davon abhängt, dass jemand daran denkt, sie zu stoppen.

| Marketingaufgabe | Ausführungsstufe | Erforderliches Prüftor | Verantwortliche Rolle |
| --- | --- | --- | --- |
| **Positionierung der Geschäftsleitung und Krisenkommunikation** | Stufe 1: in menschlicher Hand | Absolute menschliche Freigabe | CMO oder benannte Verantwortung auf Führungsebene |
| **Kern der Markenerzählung und Botschaftsarchitektur** | Stufe 1: in menschlicher Hand | Absolute menschliche Freigabe | Leitung Marke oder gleichwertige Rolle |
| **Auswertung umfangreicher Recherchen und Themen-Clustering** | Stufe 2: KI-unterstützt | Verpflichtende fachliche Prüfung | Leitung Content oder Fachexpertise |
| **Erste Entwürfe technischer Inhalte und Thought Leadership** | Stufe 2: KI-unterstützt | Verpflichtende fachliche Prüfung | Senior-Redaktion |
| **Zusammenfassung von Wettbewerbs- und Marktrecherchen** | Stufe 2: KI-unterstützt | Verpflichtende fachliche Prüfung | Verantwortliche Analyse oder Strategie |
| **Tagging von Metadaten und Klassifizierung der Taxonomie** | Stufe 3: KI unter Aufsicht | Regelmäßige Stichprobe und automatisierte Tests | Leitung Marketing Operations |
| **Erzeugung von JSON-LD-Schema und strukturierten Daten** | Stufe 3: KI unter Aufsicht | Regelmäßige Stichprobe und automatisierte Tests | Verantwortung für technische SEO |
| **Berichtsauszüge und Befüllung von Dashboards** | Stufe 3: KI unter Aufsicht | Regelmäßige Stichprobe und automatisierte Tests | Analyse Marketing Operations |
| **Autonomes Veröffentlichen ohne menschliche Kontrollstelle** | Stufe 4: untersagt | Harte programmatische Sperre | Für keine Rolle zulässig |
| **Einspeisung nicht anonymisierter Kundendaten in externe Modelle** | Stufe 4: untersagt | Harte programmatische Sperre | Für keine Rolle zulässig |
| **Ungeprüfte vertragliche, rechtliche oder Compliance-Aussagen** | Stufe 4: untersagt | Harte programmatische Sperre | Nicht zulässig ohne rechtliche Freigabe auf Stufe 1 |

![Abbildung 3: Die Human + AI Execution Matrix](https://kodokalabs.com/assets/media/2026/10/kodokalabs-intelligence-hub-ai-marketing-tranformation-ai-marketing-operating-system-architecture-human-and-ai-execution-matrix.webp)

*Abbildung 3: Die Human + AI Execution Matrix*

Das Raster trägt auf der horizontalen Achse die operative Umkehrbarkeit ab, von geringer Umkehrbarkeit und hoher Wirkung links bis zu hoher Umkehrbarkeit und geringer Wirkung rechts. Die vertikale Achse zeigt Marken- und Sachexposition, von hoher Exposition und öffentlicher Sichtbarkeit oben bis zu geringer Exposition und interner operativer Arbeit unten. Stufe 1, Arbeit in menschlicher Hand, liegt oben links, wo die Exposition am höchsten ist und Fehler am schwersten rückgängig zu machen sind. Stufe 2, KI-unterstützte Arbeit, liegt oben rechts, weiter öffentlich exponiert, aber nachsichtiger gegenüber Iteration. Stufe 3, KI unter Aufsicht, liegt unten rechts, wo Aufgaben weniger exponiert und leicht zu korrigieren sind. Stufe 4, untersagte Ausführung, liegt unten links, eine bewusst kleine, hart gesperrte Zone unabhängig von scheinbarer Umkehrbarkeit, weil manche Aufgaben, allen voran ungeprüfte Kundendaten, regulatorische und Vertrauensfolgen haben, die die Umkehrbarkeitsachse nicht erfasst.

## Workflow Engineering: die elf Kernfelder festschreiben

Ein Governance-Modell und ein Architektur-Stack sagen, wie Entscheidungen getroffen werden sollten. Keinen Workflow machen sie dadurch reproduzierbar. Das leistet die Workflow-Spezifikation, und genau sie überspringen die meisten Marketingteams ganz. Stattdessen verlassen sie sich auf lässige Prompt-Bibliotheken in den privaten Notizen einer Person, die davon abhängen, dass sich diese Person erinnert, warum ein Prompt so geschrieben wurde. Das scheitert, sobald die Person in Elternzeit geht, die Rolle wechselt oder das Unternehmen verlässt, denn das Wissen darüber, wie der Workflow funktioniert und warum er Sonderfälle so behandelt, stand nie dort, wo eine Kollegin oder ein Kollege es finden könnte.

Wir spezifizieren jeden Produktions-Workflow vor dem Start über elf verbindliche Felder, so konkret, dass ein neues Teammitglied ihn übernehmen kann, ohne fremde Überlegungen zu rekonstruieren. Die elf Felder sind: Auslöser, das Ereignis oder die Bedingung, die den Workflow startet. Eingaben, die Informationen und Assets, die er zum Start braucht. Schritte, die aufeinanderfolgenden Aktionen, so detailliert, dass das Ergebnis jedes Schritts die Eingabe des nächsten ist. Verantwortliche, die namentlich benannten Personen für Entwurf und laufende Leistung. Systeme, die Tools und Plattformen, die er in jedem Schritt berührt. Wissen, die maßgeblichen Dokumente und Daten zur Verankerung. Ausnahmen, die dokumentierte Behandlung von Fällen außerhalb des Normalwegs, denn ein erheblicher Teil des realen Volumens besteht aus Ausnahmen und nicht aus dem sauberen Idealfall. Freigaben, die Zustimmung vor der Weitergabe eines Ergebnisses, abgebildet auf die Stufen des Human + AI Execution Model. Ergebnisse, das konkrete Lieferobjekt. Nachweise, die Dokumentation, dass der Workflow wie spezifiziert gearbeitet hat, was enorm wichtig wird, sobald jemand ihn prüfen oder debuggen muss. Und Kennzahlen, die vorab definierten Messgrößen, die zeigen, ob er den gewollten Wert schafft.

Konkret sieht das bei einer automatisierten Pipeline für technische Recherche und Entitäten-Optimierung so aus, einem Workflow-Typ, der immer häufiger wird, seit Generative Engine Optimization zur Priorität des Aufsichtsgremiums geworden ist.

### Auslöser:

Eine neue Produktfähigkeit, ein Forschungsbefund der Branche oder eine Verschiebung im Wettbewerb, die einen eigenen entitätsreichen technischen Inhalt rechtfertigt, angestoßen entweder vom Team für Content-Strategie oder durch ein automatisches Signal aus dem Monitoring von Suche und Zitierungen der Organisation.

### Eingaben:

Das freigegebene Themenbriefing, die vorhandenen Einträge im Knowledge Graph der Organisation zu den relevanten Entitäten, alle eigenen Daten oder Recherchen der Organisation zum Thema und die aktuelle GEO-Richtlinie für Entitäts-Markup und Zitierstruktur.

### Schritte:

Auswertung der Recherche anhand der geprüften Wissensdatenbank und freigegebener externer Quellen. Zuordnung der Entitäten im Marken-Knowledge-Graph, um die Konsistenz mit bereits veröffentlichten Definitionen zu bestätigen. Entwurf durch die KI-gestützte Pipeline, verankert in der ausgewerteten Recherche und nicht in der allgemeinen Trainingsverteilung des Modells. Fachliche Prüfung und Faktenverifikation anhand von Primärquellen. Erzeugung von strukturierten JSON-LD-Daten für die identifizierten Entitäten. Durchgang für technische SEO und GEO, einschließlich Prüfung der Informationsdichte. Abschließende redaktionelle Freigabe. Veröffentlichung. Einrichtung des Zitierungs-Trackings, um zu beobachten, ob Antwortsysteme beginnen, den veröffentlichten Beitrag heranzuziehen.

### Verantwortliche:

Eine namentlich benannte Content-Strategie, verantwortlich für Themenwahl und Richtigkeit der Recherche, und eine namentlich benannte Verantwortung für technische SEO, zuständig für strukturierte Daten und Entitäts-Markup.

### Systeme:

Knowledge Graph und Vektor-Abrufplattform der Organisation, ihre freigegebene KI-Entwurfs-Pipeline, ihr Content-Management-System, ihre Tools zur Erzeugung von JSON-LD und ihre Plattform für das Monitoring von Zitierungen und Sichtbarkeit in Antwortsystemen.

### Wissen:

Die geprüfte eigene Recherche und die Daten der Organisation zum Thema, ihre Entitätsdefinitionen und die zitierte externe Primärquellen-Forschung, abgeglichen mit den Evidence Strength Levels, damit jede Aussage als behauptet, beobachtet, dokumentiert oder gemessen eingestuft wird und nicht durchgehend als gleich sicher gilt.

### Ausnahmen:

Fälle, in denen die Auswertung der Recherche eine Aussage zutage fördert, die die Organisation nicht anhand einer Primärquelle verifizieren kann. Sie geht an die Fachexpertise zur Entscheidung, ob vorsichtiger zitiert, weitere Verifikation gesucht oder die Aussage ganz weggelassen wird, statt eine unbelegte Behauptung als Tatsache zu veröffentlichen.

### Freigaben:

Der Entwurf braucht die fachliche Prüfung der Stufe 2 nach dem Human + AI Execution Model. Die Erzeugung von JSON-LD und Metadaten läuft auf Stufe 3 mit regelmäßigen Stichproben. Die Veröffentlichung braucht die abschließende redaktionelle Freigabe, bevor der Beitrag live geht.

### Ergebnisse:

Ein veröffentlichter, entitätsreicher technischer Artikel mit vollständigem Markup strukturierter Daten, im Content-Inventar der Organisation erfasst und mit den zugehörigen Entitäten des Knowledge Graphs verknüpft.

### Nachweise:

Eine Aufstellung, welche Quellen zitiert, welche Aussagen auf welcher Evidence Strength Level eingestuft wurden und welche Person den endgültigen Entwurf freigegeben hat, abgelegt beim veröffentlichten Beitrag und nicht verstreut in E-Mail-Verläufen.

### Kennzahlen:

Zitierhäufigkeit in beobachteten Antwortsystemen vor und nach der Veröffentlichung, organische Sichtbarkeit für die Ziel-Entität und das Themen-Cluster und die Zeit vom Auslöser bis zur Veröffentlichung, gemessen an der Ausgangsbasis, die erfasst wurde, bevor dieser Workflow den früheren Ad-hoc-Prozess ablöste.

Ein so vollständig spezifizierter Workflow übersteht Personalwechsel, ein Audit und die Prüfung, die ein Aufsichtsgremium verlangt, sobald es fragt, was die KI-Ausgaben konkret bewirken.

## Suche im algorithmischen Zeitalter: für Vektorräume und GEO konstruieren

Klassische Suchmaschinenoptimierung und Generative Engine Optimization haben einen gemeinsamen Vorfahren, sind aber zu wirklich verschiedenen Disziplinen auseinandergelaufen. Klassische SEO optimiert vor allem auf das Ranking innerhalb einer Ergebnisliste, ein Prozess, der wesentlich von Keyword-Relevanz, Backlink-Autorität und technischer Crawlbarkeit geprägt ist. Generative Engine Optimization zielt auf ein ganz anderes Ergebnis: von einem großen Sprachmodell extrahiert, als vertrauenswürdig eingestuft und direkt zitiert zu werden, wenn es eine Frage beantwortet, statt eine Linkliste auszugeben, durch die Menschen klicken.

Moderne Antwortsysteme, darunter Perplexity, ChatGPT Search, Microsoft Copilot und Googles AI Overviews, verarbeiten eine Webseite nicht wie ein klassischer Crawler. Sie verarbeiten Inhalte in Abschnitten, erfassen die beschriebenen Entitäten und Beziehungen und setzen eine direkte Antwort aus den Passagen zusammen, die die Frage über womöglich viele Quellen hinweg am besten beantworten. Ein Modell mit Retrieval-Augmented Generation bewertet faktisch jeden Abschnitt danach, wie viel echte Information er beiträgt und wie klar er die beteiligten Entitäten definiert.

Deshalb sind hohe Informationsdichte, eigene Datenpunkte und strukturiertes JSON-LD-Entitäts-Markup keine optionalen Feinheiten, sondern der Mechanismus, durch den Inhalte überhaupt für eine Antwort infrage kommen. Inhalte, die weithin bekannte Gedanken in kompetenter, aber unauffälliger Sprache wiederholen, das Standardergebnis der oben beschriebenen Falle der Einzellösungen, enthalten wenig Eigenes, das ein Abrufsystem hervorholen könnte. Austauschbare KI-Inhalte mit geringer Dichte werden von Abrufalgorithmen systematisch zurückgestuft, nicht weil sie schlecht geschrieben wären, sondern weil sie nichts beitragen, was ein Modell nicht aus Dutzenden ebenso generischer Quellen zusammensetzen könnte. Wer die Quelle sein will, die ein Antwortsystem tatsächlich zitiert, muss etwas veröffentlichen, das ein Abrufsystem sonst nirgends findet: verankert in der proprietären Wissensarchitektur, die Ebene 4 des Architecture Decision Stack beschreibt, strukturiert mit der Entitätsklarheit, die JSON-LD-Markup bietet, und verifiziert nach dem Beleg-Standard, den das Framework der Evidence Strength Levels verlangt.

## Das kōdōkalabs Transformation System und der Aufbau interner Kompetenz

Alles, was dieser Leitfaden beschreibt (die Architekturebenen, die Ausführungsstufen, die Workflow-Felder), wird mit dem kōdōkalabs Transformation System umgesetzt, unserem Vorgehensmodell in sechs Phasen: Diagnose, Architect, Build, Enable, Measure und [Scale](../../pages/en/ai-marketing-framework/scale-ai-marketing-workflows.md). Jede Phase gibt es, weil ihr Überspringen einen vorhersehbaren, konkreten Fehler nach sich zieht. Deshalb ist die Reihenfolge tragend und nicht optional.

Die Phase Diagnose schafft eine belegbasierte Ausgangsbasis, bevor Entscheidungen zu Architektur oder Tools fallen. Sie bewertet die Organisation entlang von sieben Reifegrad-Dimensionen: strategische Ausrichtung, Workflow-Realität, Wissens- und Datenreife, Technologie und Integration, Governance und Risiko, Menschen und Kompetenzen sowie Messung und Wertbeitrag, und stuft mit den Evidence Strength Levels jede Aussage zur aktuellen Leistung als behauptet, beobachtet, dokumentiert oder gemessen ein. Wer Diagnose überspringt und direkt Tools kauft, entwirft eine Architektur gegen Annahmen statt gegen Belege, das Muster hinter der Falle der Einzellösungen vom Anfang.

Architect nimmt, was Diagnose festgestellt hat, und überführt es in den oben beschriebenen Entwurf mit acht Ebenen. Build setzt diesen Entwurf um. In Enable übernimmt das Capability Transfer Framework, und es verlangt ausdrücklich: Externe Projekte, ob mit kōdōkalabs oder einem anderen Partner, müssen einem terminierten Zeitplan für die Übergabe der operativen Verantwortung an das interne Team folgen und dürfen keine offene Beratungsbeziehung sein, die unmerklich zum Dauerzustand wird. Measure prüft, ob die Architektur das kommerzielle Ergebnis liefert, das Ebene 1 definiert hat, gemessen an der Ausgangsbasis, die Ebene 7 festgelegt hat. Scale überträgt, was funktioniert, auf weitere Workflows und Teams, ohne Diagnose und Architektur zu wiederholen, denn die früher aufgebauten Wissens- und Governance-Strukturen sind darauf ausgelegt, sich zu verallgemeinern.

Marketingverantwortliche, die wissen wollen, wo ihre Organisation gegenüber diesem Modell steht, statt es zu schätzen, können sich im Rahmen eines [Executive AI Marketing Assessment](../../pages/en/solutions/executive-ai-marketing-assessment.md) von kōdōkalabs am [AI Marketing Maturity Model](../en/ai-marketing-maturity-model-for-readiness-and-transformation.md) messen. Es wendet die oben beschriebene, auf sieben Dimensionen und Belegstufen gestützte Diagnose auf den tatsächlichen Ist-Zustand an, bevor Architekturentscheidungen fallen.

## Häufig gestellte Fragen

### Was ist ein AI Marketing Operating System, und worin unterscheidet es sich von einem Stack aus KI-Tools?

Ein Stack aus KI-Tools ist die Software, auf die ein Marketingteam Zugriff hat. Ein AI Marketing Operating System ist die Gesamtheit aus Entscheidungsrechten, Workflows, Wissensarchitektur, Governance-Freigaben, Mess-Ausgangsbasen und Enablement-Mechanismen, die bestimmen, wie diese Software genutzt, geprüft und verbessert wird. Ein Tool-Stack kann ohne Operating System existieren, und dann ist das in diesem Leitfaden beschriebene Muster das vorhersehbare Ergebnis: die Falle der Einzellösungen, der Prüfungsengpass, der Wissenskollaps.

### Warum hat der Architecture Decision Stack genau acht Ebenen?

Jede Ebene steht für eine Entwurfsentscheidung, von der die Ebenen darüber abhängen. Der Geschäftsumfang muss feststehen, bevor Entscheidungsrechte vergeben werden, Entscheidungsrechte müssen existieren, bevor Workflows entworfen werden, Workflows brauchen eine Wissensarchitektur, und so weiter bis zum Enablement. Wer eine Ebene überspringt, entdeckt die Lücke meist mitten in der Umsetzung statt in der Planung.

### Worin unterscheidet sich das Human + AI Execution Model von einer allgemeinen KI-Nutzungsrichtlinie?

Eine allgemeine Nutzungsrichtlinie nennt breite Grundsätze („KI verantwortungsvoll einsetzen“, „Ergebnisse vor der Veröffentlichung prüfen“), ohne sie auf konkrete Aufgaben, Prüftore und verantwortliche Rollen abzubilden. Das Human + AI Execution Model ordnet jede Marketingaufgabe nach Markenexposition und operativer Umkehrbarkeit einer von vier Stufen zu und knüpft an jede ein durchsetzbares Tor. Das macht es operativ und nicht bloß zum Anspruch.

### Warum brauchen Ihre Workflows elf spezifizierte Felder und nicht nur einen dokumentierten Prompt?

Ein Prompt hält fest, was man ein Modell fragt. Er hält nicht fest, wer verantwortlich ist, was bei unerwarteter Eingabe geschieht, welche Freigabe vor der Verwendung nötig ist oder wie später jemand feststellt, ob der Workflow funktioniert hat. Jedes der elf Felder beantwortet eine Frage, die irgendwann gestellt wird, oft bei Audit, Übergabe oder Störung. Wer sie nicht schnell beantworten kann, hängt am Gedächtnis einer Person statt an dokumentierter Architektur.

### Ersetzt Generative Engine Optimization bei Ihnen die klassische SEO?

Nicht vollständig, aber sie verschiebt, wo der Grenznutzen liegt. Die Grundlagen der technischen SEO (Crawlbarkeit, Seitenstruktur, Seitenleistung) bleiben die Basis, genügen aber nicht mehr allein, weil ein wachsender Anteil der Anfragen in der Recherche- und Abwägungsphase direkt von einem generativen System beantwortet wird und nicht über eine Ergebnisliste. Diesen Kanal gewinnt man über Informationsdichte und Entitätsklarheit, nicht über Keywords allein.

### Wie sieht Capability Transfer in der Praxis konkret aus?

Er ist ein terminierter Zeitplan, vor Projektbeginn vereinbart, für die Übergabe dokumentierter Workflows, Architekturentscheidungen, Prompt-Spezifikationen und Systemzugänge an benannte interne Verantwortliche, über interne Zertifizierung verifiziert und nicht als gegeben angenommen, sobald der Vertrag endet. Kann ein Transformationspartner diesen Zeitplan nicht konkret beschreiben, ist das Projekt sehr wahrscheinlich auf Abhängigkeit angelegt statt auf Kompetenztransfer.

## Fazit und Executive Assessment

Die Unternehmen, die dem hier beschriebenen Muster entkommen (erhebliche KI-Ausgaben ohne Ergebnis auf Ebene des Aufsichtsgremiums), teilen eine Eigenschaft: Sie haben das Operating Model und nicht den Tool-Katalog als das behandelt, was konstruiert werden muss. Der Architecture Decision Stack mit acht Ebenen, das Human + AI Execution Model, die Workflow-Spezifikation mit elf Feldern und die belegbasierte Diagnose, die allen dreien vorausgeht, sind keine theoretischen Konstrukte. Sie sind die konkreten Mechanismen, die eine Marketingabteilung, die KI nutzt, von einer unterscheiden, die sich tatsächlich um KI herum neu aufgestellt hat.

Für CMOs, Leitungen Marketing Operations oder Chief Digital Officers, die prüfen, wo ihre Organisation steht, ist der nützlichste nächste Schritt keine weitere Tool-Bewertung. Es ist eine ehrliche, belegbasierte Diagnose am AI Marketing Maturity Model, möglich über ein Executive AI Marketing Assessment von kōdōkalabs, verbunden mit einem nüchternen Blick darauf, ob die Inhalte der Organisation für die Antwortsysteme sichtbar sind, die zunehmend entscheiden, was überhaupt gelesen wird. Das behandeln wir ausführlich in [Search Intelligence](../../pages/en/intelligence-hub/search-intelligence.md): SEO, GEO & KI-Suche im Framework.

## Wenn Ihr Team überlegt, wie es sich auf diesen Wandel ausrichten soll, ist ein Executive AI Marketing Assessment ein guter Startpunkt.

[Executive AI Marketing Assessment buchen](#contact)