Die rasante Entwicklung von Künstlicher Intelligenz (KI) und insbesondere von Large Language Models (LLMs) wie Claude und ChatGPT hat die Erwartungen an automatisierte Systeme im Marketing- und Werbesektor erheblich steigen lassen. Unternehmen und Marketer fragen sich zunehmend, ob diese Technologien echte Mehrwerte bieten und ob sie womöglich klassische Rollen verändern oder gar ersetzen können. Ein praktischer Feldtest, der über zwei Wochen durchgeführt wurde, liefert dabei aufschlussreiche Erkenntnisse über die tatsächlichen Fähigkeiten und Grenzen dieser Modelle in realen Anwendungen. Dabei wurden umfangreiche Datensätze aus den letzten fünf bis acht Jahren genutzt, um zu verstehen, wie gut sich LLMs für komplexe Marketinganalysen, Strategieentwicklung und kreative Prozesse eignen. Die Ergebnisse überraschen und bestätigen zugleich: LLMs sind exzellente Helfer bei Routinearbeiten, stoßen jedoch schnell an ihre Grenzen, wenn es um tiefere Einsichten und differenzierte Analysen geht.
Der Ausgangspunkt für den Test lag in der Frage, ob LLMs wie Claude 3.7 und ChatGPT 4o wirklich in der Lage sind, menschliche Expertise im Marketingbereich zu ersetzen oder vielmehr als leistungsfähige Assistenten fungieren. Dabei wurde besonderer Wert darauf gelegt, die Modelle nicht mit zu vielen Hinweise oder voreingenommenen Vorgaben zu überschütten, um ein möglichst unverfälschtes Bild ihrer Fähigkeiten zu bekommen. Die Herausforderung bestand unter anderem darin, komplexe Meta-Werbungsdaten, mehrjährige Auftragsdaten, Kundenrezensionen und Website-Texte in unterschiedlichen Formaten und Strukturen zu analysieren und anschließend strategische Handlungsempfehlungen zu erarbeiten. Eine der interessantesten Beobachtungen war, dass beide Modelle trotz eines grundlegenden Verständnisses der Daten vor allem bei unstrukturierten und nicht vorverarbeiteten Datensätzen deutliche Schwierigkeiten hatten.
Obwohl sie Muster wie Saisonalitäten in Werbekampagnen oder wiederkehrende Probleme bei der Nutzung von Werbebudgets identifizieren konnten, fehlte es oft an der Fähigkeit, wirklich wertvolle und differenzierte Erkenntnisse zu gewinnen. Besonders im Bereich der Datenanalyse zeigte sich, dass Algorithmen durch die Menge und Komplexität der realen Daten schnell an ihre Grenzen geraten. Komplexe Zusammenhänge oder feine Korrelationen lassen sich nur schwer aus der Masse an Daten herausfiltern, wenn kein spezifisches, zielgerichtetes Prompting stattfindet. Interessanterweise stach Claude in manchen Bereichen durch seine analytische und sachliche Ausdrucksweise hervor, die weniger verspielte und überladene Formatierungen beinhaltete als die Ausgaben von ChatGPT. Wo Claude tiefergehende und teils fundiertere Muster erkannte, neigte ChatGPT eher zu allgemeineren und oberflächlichen Beschreibungen, die oft nicht über das Offensichtliche hinausgingen.
Dennoch beeindruckten beide Modelle mit der Fähigkeit, visuelle Darstellungen wie Diagramme und Grafiken zu generieren, die selbst bei einfachen Metriken einen nutzbaren Überblick boten. Dabei zeigte sich jedoch, dass die Qualität und Aussagekraft stark davon abhing, wie gut die Eingaben (Prompts) vorstrukturiert und mit Kontext versehen waren. Ein zentrales Lernmoment war die Bedeutung von Datenqualität und Kontext. Fehlende oder unvollständige Datensätze führten zu falschen oder irreführenden Schlussfolgerungen, die durch die LLMs ohne kritische Reflexion angenommen wurden. Ein Beispiel zeigte sich bei der Analyse von Meta-Werbedaten, bei denen eine wahrgenommene Abnahme der Conversion-Raten fälschlicherweise als Problem im Conversion-Funnel interpretiert wurde, obwohl die Ursache in Lücken bei der Werbe-Tracking-Technologie lag.
Diese sogenannte Principal-Agent-Problematik verdeutlicht, dass Algorithmen ohne ergänzende menschliche Expertise und kontextuelle Informationen zu Fehleinschätzungen neigen können, was im Marketing fatale Folgen haben kann. Die Rolle der Prompt-Gestaltung wurde ebenfalls kritisch hinterfragt. Obwohl oft von der Bedeutung ausgegangen wird, durch perfekte oder standardisierte Eingabevorlagen ideale Ergebnisse zu erzielen, zeigte sich in der Praxis, dass der Content der Informationen und die Iteration der Eingabe eine viel größere Rolle spielen als die reine Form. Vorbereitete Templates helfen zwar, den Workflow zu strukturieren und Gedanken zu ordnen, sind aber keine Garantie für herausragende Ergebnisse. Die beste Qualität entsteht durch wiederholte Anpassung und tiefere Einbindung von Expertenwissen in die Anweisungen an die Modelle.
Im Bereich der strategischen Marketingentwicklung konnten beide LLMs durchaus nützliche Beiträge leisten. Sie erstellten Marketing-Personas, Strategievorschläge und gaben Empfehlungen zur Zielgruppenansprache, die qualitativ mit den Ergebnissen kleinerer Agenturen vergleichbar waren. Besonders beeindruckend war die Geschwindigkeit, mit der die Modelle komplexe Datensätze in verständliche Personas und Kampagnenideen übersetzen konnten, was eine erhebliche Zeitersparnis gegenüber manueller Arbeit bedeutete. Allerdings belegte die anschließende Überprüfung durch den Experten, dass es noch einer umfangreichen menschlichen Überarbeitung bedarf, um die Outputs zu verfeinern und sinnvoll in die Praxis zu übertragen. Die kreative Nutzung von LLMs für das Erstellen von Werbetexten und Content zeigte ein gemischtes Bild.
Zwar wurden durchaus ansprechende und durchaus kompetente Headlines und Body-Copy generiert, doch überwog häufig eine gewisse Austauschbarkeit und Vorhersehbarkeit. Die Modelle neigen dazu, generische und sichere Formulierungen zu bevorzugen, die zwar funktional sind, aber selten die emotionale Tiefe oder die ausgefallene Kreativität erreichen, die für wirklich herausragende Werbung notwendig ist. Hier zeigte sich der grundsätzliche Unterschied zwischen einem rein statistischen Sprachmodell und kreativen menschlichen Erfahrung. Ohne sehr spezifische und detaillierte Anleitung fällt es LLMs schwer, originelle und mitreißende Kampagnenideen zu entwickeln. Selbst bei der Erstellung von längeren Texten wie Blogposts oder Landingpage-Inhalten zeigte sich, dass die Qualität stark vom Input abhängt.
Content, der auf einer sorgfältigen Gliederung und einer klaren Perspektive basierte, wurde deutlich besser bewertet als blind generierte Texte, die oft inhaltsleer oder übermäßig generisch wirkten. Besonders in der Zusammenarbeit zwischen Mensch und Maschine liegt die Stärke: Die Grundlage wird vom Menschen gelegt, gesteuert und mit persönlichem Wissen unterfüttert, das Modell übernimmt das schnelle Verfassen und erste Strukturieren. Ein besonderer Aspekt war der Umgang mit multimodalen Anforderungen, etwa bei der Gestaltung von Landingpages. Da LLMs textbasiert sind, sind komplexe visuelle und räumliche Konzepte schwer zu vermitteln. Zwar können Grundrisse oder HTML-Elemente erzeugt werden, doch die Diskrepanz zwischen Beschreibung und tatsächlicher visueller Umsetzung ist derzeit groß.
Dies verdeutlicht, dass LLMs trotz ihrer Stärke im Sprachverstehen und -erzeugen an Grenzen stoßen, wenn Aufgaben über reine Textverarbeitung hinausgehen. Ein weiterer spannender Testteil bezog sich auf die redaktionelle Bearbeitung und Verbesserung von Inhalten. Hier zeigte sich, dass Claude eher sanfte Korrekturen vornahm, die die Authentizität des Originals bewahrten, während ChatGPT tiefgreifende Umformulierungen und Stiländerungen vorschlug, die teils jedoch den ursprünglichen Tonfall verwässerten. Für professionelle Anwender bietet sich daher ein kombiniertes Vorgehen an, bei dem beide Modelle einfließen, um sowohl Qualität als auch Kohärenz sicherzustellen. Insgesamt zeigt der Feldtest, dass LLMs keineswegs vollwertige Ersatzpersonen für Experten im Marketing- und Werbebereich darstellen.
Sie sind brillante Assistenten, die viel Arbeitsaufwand reduzieren können, aber gleichzeitig erhebliche Aufmerksamkeit und manuelle Nachbereitung erfordern. Die Gefahr, unkritisch auf generierte Inhalte zu vertrauen, ist real – insbesondere da die Modelle mit gefälschten oder „halluzinierten“ Daten gelegentlich Inkonsistenzen und Fehler produzieren. Deshalb ist menschliches Fachwissen und eine kritische Haltung unverzichtbar, um die Potenziale der KI sinnvoll zu nutzen. Haushaltsgrößen der Datenqualität und der Eigenständigkeit der KI sind entscheidend. Modelle dürfen als Werkzeuge verstanden werden, die Experten entlasten, nicht ersetzen.
Die Zukunft des Marketings liegt im Zusammenspiel von KI-basierten Tools und menschlicher Kreativität, Strategiekompetenz sowie kritischer Bewertung. Wer diese Balance meistert, fährt künftig wesentlich effizienter und agiler. Für Unternehmen und Marketingexperten bedeutet das konkret: Daten sollten sorgfältig vorbereitet, Prompts präzise formuliert und die Ergebnisse stets validiert werden. Die Zusammenarbeit mit KI ist ein Lernprozess, der neue Fähigkeiten und ein Verständnis für die Funktionsweise der Modelle erfordert. Vor allem Anfänger sollten sich dessen bewusst sein und professionellen Rat suchen, um Fehlentscheidungen zu vermeiden.
