KI-Agenten sind im Martech Stack keine homogene Kategorie. Sie unterscheiden sich nicht nur technisch, sondern in einer fundamentalen Dimension: Wem gehört der Agent — und wessen Interessen vertritt er?

Scott Brinker, Herausgeber von chiefmartec.com und einer der einflussreichsten Analytiker im Bereich Marketing Technology, hat in seinem „Martech for 2026“-Report (2025/2026) eine Dreiteilung entwickelt, die diese Frage als zentrales Klassifikationsprinzip nutzt. Das Framework unterscheidet drei grundlegend verschiedene Domains — und benennt damit nicht nur technologische Typen, sondern Machtverhältnisse.

Das AI Agents in Marketing Framework von ChiefMartec: Drei Domains, eine Leitfrage

Die drei Domains sind durch eine Achse strukturiert: Kontrolle und Sichtbarkeit des Marketers über den Agenten.

Die entscheidende Trennlinie liegt nicht zwischen Domain 1 und 2 — sondern zwischen Domain 2 und 3. Agents for Marketers und Agents for Customers sind beide Seller-seitige Systeme: Das Unternehmen deployt sie, definiert ihre Ziele, setzt ihre Parameter und misst ihre Wirkung. Der Marketer bleibt in der Steuerungsposition.

Agents of Customers brechen diese Logik strukturell auf. Sie arbeiten nicht im Auftrag des Sellers, sondern im Auftrag des Käufers — mit dessen Zielen, nach dessen Präferenzen, unter dessen Kontrolle. Der Marketer ist hier kein Auftraggeber mehr, sondern Außenstehender. Brinker beschreibt diese Grenze als die zwischen „inside“ und „outside“: Auf der Innenseite hat der Marketer hohe Kontrolle und Sichtbarkeit, auf der Außenseite kaum noch.

Was das bedeutet: Klassische Marketing-Instrumente — SEO, Anzeigen, Landingpages, E-Mail-Strecken — sind auf die Innenseite ausgerichtet. Sie setzen voraus, dass der Käufer die Kanäle des Sellers betritt. Ein Buyer-Agent tut das nicht zwingend. Er navigiert nach eigener Informationslogik, bewertet nach eigenen Kriterien und kann Kaufentscheidungen treffen, ohne je eine Seller-Website zu besuchen. Das ist keine Optimierungsfrage — es ist eine Frage der Reichweite des gesamten Martech-Stacks.

Der Agentic AI Layer: Neues intelligentes Frontend des Martech Stacks

Um die drei Domains einordnen zu können, hilft ein Blick auf die Architektur dahinter. Der Agentic AI Layer ist kein weiteres Werkzeug im Martech Stack — er ist ein neuer Layer: das intelligente Frontend, das Use-Case-orientiert und datentopf-übergreifend konzipiert ist. Wo die klassischen Frontends der spezialisierten SaaS-Martech-Lösungen jeweils auf ihre eigene Datenbasis und ihre eigene Prozesslogik beschränkt bleiben, kann der Agentic AI Layer über Systemgrenzen hinweg agieren — CRM, CDP, Marketing Automation, Commerce-Systeme — und diese Daten situativ zur Entscheidungsfindung nutzen.

Was ihn architektonisch von bisherigen Frontends unterscheidet, ist nicht Datenzugriff allein, sondern die Aussteuerungslogik. Moderne SaaS-Martech-Lösungen sind längst keine monolithischen Legacy-Systeme mehr — aber sie folgen noch immer einer Plan-and-Shoot-Logik: Kampagnen werden geplant, Segmente definiert, Workflows getriggert. Der Agentic AI Layer ersetzt diese statische Planung durch kontextuelle, reflektive Prozesssteuerung im laufenden Use Case. Er liest die Situation, bewertet sie gegen Ziele und Kontext, und handelt — ohne dass jede Entscheidung vorab von einem Menschen definiert worden sein muss. Brinker beschreibt diesen Übergang in seinem Framework zu Systems of Context: Die bestehenden Systems of Record — CRM, CDP, Marketing Automation — bleiben die Datenbasis. Was neu hinzukommt, ist ein System of Context als intelligenter Layer darüber: eines, das Kontext liest, interpretiert und daraus situativ handelt.

Agents for Marketers

Die erste Domain umfasst KI-Agenten, die intern für Marketing-Teams arbeiten — vollständig unter Kontrolle des Unternehmens, ohne direkten Kundenkontakt. Sie sind die vertrauteste Kategorie und für die meisten Teams der naheliegendste Einstieg in Agentic AI.

Typische Systeme und Anwendungsfelder

Das Spektrum dieser Domain ist breit: Tools für Content-Produktion wie Adobe AI, Grammarly oder Jasper gehören ebenso dazu wie Campaign-Analytics-Plattformen (Quantum Metric, Tableau), Agentic CDPs wie Hightouch oder GrowthLoop sowie Automatisierungsplattformen wie n8n, Make und Workato. Was diese Systeme trotz ihrer Unterschiede eint: Das Marketing-Team behält zu jeder Zeit Kontrolle und Sichtbarkeit. Ziele werden intern gesetzt, Parameter intern definiert, Ergebnisse intern gemessen.

Diese vollständige Kontrolle ist der wesentliche Unterschied zu den anderen beiden Domains. Agents for Marketers operieren ausschließlich auf der Innenseite des Unternehmens — sie verlassen den Sellerbereich nie. Der Kunde nimmt sie in der Regel nicht wahr.

Einschätzung: Inkrementell, aber nicht bedeutungslos

Was diese Domain an Nutzen schafft, ist substanziell: Kampagnen werden schneller produziert, Daten besser angereichert, Inhalte skaliert. Was sie nicht schafft, ist ein Paradigmenwechsel. Brinker beschreibt den Effekt nüchtern: „Almost all of these improvements are incremental, even if they’re significant.“ Agents for Marketers verbessern bestehende Prozesse — sie verändern nicht die Grundlogik von Marketing und CX.

Das mindert ihren Wert nicht. Für Teams, die Agentic AI einführen wollen, ist diese Domain der richtige Startpunkt: bekanntes Terrain, klare Kontrollstrukturen, schnell messbarer Nutzen. Einen strukturierten Überblick über KI-Kapabilitäten in dieser Domain bietet: Marketing Automation 2025: Wie KI, Echtzeit-Trigger und CDPs das Spiel verändern

Agents for Customers

Die zweite Domain beschreibt das, was viele CX-Teams gerade aktiv aufbauen: KI-Agenten, die im direkten Kundenkontakt stehen — aber vom Seller deployt und gesteuert werden. Der wesentliche Unterschied zu Domain 1: Der Agent verlässt die interne Sphäre. Er tritt in Interaktion mit dem Käufer — im Auftrag des Unternehmens.

Wie Agents for Customers agieren

Typische Systeme dieser Domain sind Customer Service Agents (Sierra, Zendesk AI, Replicant), AI Sales Development Representatives (Artisan, 11x), Shopper Concierges (Bloomreach, Gorgias) sowie AI Adaptive Websites (Pathfactory, Evolv AI, Contentstack). Was sie verbindet: Das Unternehmen definiert Ziele, Grenzen und Qualitätsparameter — der Agent setzt diese im direkten Kundendialog um.

Was diese Systeme von klassischer Marketing Automation unterscheidet, ist die Aussteuerungslogik. Klassische Automation steuert Workflows: wann welche Nachricht an welches Segment geht. Agents for Customers agieren situativ — sie lesen den Dialog, interpretieren die Intention des Gegenübers und reagieren adaptiv. Nicht Trigger-Logik, sondern kontextuelle Priorisierung. Nicht kanalgebundene Zuständigkeit, sondern journey-übergreifende Kommunikation.

Exkurs: Agents for Customers vs. klassische Conversational AI

Klassische Conversational-AI-Systeme — regelbasierte Chatbots oder frühe LLM-Integrationen — waren reaktiv: Sie antworteten auf Fragen nach definierten Mustern. Agents for Customers sind proaktiv und autonom: Sie können nicht nur antworten, sondern Aktionen anstoßen — Buchungen vornehmen, Angebote konfigurieren, Eskalationen einleiten. Die Architektur wird komplexer, der Governance-Bedarf steigt: Wer definiert, was der Agent darf? Wie wird Qualität gemessen, wenn Antworten probabilistisch generiert werden?

Vertiefung: Conversational AI — Worum geht’s und wie unterscheidet sie sich von der Generative AI?

Reichweite und strategische Bedeutung

Agents for Customers sind der operative Kern der Agentic-AI-Adoption im direkten Kundenkontakt. Gartner prognostiziert: „By 2028, 60% of brands will use agentic AI for one-to-one interactions, collapsing channel tech and redefining customer journeys.“ Die Kontrolle liegt dabei vollständig beim Seller — was diese Domain von Domain 3 fundamental unterscheidet.

Für CX-Teams bedeutet das: Agents for Customers erfordern mehr als technische Integration. Sie brauchen Governance-Strukturen, Qualitätsmechanismen und organisatorische Verantwortung — weil ein probabilistisch agierender Agent nicht durch statische Regeln geführt werden kann, sondern durch Rahmenbedingungen.

Agents of Customers

Die dritte Domain ist die, über die am wenigsten gesprochen wird — und die am meisten verändert. Agents of Customers sind KI-Assistenten, die Käufer selbst einsetzen: ChatGPT, Perplexity, Claude, Google Gemini. Sie arbeiten nicht im Auftrag des Sellers, sondern im Auftrag des Käufers — mit dessen Zielen, nach dessen Präferenzen, unter dessen Kontrolle. Felix van de Sand (COBE) hat die Konsequenz auf der SHIFT/CX Convention auf eine Formel gebracht: „AI kills the Customer Journey.“ Gemeint ist damit nicht das Ende von Kundenerlebnissen, sondern das Ende der klassischen Journey-Architektur, auf der Marketing und CX seit Jahren aufgebaut sind.

Was Buyer-seitige KI im Kaufprozess verändert

Der strukturelle Einschnitt liegt in der Navigation. Die klassische Customer Journey — Awareness, Website-Besuch, Produktseite, Checkout — setzt voraus, dass der Käufer die Kanäle des Sellers betritt. Ein Buyer-Agent tut das nicht zwingend. Er recherchiert, vergleicht und bewertet nach eigener Informationslogik — ohne je eine Seller-Website zu besuchen. Googles Gemini ruft lokale Stores an, um Verfügbarkeit und Preise zu prüfen, und berichtet das Ergebnis direkt. OpenAI ermöglicht direkte Einkäufe aus dem ChatGPT-Interface über Partnerschaften mit Etsy, Shopify und Walmart.

Scott Brinkers Kernthese lautet unmissverständlich: „The real disruption to marketing is happening on the other side of the equation: AI agents that buyers control.“ Der Unterschied zu Domain 1 und 2 ist nicht graduell — er ist konzeptuell. Agents of Customers sind keine Variante von Automatisierung. Sie sind eine neue Klasse von Marktakteuren, die mit eigenen Zielen im Kaufprozess navigieren.

Die Handlungslücke

In Scott Brinkers Martech-for-2026-Research nennen 63 Prozent der befragten Marketing-Teams buyer-seitige Disruption als relevantes Thema. Aber nur 14 Prozent haben konkrete Maßnahmen ergriffen. Das ist keine Wissenslsücke mehr — es ist eine Handlungslücke. Das Bewusstsein für die Veränderung ist breit vorhanden; die operative Antwort fehlt in den meisten Organisationen noch.

Was eine operative Antwort erfordert, ist zunächst eine Neubewertung der Informationsarchitektur. Was 25 Jahre SEO aufgebaut hat — Keyword-Strategien, auf Traffic optimierte Inhalte, Google-Platzierungen — verliert im Umgang mit Buyer-Agenten seinen klassischen Hebel. Die relevante Frage lautet nicht mehr: „Ranken wir auf Seite 1?“ — sondern: „Sind unsere Inhalte so strukturiert, dass ein KI-Agent sie findet, versteht und weiterempfiehlt?“ Diese Disziplin wird unter dem Begriff Agent Engine Optimization (AEO) diskutiert — ein Feld, das gerade erst entsteht.

Differenzierung: Retrieval ja — autonomer Kauf noch nicht überall

Die Disruption durch Agents of Customers ist real, aber nicht uniform. Konsumenten nutzen KI heute bereits breit als Recherche- und Retrieval-Tool — Preisvergleich, Produktrecherche, Verfügbarkeitsprüfung. Die Akzeptanz für KI als autonomen Kaufentscheider, der ohne Rückfrage bestellt und bezahlt, ist dagegen deutlich geringer.

Diese Asymmetrie folgt einer Einkaufslogik: Bei standardisierten Nachkäufen — Verbrauchsgüter, Routinebestellungen, klar definierte Produktkategorien — ist die Bereitschaft zur Agent-Delegation höher. Bei inspirationsgetriebenen Einkäufen — Mode, Lifestyle, Premiumprodukte, Erstkäufe in neuen Kategorien — bleibt die Entscheidungshoheit beim Menschen. Hier ist die Journey kein Hindernis, sondern Teil des Erlebnisses. „AI kills the Customer Journey“ gilt also differenziert: für transaktionale Routineprozesse schon heute, für erlebnisorientierte Einkäufe noch nicht.

Exkurs: Googles Universal Commerce Protocol — Infrastruktur für Agentic Commerce

Auf dem NRF Retail’s Big Show im Januar 2026 präsentierte Google gemeinsam mit Shopify, Etsy, Wayfair, Walmart und Target das Universal Commerce Protocol (UCP) — einen offenen Standard, der Buyer-Agenten den direkten Zugriff auf Produktdaten, Verfügbarkeit und Kaufabwicklung ermöglichen soll. Die Idee: ein einheitliches Protokoll statt N×N-Einzelintegrationen zwischen Retailers und KI-Plattformen.

Die Ankündigung erzeugte erheblichen Hype — und ebenso erhebliche Kritik. Kern der Debatte: Wer UCP implementiert, ermöglicht Transaktionen direkt in Google-Oberflächen und verliert dabei Site-Traffic, Kundendatenerfassung und kontrollierten CX-Kontext. Retailer riskieren, zu Backend-Logistikern einer Google-geführten Storefront zu werden. Hinzu kommen Antitrust-Bedenken angesichts Googles marktbeherrschender Stellung im Search. UCP ist ein bedeutsames Infrastrukturprojekt für die Buyer-Agent-Ökonomie — aber auch Ausdruck eines Machtanspruchs, der die Branche noch intensiv beschäftigen wird. Ein eigener Beitrag zu UCP, seinen Implikationen und den Alternativen folgt in dieser Serie.

Was die Dreiteilung für Investitionsentscheidungen bedeutet

Das Brinker-Framework ist nicht nur ein Klassifikationswerkzeug — es ist eine Entscheidungshilfe. Die Frage, welche Domain man adressiert, ist auch die Frage, in was man investiert. Und hier lohnt es sich, zwischen den Domains zu differenzieren — denn die Investitionslogik unterscheidet sich erheblich.

Der Agentic AI Layer — konzeptuell überzeugend, investitionsseitig offen

Als konzeptioneller Blick auf das Gesamtsystem macht der Agentic AI Layer Sinn. Die Silostruktur der bestehenden Martech-Lösungen ist real: Jede Plattform operiert mit eigener Datenlogik, eigenem Frontend, eigenem Optimierungsrahmen. Ein Use-Case-orientierter, datentopf-übergreifender Layer kann diese Grenzen strukturell überbrücken — und kontextuelle Entscheidungen treffen, die einzelne Speziallösungen nicht leisten können. Die Real Story Group spricht in diesem Zusammenhang von einer „missing layer“ im Martech AI-Stack, der gerade erst als eigenständige Kategorie entsteht.

Ob daraus automatisch die Notwendigkeit folgt, substantiell in dedizierte Agentic-AI-Layer-Lösungen zu investieren, ist eine andere Frage — und die Antwort ist weniger eindeutig. Etablierte SaaS-Martech-Plattformen integrieren Embedded AI zunehmend direkt: Salesforce, HubSpot, Adobe und andere schließen damit Teile jener Lücken, die der neue Layer konzeptuell füllen soll. Zugleich zeigt die Adoptionskurve, wie unreif der Markt noch ist: Laut einer Martech-Branchenerhebung von 2026 berichten zwar über 90 Prozent der Unternehmen von AI-Agent-Nutzung — aber nur 6 Prozent haben KI-Agenten tatsächlich vollständig in ihren Marketing-Stack integriert. Vor diesem Hintergrund hat sich in der Branche eine pragmatische Haltung herausgebildet: Wo etablierte Vendor-Lösungen die Anforderungen abdecken, die Embedded-AI-Funktionen tragen lassen und gezielt in eigenständige Agentic-Lösungen investieren, wo echter Differenzierungsbedarf besteht.

Agents of Customers — die Frage ist nicht ob, sondern wie

Bei der dritten Domain liegt die Entscheidungslogik anders. Ob Unternehmen einen eigenen Agentic AI Layer aufbauen, können sie abwägen. Ob Buyer-Agenten sie finden, verstehen und weiterempfehlen können — das entzieht sich dieser Abwägung. Diese Agenten sind bereits im Markt: Laut Braze Customer Engagement Report 2026 nutzen bereits 14 Prozent der Konsumenten in Großbritannien KI-Agenten aktiv für Interaktionen mit Marken oder Kaufentscheidungen — Tendenz steigend.

Dabei ist die Consumer-Akzeptanz differenziert. Laut einer Contentsquare-Erhebung vom Dezember 2025 sind erst rund 30 Prozent der Konsumenten bereit, einem KI-Agenten einen Kaufabschluss zu überlassen — während 65 Prozent ihre Zahlungsdaten nicht dauerhaft in einem Agenten-System hinterlegen würden. Die Barriere ist weniger technischer als psychologischer Natur: Solange ein Agent nicht transparent machen kann, warum er eine Entscheidung getroffen hat und nachweist, dass er aus Erfahrung lernt, bleibt er für die meisten Käufer ein Beratungsinstrument, kein Entscheidungsträger.

Was das für Unternehmen bedeutet: Die relevante Investition ist nicht das Website-Design, sondern die Informationsarchitektur. Produktdaten, Preise, Verfügbarkeiten, Serviceleistungen — maschinenlesbar, attributierbar, abrufbar. Erste AEO-Erfahrungen deuten darauf hin, dass der Aufwand sich lohnen kann: Der Hosting-Anbieter Vercel berichtet, dass mittlerweile 10 Prozent seiner Neukunden über ChatGPT kommen; laut HubSpot State of Marketing 2026 geben 58 Prozent der Marketers an, dass AI-referral-Traffic höhere Konversionsraten erzielt als klassischer organischer Traffic. Die Datenlage ist noch dünn und Einzelfallberichte überwiegen gegenüber systematischen Studien — diese Zahlen sollten daher als frühe Tendenz gelesen werden, nicht als etablierte Benchmark.

Orientierungsrahmen für CX-Verantwortliche

Das Brinker-Framework legt drei Fragen nahe, mit denen CX- und Marketing-Verantwortliche ihre eigene Position bestimmen können. Es sind keine Checklisten-Fragen — sondern Verortungsfragen, deren Antworten je nach Geschäftsmodell und Stack-Reifegrad unterschiedlich ausfallen.

Welche Domain ist heute geschäftsrelevant?

Eine direkte Antwort hängt vom Kontext ab — die folgende Einschätzung ist als Orientierung zu verstehen, nicht als Regel. Für B2B-Unternehmen mit komplexen, beratungsintensiven Kaufprozessen und langen Entscheidungszyklen stehen Agents for Marketers und Agents for Customers erfahrungsgemäß im Vordergrund: Der Buyer-Agent spielt hier noch eine untergeordnete Rolle, weil Kaufentscheidungen selten delegiert werden können. Für B2C-Unternehmen mit transaktionalen Kaufmustern — insbesondere im Commodity- und Nachkaufbereich — ist die dritte Domain dagegen heute schon strategisch relevant: Hier ist die Bereitschaft zur Agent-Delegation am höchsten.

Unabhängig vom Geschäftsmodell spricht vieles dafür, mit der ersten Domain anzufangen: Sie bietet operativen Nutzen bei hoher Hoheit und niedrigem Risiko — und schafft damit die internen Fähigkeiten, die für die Arbeit mit den anderen Domains Voraussetzung sind. Die zweite Domain erfordert Governance-Strukturen und Datenbasis. Die dritte Domain erfordert kein Warten — aber ein anderes Denken über Sichtbarkeit.

Ist die Datenbasis bereit?

Diese Frage stellt sich je nach Domain unterschiedlich. Für Agents for Customers — Seller-seitige Systeme — geht es um First-Party-Daten, Identitätsmodelle und die Integration von CRM, CDP und Marketing-Automation-Systemen. Der Agent ist nur so gut wie der Kontext, den er abrufen kann; fehlen saubere Daten und durchgängige Identitäten, produziert er generische statt relevante Interaktionen.

Für Agents of Customers ist die Datenfrage strukturell eine andere: Hier geht es nicht um interne Datenpflege, sondern um externe Verfügbarkeit. Können Produktdaten, Preise, Verfügbarkeiten und Serviceinformationen von einem Buyer-Agenten gefunden, abgerufen und interpretiert werden? Das ist eine Frage der Publikationsstruktur und des Schema-Markups — und damit ein genuines Kompetenzfeld, das Marketing- und CX-Teams noch aufbauen müssen. Interne CRM-Qualität hilft hier wenig; entscheidend ist, was außen ankommt.

Was verändert sich in der CX-Rolle?

Agenten, die probabilistisch agieren, brauchen Führung — aber keine statischen Regeln. Gefragt sind Rahmenbedingungen: Welche Ziele verfolgt der Agent? Welche Grenzen gelten? Wie wird Qualität gemessen, wenn Antworten nicht vorab definierbar sind? Wie werden Eskalationen gehandhabt, wenn ein Agent in eine Situation gerät, für die er nicht ausgelegt ist?

Die CX-Rolle verschiebt sich damit von der Umsetzung zur Governance — vom Gestalten einzelner Touchpoints zum Definieren von Systemrahmenbedingungen, unter denen Agenten im Auftrag des Unternehmens handeln. Das ist keine Verkleinerung der Rolle, sondern eine qualitative Veränderung: weg von der Ausführung, hin zur Verantwortung für das Gesamtsystem und seine Grenzen. Ob Unternehmen dafür bereits die organisatorischen Strukturen haben, ist eine offene Frage — eine, die in der SHIFT/CX 26 Community klar als zentrale Baustelle für 2026 benannt wurde.

Einen Einstieg in die grundlegenden Konzepte hinter Agentic AI bietet: Agentic AI und Agentic Automation: Was steckt hinter den neuen Hype-Begriffen?

Wie diese Entwicklung Journey Management, CX Governance und den Einsatz von Conversational-Systemen konkret verändert — das beleuchten die Folgebeiträge dieser Serie.