Lange wurde im Marketing über Daten gesprochen, als seien sie ein Rohstoff. Das Bild war bequem, aber es führte in die Irre. Rohstoff klingt nach Vorrat, nach Lager, nach etwas, das man besitzt, fördert und bei Bedarf verarbeitet. Daten verhalten sich anders. Sie altern, verlieren ihren Zusammenhang, ändern ihre Bedeutung, widersprechen sich und werden riskant, sobald sie ohne Zweck, Verantwortung und Prüfung in Systeme gelangen, die daraus Entscheidungen ableiten.

Marketing bewegt sich damit in eine neue Lage. Es geht nicht mehr nur um Customer Data Platforms, Marketing Automation, Personalisierung oder Reporting. Es geht um AI Agents, autonome Abläufe, Echtzeitentscheidungen, generative Oberflächen und Systeme, die nicht mehr nur anzeigen, sondern handeln.

Schlechte Daten führen dann nicht mehr nur zu schlechten Dashboards. Sie führen zu schlechten Aktionen.

Früher ließen sich viele Schwächen noch kaschieren. Ein unvollständiges Profil störte die Analyse. Eine doppelte Kunden-ID verfälschte die Segmentgröße. Ein veraltetes Consent-Signal erhöhte das Risiko im Prozess. Ein falsch gepflegtes Attribut führte zu einer unpassenden Ansprache. Das war ärgerlich, aber noch begrenzbar. Zwischen Daten und Wirkung saßen Menschen. Sie interpretierten, korrigierten, hinterfragten, stoppten. Nicht immer konsequent, aber immerhin.

Mit agentischen Systemen wird dieser Puffer kleiner. Ein AI Agent, der Zielgruppen bildet, Texte variiert, Budgets verschiebt, Leads priorisiert, Servicefälle bewertet oder Angebote aussteuert, verarbeitet nicht nur Daten. Er setzt sie in Bewegung. Er zweifelt nicht im menschlichen Sinn. Er erkennt Muster, wo vielleicht nur Altlasten liegen. Er personalisiert auf Basis von Signalen, die möglicherweise nie sauber legitimiert wurden. Er optimiert auf Kennzahlen, deren Definition längst niemand mehr verantwortet. Und er beschleunigt Fehler, die früher langsam genug waren, um irgendwann aufzufallen.

Die großen Anbieter haben diese Richtung längst eingeschlagen. Plattformen werden um Funktionen erweitert, die nicht mehr nur assistieren, sondern Prozesse ausführen, Inhalte erzeugen, Entscheidungen vorbereiten oder Kampagnenlogiken verändern.

Das Versprechen lautet: Marketing wird schneller, individueller und stärker automatisiert.

Die kaum ausgesprochene Bedingung lautet: Die zugrunde liegenden Daten müssen stimmen.

Datenqualität ist deshalb kein technisches Hygieneprogramm mehr. Sie wird zur Führungsfrage. Nicht, weil Dubletten plötzlich spannender wären als Strategie. Sondern weil jede automatisierte Entscheidung die Qualität ihrer Datenbasis mitnimmt. Wer einem Agenten Zugriff auf Kundendaten, Kampagnendaten, Consent-Informationen, Produktdaten, Servicehistorien oder Transaktionssignale gibt, gibt ihm nicht nur Informationen. Er gibt ihm Handlungsspielraum. Ein schlechter Datensatz bleibt dann nicht im Reporting hängen. Er wird Teil einer Entscheidung.

Die amerikanische Marktsicht fällt hier nüchterner aus, als manche Produktpräsentation erwarten lässt. Erfolgreiche KI-Initiativen investieren deutlich stärker in Datenqualität, Governance, Mitarbeitende und Veränderungsfähigkeit als weniger erfolgreiche Vorhaben. Das zeigt, woran viele Programme scheitern. KI-Erfolg hängt nicht allein an der Leistungsfähigkeit des Modells. Er hängt daran, ob Organisationen wissen, welche Daten sie verwenden, wofür sie diese Daten verwenden dürfen und welche Entscheidung daraus entstehen soll.

Auch technisch wird der Zugriff breiter. AI Agents sollen über Schnittstellen auf CRM, Data Warehouse, CDP, Content-Systeme, Serviceplattformen, Collaboration Tools und externe Datenquellen zugreifen. Das verspricht Effizienz, verschiebt aber die Kontrollfrage nach vorn. Wer darf welchem System welche Information geben? Welche Daten dürfen kombiniert werden? Welche Entscheidung darf automatisiert vorbereitet werden? Welche Aktion braucht eine menschliche Freigabe? Und welche Daten sind zwar verfügbar, aber für den konkreten Zweck ungeeignet?

Im Marketing ist diese Frage besonders heikel, weil Daten hier selten neutral sind. Sie bestehen aus Einwilligungen, Erwartungen, Interessen, Kaufhistorien, Kampagnenreaktionen, Geräteinformationen, Identitäten und Verhaltensspuren. Sie entstehen in CRM, Webanalyse, Consent Management, E-Commerce, Service, Loyalty, Media, Data Warehouse, CDP und Offline-Prozessen. Jede Quelle besitzt ihre eigene Logik. Jede Quelle hat ihre eigene Aktualität. Jede Quelle bringt eigene Fehler mit. Erst wenn diese Unterschiede geführt werden, entsteht Entscheidungskraft. Werden sie nur technisch verbunden, entsteht vor allem Geschwindigkeit.

An der CDP lässt sich diese Verschiebung gut beobachten. Lange galt die Customer Data Platform als Antwort auf fragmentierte Kundendaten. Sie sollte Profile vereinheitlichen, Identitäten zusammenführen, Segmente bilden und Aktivierung ermöglichen.

Diese Aufgabe bleibt wichtig. Sie reicht aber nicht mehr aus.

Kundendaten liegen nicht in einer einzigen Plattform. Sie liegen im Warehouse, im Lakehouse, im CRM, in Consent-Systemen, in Commerce-Plattformen, in Loyalty-Systemen und in Aktivierungsschichten.

Hier setzt die Diskussion um Composability an. Der Begriff wird oft verwendet, als ginge es nur um technische Beweglichkeit. Das greift zu kurz. Composability bedeutet nicht, Marketingtechnologie beliebig aus Einzelteilen zusammenzustecken. Sie beschreibt die Fähigkeit, Daten, Identitäten, Einwilligungen, Profile und Aktivierung so miteinander zu verbinden, dass sie austauschbar, kontrollierbar und zweckgebunden nutzbar bleiben. Die CDP wird damit weniger zum alleinigen Ort der Wahrheit. Sie wird Teil einer Architektur, in der Warehouse, Consent Management, Identity Resolution, Data Quality und Aktivierung sauber zusammenspielen müssen.

Mehr Beweglichkeit bedeutet aber nicht weniger Ordnung. Im Gegenteil. Je zusammensetzbarer eine Architektur wird, desto weniger darf sie beliebig sein. Ohne gemeinsame Begriffe, klare Verantwortlichkeiten, gültige Einwilligungslogik, verlässliche Identitäten und verbindliche Qualitätsregeln entsteht keine moderne Datenarchitektur. Es entsteht Fragmentierung mit besserer Oberfläche. Composability ersetzt Governance nicht. Sie macht Governance dringlicher.

Damit wird Vertrauen zur Architekturfrage. In klassischen Marketingumgebungen wurde Vertrauen oft organisatorisch gedacht: Wer darf auf welche Daten zugreifen, wer genehmigt eine Kampagne, wer prüft eine Einwilligung? In zusammensetzbaren digitalen Systemen reicht das nicht mehr. Vertrauen muss technisch, prozessual und fachlich in die Architektur eingebaut sein.

Eine solche Trust Architecture besteht nicht aus einem einzelnen Tool. Sie entsteht aus verbindlichen Prüfungen entlang der Daten- und Entscheidungsstrecke. Ist die Identität eindeutig genug? Ist der Zugriff berechtigt? Ist die Einwilligung für diesen Zweck gültig? Ist die Herkunft des Datums nachvollziehbar? Wurde das Signal verändert, angereichert oder abgeleitet? Darf ein Agent daraus eine Aktion vorbereiten? Wird dokumentiert, warum eine Entscheidung getroffen wurde?

Vertrauen wird damit nicht behauptet, sondern prüfbar gemacht. Ein digitales System ist nicht vertrauenswürdig, weil ein Anbieter es so nennt. Es ist vertrauenswürdig, wenn es seine Annahmen, Zugriffe, Datenflüsse und Entscheidungen erklären kann. Für AI Agents wird das zur Voraussetzung. Je autonomer Systeme handeln, desto weniger darf Vertrauen auf nachträglicher Kontrolle beruhen. Es muss vor der Aktion im System angelegt sein.

Viele Unternehmen verbinden Systeme, schaffen Schnittstellen, synchronisieren Profile, reichern IDs an und nennen das Datenstrategie. Doch eine Datenstrategie beginnt nicht mit der Frage, wo Daten liegen. Sie beginnt mit der Frage, welche Entscheidung auf welcher Grundlage getroffen werden darf. Wer diese Frage nicht beantwortet, baut keine Intelligenz auf. Er verteilt Unsicherheit schneller.

Bei Personalisierung zeigt sich der Konflikt besonders deutlich. Unternehmen wollen Kundenerlebnisse individueller gestalten, Streuverluste senken und Budgets präziser einsetzen. Nutzer erwarten zugleich mehr Kontrolle, mehr Transparenz und weniger aufdringliche Datenpraktiken. Regulierer verlangen Nachvollziehbarkeit. Plattformen verändern ihre Identitäts- und Cookie-Logiken. Agentische Systeme erhöhen die Geschwindigkeit. Diese Anforderungen laufen nicht nacheinander auf. Sie treffen gleichzeitig auf dieselben Systeme. Mehr Daten lösen diesen Konflikt nicht. Es braucht bessere Regeln dafür, welche Daten welche Entscheidung auslösen dürfen.

In Europa bekommt diese Frage zusätzliches Gewicht. In den Vereinigten Staaten dominiert häufig die Produktlogik: schnellere Automatisierung, bessere Aktivierung, höhere Produktivität. In Europa tritt stärker die Kontrolllogik hinzu: Datenschutz, Zweckbindung, Transparenz, Einwilligung, Nachweisbarkeit. Beides darf nicht gegeneinander ausgespielt werden. Wer nur auf amerikanische Geschwindigkeit schaut, unterschätzt das Risiko. Wer nur auf europäische Regulierung schaut, verpasst die Wirkung.

Entscheidend ist ein Marketing, das seine Daten nicht nur sammelt, sondern verantworten kann.

Datenqualität ist dabei mehr als Vollständigkeit. Eine Adresse kann formal korrekt und geschäftlich wertlos sein. Ein Lead kann vollständig erfasst und dennoch falsch priorisiert werden. Ein Consent kann gespeichert sein und trotzdem nicht zum konkreten Zweck passen. Ein Segment kann groß genug aussehen und inhaltlich unbrauchbar sein. Ein Dashboard kann sauber visualisiert sein und dennoch eine falsche Steuerungslogik abbilden.

Qualität entsteht nicht allein durch Validierung, Deduplizierung oder Standardisierung. Qualität entsteht, wenn Daten für eine Entscheidung geeignet sind.

Die alte Datenpflege prüfte, ob Felder gefüllt, Datensätze aktuell und Dubletten entfernt sind. Das genügt nicht mehr. Entscheidend ist, ob ein bestimmtes Merkmal eine bestimmte Entscheidung überhaupt beeinflussen darf.

• Welche Aktualität braucht der konkrete Anwendungsfall?
• Welche Identität ist für die Entscheidung maßgeblich?
• Reicht eine E-Mail-Adresse? Braucht es eine Kunden-ID?
• Ist ein Haushaltsbezug zulässig?
• Darf ein Verhalten aus dem Web mit einer Kaufhistorie verbunden werden?
• Muss ein Signal nach wenigen Tagen verfallen?
• Ist eine Information erklärbar, notwendig und angemessen?

Das sind keine Fragen für Datenbankadministration. Es sind Fragen der Unternehmensführung.

Viele MarTech-Programme scheitern genau an dieser Stelle. Sie werden als Implementierungsprojekte geführt. Tool auswählen, Daten anbinden, Anwendungsfälle priorisieren, Kampagnen aktivieren. Das sieht nach Fortschritt aus. Häufig wird aber nur eine alte Organisation auf neue Technologie gelegt. Zuständigkeiten bleiben unklar. Datenmodelle entstehen aus Projektlogik. Consent wird als Pflichtfeld behandelt. Fachbereiche definieren ihre Kennzahlen weiter selbst. IT verantwortet Verfügbarkeit, Marketing Wirkung, Legal Risiko, Analytics Wahrheit. Dazwischen entsteht keine Governance, sondern ein Waffenstillstand.

Mit AI Agents hält dieser Waffenstillstand nicht mehr lange.

• Wer darf einem Agenten sagen, welche Zielgruppe wertvoll ist?
• Wer prüft, ob eine Segmentlogik ungewollt ausschließt oder bevorzugt?
• Wer entscheidet, ob ein Modell ein Umsatzsignal höher gewichtet als ein Beschwerdesignal?
• Wer verantwortet, wenn eine automatisierte Kampagne rechtlich zulässig, aber markenschädlich ist?
• Wer beendet einen Ablauf, wenn die kurzfristige Conversion steigt, aber der Kundenwert sinkt?

Diese Fragen lassen sich nicht an das System delegieren. Sie müssen vor dem System geklärt werden.

Dass Anbieter inzwischen von Trust, Guardrails, Governance, Agent Orchestration und approved business data sprechen, verweist auf den wunden Punkt der Automatisierung. Je stärker Systeme handeln, desto wichtiger wird die Frage, wer den Handlungsrahmen setzt. Je mehr Daten in Echtzeit verbunden werden, desto wichtiger wird die Frage, welche Verbindung legitim ist. Je stärker KI Entscheidungen vorbereitet, desto wichtiger wird die Frage, welche Annahmen in diesen Entscheidungen stecken.

Viele Unternehmen werden agentische KI zunächst als Produktivitätsprogramm einführen. Mehr Content, schnellere Kampagnen, bessere Lead-Bewertung, automatisierte Journey-Steuerung, weniger manuelle Arbeit. Das ist nicht falsch. Aber es ist unvollständig. Die eigentliche Frage lautet nicht, wie viel Arbeit ein Agent übernimmt. Die eigentliche Frage lautet, welche Annahmen er dabei übernimmt.

Wenn die Annahmen falsch sind, wird nicht Intelligenz ausgebaut, sondern Irrtum beschleunigt.

Der nächste Entwicklungsschritt im Marketing sollte deshalb nicht „AI-first“ heißen. Er sollte datenverantwortlich sein. Verantwortbare Daten vor automatisierter Entscheidung. Klare Zuständigkeit vor Echtzeitaktivierung. Zweckbindung vor Personalisierung. Identitätslogik vor Segmentlogik. Messrahmen vor Optimierung. Governance vor Geschwindigkeit.

Geschwindigkeit ist erst dann ein Vorteil.

Agenten, Echtzeitdaten und zusammensetzbare Plattformen werden das Marketing der nächsten Jahre prägen. Die technische Entwicklung wird nicht warten, bis Organisationen ihre Datenmodelle bereinigt, Rollen geklärt und Entscheidungsregeln formuliert haben. Deshalb wird der Abstand zwischen Unternehmen wachsen. Die einen werden KI einsetzen und hoffen, dass die Systeme die Unordnung ausgleichen. Die anderen werden erkennen, dass KI diese Unordnung nur sichtbarer und wirksamer macht.

Am Ende entscheidet nicht die Frage, ob ein Unternehmen KI nutzt. Diese Frage stellt sich kaum noch. Entscheidend ist, ob die Organisation weiß, welche Daten sie der KI anvertraut, welche Entscheidungen daraus entstehen dürfen und wer dafür geradesteht.

Ohne Datenqualität wird KI nicht klüger. Sie wird nur schneller falsch.

Der Beitrag Datenqualität entscheidet, ob KI führt oder täuscht erschien zuerst auf schallmeyer.de.