Wie Unternehmen mit den Einstiegsaufgaben auch ihre künftigen Fach- und Führungskräfte verlieren können

Machen wir uns einmal ehrlich und kehren vor der eigenen Tür. Ich nutze künstliche Intelligenz fast täglich. Sie hilft mir, große Informationsmengen schneller zu erfassen, Gedanken zu ordnen, Zusammenhänge zu prüfen und mich in neue Themen einzuarbeiten. Vieles gelingt dadurch schneller, manches auch besser. Ich möchte auf diese Unterstützung nicht mehr verzichten.

Trotzdem beschäftigt mich in Projekten zunehmend eine Frage, über die erstaunlich selten gesprochen wird. Was geschieht mit der Erfahrung in einem Unternehmen, wenn genau jene Aufgaben verschwinden, an denen Menschen bisher ihren Beruf gelernt haben?

Wir reden über Arbeit gern so, als ließe sie sich sauber in wertvolle und überflüssige Tätigkeiten zerlegen. Auf der einen Seite die strategischen Aufgaben, auf der anderen Seite die lästige Routine, die möglichst bald automatisiert werden soll. In der Unternehmenspraxis verläuft diese Grenze selten so eindeutig.

Viele Arbeiten, die heute zuerst an eine KI übergeben werden, waren tatsächlich mühsam. Junge Mitarbeiter sichteten Wettbewerbsangebote, prüften Kampagnenberichte, überarbeiteten Präsentationen, verglichen Zahlen aus unterschiedlichen Quellen und erstellten erste Textfassungen. Sie mussten erklären, warum ein Ergebnis anders ausfiel als erwartet, weshalb eine Zielgruppe kleiner war als geplant oder warum ein Entwurf trotz korrekter Inhalte nicht zur Marke passte.

Ein Teil dieser Arbeit war unnötig kompliziert. Niemand muss Daten von einer Tabelle in die nächste kopieren, damit daraus berufliche Reife entsteht. Schlechte Prozesse werden nicht dadurch wertvoll, dass Menschen unter ihnen leiden.

Dennoch hatten viele dieser Aufgaben eine zweite Funktion, die in keiner Stellenbeschreibung auftauchte. Sie waren Übung.

Wer Kampagnen selbst ausgewertet hat, erkennt mit der Zeit, welche Kennzahl fehlt und welche nur deshalb erfreulich aussieht, weil der Zeitraum günstig gewählt wurde. Wer Kundendaten aus verschiedenen Systemen zusammenführen musste, weiß, wie schnell ein vermeintlich eindeutiges Profil auseinanderfällt. Wer Texte mehrfach überarbeitet hat, entwickelt ein Gefühl dafür, wann eine Formulierung wirklich passt und wann sie lediglich ordentlich klingt.

Solches Wissen entsteht nicht in einer zweistündigen Schulung. Es wächst mit Wiederholung, Rückfragen, Korrekturen und gelegentlich auch mit einem Fehler, den man kein zweites Mal machen möchte. Später nennen wir das Erfahrung, obwohl wir oft vergessen, wie unspektakulär ihr Ursprung war.

Inzwischen verändert sich dieser Weg. Erste Analysen, Präsentationen, Kampagnenideen und Textfassungen entstehen automatisch. Junge Mitarbeiter beginnen nicht mehr beim Rohmaterial, sondern bei einem bereits geordneten Ergebnis. Sie sollen prüfen, verbessern und freigeben.

Das klingt zunächst nach anspruchsvollerer Arbeit. Die lästige Ausführung verschwindet, der Mensch konzentriert sich auf die Beurteilung. Auf dem Papier wirkt das wie ein Aufstieg.

In der Praxis entsteht ein Widerspruch. Jemand soll erkennen, ob ein Ergebnis gut ist, ohne den Arbeitsweg selbst oft genug durchlaufen zu haben. Er soll Annahmen prüfen, die er nicht entwickelt hat, und Fehler bemerken, deren Entstehung ihm kaum vertraut ist.

Erfahrene Mitarbeiter können damit meist besser umgehen. Sie kennen die typischen Schwächen, besitzen Vergleichswerte und merken eher, wenn eine Analyse sauber aussieht, aber am Geschäftsmodell vorbeigeht. Ihre Sicherheit stammt jedoch aus Jahren, in denen sie viele dieser Aufgaben selbst erledigt haben.

Unternehmen nutzen damit vorerst Erfahrung, die unter früheren Bedingungen entstanden ist. Sie profitieren von Menschen, die gelernt haben, Ergebnisse zu hinterfragen, bevor fertige Antworten jederzeit verfügbar waren.

Das kann lange gutgehen. Erfahrene Kollegen korrigieren Fehler, ergänzen fehlende Zusammenhänge und verhindern, dass aus einer plausiblen Empfehlung eine schlechte Entscheidung wird. Nach außen erscheint die Einführung erfolgreich. Die Arbeit wird schneller erledigt, Teams schaffen mehr und die Qualität bleibt scheinbar stabil.

Die Schwäche zeigt sich erst später.

Wenn die Menschen gehen, die den Unterschied zwischen einer überzeugenden und einer richtigen Antwort noch aus eigener Erfahrung kennen, fehlt nicht einfach Personal. Es fehlt Urteil. Und Urteil lässt sich erheblich schwerer ersetzen als eine freie Stelle.

Wer erkennt dann, dass eine Segmentierung zwar technisch korrekt, für das Geschäft aber wertlos ist? Wer bemerkt, dass eine Kampagne kurzfristig gute Zahlen erzeugt und gleichzeitig die Marke beschädigt? Wer widerspricht einer automatisch erzeugten Empfehlung, wenn im Team niemand mehr weiß, welche Annahmen geprüft werden müssten?

Wir automatisieren gerade einen Teil der unteren Laufbahnstufen und verlassen uns darauf, dass weiter oben schon genügend Erfahrung vorhanden sein wird. Das ist bequem, aber nicht besonders vorausschauend.

Fach- und Führungskräfte entstehen nicht mit der Beförderung. Sie entwickeln sich über Jahre, weil Verantwortung wächst, Zusammenhänge verständlicher werden und eigene Entscheidungen Folgen haben. Wer später ein großes Marketingbudget steuern soll, muss vorher erlebt haben, wie leicht eine Kennzahl ihre Bedeutung verliert, sobald sich der Betrachtungswinkel ändert. Wer Agenturen führen soll, sollte wissen, warum ein scheinbar gutes Briefing zu mittelmäßigen Ergebnissen führen kann. Wer Datenstrategien verantwortet, muss erfahren haben, wie unzuverlässig Daten wirken können, obwohl jedes einzelne System seine eigenen Regeln korrekt anwendet.

Diese Entwicklung lässt sich nicht durch eine zusätzliche Präsentation über kritisches Denken ersetzen. Mitarbeiter brauchen reale Aufgaben, einen eigenen Lösungsweg und Rückmeldung zu ihrer Arbeit. Sie müssen gelegentlich scheitern dürfen, ohne dass jeder Fehler sofort als Beweis mangelnder Eignung gilt.

In vielen Unternehmen passiert derzeit das Gegenteil. Ergebnisse werden stärker vorstrukturiert, Entscheidungen enger vorbereitet und Fehler möglichst früh technisch ausgeschlossen. Gleichzeitig beklagen Führungskräfte, dass junge Kollegen zu wenig Eigenständigkeit zeigen.

Wer kaum noch selbst entscheiden darf, entwickelt keine besondere Sicherheit im Entscheiden.

Vielleicht kennen Sie diese Situation aus dem eigenen Unternehmen. Ein Mitarbeiter legt einen gut formulierten Vorschlag vor, kann auf Nachfragen aber nur begrenzt erklären, warum er genau diesen Weg empfiehlt. Die Oberfläche stimmt, der Gedankengang bleibt dünn. Das muss keine Bequemlichkeit sein. Häufig wurde die Arbeit inzwischen so organisiert, dass der Weg zum Ergebnis kaum noch sichtbar ist.

Künstliche Intelligenz kann Lernen durchaus verbessern. Sie kann Zusammenhänge erklären, Alternativen zeigen und auf Widersprüche hinweisen. Sie kann weniger erfahrenen Mitarbeitern Wissen zugänglich machen, das früher nur bei wenigen Spezialisten lag. Richtig eingesetzt, verkürzt sie die Einarbeitung und schafft Raum für bessere Fragen.

Dafür muss sie mehr sein als ein Lieferant fertiger Antworten.

Ein Mitarbeiter lernt wenig, wenn er nur auswählt, welche von drei sauber formulierten Varianten am besten klingt. Er lernt mehr, wenn er seine eigene Lösung entwickelt, sie mit einem maschinellen Vorschlag vergleicht und erklären muss, warum er an bestimmten Stellen abweicht. Der Unterschied wirkt klein. Für die Entwicklung von Urteil ist er erheblich.

Diese Form der Arbeit ist allerdings weniger bequem. Sie produziert nicht sofort mehr Output und lässt sich schlechter in Effizienzkennzahlen abbilden. Lernen verläuft unregelmäßig. Menschen stellen Rückfragen, benötigen Rückmeldung und machen Fehler. Eine automatisierte Lösung wirkt dagegen souverän und ist jederzeit verfügbar.

Souveränität ist nur kein Beweis für Verständnis.

Unternehmen sollten deshalb genauer prüfen, welche Aufgaben tatsächlich vollständig verschwinden können. Tätigkeiten ohne erkennbaren Lern- oder Entscheidungswert dürfen automatisiert werden. Niemand gewinnt etwas, wenn qualifizierte Mitarbeiter ihre Zeit mit Formatierungen, manuellen Übertragungen oder wiederkehrenden Standardauswertungen verbringen.

Anders sieht es bei Aufgaben aus, in denen Menschen lernen, Informationen zu gewichten, Qualität zu beurteilen und Entscheidungen zu begründen. Dort sollte die Technik unterstützen, ohne den gesamten Arbeitsweg unsichtbar zu machen.

Für Führungskräfte beginnt diese Prüfung mit einem Blick auf die eigene Laufbahn. Welche Aufgaben waren rückblickend prägend? Wann entstand ein Gefühl für Qualität? Welche Fehler haben das eigene Urteil verändert? Welche scheinbar einfachen Arbeiten halfen später dabei, komplexere Situationen schneller zu verstehen?

Danach lohnt sich ein ehrlicher Blick auf die heutigen Einstiegspositionen. Erarbeiten Mitarbeiter noch eigene Lösungen oder prüfen sie vor allem vorgefertigte Ergebnisse? Müssen sie ihre Entscheidungen begründen? Erhalten sie Rückmeldung zu ihrem Denkweg oder nur zur fertigen Präsentation? Wissen sie, warum ein Vorschlag gut ist, oder lediglich, dass er akzeptiert wurde?

Solche Fragen gehören inzwischen in jede größere Automatisierungsentscheidung. Neben Zeit, Kosten und Qualität muss betrachtet werden, welche Fähigkeiten bei dieser Arbeit entstehen und ob das Unternehmen sie später noch benötigt.

Manche Tätigkeiten können vollständig entfallen. Bei anderen genügt eine stichprobenartige Kontrolle. Bestimmte Aufgaben sollten weiterhin von Mitarbeitern bearbeitet werden, unterstützt durch KI, aber mit einem nachvollziehbaren eigenen Lösungsweg. Und einige Entscheidungen bleiben menschliche Verantwortung, weil ihre Folgen nicht allein aus vorhandenen Daten abgeleitet werden können.

Diese Unterscheidung ist anstrengender als eine pauschale Automatisierungsquote. Sie liefert keine einfache Zielzahl für die nächste Vorstandssitzung. Sie verhindert jedoch, dass ein Unternehmen heute Effizienz gewinnt und morgen feststellen muss, dass niemand mehr weiß, wie gute Arbeit entsteht.

Ausbildung war noch nie die schnellste Form der Leistungserstellung. Ein erfahrener Mitarbeiter erledigt eine Aufgabe meist schneller allein, als wenn er einen weniger erfahrenen Kollegen einbezieht. Trotzdem haben Unternehmen Zeit in Einarbeitung, Begleitung und wachsende Verantwortung investiert. Sie wussten, dass Erfahrung nicht fertig geliefert wird.

Bei künstlicher Intelligenz behandeln wir diese Einsicht plötzlich wie einen Luxus.

Wir vergleichen die unmittelbaren Kosten menschlicher Arbeit mit der Geschwindigkeit einer Maschine. Der Wert dessen, was während der Arbeit gelernt wird, erscheint in dieser Rechnung nicht. Sichtbar wird er meist erst, wenn er fehlt.

Ich möchte die Möglichkeiten künstlicher Intelligenz in meiner eigenen Arbeit nicht missen. Sie hilft mir, schneller zu lernen, neue Perspektiven zu erkennen und bessere Fragen zu stellen. Zugleich merke ich, wie leicht eine gute Zusammenfassung das Gefühl vermittelt, man habe ein Thema bereits verstanden.

Meist beginnt das wirkliche Verständnis erst danach.

Machen wir uns deshalb ehrlich. Wir wollen Arbeit sparen, und dafür gibt es gute Gründe. Wir sollten nur genauer hinsehen, welche Erfahrung wir dabei ebenfalls verlieren.

Wenn niemand mehr üben darf, wird irgendwann auch niemand mehr sicher beurteilen können, was gute Arbeit eigentlich ausmacht.

Der Beitrag Wer soll Erfahrung haben, wenn niemand mehr üben darf? erschien zuerst auf schallmeyer.de.

Der CMO braucht kein weiteres KI-Pilotprojekt. Er braucht Kunden, die bleiben.

Die wirtschaftliche Lage macht Marketingentscheidungen derzeit nicht einfacher, sondern enger. Nachfrage lässt sich schlechter planen, Budgets werden häufiger unterjährig überprüft, die Kosten für Reichweite bleiben hoch und jede Investition muss früher als noch vor wenigen Jahren erklären, was sie zum Ergebnis beiträgt. Für den CMO entsteht daraus ein schmaler Handlungskorridor: Er soll Wachstum sichern, bestehende Erlöse schützen, neue Technik sinnvoll einsetzen und zugleich verhindern, dass das Marketing in immer mehr Projekten an Beweglichkeit verliert.

Gerade deshalb lohnt sich ein Blick auf die derzeitige Begeisterung für KI-Piloten. Viele dieser Vorhaben sind fachlich interessant, einige funktionieren technisch erstaunlich gut, doch im Alltag bleibt häufig offen, welchen wirtschaftlichen Schaden sie verringern oder welchen zusätzlichen Wert sie wirklich schaffen.

Ein Werkzeug erstellt Inhalte schneller, ein Modell bewertet Kontakte, eine Anwendung fasst Kampagnenergebnisse zusammen und ein weiterer Versuch soll Abwanderung erkennen oder die nächste Maßnahme empfehlen. Für jedes Vorhaben gibt es einen Anbieter, einen Projektplan und einige engagierte Mitarbeiter. Im Budgetgespräch klingt das nach Fortschritt, sechs Monate später existieren jedoch nicht selten mehrere Testlösungen, zusätzliche Abstimmungen und neue Auswertungen, während sich an Wiederkauf, Kundenwert oder Serviceaufwand kaum etwas verändert hat.

In einem stabilen Markt ließe sich ein solcher Versuchsbetrieb eine Zeit lang ertragen. Unter unsicheren Bedingungen wird er teuer, weil Geld und Fachkräfte gebunden sind, ohne dass ein echter Vorteil entsteht. Genau diese Kapazität fehlt dann an anderer Stelle, etwa bei der Stabilisierung wichtiger Kundenbeziehungen, bei der Beseitigung wiederkehrender Serviceprobleme oder bei der Anpassung von Angeboten an veränderte Nachfrage.

Der Nutzen einer strengeren Auswahl liegt deshalb nicht nur in geringeren Kosten. Ein Unternehmen gewinnt Spielraum, wenn es schwache Vorhaben früher beendet, Mittel schneller umschichtet und seine Organisation in der Lage hält, auf Marktveränderungen zu reagieren. Wer dagegen jedes interessante Werkzeug ausprobiert, baut sich leicht einen technischen Nebenbetrieb auf, der Aufmerksamkeit bindet, zusätzliche Entscheidungen erzeugt und den Alltag schwerfälliger macht.

Besonders deutlich zeigt sich das bei bestehenden Kunden. Viele Unternehmen kennen ihre Kosten pro Klick, Lead und Neukunde bis auf die zweite Nachkommastelle. Weitaus unschärfer wird es bei der Frage, wie viel Ergebnis verloren geht, wenn ein profitabler Kunde nach einer Beschwerde nicht zurückkehrt, seine Nutzung schrittweise reduziert oder eine Vertragsverlängerung ausbleibt.

Das ist nachvollziehbar, denn Neukundengewinnung erzeugt sichtbare Kennzahlen. Reichweite, Kontakte, Abschlüsse und Akquisitionskosten lassen sich einem Zeitraum und häufig auch einem Kanal zuordnen. Kundenbindung verteilt ihre Wirkung dagegen über Monate oder Jahre und entsteht zudem nicht allein im Marketing. Produktqualität, Erreichbarkeit, Lieferfähigkeit, Vertragsgestaltung und Service tragen oft mehr zur Beziehung bei als die nächste Kampagne.

Im Vorstand lässt sich ein neuer Lead deshalb meist leichter verteidigen als eine vermiedene Kündigung. Der Lead ist sichtbar, während bei der Kündigung erst einmal nachgewiesen werden müsste, dass sie ohne eine Maßnahme tatsächlich eingetreten wäre. So fließt Budget häufig in die erneute Beschaffung von Aufmerksamkeit, obwohl ein Teil des wirtschaftlichen Problems längst im eigenen Kundenbestand sichtbar ist. Am Ende bezahlt das Unternehmen zweimal, zunächst für die Gewinnung des Kunden und später für den Versuch, seine Aufmerksamkeit zurückzukaufen.

Gerade in einer schwachen oder schwer berechenbaren Nachfrage ist das ein riskantes Muster. Neue Kunden bleiben wichtig, doch ihre Gewinnung wird selten günstiger. Bei bestehenden Beziehungen verfügt das Unternehmen bereits über Erfahrungen, Nutzungsdaten, Kaufhistorien und Servicekontakte. Diese Informationen garantieren keine Loyalität, schaffen aber eine bessere Ausgangslage, um Wertverluste früher zu erkennen und gezielter zu reagieren. Die eigentliche Arbeit beginnt deshalb vor der Auswahl eines Modells. Der CMO muss wissen, wo bestehender Kundenwert verloren geht, und zwar so konkret, dass daraus eine Entscheidung entstehen kann. Das kann eine überdurchschnittliche Kündigungsquote nach dem ersten Vertragsjahr sein, vielleicht brechen Kunden nach einer Reklamation besonders häufig ab, möglicherweise sinkt die Nutzung kurz nach dem Kauf, weil das Produkt nicht richtig eingeführt wird, oder wertvolle Vertragsverlängerungen werden zu spät bearbeitet, weil Hinweise aus Service und Vertrieb nicht zusammenlaufen.

Schon eine grobe wirtschaftliche Einordnung reicht oft aus, um Prioritäten zu verändern. Wie viele Kunden sind betroffen, welcher Umsatz und welcher Deckungsbeitrag hängen daran, welche Verluste treten regelmäßig auf und welcher Anteil davon lässt sich realistisch beeinflussen? Diese letzte Frage ist entscheidend, denn nicht jede Abwanderung ist vermeidbar und nicht jeder Kunde sollte um jeden Preis gehalten werden. Bedürfnisse ändern sich, Märkte verschieben sich und manche Beziehungen waren von Beginn an wirtschaftlich schwach. Wer jede Kündigung als persönliches Versagen betrachtet, verteilt schnell Rabatte an Kunden, deren Bindung mehr kostet, als sie einbringt. Interessant sind jene Fälle, in denen eine frühere oder bessere Entscheidung mit vertretbarem Aufwand etwas verändern kann.

Ein Beispiel aus dem Alltag zeigt, wie sich dadurch auch der Blick auf KI verändert. Angenommen, profitable Kunden kündigen auffällig häufig innerhalb weniger Monate nach einer ungelösten Beschwerde. Der erste Impuls könnte darin bestehen, ein Modell zur Abwanderungsprognose einzuführen. Vielleicht ist das sinnvoll, vielleicht liegt das Problem aber deutlich näher, weil Beschwerden zu spät erkannt, falsch weitergeleitet oder ohne ausreichende Entscheidungskompetenz bearbeitet werden.

Der brauchbare Anwendungsfall heißt dann nicht „Churn Prediction“, sondern eher: Relevante Beschwerden müssen innerhalb eines Tages erkannt, nach wirtschaftlicher Bedeutung und Dringlichkeit eingeordnet und einer Stelle zugewiesen werden, die tatsächlich handeln kann.

Erst an diesem Punkt zeigt sich, ob KI überhaupt gebraucht wird. Bei wenigen klaren Fällen genügt ein sauberer Prozess. Bei großen Mengen unstrukturierter Texte, widersprüchlichen Signalen und vielen Kundengruppen kann ein Modell einen echten Beitrag leisten. Die Technik folgt dann der Aufgabe und nicht umgekehrt. Dadurch sinkt die Gefahr, eine beeindruckende Lösung für ein nur unzureichend verstandenes Problem zu kaufen.

Ähnlich verhält es sich mit Kundenwertmodellen, Empfehlungssystemen oder automatisierten Next-Best-Action-Ansätzen. Ein Modell kann berechnen, welcher Kunde wahrscheinlich geht oder welches Angebot statistisch gut passt. Die wirtschaftliche Wirkung entsteht aber erst, wenn die Organisation weiß, was sie mit dieser Information anfangen soll.

Wer darf entscheiden, welche Maßnahmen sind zulässig, wann wird persönlich Kontakt aufgenommen, wann genügt eine Nachricht, wie wird verhindert, dass ein Kunde mit einer offenen Reklamation gleichzeitig ein Werbeangebot erhält, bei welchem Kunden lohnt sich ein Preisnachlass und wann würde er lediglich Marge verschenken? Ebenso wichtig ist die Frage, welche Abteilung den Fall übernimmt, wenn die Ursache gar nicht im Marketing liegt.

Ohne diese Klärung produziert das System Hinweise, die in einem Dashboard enden. Der Fachbereich sieht ein Risiko, doch der Ablauf bleibt unverändert und der Kunde erlebt weiterhin denselben Prozess. Die Lösung wirkt modern, verändert aber wenig.

Für den CMO ist deshalb die Qualität der Entscheidung wichtiger als die Genauigkeit des Modells. Eine Vorhersage kann mathematisch gut sein und wirtschaftlich trotzdem folgenlos bleiben. Umgekehrt kann ein etwas weniger präzises Verfahren großen Nutzen stiften, wenn es früh genug einsetzt und eine klare Handlung auslöst.

Auch die Messung sollte diesem Gedanken folgen. Die Zahl der Warnungen, Empfehlungen oder erzeugten Inhalte sagt wenig über den Erfolg aus. Wichtiger sind gehaltene Erlöse, längere Vertragsdauer, höhere Nutzung, zusätzlicher Deckungsbeitrag oder geringerer Serviceaufwand.

Wo es möglich ist, sollte ein Teil vergleichbarer Kunden anders behandelt werden. Nur so lässt sich erkennen, ob die Maßnahme tatsächlich etwas verändert. Ohne Vergleich bleibt offen, ob ein Kunde wegen der neuen Behandlung geblieben ist oder ohnehin nicht gekündigt hätte.

Gerade bei Kundenbindung schützt diese Prüfung vor falschen Erfolgen. Ein Rabatt kann kurzfristig einen Kauf auslösen und langfristig die Marge beschädigen. Eine höhere Kontaktfrequenz steigert möglicherweise zunächst die Reaktion und später die Abmeldungen. Ein Bonusprogramm kann Loyalität fördern, aber ebenso Käufe verbilligen, die auch ohne zusätzlichen Anreiz stattgefunden hätten.

Der CMO braucht daher einen Maßstab, der über Aktivität hinausgeht. Entscheidend ist der zusätzliche wirtschaftliche Wert nach Kosten. Dazu gehören nicht nur Mediaausgaben, sondern ebenso Folgekosten im Service, zusätzliche Rabatte, technische Aufwände und die Arbeitszeit der beteiligten Teams.

Ein Pilot verdient diesen Namen nur, wenn er eine begrenzte Annahme prüft und ein Ende hat. Vor dem Start sollte feststehen, welcher Ausgangswert gilt, welches Ergebnis erwartet wird und wann das Vorhaben angepasst oder beendet werden muss. Bereits investiertes Geld darf dabei kein Grund sein, eine schwache Idee weiterzuführen.

Genauso problematisch ist der erfolgreiche Test, der dauerhaft im Sonderstatus bleibt. Läuft die Lösung nur deshalb, weil einige Mitarbeiter manuell Daten zusammenführen, Ausnahmen prüfen und Ergebnisse weiterleiten, ist sie im Alltag noch nicht angekommen. Ein Einsatz braucht klare Zuständigkeiten, verlässliche Daten, ein Budget und einen Prozess, der auch dann funktioniert, wenn das ursprüngliche Projektteam längst mit anderen Aufgaben beschäftigt ist.

In der gegenwärtigen Lage schafft diese Disziplin einen unmittelbaren Vorteil. Sie schützt Budget, weil schwache Vorhaben früher sichtbar werden. Sie schützt Kapazität, weil nicht jeder interessante Anwendungsfall gleichzeitig verfolgt wird. Und sie schützt bestehende Erlöse, weil Kundenverluste als wirtschaftliches Problem behandelt werden und nicht erst dann Aufmerksamkeit bekommen, wenn eine Rückgewinnungskampagne nötig wird. Vor allem verbessert sie die Reaktionsfähigkeit. Wer weiß, an welcher Stelle Kundenwert verloren geht und welche Entscheidung daran etwas ändern kann, muss bei einer Verschlechterung der Marktlage nicht bei null anfangen. Das Unternehmen kann vorhandene Maßnahmen ausweiten, Budgets gezielter verschieben und schneller erkennen, wo weiteres Geld wenig bewirken würde.

Kundenbindung bedeutet dabei weder mehr Nachrichten noch automatisch mehr Rabatte oder Punkte. Sie beginnt mit der ehrlichen Frage, warum ein Kunde bleiben sollte und an welcher Stelle das Unternehmen diese Beziehung selbst gefährdet.

Die Antwort liegt häufig nicht im Marketing. Verlässliche Leistungen, verständliche Verträge, erreichbare Ansprechpartner und ein vernünftiger Umgang mit Daten tragen meist mehr zur Bindung bei als eine weitere Kampagne. Das Marketing kann diese Grundlagen nicht ersetzen, wohl aber sichtbar machen, wo Kundenwert verloren geht, was dieser Verlust kostet und welche Entscheidung rechtzeitig getroffen werden müsste.

Darin liegt die Aufgabe des CMO. Im nächsten Budgetgespräch sollte er nicht nur erklären können, welches neue Werkzeug getestet werden soll. Er sollte beziffern können, welcher bestehende Umsatz gefährdet ist, an welcher Stelle der Kundenbeziehung er verloren geht, welche Entscheidung heute zu spät oder auf einer zu schwachen Grundlage getroffen wird und wie viel zusätzlicher Wert durch eine bessere Lösung entstehen kann.

Erst danach stellt sich die Frage, ob KI dafür tatsächlich gebraucht wird. Gibt es auf diese Punkte keine guten Antworten, fehlt dem Unternehmen nicht der nächste Pilot, sondern die Klarheit darüber, welchen Kundenwert es schützen will.

Der Beitrag Kunden und Umsatz halten statt KI testen erschien zuerst auf schallmeyer.de.