VP für Wachstum sagt, dass das größte Risiko bei KI darin besteht, zu glauben, was die Daten scheinbar beweisen

Jon Chang ist der VP für Wachstumsmarketing bei MyFitnessPal. Zuvor umfasste seine Karriere Stationen bei IBM Watson, Kickstarter und Klarna. Und er arbeitet schon mit KI, lange bevor sie zum Mainstream wurde.

Wir haben mit Jon gesprochen, um zu verstehen, wie KI die Werbung verändert. Dabei verriet er uns, bei welchen Umsatzfunktionen dringend eine Überarbeitung durch KI erforderlich ist.

Arbeit mit KI, bevor sie die Gewinn- und Verlustrechnung irgendjemandes berührte

Ich bin Jon Chang, VP für Wachstumsmarketing bei MyFitnessPal, und konzentriere mich auf die Nachfrageseite des Geschäfts im Hinblick auf den Umsatz. Dazu gehören bezahlte Akquise, die Konversion im App Store und die Lücke zwischen dem Versprechen einer Anzeige und der tatsächlichen Erfahrung eines neuen Nutzers bei seiner Ankunft.

Mein Weg hierher führte über IBM Watson, Kickstarter und Klarna, und neben meiner operativen Arbeit habe ich an der NYU unterrichtet. Diese erste Station ist wichtiger, als es vielleicht den Anschein hat, denn ich habe damals an kommerziellen KI-Anwendungen gearbeitet, als sich die Diskussionen darauf konzentrierten, was diese Systeme irgendwann leisten könnten, und nicht darauf, was sie mit der Gewinn- und Verlustrechnung irgendjemandes machten. Zu beobachten, wie sich das Feld von jener Zeit bis heute entwickelt hat, hat mir eine anhaltende Skepsis gegenüber Zeitplänen und einen anhaltenden Respekt vor dem vermittelt, was tatsächlich veröffentlicht wird.

Der restliche Weg führte mich zu maschinengesteuerten Kanälen, lange bevor sie jemand als KI bezeichnete. Zuerst kamen Gebote, dann die Auswahl von Zielgruppen, danach der Wechsel von Werbemitteln; eines nach dem anderen wurde über Auktionen aus den Händen der Menschen genommen. Was jetzt geschieht, fühlt sich für mich daher nicht wie ein Bruch an, sondern eher wie derselbe langfristige Trend, der auf einmal eintrifft – eine wirklich andere Erfahrung, als wenn sich ein völlig neuer Trend entwickelt.

Diese Geschichte hat mich gelehrt, dass Automatisierung hervorragend darin ist, auf Korrelationen hin zu optimieren, aber gegenüber Kausalität völlig gleichgültig bleibt. Als diese Systeme schneller wurden, wurde immer offensichtlicher, dass Inkrementalität – die Frage, ob deine Maßnahmen tatsächlich das von dir behauptete Ergebnis verursacht haben – die Disziplin war, in die niemand investierte. Ich glaube, dass sie nach wie vor die am meisten unterschätzte Fähigkeit im Wachstumsmarketing ist, und sie wird umso wertvoller, je schneller Tools selbstbewusst wirkende Zahlen produzieren.

Ich schreibe darüber bei Growth Marketing Musings auf Substack.

Eine Struktur, die zu besseren Fragen zwingt

MyFitnessPal ist ein mobiles, auf Abonnements basierendes Verbrauchergeschäft und konkurriert in einer Kategorie, in der die Akquise fast vollständig auf auktionsbasierten Kanälen und der Entdeckung im App Store beruht.

Diese Struktur prägt alles, weil wir keinen langen Verkaufszyklus verwalten und nicht über ein Einkaufsgremium arbeiten. Die Entfernung von der Impression bis zur kostenpflichtigen Konversion ist kurz, was wie ein Vorteil klingt, aber eher als Einschränkung wirkt: Das bedeutet, dass du bei jedem Schritt nur einen Versuch hast und nur sehr wenig Spielraum, um einen schwachen Schritt auszugleichen.

Das bedeutet außerdem, dass wir in einem der schwierigeren Messumfelder im Marketing arbeiten, was weitgehend erklärt, warum die Inkrementalität für mein Denken zentral geworden ist. Die Attribution über mehrere Kontaktpunkte bricht im mobilen Umfeld mit eingeschränktem Datenschutz, in dem die Zustimmungsraten niedrig sind, tatsächlich zusammen. Deshalb stützen sich Teams in diesem Bereich stattdessen auf Inkrementalitätstests. Viele Organisationen betrachten das als eine Einschränkung, mit der sie umgehen müssen, aber ich würde argumentieren, dass es eher eine zwingende Kraft ist, die zu besseren Fragen führt.

Wie KI die Werbung verändert hat

Jahrelang war es so teuer, für jedes Anzeigenthema eine maßgeschneiderte Zielseite zu erstellen, dass der Großteil des Datenverkehrs auf eine einzige allgemeine Seite geleitet wurde. Jemand, der auf eine Anzeige zu einem Thema klickte, und jemand, der auf eine Anzeige zu einem anderen Thema klickte, landeten am selben Ort. Das bedeutete, dass die Anzeige eine sorgfältige Zielgruppenansprache vornahm, die Zielseite diese Arbeit jedoch sofort wieder zunichtemachte.

Branchenweit brachen die Kosten für die Erstellung einer Variante ein, sobald Tools wie ChatGPT und Claude zu Standardwerkzeugen wurden. Wenn eine Variante günstig ist, ist die Abstimmung der Zielseite auf das Versprechen kein Luxus mehr, den man rechtfertigen muss, sondern wird zum offensichtlichen Standard.

Die Wirkung ist in unserem Bereich besser dokumentiert als die meisten anderen Effekte. Eine veröffentlichte Analyse von mehr als einer Million Apple-Ads-Anzeigengruppen ergab, dass Anzeigengruppen, die auf eine anhand des Schlüsselworts passende benutzerdefinierte Produktseite verwiesen, bei gleichen Ausgaben und Schlüsselwörtern 23 % mehr Downloads erzielten als jene, die auf die Standardseite verwiesen.

Das entscheidende Detail ist, welche Art der Abstimmung funktioniert. Eine separate Portfolioanalyse ergab, dass Apps mit den größten Zugewinnen nach der Nutzerabsicht und nicht nach Produktmerkmalen segmentieren. Seiten, die als visuell überarbeitete Versionen der Standardseite gestaltet sind und dieselbe Reihenfolge der Bildschirmaufnahmen sowie denselben ersten Aufhänger verwenden, bewegen sich kaum. Das ist die zentrale Lehre: Ein Sprachmodell macht es trivial, vierzig Versionen einer einzigen Idee zu erstellen, aber das ist nahezu wertlos, wenn nicht zuerst die Arbeit an der Nutzerabsicht erfolgt.

Ich würde ergänzen – und ich glaube, dieser Teil wird oft übersprungen –, dass all das nur wenig wert ist, wenn du nicht feststellen kannst, ob die Änderung den Anstieg verursacht hat. Von der Plattform gemeldete Zahlen für eine abgestimmte Seite werden fast immer gut aussehen, weil du besseren Datenverkehr auf eine bessere Erfahrung leitest und die Berichterstattung diese Effekte nicht voneinander trennen kann. Der einzige Weg, Gewissheit zu erlangen, besteht darin, sie mit einer Kontrollgruppe zu vergleichen. Das ist langsamer und deutlich weniger befriedigend, aber es ist die einzige Antwort, die ich tatsächlich vertreten würde.

Wo KI glänzt und wo Menschen erforderlich sind

KI übernimmt inzwischen einen beträchtlichen Teil der Arbeit, wenn auch nicht vollständig freiwillig. KI kümmert sich innerhalb der Plattformen mittlerweile um die Optimierung von Geboten und Budgets, weil manuelle Steuerungsmöglichkeiten weitgehend entfernt wurden. Darüber hinaus liegen die nützlichen Anwendungen von KI für uns in der Synthese, nicht in der Produktion.

Auf ChatGPT und Claude basierende Agenten sind hervorragend darin, große, unübersichtliche Marktinformationen aufzunehmen und etwas zurückzugeben, über das ein Mensch nachdenken kann. Verschiebungen bei der Nachfrage in einer Kategorie, Bewegungen im Wettbewerbsumfeld und die Erkenntnisse aus Plattformen wie Sensor Tower, AppTweak und Appfigures werden wesentlich nutzbarer, wenn KI sie übergreifend auswerten und Veränderungen zusammenfassen kann. Dadurch verkürzt sich der Abstand zwischen dem Auftreten eines Signals und dem Treffen einer Entscheidung, und in einem auktionsbasierten Geschäft verursacht dieser Abstand direkte Kosten.

Drei Dinge bleiben eindeutig auf der menschlichen Seite dieser Grenze.

Erstens entscheiden wir, was wir testen und warum, denn die Maschine optimiert innerhalb einer Fragestellung, hat aber keine Meinung dazu, welche Frage es wert ist, gestellt zu werden – und diese Entscheidung bestimmt, ob alles andere überhaupt relevant ist.

Zweitens definieren wir, was als Erfolg gilt. Fast jedes enttäuschende KI-Ergebnis, das ich gesehen habe, ließ sich auf eine Proxy-Kennzahl zurückführen, die weiterhin gesund aussah, während sich das zugrunde liegende Problem nicht veränderte. McKinsey stellte fest, dass 88 % der Unternehmen KI regelmäßig in mindestens einer Funktion einsetzen, aber nur 39 % über messbare EBIT-Auswirkungen berichten. Ich würde argumentieren, dass diese Lücke ein Definitionsproblem und kein Akzeptanzproblem ist.

Drittens – und an diesem Punkt würde ich am stärksten festhalten – geht es um die kausale Interpretation. Wir automatisieren unsere Arbeit zur Ermittlung inkrementeller Effekte nicht, und das möchte ich auch nicht. Studien zu Marken- und Power-Lift werden nativ innerhalb von Werbeplattformen durchgeführt; geografische Kontrollgruppen werden anhand von Plattformdaten gemeinsam mit dem Partner für die mobile Messung ausgewertet; und die darauf aufbauende Analyse bleibt bewusst menschlich. Die Entscheidung, ob ein Ergebnis tatsächlich kausal oder lediglich korreliert ist, erfordert ein Urteil, an dem echtes Geld hängt. Kein Modell wird Ihnen sagen, dass die vor Ihnen liegende Zahl durch Störfaktoren verzerrt ist, denn eine durch Störfaktoren verzerrte Zahl sieht exakt wie eine saubere Zahl aus.

Ein praxisnaher Umsatz-Workflow

Hier ist ein Workflow, der von der Absicht zum Ziel und anschließend wieder zurück führt.

Wir beginnen damit, die Nachfrage danach zu gruppieren, welches Problem jemand zu lösen versucht, statt nach demografischen Merkmalen oder nach dem jeweiligen Feature, über das wir sprechen möchten. Diese Gruppierung stützt sich auf die Sichtbarkeit auf Kategorieebene aus App-Messplattformen, insbesondere auf Tools wie Sensor Tower, AppTweak und Appfigures, da diese Suchverhalten und Bewegungen im Wettbewerbsumfeld zeigen, die eigene Daten nicht abbilden können. Aus jedem Cluster wird ein Thema, und jedes Thema erhält sowohl ein Anzeigenkonzept als auch ein darauf abgestimmtes Ziel, das dasselbe Argument fortführt, anstatt es neu zu beginnen.

ChatGPT und Claude übernehmen einen großen Teil des analytischen Kerns, in dem meiner Ansicht nach der eigentliche Wert liegt. Ich würde jedem, der so etwas aufbaut, ans Herz legen, dass das Modell an sich der uninteressanteste Teil ist. Ein Agent, der lediglich Schlussfolgerungen ziehen kann, ist ein teurer Brainstorming-Partner, während ein Agent, der mit den Marktdaten und der bereits bezahlten Leistungsberichterstattung verbunden ist, eher einem Analysten mit unbegrenzter Geduld für wiederkehrende Aufgaben entspricht. Die Integration ist das Produkt, und was Sie erreichen, hängt weit stärker davon ab, womit Sie es verbinden, als davon, für welches Modell Sie sich entscheiden.

Die Integration macht die Ausgaben außerdem besser rechtfertigbar. Wir betreiben die Nutzerakquise über eine Auktion, sodass jede Stunde zwischen dem Auftreten eines Signals und dem Treffen einer Entscheidung Kosten verursacht. Wenn eine Veränderung der Nachfrage in einer Kategorie noch in derselben Woche sichtbar wird, in der sie auftritt, können Sie Geld verschieben, solange es noch relevant ist – und das ist eine unmittelbar kosteneffiziente Nutzung der Technologie, anders als die Produktion weiterer zweihundert Asset-Varianten.

Die Auswertung halten wir bewusst manuell, womit wir wieder bei der Ermittlung inkrementeller Effekte landen. Jeder Test hat ein vor dem Start festgelegtes Mindestvolumen, und wir handeln nicht auf Grundlage von Ergebnissen unterhalb dieser Schwelle, unabhängig davon, wie gut sie aussehen. Wenn Sie 100 Experimente durchführen, bei der Hälfte davon ein echter Effekt vorliegt und Sie sie mit einer Teststärke von 10 % durchführen, erhalten Sie ungefähr zehn signifikante Ergebnisse, von denen etwa die Hälfte falsch ist. Allein eine Erhöhung der Teststärke senkt diese Rate falscher Entdeckungen von 50 % auf 11 %, ohne weitere Änderungen.

Abgesehen von der grundlegenden Plausibilitätsprüfung wird alles, was wir in relevantem Umfang skalieren wollen, kausal validiert und nicht anhand der von den Plattformen gemeldeten Leistung, da die Plattform sowohl jeden Anreiz als auch strukturelle Gründe hat, eine schmeichelhafte Zahl zu liefern. Diese Validierung erfolgt durch Steigerungsstudien, die direkt in den Kanälen durchgeführt werden, sowie durch geografische Kontrollgruppentests, die anhand von Plattform- und mobilen Messdaten analysiert werden. Die Messung erfolgt nativ, die Analyse ist nicht automatisiert, und ich glaube, dass diese Trennung im Laufe der Zeit wichtiger werden wird. Alles, was der Auswertung vorgelagert ist, wird von Quartal zu Quartal schneller, was bedeutet, dass die Auswertung konsistent bleiben muss.

Wie KI die Lerngeschwindigkeit erhöhen, die daraus gewonnenen Erkenntnisse aber unzuverlässig machen kann

Der größte Vorteil von KI ist das Tempo. Ideen, die früher ein Quartal lang im Aufgabenrückstand lagen, werden jetzt innerhalb eines einzigen Zyklus umgesetzt und ausgewertet. Dieser Effekt verstärkt sich mit der Zeit, da die Geschwindigkeit des Lernens weitgehend davon abhängt, wie schnell man testen kann.

Die schlechten Ergebnisse treten in zwei Formen auf, wobei die zweite interessanter ist.

Die erste ist naheliegend, und ich habe sie bereits angesprochen. Wir führten eine Kampagne durch, bei der die Zahlen am oberen Ende des Trichters stark aussahen, die nachgelagerte Konversion sich jedoch in die entgegengesetzte Richtung entwickelte. Die Systeme hatten genau das getan, worum wir sie gebeten hatten. Wir hatten nach dem Falschen gefragt – ein Fehler bei der Zieldefinition und kein KI-Fehler –, auch wenn die Umsetzung mit ungewöhnlicher Effizienz erfolgte.

Die zweite Form besteht darin, dass Geschwindigkeit die bereits vorhandenen erkenntnistheoretischen Gewohnheiten vervielfacht. Wenn die standardmäßige Auswertung der Leistung korrelativ ist – und das ist sie bei den meisten Teams –, dann führt schnelleres Testen nicht zu schnellerem Lernen. Es führt dazu, dass sich schneller Dinge ansammeln, die man ohne ausreichenden Grund für wahr hält. Die veröffentlichten Testrichtlinien von Adobe weisen auf einen verwandten Punkt hin und stellen fest, dass Marketingverantwortliche eine bemerkenswerte Anzahl von Tests mit zu geringer Teststärke durchführen. Wenn man so weitermacht, können falsch-positive Ergebnisse am Ende mit den richtig-positiven Ergebnissen gleichziehen oder sie sogar übertreffen. Überlegen Sie, was passiert, wenn die Anzahl der Varianten steigt und das Besucheraufkommen pro Variante sinkt. Sie erhalten nicht mehr Gewinner, sondern mehr Dinge, die überzeugend wie Gewinner aussehen.

Im Wesentlichen hat KI also unsere Lerngeschwindigkeit erhöht und gleichzeitig den Aufwand vergrößert, nachzuweisen, dass das Gelernte tatsächlich zutraf.

Warum KI Schwierigkeiten mit Kundenkontext und Vertrauen hat

Diese Systeme haben Schwierigkeiten, weil sie keinen Zugriff auf das „Warum“ haben, das in einem Geschäft mit Verbraucherabonnements den Großteil der Informationen liefert.

Zwei Personen können nach demselben Begriff suchen, auf dieselbe Anzeige klicken und mit völlig unterschiedlichen Motiven ankommen, doch die Daten unterscheiden nicht zwischen ihnen. Ein Modell, das Verhaltenssignale ausliest, gruppiert sie selbstbewusst zusammen, weil sie in jeder messbaren Dimension identisch sind. Die Gruppierung ist korrekt, doch die daraus gezogene Schlussfolgerung kann trotzdem falsch sein. Das ist ein besonders unangenehmer Fehlerfall, weil es keinen Fehler gibt, den man erkennen könnte.

Zum Beispiel haben Agenten in der Marktanalyse klare, plausible und gut begründete Narrative über eine Veränderung in der Kategorie erstellt – Zusammenfassungen, die so wirken, als hätte ein kluger Analyst sie geschrieben. Die zugrunde liegende Bewegung stellte sich jedoch als Artefakt heraus: eine Änderung der Berichterstattung, ein saisonales Muster oder eine veränderte Definition bei der Zählweise. Das Narrativ war schlüssig, weil das Modell hervorragend darin ist, schlüssige Narrative zu erstellen, doch Schlüssigkeit ist nicht dasselbe wie Genauigkeit. Was es gefährlich und nicht nur falsch machte, war sein fertiger, überzeugender Klang.

Das ist, in einem Satz, das Vertrauensproblem. Diese Systeme erfassen keine Unsicherheit. Eine Schlussfolgerung aus einer dünnen Datenbasis wird im selben Ton formuliert wie eine Schlussfolgerung aus belastbaren Belegen. Ein menschlicher Analyst hätte Einschränkungen formuliert, auf ungewöhnliche Daten hingewiesen oder etwas überprüft, bevor er es niederschreibt. Das Modell schreibt es einfach nieder.

Die abonnementspezifische Variante stellt eine noch größere Herausforderung dar. Wenn jemand kündigt, sieht das Ereignis identisch aus – unabhängig davon, ob die Person nicht bekommen hat, wofür sie gekommen war, oder ob sie ihr Ziel vollständig erreicht hat und weitergezogen ist. Das sind entgegengesetzte Ergebnisse mit derselben Datensignatur, und keine noch so ausgefeilte Modellierung kann sie voneinander unterscheiden, weil der Unterschied vollständig in einem Kontext liegt, den das System nie hatte.

Warum Prognosen eine Neugestaltung mit KI benötigen

Der Instinkt besteht darin, Prognosen genauer zu machen, indem man bessere Modelle darauf ansetzt, und ich denke, das ist der falsche Neuentwurf von AI. Laut Gartner liegt der Anteil der Vertriebsorganisationen, die eine Prognosegenauigkeit von 90 % oder mehr erreichen, bei 7 %, und diese Zahl ist trotz enormer Investitionen in Werkzeuge seit vielen Jahren hartnäckig unverändert. Wenn sich ein Problem einer derartigen Menge an Geld und Technologie widersetzt, ist das meist ein Zeichen dafür, dass das Problem falsch formuliert wurde, und nicht dafür, dass die Lösungen zu schwach waren.

Der Fehler bei der Formulierung besteht darin, Prognosen als Vorhersageproblem zu behandeln, obwohl es in Wirklichkeit ein Entscheidungsproblem ist. Was eine Führungskraft im Umsatzbereich braucht, ist keine präzisere Zahl für das nächste Quartal, sondern eine belastbare Antwort darauf, was sie diese Woche anders machen sollte. Diese Fragen hängen zusammen, sind aber nicht dieselben, und die zweite ist wesentlich leichter zu bewältigen. Man kann ein Experiment durchführen, das einem sagt, ob eine Veränderung ein Ergebnis verursacht hat. Man kann jedoch kein Experiment durchführen, das einem sagt, wie die Welt in neunzig Tagen aussehen wird.

Daher würde ich für einen Neuentwurf plädieren, der den Schwerpunkt von der Vorhersage auf kausale Belege verlagert. Statt ein Modell zu bitten, die Zukunft aus einem beeinträchtigten Signal zu interpolieren, sollte man fragen, was man zurückhalten, was man testen und welches Ergebnis die eigene Ressourcenverteilung verändern könnte. Das erzeugt weniger beeindruckende Ergebnisse und deutlich bessere Entscheidungen. Es scheitert außerdem ehrlich, denn ein nicht eindeutiger Test sagt einem, dass er nicht eindeutig war, während eine schlechte Prognose einem nichts sagt, bis das Quartal abgeschlossen ist.

Die zweite Hälfte des Neuentwurfs besteht darin, Unsicherheit zu einem gleichberechtigten Ergebnis zu machen, statt sie herauszufiltern, bevor die Zahl die Führungsebene erreicht. Die meisten Prognoseprozesse verdichten eine große Bandbreite zu einer einzigen Zahl, weil sich eine einzelne Zahl leichter präsentieren lässt, und alles Nachgelagerte behandelt diese Zahl dann so, als wäre sie bekannt. Eine Prognose, die ihre eigene Sicherheit mitführt und klar darlegt, welche Teile auf solider Messung beruhen und welche auf modellierten oder abgeleiteten Signalen, wäre weniger angenehm und weitaus nützlicher.

AI kann bei all dem übrigens helfen. AI ist gut darin, die Belegbasis zu pflegen, darauf hinzuweisen, wenn sich eine einer Projektion zugrunde liegende Annahme verändert hat, und die mühsame Arbeit zu erledigen, ein aktuelles Bild aufrechtzuerhalten. Was AI nicht tun sollte, ist, am Ende einer Pipeline aus schwachen Eingaben eine falsche Präzision zu erzeugen – und genau das ist leider größtenteils das, wofür sie in diesem Teil des Lebenszyklus verkauft wird.

Jons Gedanken

Effizienz und Differenzierung arbeiten derzeit gegeneinander, daher muss jede Führungskraft bewusst ein Verhältnis wählen, denn das Standardverhältnis ist nicht neutral.

Warum generative Modelle eine Entscheidung zwischen Differenzierung und Effizienz erzwingen

Hier ist ein weiteres Problem. Generative Modelle erfinden nichts; sie erzeugen die statistisch wahrscheinlichste Ausgabe auf Grundlage ihrer Trainingsdaten. Das bedeutet, dass sie vorherrschende Konventionen reproduzieren und alles zu einem gemeinsamen Mittelwert hinziehen.

Effizienz und Differenzierung arbeiten derzeit gegeneinander, daher muss jede Führungskraft bewusst ein Verhältnis wählen, denn das Standardverhältnis ist nicht neutral.

Wie Aufgaben in Umsatz und Marketing vereinheitlicht und gemessen werden müssen

In den meisten Unternehmen ist ein Team für die Anzeige zuständig, während ein anderes Team die Zielseite, die Produktvorführung oder das erste Gespräch verantwortet. Beide Teams werden gemessen und schneiden tendenziell gut ab. Niemand ist für die Schnittstelle zwischen ihnen zuständig, und genau dort geht die geäußerte Absicht verloren. Folglich meldet jede Funktion ein solides Quartal, während das verbindende Element den Kunden verliert.

Ungefähr die Hälfte der Organisationen berichtet von einer Fehlanpassung bei der Übergabe zwischen Marketing und Vertrieb. Kampagnen werden isoliert aufgebaut, und Vertriebsmitarbeitende erfahren von Änderungen an der Botschaft eher durch Interessenten als intern. Das klingt nach einem Kommunikationsproblem, ist aber ein Zuständigkeitsproblem.

Wir haben unsere Betrachtungsweise von Anzeige und Zielseite geändert und sie als eine einzige Einheit betrachtet, die gemeinsam erstellt, veröffentlicht und gemessen wird, statt als zwei Elemente, die zu zwei Teams gehören. Der Vorteil bestand nicht nur in der Konversion, sondern auch in der Interpretierbarkeit, denn wenn Versprechen und Einlösung ein einziges Objekt sind, kann man die beiden endlich sauber gemeinsam auswerten. Zwei Teams, die zwei Hälften getrennt optimieren, werden jeweils Zahlen hervorbringen, die gut aussehen, aber keine der beiden Zahlenreihen zeigt, was die Kombination bewirkt hat.

Die entsprechende Frage für einen Umsatzverantwortlichen lautet, ob die Geschichte, die ein potenzieller Kunde vom Marketing hört, den Kontakt mit dem ersten Verkaufsgespräch übersteht und ob jemand diesen Übergang kausal messen kann, statt lediglich die Aktivitäten auf beiden Seiten zu zählen. Wenn diese Dinge getrennt verantwortet und gemessen werden, wird KI jede Hälfte effizienter machen und gleichzeitig die Kluft zwischen ihnen vergrößern. Schlankere Teams, die sich schneller bewegen, über eine Schnittstelle hinweg, für die niemand verantwortlich ist, sind ein vorhersehbarer Weg, Geld zu verlieren, während jedes Dashboard weiterhin gesund aussieht.

Warum CROs die Zielfunktion selbst verantworten müssen, statt sie zu delegieren

Insgesamt lautet mein Rat: Übernimm die Zielfunktion selbst, statt sie zu delegieren oder einfach das zu übernehmen, worauf die Plattform standardmäßig eingestellt ist.

Diese Systeme sind hervorragend darin, das zu maximieren, was du vorgibst. Das bedeutet, dass die Vorgabe zur Strategie wird. Wenn die Zahl, die du der Maschine übergibst, ein Ersatzwert für das Ergebnis statt das Ergebnis selbst ist, erhältst du am Ende ein wunderschönes Diagramm und ein schlechteres Geschäft – und du erreichst dieses Ergebnis schneller als vor der Existenz von KI.

Die ergänzende Disziplin – und diejenige, auf die ich am stärksten drängen würde – besteht darin, im Voraus zu wissen, welche Belege dich davon überzeugen würden, dass etwas funktioniert hat. Die meisten Umsatzorganisationen haben eine sehr ausgefeilte Antwort auf die Frage, was passiert ist, und eine überraschend schwache Antwort auf die Frage, was es verursacht hat. KI vergrößert diese Lücke, weil sie die erste Art von Antwort günstiger macht. Wenn du nicht vor dem Start formulieren kannst, wie eine eindeutige Auswertung aussehen würde, wirst du am Ende einfach abnicken, was die Berichterstattung zurückliefert.

Die CEO-Umfrage 2026 von PwC ergab, dass nur 12 % der CEOs feststellten, dass KI sowohl Umsatzwachstum als auch Kostensenkungen bewirkt hatte, während 56 % noch keinen nennenswerten finanziellen Nutzen gesehen hatten. Ich interpretiere das nicht als Zeichen dafür, dass die Technologie hinter den Erwartungen zurückbleibt. Vielmehr ist es ein Hinweis darauf, dass die meisten Organisationen sie auf etwas angesetzt haben, das sie nicht sorgfältig genug definiert hatten, und sie anschließend auf eine Weise gemessen haben, die nicht feststellen konnte, ob KI einen nennenswerten finanziellen Wert geschaffen hatte.

Auf dem Laufenden bleiben

Du kannst die Arbeit von Jon Chang auf LinkedIn und in seinem Newsletter Gedanken zum Wachstumsmarketing verfolgen.

Weitere Experteninterviews folgen im The CRO Club!