Marketing 2030
Reference Model
Das Reference Model der Future Marketing für Marketingorganisationen, die Human Attention und AI Recommendation gleichzeitig bedienen müssen.
Das Problem des Marketings ist nicht Geschwindigkeit, sondern Gleichzeitigkeit.
Heute entscheidet dieselbe Kundengruppe in mehreren, strukturell verschiedenen Umgebungen parallel: Ein Teil recherchiert selbst und vergleicht, während ein anderer Teil sich im Dialog beraten lässt. Wieder ein anderer Teil erhält eine von AI erstellte Vorauswahl. Ein wachsender Teil wird voraussichtlich die Beschaffung vollständig an einen Agenten deligieren. Diese Umgebungen lösen einander nicht ab, sie existieren nebeneinander — oft bei denselben Menschen, je nach Produkt, Anlass und Risiko.
Eine klassische Kampagne kann nur eine dieser Umgebungen bedienen, alle gleichzeitig nur ein Betriebssystem. Unser Marketing 2030 Reference Model beschreibt, wie dieses Betriebsmodel aufgebaut sein muss. Wir nennen es: Die Marketing Growth Engine.
Die zwei
Rails A + R
A – Human Attention
Auf der Rail Human Attention entscheiden Gestaltung, Timing, Wiedererkennbarkeit und Emotion. Wirkung entsteht dabei durch Aufmerksamkeit, Erinnerung und Vertrauen — und diese Wirkung lässt sich über Reichweite noch verstärken.
R – AI Recommendation
Auf der Rail AI Recommendation entscheiden Eindeutigkeit, Struktur, Konsistenz sowie Belegbarkeit. Wirkung entsteht, wenn ein System die Marke korrekt interpretiert und in einer Empfehlung nennt. Dabei lässt sich Reichweite hier nicht kaufen.
Der Unterschied ist nicht graduell.
Was ein Mensch als starke Marke erinnert, kann für ein Modell mehrdeutig sein: ein prägnanter Claim ohne überprüfbare Aussage, ein bekanntes Bild ohne strukturierte Produktinformation. Auf der anderen Seite kann eine maschinell perfekt beschriebene Marke auf Menschen wiederum komplett belanglos wirken.
Marketing Imperative
Beide Rails müssen gleichzeitig und konsistent bedient werden — dieselbe Marke, zwei Interpretationsweisen. Und dort, wo ein Touchpoint eine eigene KI trägt, verändert sich seine Natur: Aus einem Kommunikationsasset wird ein digitales Produkt – mit Betrieb, laufender Pflege, Verantwortlichkeit und Haftung.
Decision
Modes
Die klassische, lineare und vom Menschen gesteuerte Customer Journey – von Awareness über Consideration bis Abschluss an den Unternehmenstouchpoints – ist nicht mehr der Standard in der Produkt- und Markenwahl. An ihre Stelle treten neue Journeys, die die unterschiedlichen Decision Modes der Kunden widerspiegeln. Alle müssen gleichzeitig bedient werden. Denn ein Zielkunde hat zwar eine Grunddisposition, wie stark er sich auf KI-gestützte Empfehlungen einlässt, je nach Such- oder Kaufanlass reagiert er aber unterschiedlich.
The Compressed Journey
Der klassische Weg von Aufmerksamkeit über Abwägung bis zur Entscheidung geschieht in einer einzigen Interaktion. Was früher Wochen und ein Dutzend Touchpoints umfasste, passiert in einem Dialog.
Für Marketing heißt das: Es gibt keinen mittleren Funnelabschnitt mehr, in welchem nochmals nachgesteuert werden kann. Was in dieser einen Interaktion nicht verfügbar ist — Beleg, Preis, Verfügbarkeit, Vergleich — existiert in der Entscheidungsfindung nicht.
AI Shortlist & Answer Brokers
Ein Modell erstellt eine Vorauswahl, aus der gewählt werden kann. Wo eine Suchergebnisseite zehn Optionen zeigte, nennt eine generierte Antwort drei. Sichtbarkeit konzentriert sich dadurch stärker als je zuvor und ist nicht käuflich.
Sichtbarkeit entsteht daraus, dass eine Marke eindeutig interpretierbar, konsistent belegt und über Quellen hinweg widerspruchsfrei beschrieben ist.
Agent-Native Commerce
Ein AI-Agent übernimmt im Auftrag des Kunden Auswahl, Vergleich und/oder Abschluss. Die Kaufkriterien werden maschinenlesbar durch Verfügbarkeit, Preisstabilität, Datenqualität im Produktfeed, Retouren- und Servicehistorie, Nachvollziehbarkeit von Angaben.
Wer in diesem Szenario verliert, verliert nicht an eine stärkere Kampagne, sondern an ein besser gepflegtes Datenmodell.
Ambient / Visual-to-Voice Commerce
Entdeckung beginnt im Bild oder in der Umgebung und wechselt unmittelbar in Sprache oder Transaktion. Ein Foto wird zur Suchanfrage, eine Beobachtung zum Kaufimpuls.
Für Marken bedeutet dies, dass visuelle Wiedererkennbarkeit und maschinelle Identifizierbarkeit ein und dieselbe Aufgabe werden — das Produkt muss erkannt und benannt werden, bevor es beworben werden kann.
Zero-UI Advisory
Beratung findet ohne klassische Oberfläche statt — im Dialog, per Sprache oder in einem Assistenzsystem. Die Marke tritt nicht mehr als gestaltete Fläche auf, sondern als Antwort.
Damit verschiebt sich die Qualitätsfrage: Nicht wie etwas optisch aussieht, entscheidet, sondern ob die hinterlegte Logik in der konkreten Situation das Richtige empfiehlt.
Building the
Marketing
Growth Engine
Drei Design Principles gilt es beim Aufbau der Marketing Growth Engine zu beachten, die sich direkt aus den Marketing Imperativen ableiten. Sie bilden den Rahmen für den operativen Aufbau der Engine über die vier Operationalisierungsfelder.
Integration
Marke, Kommunikation, Interface und digitales Produkt werden als eine Gestaltungsaufgabe behandelt. Das folgt aus der Konvergenz auf den eigenen KI-Flächen: Sobald ein Touchpoint berät und abschließt, ist er zugleich Kommunikation und Produkt und lässt sich nicht mehr getrennt verantworten.
Orchestration
Statt entlang von Abteilungen, wird Wertschöpfung entlang kanalübergreifender Value Streams geführt. Marketing steuert, ohne alles selbst auszuführen. Es verbindet Daten, Touchpoints, Commerce-Funktionen und Teams zu einem durchgehenden Stream und besetzt dafür neue Rollen.
Ownership
Die entscheidungsrelevanten Bestandteile des Marketings bleiben im eigenen Haus: eigene Daten und Signale, eigenes Reasoning, eigene KI-Architektur. Ownership ist die Handlung, Marketing Sovereignty der Zustand, welcher daraus entsteht.
Das Modell
House of Marketing in the AI era — das Marketing 2030 Reference Model in einer Darstellung.
Ausgangslage ist die aktuelle Zersplitterung von Zielgruppen, Media-Konsum und Entscheidungswegen. Viele Kundeninteraktionen und -entscheidungen laufen zweispurig: über Human Attention und über AI Recommendation. Je nach Kundendisposition gegenüber dem Einsatz von Assistenten sowie des situativen Kontexts des Such- oder Kaufanlasses kann derselbe Kunde verschiedene Decision Modes aufweisen – die das Marketing parallel und konsistent bedienen muss. Drei Design Principles bilden den Rahmen, wie das dafür notwendige Betriebsmodell, die Marketing Growth Engine, aufzusetzen ist. Der Aufbau und Betrieb geschieht dann in vier interdependenten Operationalisierungsfeldern – wirksam wird die Engine nur als Ganzes. Das Zielbild sollte die eigene Marketing Sovereignty sein.
Die vier
Felder der
Operationalisierung
Jede dieser vier Felder muss zweimal gebaut werden — einmal für Menschen, einmal für Maschinen. Aber voll intergriert
Der Kern des Modells liegt in zwei Dingen: dass Marketing für Human Attention und AI Recommendation integriert aufgebaut wird, und dass der Betrieb über eine starke Orchestrierungsfunktion geführt wird. Alle vier Operationalisierungsfelder müssen diese Leistung aufeinander abgestimmt erbringen — nur dann wirkt die Marketing Growth Engine.
Action Field 1
Brand & Experience OS
Konsistente Prinzipien und Signal
Architecture über A und R
A — Human Attention:
- Von statischen Guidelines zu modularen, trainierbaren Prinzipien
- Experience je Decision Environment definiert, nicht je Kanal
- Erkennbarkeit von maschinell wiedergegebenen Markenaussagen
R — AI Recommendation:
- Signalarchitektur, Entitätenmodell
und Belegbasis - Konsistenz über eigene und fremde Quellen
- Antwortabdeckung für die kaufentscheidenden Fragen
Action Field 2
Marketing OS
Dauerbetrieb der parallelen
Decision Environments
A — Human Attention:
- Betriebsmodell für den Continuous Loop statt für Kampagnenzyklen
- Squads, Warrooms und/oder Decision Center statt linearer Ketten
- AI und Automatisierung in Planung, Produktion und Optimierung
R — AI Recommendation:
- Setup Betrieb der eigenen AI Interfaces: Owner, SLA, Release-Zyklen
- Dauerhafte Pflege von Feeds,
Entitäten und Antworten - Protokollanbindung für
fremde Agenten
Action Field 3
Marketing Reasoning
Situative Entscheidungsmodelle,
getrenntes Truth-System
A — Human Attention:
- Von festen Segmenten zu situativen Entscheidungsmodellen
- First-Party-Daten erweitert um operative Entscheidungs.-/AI-Daten
- Ziel: Verbesserung der Entscheidungslogik, nicht nur Datenvolumen
R — AI Recommendation:
- Getrennter Setup von Reasoning- und Truth-System
- Antworten aus eigenen Quellen statt aus Modellwissen
- Steuerung auf Konversion statt auf Ranking
Action Field 4
Marketing Governance
Regulatorische & Marken-Compliance,
Haftung, risikobasierte Freigabe
A — Human Attention:
- Governance-Funktionen und Freigaben z.T. agentisch ausgeführt
- Die Verantwortung bleibt menschlich, in flacheren Hierarchien
- Von lückenloser Prüfung zu risikobasierter Freigabe
R — AI Recommendation:
- Einführung Risikoklassen und AI Governance Register
- Klare Verantwortlichkeit je
Risikoklasse - Audit-Trail bis zur Modellversion und belegte Wechselfähigkeit
Zielbild ist die Marketing Sovereignty
Das bedeutet eigene Daten, eigenes Reasoning und eigene KI-Architektur verantworten und verändern können. So entsteht profitables Wachstum mit dauerhaftem Wettbewerbsvorteil.
Publikationen
& weitere
Informationen
In unserer Download-Section finden Sie alle bisherigen Publikationen rund um das Marketing 2030 Reference Model, jeweils auf dem aktuellen Stand. Die Reihe wird laufend fortgeführt.
Das Modell ist im Aufbau. Wir veröffentlichen es bewusst in diesem Zustand.
Sie haben Fragen oder Anregungen? Lassen Sie uns sprechen – Hinterlassen Sie einfach eine Nachricht an uns!
Glossar
Hier finden Sie Erklärungen zu Begriffen, die wir in unseren Publikationen nutzen
Marketing 2030 Reference Model
Rahmenwerk aus zwei Rails mit sechs Decision Environments für die Bewegung im Markt und ihre Imperative, sowie drei Gestaltungsprinzipien und vier Feldern der Operationalisierung für den Aufbau des benötigten neuen Marketing-Betriebsmodells, das wir Marketing Growth Engine nennen.
Two Rails / A+R
Die zwei Wege, über die eine Marke Kunden erreicht: Human Attention, das vor allem über Experience und Timing entschieden wird, und AI Recommendation, die durch Eindeutigkeit und Belegbarkeit entschieden wird.
Brand & Experience OS
Das System, das festlegt, was eine Marke bedeutet und wie sie an jedem Kontaktpunkt erlebbar wird — für Menschen erinnerbar, für Maschinen eindeutig interpretierbar.
Marketing OS
Die Ausführungsebene: Prozesse, Rollen, Value Streams, Content Supply Chain und Media-Steuerung. Kein Tool-Stack, sondern ein Betriebsmodell.
Marketing Reasoning
Marketing Governance
Definiert über Rolle, Funktionen, Prozessen und Guidelines, was im Marketing erlaubt ist, wer entscheidet und wer haftet. Umfasst Marken- und Freigabe-Governance ebenso wie die KI-spezifische AI Marketing Governance.
Decision Environments
Strukturell unterschiedliche Umgebungen, in denen eine Kaufentscheidung entsteht. Sie lösen die Customer Journey als Planungseinheit ab.
Parallel Decision Modes
Die Verhaltensmodi darin: Expert Evaluation, Visual Discovery, Conversational Advice, AI Shortlist und Delegated Rebuy. Entscheidend ist ihre Gleichzeitigkeit.
Signal Architecture
Die Gesamtheit dessen, wofür eine Marke stehen soll – holistisch, strukturiert, widerspruchsfrei und belegbar. Nur so kann eine KI sie eindeutig verstehen.
Agent Recommendation Share
Der Anteil KI-vermittelter Empfehlungen, in denen eine Marke auftaucht. Das Pendant zum Share of Voice in klassischer Mediaarbeit – nur nicht käuflich.
Visibility Layer
Die Ebene der maschinellen Sichtbarkeit: alle Quellen, aus denen KI-Systeme ihr Bild einer Marke bilden. Widersprechen sich die Quellen, wird die Marke aussortiert – nicht ausgewählt.
GEO Concentration
KI-Antworten verdichten sich je Kategorie auf wenige Marken. Wer nicht unter den ersten liegt, kommt praktisch nicht mehr vor – der Unterschied zwischen Platz drei und Platz sieben ist kein Abstand mehr, sondern ein Ja oder Nein.
Agentic Commerce
Handel, bei dem ein KI-Agent Auswahl, Vergleich oder Abschluss im Auftrag der Kundin übernimmt. Kaufkriterien werden maschinenlesbar statt kommunikativ.
Owned AI Interface
Die eigene KI-gestützte Beratungs- und Abschlussfläche. Der einzige Ort auf der AI-Rail, an dem das Unternehmen die Entscheidungsumgebung besitzt statt sie zu mieten.
Content Supply Chain
Der durchgehende Prozess von Bedarf über Erstellung und Freigabe bis zur laufenden Pflege. Qualitätssicherung ist Teil der Kette, nicht ihr Ende.
First-Party Data
Kunden- und Interaktionsdaten, die eine Organisation selbst erhebt, rechtlich gesichert besitzt und eigenständig auswerten kann. Grundlage des Marketing Reasoning.
AI Marketing Governance
Regeln und Nachweise für KI-Einsatz im Marketing: Risikoklassen, Freigaberegeln, Haftung, Audit-Trail, dokumentierte Wechselfähigkeit.
Strategic Inhousing
Die bewusste Entscheidung, welche Fähigkeiten dauerhaft im Haus bleiben. Die Grenze verläuft bei der Steuerungslogik, nicht bei der Leistung.
Media In-Housing
Die Verlagerung der Media-Steuerungslogik ins Unternehmen. Es geht nicht um Honorare, sondern darum, wer die Entscheidungsmodelle besitzt.
Marketing Sovereignty
Die Fähigkeit, eigene Marketingentscheidungen zu verstehen, zu begründen und zu verändern, ohne von einem einzelnen Partner oder Anbieter abzuhängen.
Letztes Update:
16.09.2026