8,7 Milliarden Dollar. So viel gaben deutsche Online-Händler 2024 nach BVDW-Schätzungen für digitale Werbung aus. Ein beträchtlicher Teil davon floss in Kampagnen, deren Ergebnisse die Betreiber nur noch begrenzt nachvollziehen konnten. Das Problem liegt nicht im Mangel an Daten. Es liegt im Mangel an greifbarer Steuerung.
Predictive Advertising, also der Einsatz von Machine Learning zur Prognose von Kaufverhalten und Kampagnenergebnissen, wird von SaaS-Anbietern als nächste Evolutionsstufe der Performance-Marketing-Steuerung verkauft. Die Versprechen klingen verlockend: automatisierte Bidding-Entscheidungen, dynamische Zielgruppensegmentierung, vorhersagbare Customer-Journey-Optimierung. Doch hinter der Oberfläche geschieht etwas anderes. Die eigentliche Entscheidungslogik wandert von der Agentur und vom Händler in die schwarzen Kisten der Plattformen.
Warum verlieren Händler die direkte Kontrolle über ihre Kampagnen?
Die Antwort ist weniger technisch als ökonomisch. Meta, Google und Amazon haben ein Interesse daran, dass Werbetreibende möglichst viele Entscheidungen ihren Algorithmen überlassen. Je mehr Variablen eine Plattform intern optimiert, desto höher wird der Anteil des Werbebudgets, der über deren Infrastruktur läuft – und desto schwieriger wird eine Migration zu Wettbewerbern.
Der Wandel vollzieht sich schleichend. Vor fünf Jahren definierten Performance-Marketing-Teams noch manuell Zielgruppen, Keywords und Gebotsstrategien. Heute liefern sie meist nur noch Zielvorgaben, Creative Assets und Budgetrahmen. Die eigentliche Steuerung übernimmt das Plattform-Ökosystem. Für kleine und mittlere Händler ist das bequem. Für wachstumsorientierte Marken wird es zum strategischen Risiko.
Ein Beispiel aus der Praxis: Ein mittelständischer Fashion-Händler mit jährlich 40 Millionen Euro Umsatz setzte 2023 auf ein etabliertes SaaS-Tool für Predictive Advertising. Die Software prognostizierte Kundenwahrscheinlichkeiten, optimierte Budget-Allokationen und schlug automatisch Creative-Variationen vor. Nach sechs Monaten stieg der ROAS leicht. Gleichzeitig sank jedoch die Sichtbarkeit darüber, welche Zielgruppensegmente tatsächlich konvertierten. Die Blackbox wurde zur Normalität.
Was versprechen SaaS-KI-Tools wirklich?
Die meisten Anbieter positionieren sich als Brücke zwischen Händler und Plattform-Algorithmus. Sie sammeln First-Party-Daten aus Shop, CRM und E-Mail-Systemen, bereichern diese mit externen Signalen und spielen optimierte Zielgruppen sowie Budget-Empfehlungen zurück in Meta Ads, Google Ads oder TikTok. Der Wert liegt dabei weniger in der Prognose selbst, als in der Geschwindigkeit, mit der Daten verarbeitet werden.
Das funktioniert in stabilen Märkten überraschend gut. Wenn Nachfragemuster vorhersehbar sind, Kunden sich wiederholend verhalten und Wettbewerber nicht disruptiv agieren, liefern Predictive-Advertising-Modelle verlässliche Ergebnisse. Problematisch wird es in Phasen der Veränderung: bei Saisonwechseln, bei neuen Produkteinführungen, bei Anpassungen der Datenschutzregulierung oder wenn sich das Kaufverhalten der Zielgruppe plötzlich verschiebt.
Genau hier zeigt sich die Schwäche. Die Modelle lernen aus Vergangenheitsdaten. Sie prognostizieren das Bekannte. Innovation, Markenaufbau und die Erschließung neuer Kundensegmente erfordern jedoch Entscheidungen über die Vergangenheit hinaus. Ein Algorithmus, der auf historischen Conversion-Daten trainiert ist, wird kaum vorschlagen, in eine völlig neue Zielgruppe zu investieren – selbst wenn diese strategisch sinnvoll wäre.
Wo bleibt echte Steuerung möglich?
Trotz aller Automatisierung gibt es vier Felder, auf denen Händler 2026 noch substanziell Einfluss nehmen können – wenn sie es wollen.
Erstens: Die Datenbasis. Wer kontrolliert die eigenen First-Party-Daten, kann Algorithmen füttern statt von ihnen abhängig werden. Das bedeutet saubere Event-Tracking-Implementierung, konsentenbasierte CRM-Strategien und eine durchdachte Server-Side-Tracking-Architektur. Händler wie About You oder Zalando investieren hier seit Jahren massiv – nicht aus Tech-Enthusiasmus, sondern weil Datenhoheit die einzige verbleibende Hebelstelle ist.
Zweitens: Die Kreativstrategie. KI kann Varianten testen, aber sie erfindet keine überzeugende Markenbotschaft. Die emotionale Ansprache, das visuelle Erkennungsmerkmal, die Positionierung gegenüber Wettbewerbern bleiben menschliche Aufgaben. gerade im deutschen Markt, wo Verbraucher Authentizität und Transparenz besonders stark gewichten, ist dies kein philosophischer Punkt, sondern ein Wettbewerbsvorteil.
Drittens: Die Zielgruppenlogik. Auch wenn Lookalike-Audiences und automatische Optimierung verlockend wirken, entscheidet immer noch der Mensch darüber, welche Kundensegmente strategisch relevant sind. Ein Predictive-Advertising-Tool kann sagen, wer wahrscheinlich kauft. Es kann nicht sagen, wen das Unternehmen langfristig gewinnen will.
Viertens: Die Budgetarchitektur. Wie viel Geld fließt in Branding, wie viel in Performance? Wie viel in bestehende Kunden, wie viel in Neukundenakquise? Diese Entscheidungen sollten nicht Algorithmen überlassen werden, sondern im Management fest verankert sein.
Wie entsteht Wachstum 2026?
Der naheliegende Schluss wäre, die KI-Tools abzulehnen. Das wäre aber falsch. Der Wettbewerbsvorteil entsteht nicht durch den Verzicht auf Automatisierung, sondern durch ihre bewusste Einbettung in eine menschliche Strategie.
Die Händler, die 2026 überproportional wachsen werden, verhalten sich wie gute Fluglotsen. Sie nutzen das Radar, aber sie entscheiden über die Flugroute. Sie lassen Algorithmen Muster erkennen, Budgets vorschlagen und Bidding-Prozesse automatisieren. Gleichzeitig halten sie fest, wer das Unternehmen erreichen will, welche Botschaft übermittelt wird und wie der Erfolg jenseits des nächsten Klicks gemessen wird.
Konkret bedeutet das: Predictive Advertising eignet sich hervorragend für Optimierungsschleifen in etablierten Produktkategorien. Es eignet sich weniger für Markteintritte, Markenrepositionierungen oder die Erschließung neuer Kaufmotive. Wer beides trennt, gewinnt Kontrolle zurück, ohne Effizienz zu opfern.
„Der Fehler liegt nicht im Tool. Der Fehler liegt in der Erwartung, dass das Tool die Strategie ersetzt.“
Ein praktischer Ansatz für den Rest des Jahres: Führen Sie ein wöchentliches Review ein, bei dem mindestens 30 Minuten bewusst der Frage gewidmet werden, was die Maschine nicht sieht. Neue Wettbewerber. Veränderte Kundenbedürfnisse. Regulatorische Verschiebungen. Diese Sitzung kostet Zeit. Sie verhindert aber, dass das Marketing-Team zur reinen Betreuungsinstanz der Plattform-Algorithmen wird.
Die Provokation zum Schluss
2026 wird nicht das Jahr sein, in dem KI die Kampagnensteuerung übernimmt. Es wird das Jahr, in dem deutlich wird, welche Händler ihre Steuerung freiwillig abgegeben haben – und welche sie behalten haben, weil sie die Maschine als Werkzeug, nicht als Ersatz verstanden. Predictive Advertising ist ein leistungsstarker Motor. Aber wer am Steuer sitzen will, darf nicht auf den Beifahrersitz wechseln, nur weil die Karte besser aussieht.