Spart KI im Marketing wirklich Zeit? Die versteckten Kosten von Automatisierung

von | Juni 10, 2026 | KI-News, Praxis & Tools

88 Prozent der Unternehmen nutzen laut McKinsey inzwischen regelmäßig KI. Doch nur 39 Prozent berichten von positiven Auswirkungen auf den Gewinn. Diese Zahlen aus dem Artikel „The Mid-Year AI Reality Check for Every Marketing Team“ von Robert Rose waren der Ausgangspunkt für diesen Beitrag, und sie führen zu einer naheliegenden Frage: Spart KI im Marketing tatsächlich Zeit, oder verschiebt sie die Arbeit nur an eine andere Stelle?

Die Antwort hängt davon ab, was man mitzählt. Wer nur die Zeit misst, die eine KI für eine einzelne Aufgabe braucht, kommt fast immer auf ein Plus. Wer Einarbeitung, Kontrolle und Korrektur dazurechnet, sieht oft ein anderes Bild. Genau diese zweite Rechnung fehlt in den meisten Erfolgsmeldungen über KI im Marketing, und neue Daten seit dem ursprünglichen Beitrag machen sie konkreter.

Nutzung aus Selbstschutz

Laut einer HBR-Studie haben ausgerechnet diejenigen Mitarbeitenden die höchste KI-Nutzung, die auch die größten Ängste vor KI haben. Die Forscher vermuten, dass ein Teil der Nutzung weniger aus Überzeugung als aus Selbstschutz erfolgt. Man nutzt KI, um nicht als jemand zu gelten, der KI nicht nutzt. Der Career Outlook 2026 des Content Marketing Institute liefert dazu eine konkrete Zahl: Beschäftigte mit hoher KI-Angst setzen das Werkzeug in 65 Prozent ihrer Arbeit ein, Beschäftigte mit geringer Angst nur in 42 Prozent.

Die falsche Debatte

Rose argumentiert deshalb, dass wir die falsche Debatte führen. Nicht die Frage, ob uns KI ersetzt, sondern: Welche Arbeit verdient überhaupt menschliche Zeit? Im Artikel beschreibt er zwei typische KI-Fallen, die sicher jeder aus Hype-Umfeldern kennt:

  • Falle 1: KI beschleunigt wertvolle Arbeit wie Strategie, Content oder Kreativprozesse. Das Ergebnis: mehr Output, aber nicht zwingend mehr Wirkung.
  • Falle 2: KI automatisiert Tätigkeiten wie Reporting, Formatierung oder Koordination. Das Problem: Viele dieser Aufgaben hätten vielleicht längst abgeschafft werden sollen, statt sie effizienter zu machen.
Die zwei großen KI-Fallen
Die zwei großen KI-Fallen (zum Öffnen des PDFs klicken)

Die zwei großen KI-Fallen als PDF herunterladen

Produktivität ist nicht Wertschöpfung

Wer KI ausschließlich nutzt, um mehr Inhalte, mehr Prozesse oder mehr Aktivität zu erzeugen, beschleunigt unter Umständen lediglich das Chaos. Die bessere Frage lautet: Wo hilft uns KI, bessere Entscheidungen zu treffen, tiefer zu analysieren und relevantere Arbeit zu leisten? Genau diese Frage stelle ich meinen Teilnehmenden am ersten Kurstag, noch bevor wir das erste Tool öffnen.

Was die Zahlen zeigen, wenn man genauer hinschaut

Die Optimizely-Studie „The Passion-Pressure Paradox“, zusammen mit Heinz Marketing erhoben, liefert Zahlen zu dem, was in der ersten Falle passiert. 61 Prozent der befragten Marketer sagen, KI spare ihnen Zeit. Nur 36 Prozent sagen, diese Zeit fließe tatsächlich in strategische Arbeit. 28 Prozent berichten, KI habe vor allem die Erwartungen an ihre Leistung erhöht. Und 41,8 Prozent beschreiben ihren Arbeitsalltag so, dass sie selbst an guten Tagen nur zur Hälfte kreativ arbeiten, der Rest ist Koordination.

Eine zweite Untersuchung des Content Marketing Institute zu Content-Marketing-Rollen zeigt, wo die angeblich gesparte Zeit stattdessen landet. 76 Prozent der Marketer erledigen inzwischen die Arbeit von mehr als einer Stelle, 91 Prozent berichten, es werde mehr von ihnen erwartet, ohne dass zusätzliche Unterstützung dazukommt. Gleichzeitig haben nur 11 Prozent der Unternehmen tatsächlich Personal durch KI ersetzt. KI übernimmt hier selten Arbeit, sie verschiebt sie: von Stellen, die nicht nachbesetzt werden, auf die Kolleginnen und Kollegen, die noch da sind.

Auch bei agentischen KI-Systemen, den Werkzeugen, die mehrstufige Aufgaben selbstständig abarbeiten sollen, klafft Erwartung und Ergebnis auseinander. Eine Auswertung von mehr als 500 Anwendungsfällen durch das Content Marketing Institute zeigt: 45 Prozent davon sind reine Ergänzungen, neue Fähigkeiten, die zunächst mit geringerer Effizienz laufen. Nur 6 Prozent sind echte Verbesserungen, die neue Fähigkeiten und mehr Effizienz gleichzeitig liefern. Führungskräfte erwarten aber typischerweise Letzteres, weniger Personal, weniger Zeit. Die Projekte mit dem größten Wert brauchen stattdessen mehr menschliches Urteilsvermögen, nicht weniger.

24 Prozent erwartet, 19 Prozent gemessen

Wie groß die Lücke zwischen gefühlter und tatsächlicher Zeitersparnis ausfallen kann, zeigt eine Studie des KI-Sicherheitsforschers METR aus dem Jahr 2025. Sie untersucht Softwareentwicklung, nicht Marketing, aber die Methode trifft genau den blinden Fleck, um den es hier geht. In einem randomisierten Experiment mit 16 erfahrenen Open-Source-Entwicklern und 246 realen Aufgaben aus großen Projekten erwarteten die Teilnehmer vorab, mit KI-Unterstützung um 24 Prozent schneller zu sein. Gemessen wurden sie 19 Prozent langsamer. Nach der Aufgabe gefragt, schätzten sie trotzdem, dass die KI sie um 20 Prozent beschleunigt hatte.

Das Ergebnis lässt sich nicht eins zu eins auf Marketing übertragen, die Struktur des Effekts schon: erfahrene Fachleute, die ihr eigenes Arbeitsgebiet gut kennen, überschätzen den Nutzen von KI systematisch, selbst wenn die gemessene Zeit dagegenspricht. Eine Untersuchung des University College Dublin liefert einen möglichen Grund. Menschen schätzen KI deutlich rationaler ein als andere Menschen, im Schnitt mit 8,35 von 9 möglichen Punkten gegenüber 4,33 für ein menschliches Gegenüber. In einem Verhandlungsexperiment akzeptierten Teilnehmer unfaire, aber finanziell vorteilhafte Angebote häufiger, wenn sie glaubten, mit einer KI zu verhandeln, statt mit einem Menschen. Wer ein Ergebnis für besonders rational hält, prüft es tendenziell weniger kritisch. Das dürfte mit erklären, warum die Kontrolle von KI-Ergebnissen im Alltag oft zu kurz kommt, oder ganz ausfällt.

Die unsichtbaren KI-Stunden

Die Zeit, die in keiner Erfolgsmeldung auftaucht, verteilt sich auf sechs Posten:

  • Einarbeitung: das Werkzeug verstehen, Grenzen austesten, Fehlversuche
  • Aufbau: Prompts, Vorlagen und Workflows entwickeln, die wiederholt funktionieren
  • Tests: prüfen, ob eine Ausgabe für den echten Anwendungsfall taugt, nicht nur für die Demo
  • Kontrolle: jede Ausgabe gegenlesen, auf Fakten, Ton und Rechte prüfen
  • Fehlerkorrektur: Halluzinationen, falsche Zahlen oder unpassende Formulierungen ausbügeln
  • Wartung: Prompts und Workflows nachziehen, wenn sich Modelle, Tools oder Anforderungen ändern

Bei agentischen Systemen kommt ein siebter Posten dazu, die laufende Aufsicht. Amy Balliett bringt es im Content Marketing Institute auf den Punkt: Agenten-Arbeit muss überprüft werden, nicht einfach laufen gelassen. Wie ernst das zu nehmen ist, zeigt eine Untersuchung der Carnegie Mellon University: Googles Gemini 2.5 Pro scheiterte an 70 Prozent realer Büroaufgaben. Gartner geht davon aus, dass über 40 Prozent der agentischen KI-Projekte bis Ende 2027 wieder eingestellt werden, obwohl laut einer eigenen Umfrage unter mehr als 3.400 Teilnehmenden bereits 61 Prozent der Unternehmen in solche Systeme investieren.

Keiner dieser sieben Posten ist ein Argument gegen KI im Marketing. Es sind Kosten, die anfallen, ob man sie einplant oder nicht. Der Unterschied liegt darin, ob sie in der Rechnung auftauchen.

Ein Rechenmodell, das die ganze Rechnung macht

Die meisten Aussagen zu KI-Produktivität vergleichen die Zeit für eine Aufgabe mit KI gegen dieselbe Aufgabe ohne KI. Das ist die halbe Rechnung. Die vollständige Version zieht die unsichtbaren Stunden von oben ab und stellt sie den laufenden Kosten gegenüber, bevor sie zu einem Ergebnis kommt: Eingesparte Arbeitszeit pro Zeitraum minus Einarbeitungs-, Aufbau-, Test-, Kontroll-, Korrektur- und Wartungszeit im selben Zeitraum ergibt die tatsächliche Netto-Zeitersparnis. Diese Netto-Zeitersparnis, bewertet mit dem Stundensatz oder Gehalt der beteiligten Personen, wird anschließend den Werkzeugkosten gegenübergestellt: Lizenzen, Implementierung, Schulung.

Nur wenn der Wert der Netto-Zeitersparnis über diesen Kosten liegt, hat sich die Automatisierung gelohnt. Als Faustregel: Im ersten Monat lohnt sich eine neue Anwendung selten, das ist die Einarbeitungs- und Aufbauzeit. Bleibt die Netto-Ersparnis auch nach drei bis sechs Monaten laufendem Betrieb negativ, sitzt man in einer der beiden Fallen von oben, ganz gleich, wie beeindruckend die Ausgabe der KI im Einzelfall aussieht. Ein Punkt aus der CMI-Recherche zur Realität generativer KI im Marketing gehört noch in diese Rechnung: Der Engpass liegt seltener beim Werkzeug selbst als bei der Kapazität, Change-Management zu betreiben, Teams einzuarbeiten, Prozesse anzupassen, Qualität zu sichern. Wer nur das Lizenzbudget rechnet, unterschätzt die eigentlichen Kosten.

Bevor man überhaupt in diese Rechnung einsteigt, lohnt sich ein Blick auf die Auswahl des Anwendungsfalls selbst. In meinem Beitrag zur Priorisierung von KI-Use-Cases beschreibe ich eine Methode, mit der sich Kandidaten vorab nach Nutzen und Umsetzbarkeit sortieren lassen, statt sich von einer beeindruckenden Demo leiten zu lassen. Wer diesen Filter vor der Zeitrechnung anwendet, spart sich einen Teil der unsichtbaren Stunden von vornherein.

Was daraus folgt

Ein Werkzeug allein verschafft keinen Vorsprung, das gilt für Marketingteams genauso wie für den Mittelstand insgesamt. In meinem Beitrag zu KI als Wettbewerbsvorteil im Mittelstand beschreibe ich, warum erst die Kombination aus eigenem Wissen, belastbaren Prozessen und geschulten Mitarbeitenden zu einem echten Vorsprung führt. Bei der Zeitrechnung ist es nicht anders. Ein Tool kann jeder kaufen. Die Disziplin, Einarbeitung, Kontrolle und Wartung ehrlich mitzurechnen, muss sich ein Unternehmen selbst beibringen.

Wer als Nächstes über den Einsatz von KI im Marketing entscheidet, sollte deshalb weniger nach der schnellsten Demo fragen und mehr nach der ehrlichsten Zeitrechnung. Die Antwort fällt in vielen Fällen positiv aus. Aber eben nicht automatisch, und selten so hoch wie vorher geschätzt.

Quellen

Dieser Beitrag hat seinen Ursprung in einem LinkedIn-Post von mir und ist seitdem deutlich gewachsen. Diskussion und Ergänzungen gern dort oder über das Kontaktformular.

Mehr zum Thema

Praktische Workflows sind Stufe sechs im Lernpfad auf KI lernen.