Warum eure KI-Antworten so gut sind wie euer schlechtester Datensatz.

Ein KI-Tool löst den Streit zwischen Marketing und Vertrieb nicht, es macht ihn nur sichtbarer. Warum verlässliche KI-Antworten im Marketing eine Frage der Architektur sind, nicht des Tools – und welche drei Fragen ihr vorher klären solltet. Eine Analyse von Christian Kierdorf, Executive Director Data and Technology bei wob.

Irgendwo in eurem Unternehmen läuft gerade eine Diskussion, die ihr schon viel zu oft geführt habt: Marketing betrachtet die gerade abgeschlossene Kampagne als vollen Erfolg, der Vertrieb überhaupt nicht. Dazwischen melden sich die verschiedenen Regionen, jede mit eigenen Werten. Und am Ende einigt man sich auf eine Kennzahl, der niemand richtig traut, und macht einfach weiter.

Diese Diskussionen treten in fast jedem B2B-Marketingteam auf, das wir kennen. Ein KI-Tool dazwischen zu schalten, macht es nicht besser – es macht nur die Problematik sichtbarer.

Wenn die KI antwortet, aber niemand ihr vertraut.

Viele Teams glauben, dass ein besseres Tool dieses Problem löst: Einfach Daten in eine Plattform geben, KI draufschalten, und schon hat man endlich Klarheit.

Das Problem in der Praxis? Niemand weiß, ob die KI-Antwort stimmt. Weil niemand weiß, auf welcher Grundlage sie entstanden ist: Welche Kampagnendefinition gilt? Welches Attributionsmodell liegt zugrunde? Sprechen Salesforce und LinkedIn Campaign Manager überhaupt dieselbe Sprache?

Das ist kein Technikproblem. Es ist ein Architekturproblem.

Wie es aussieht, wenn es funktioniert.

Stellt euch vor, ihr müsstet vor dem nächsten Leadership-Meeting nicht erst diskutieren, sondern hättet die Antwort schon parat, und alle würden ihr vertrauen. So kann es aussehen, wenn die Datenbasis stimmt:

• Kanal- und Kampagnen-Performance: Eine Frage, eine Antwort, kanalübergreifend, ohne Excel-Marathon. Weil alle Quellen in einem Lakehouse zusammenlaufen und dieselben Definitionen gelten.
• Funnel-Attribution: Marketing und Vertrieb diskutieren nicht mehr über Zahlen, sondern über Entscheidungen. Weil das Attributionsmodell einmal sauber definiert und für alle abfragbar ist.
• 360°-Kundensicht: Ein sinkendes Engagement-Signal führt nicht mehr in die Analyst-Warteschlange, sondern direkt zur Antwort: Welche Accounts, welches Muster, welche nächste Maßnahme.
• Omnichannel-Kampagnenplanung: Der Marketer plant, der Field-Lead prüft seine Territories, das Management bereitet den Review vor, alle auf denselben Daten, jeder mit seinen Berechtigungen.
• Reporting unterwegs: Die Zahl vor dem Meeting, nicht danach. Weil das System die Pipeline-Definition, das Fiskaljahr und die Kampagnenstruktur kennt, nicht weil die KI rät, sondern weil dieser Kontext in der Plattform hinterlegt ist.

Diese fünf Szenarien beschreibt Databricks in einem aktuellen Blogartikel zu Genie One,  und sie decken sich mit dem, was wir bei unseren Kunden beobachten. Als Databricks-Partner wissen wir aber auch, warum viele Unternehmen noch weit von diesem Bild entfernt sind: Das Tool ist oft vorhanden, das Fundament darunter nicht.

Das Fundament entscheidet.

Kampagnendaten liegen verstreut in Salesforce, Marketing-Automation-Plattformen, Paid-Media-Tools und Web-Analytics, jedes System mit eigener Logik und eigenen Begriffen. Was als „Conversion" oder „qualifizierter Lead" zählt und welches Attributionsmodell gilt, ist selten geklärt, und genau hier setzt die eigentliche Arbeit an: Bevor eine KI verlässlich antworten kann, muss diese Grundlage stehen.

In der Praxis bedeutet das eine Medallion-Architektur auf Databricks: Rohdaten aus allen relevanten Quellen, darunter z. B. Salesforce, Marketing Cloud oder Evalanche, laufen in einem Lakehouse zusammen. Kampagnenstrukturen, Metrik-Definitionen und Zuordnungslogiken werden einmal sauber im Unity Catalog modelliert. Damit steht fest, was als Conversion zählt, was einen qualifizierten Lead ausmacht und welches Attributionsmodell gilt. Erst auf dieser Basis liefert ein Genie Space Antworten, denen alle vertrauen können, weil alle mit denselben Definitionen arbeiten.

Das klingt nach Infrastruktur. Ist es auch. Und genau diese Infrastruktur entscheidet, ob KI im Marketing Wirkung entfaltet oder nur zusätzlichen Aufwand erzeugt.

Was das für euch bedeutet.

Wenn ihr gerade überlegt, ob Databricks Genie oder ein ähnliches Tool für euer Marketing-Team sinnvoll ist, ist das eine gute Frage. Aber stellt vorher diese:

• Haben wir eine einheitliche Datenbasis, auf der alle Teams mit denselben Definitionen arbeiten?
• Sind unsere Kampagnenstrukturen, Attributionsmodelle und KPIs plattformübergreifend vereinheitlicht?
• Wer pflegt diese Grundlage, und wer ist verantwortlich, wenn sie veraltet?

 Wenn ihr diese Fragen mit Ja beantworten könnt: Großartig. Dann ist der Schritt zu einem KI-Coworker auf euren Daten nah. Wenn nicht: Dann fangen wir gemeinsam dort an, um eure Datenbasis zu optimieren.

 Ihr wollt wissen, wie das konkret für euer Marketing aussehen könnte? Sprecht uns an.