Der Übergang von programmatic einfachen programmatic zur agentenbasierten Werbung bedeutet einen strukturellen Neuanfang für die Branche. Statische Regeln haben ausgedient. Wir übergeben nun die Zügel an autonome Systeme. Um wettbewerbsfähig zu bleiben, müssen Sie genau verstehen, wie diese intelligenten Frameworks funktionieren. Dieses Glossar fasst die entscheidenden Konzepte, Architekturstandards und Ausführungsmodelle zusammen, die die moderne Ad-Tech-Branche definieren. Bringen wir Ihr Vokabular auf den neuesten Stand.
Grundlegende architektonische Konzepte
Agentische Werbung
Agentic Advertising ist ein Rahmenkonzept für digitales Marketing der vierten Generation, das vollständig von autonomen KI-Systemen gesteuert wird, die in Echtzeit Konten überwachen, strategische Entscheidungen treffen und Maßnahmen zur Erreichung eines bestimmten Ziels umsetzen. Der Mensch legt die Strategie, die Budgets und die Rahmenbedingungen fest. Den Rest erledigt die Maschine. Es ersetzt vollständig das manuelle Bieten und die statischen Regeln des herkömmlichen programmatic .
Agentischer Handel
Agentic Commerce ist das verbraucherorientierte Pendant zur Ad-Tech-Automatisierung und besteht aus KI-Assistenten, die im Auftrag eines menschlichen Käufers selbstständig Produkte recherchieren, verhandeln, vergleichen und kaufen. Der Käufer delegiert diese Aufgabe. Der Agent durchsucht digitale Shops und wickelt die Transaktion über Stripe- oder Shopify-APIs ab.
Agentisches Marketing
Agentic Marketing bezeichnet den Einsatz autonomer KI-Systeme für das ganzheitliche Wachstum einer Marke, wobei ein Agent auf der Grundlage einer einzigen Zielkennzahl die Strategie, die Entwicklung kreativer Inhalte, die Umsetzung und die Optimierung übernimmt. Geben Sie ihm ein ROAS-Ziel von 1,8 vor – den Rest erledigt er von selbst.
Zielorientierte, agentenbasierte KI
Unter zielorientierter, agentischer KI versteht man proaktive Systeme der künstlichen Intelligenz, die darauf ausgelegt sind, definierte Geschäftsziele über einen längeren Zeitraum hinweg autonom zu verfolgen, ohne dass sie Schritt für Schritt von Menschen angeleitet werden müssen. Man gibt ihr ein Ziel vor, und sie entwickelt ihren eigenen Weg zur Umsetzung. Diese Systeme nutzen große Sprachmodelle (Large Language Models, LLMs) als kognitive Engines, um Umgebungszustände zu bewerten und externe API an Marketingplattformen auszulösen.
Multi-Agenten-Systeme (MAS)
Ein Multi-Agent-System (MAS) ist ein dezentrales Netzwerk, in dem mehrere spezialisierte, autonome KI-Agenten zusammenarbeiten oder miteinander konkurrieren, um komplexe programmatic zu bewältigen. Die Aufgaben sind stark verteilt. Ein Forschungsagent ruft Zielgruppendaten aus dem CRM ab. Ein Planungsagent stellt den Medienmix zusammen. Ein Ausführungsagent schaltet die Kampagne über OpenRTB. Sie kommunizieren kontinuierlich miteinander.
Dezentrale Blackboard-Architektur
Eine dezentrale Blackboard-Architektur ist ein Multi-Agenten-Organisationsrahmen, in dem isolierte Agenten Erkenntnisse in eine gemeinsame, zentralisierte Wissensdatenbank – das sogenannte „Blackboard“ – eintragen und dort Aktualisierungen abrufen. Die Agenten kommunizieren niemals direkt miteinander. Ein Analyse-Agent könnte beispielsweise einen plötzlichen Anstieg der Konversionsrate bei einer bestimmten Zielgruppe protokollieren. Ein Biet-Agent liest diese Daten sofort aus. Er aktualisiert seine Multiplikatoren, ohne auf einen API zu warten.
Subsumptionsarchitektur
Die Subsumption-Architektur ist ein mehrschichtiges, reaktives Agentenmodell, bei dem komplexe Verhaltensweisen durch die Überlagerung unabhängiger Verhaltensmodule aufgebaut werden, wobei höhere Schichten die darunterliegenden überschreiben können. Dies gewährleistet Sicherheit. Grundlegende finanzielle Beschränkungen befinden sich auf der untersten Ebene. Die fortgeschrittene Preisbildungslogik befindet sich auf der obersten Ebene. Sollte eine ausgeklügelte Optimierung versuchen, Ihr Tagesbudget zu sprengen, unterbindet die Basisschicht diese Aktion.
Persistenter Speicher und Vektorabruf
Persistent Memory ist die Infrastruktur, die es autonomen Systemen ermöglicht, vergangene Interaktionen und historische Leistungsdaten über längere Zeiträume hinweg zu speichern, abzurufen und in einen Kontext zu setzen. Programmatic sind in der Regel zustandslos. Memory ändert dies. Agenten speichern Kampagnendaten als dichte Vektoren in Datenbanken wie Pinecone oder FAISS. Vor dem Start neuer Kampagnen greifen sie auf diesen historischen Kontext zurück.
Reifegradmodell für Werbung
Generation 1 – Manueller Einkauf
Die Werbung der ersten Generation steht für die Ära des manuellen Medieneinkaufs, in der sich Händler bei Plattformen anmeldeten, um einzelne Gebote, Budgets und Zielgruppen von Hand anzupassen. Eine echte Tortur.
Generation 2 – Regeln für native Plattformen
Die Werbung der Generation 2 stützt sich auf einfache bedingte Logik, die direkt in die Publisher-Plattformen integriert ist und einfache „Wenn X, dann Y“-Befehle ausführt. Ein Beispiel hierfür ist das Anhalten einer Kampagne, wenn der CPA bei LinkedIn Ads 50 US-Dollar übersteigt.
Generation 3 – Regelbasierte Software
Bei der Werbung der 3. Generation kommen Software-Overlays von Drittanbietern zum Einsatz, um geplante Optimierungen und umfangreiche Regelsätze auszuführen. Die Kernlogik wird jedoch nach wie vor von menschlichen Bedienern geschrieben, die auch die Ergebnisse überwachen.
Generation 4 – Agente-basierte Systeme
Werbung der 4. Generation steht für das aktuelle Zeitalter der Autonomie, in dem KI-Systeme den Kontext eines Kundenkontos analysieren, eigenständige Strategien entwickeln und diese ohne detaillierte Anweisungen durch den Menschen umsetzen. Sie legen das Ziel fest. Die Maschine ermittelt die einzelnen Schritte.
Ausführung, Kauf und Protokolle
Agentic Advertising Management Protocols (AAMP)
Agentic Advertising Management Protocols (AAMP) ist ein umfassendes übergreifendes Framework, das vom IAB Tech Lab entwickelt wurde, um die für skalierbare agentische Werbung erforderliche Infrastruktur in den Bereichen Steuerung, Ausführung und Protokolle bereitzustellen. Es gliedert die Abläufe in spezifische Agentenhierarchien. Das Framework ordnet neue KI-Aktionen mithilfe erweiterter OpenRTB-, OpenDirect- und AdCOM-Objekte direkt den etablierten Strukturen zu.
Agent-zu-Agent (A2A)-Infrastruktur
Die Agent-to-Agent (A2A)-Infrastruktur ist eine Systemarchitektur, bei der KI-Anwendungen auf Käufer- und Verkäuferseite direkt miteinander kommunizieren und Transaktionen durchführen. Menschliche Vermittler werden vollständig aus dem Transaktionsprozess entfernt. Branchengrößen wie PubMatic und Omnicom setzen diese Architektur bereits in großem Umfang ein.
AdCP (Advertising Context Protocol)
Ein sich entwickelnder offener Protokollstandard, der speziell für die Verhandlung zwischen Vermittlern über nicht standardisierte, maßgeschneiderte und direkt verkaufte Medienkontingente konzipiert wurde und den Austausch strukturierter Ausschreibungen zwischen Käufern und Verkäufern standardisiert.
AgenticOS
AgenticOS ist ein Agent-zu-Agent-Werbe-Betriebssystem, das Anfang 2026 von PubMatic eingeführt wurde. Werbetreibende legen strenge Parameter für Markensicherheit, Budget und Anzeigenformate fest. Die aufeinander abgestimmten Agenten übernehmen die gesamte Planung und Umsetzung innerhalb dieser Vorgaben.
Model Context Protocol (MCP)
Das Model Context Protocol (MCP) ist ein sich entwickelndes Standard-Framework, das KI-Agenten einen autorisierten, standardisierten Zugriff auf externe Werbeplattformen, CRM-Systeme und Analysetools ermöglicht. Hören Sie auf, von „Plugin“ zu sprechen. MCP ist das eigentliche Bindeglied.
MCP-Server, -Client und -Transport
Das MCP-Framework ist eine technische Architektur, die auf drei Säulen basiert: Server, Clients und Transportmechanismen. Die Server stellen die verfügbaren Tools bereit. Die in die Agent-Laufzeitumgebung eingebetteten Clients übernehmen das Routing. Die Transportmechanismen übertragen die Nutzdaten über Standard-HTTP-Kanäle.
Tool-Aufruf
Ein Tool-Aufruf ist ein einzelner Aufruf einer typisierten Funktion durch einen KI-Agenten, der strukturierte Argumente enthält und ein strukturiertes Ergebnis zurückgibt. Ein Agentenschritt kann ein Dutzend paralleler Tool-Aufrufe auslösen.
Sicherheitsvorkehrungen, Unternehmensführung und Datenschutz
Leitplanken
Leitplanken sind die strengen, vom Menschen festgelegten operativen Grenzen, innerhalb derer ein autonomes System arbeiten muss. Sie verhindern katastrophale finanzielle Verluste. Sie legen die Kreditlimits, die Volumenziele für Rahmenverträge, die Mindestmargen und die Regeln zur Markensicherheit fest. Die KI darf diese Grenzen nicht überschreiten.
Leitplanken-Motor
Die proprietäre kommerzielle Durchsetzungsebene innerhalb eines agentenbasierten OMS, die Kreditlimits automatisch überprüft, die Netto-Netto-Preisgestaltung anwendet und sicherstellt, dass autonome Transaktionen den jährlichen Rahmenvereinbarungen entsprechen, bevor Medien gekauft werden.
Agenten-Kollision
Eine „Agent Collision“ ist ein strukturelles Versagen, das auftritt, wenn mehrere autonome Agenten innerhalb derselben Gebotsumgebung widersprüchliche Befehle ausgeben, was zu algorithmischen Gebotswettkämpfen führt, die das Kampagnenbudget rasch aufzehren. Dies geschieht, wenn Schutzmechanismen versagen. Sie müssen verhindern, dass Ihr Meta-Einkaufsagent Ihren Google-Ads-Agenten kannibalisiert.
Human-in-the-Loop (HITL)
„Human-in-the-Loop“ (HITL) ist ein Steuerungsmodell, bei dem menschliche Strategen über dem automatisierten Betriebskreislauf stehen, um Ziele festzulegen, Entscheidungen zu überprüfen und die Befugnis zur Übersteuerung zu behalten. Sie agieren als strategischer Lenker. Sie sind kein taktischer Ausführender.
Entscheidungsablauf
Ein „Decision Trace“ ist eine umfassende, protokollierte Aufzeichnung, die von einem Agenten erstellt wird und die beobachteten Signale, in Betracht gezogene Alternativen sowie die genauen Gründe für eine gewählte Maßnahme dokumentiert. Nachvollziehbarkeit ist zwingend erforderlich. Nur durch nachvollziehbare Autonomie lässt sich Vertrauen bei den Kunden der Agentur aufbauen.
Eskalationspfad
Ein Eskalationspfad ist ein vordefiniertes Sicherheitsprotokoll, das auffälliges Verhalten von Agenten oder massive Ausgabensprünge zur ausdrücklichen Genehmigung an einen Menschen weiterleitet, bevor die Aktion ausgeführt wird. Wenn die Maschine etwas äußerst Ungewöhnliches versucht, wird der Vorgang unterbrochen. Sie entscheiden.
Einblendung von Anzeigen-Prompts
„Ad-Side Prompt Injection“ ist eine moderne Bedrohung für die Cybersicherheit, bei der böswillige Akteure versteckten Text in Webseiten oder Werbemittel einbetten, um die Entscheidungslogik eines autonomen Einkaufsagenten zu kapern und zu manipulieren. Die Angreifer zielen auf die Wahrnehmungsschicht der KI ab. Um das Problem sofort zu beheben, sind Eskalationswege durch menschliche Mitarbeiter erforderlich.
Daten-Reinraum
Ein „Data Clean Room“ ist eine sichere, datenschutzkonforme Rechenumgebung, in der Unternehmen ihre eigenen Kundendaten mit den Datensätzen von Werbeplattformen abgleichen können, ohne dabei personenbezogene Daten preiszugeben.
KI-Schlussfolgerungsmodelle
Multi-Agent-Reinforcement-Learning (MARL)
Multi-Agent Reinforcement Learning (MARL) ist ein fortschrittliches Paradigma des maschinellen Lernens, bei dem mehrere Agenten gleichzeitig innerhalb eines gemeinsamen, sich ständig weiterentwickelnden Ökosystems optimale Verhaltensweisen erlernen. Modelle mit nur einem Agenten versagen bei Auktionen mit mehreren Anbietern. MARL stützt sich auf Schwarmintelligenz. Es stabilisiert die Gebote, indem es sich innerhalb von Millisekunden an die aktuelle Preisdynamik der Wettbewerber anpasst.
Hybride kognitive Verarbeitungs-Engine
Eine hybride kognitive Verarbeitungs-Engine ist das zentrale Entscheidungszentrum eines Marketing-Agenten und verbindet die qualitativen semantischen Fähigkeiten von LLMs mit der deterministischen Präzision strukturierter Algorithmen des maschinellen Lernens. Textmodelle „halluzinieren“ mathematische Inhalte. Regressionsmodelle können keine Kreativ-Briefings lesen. Dieser hybride Ansatz löst beide Probleme auf native Weise.
Beobachten → Überlegen → Planen → Handeln → Lernen – Kreislauf
Dieser Kreislauf bildet den grundlegenden Betriebszyklus jedes agentenbasierten Systems. Der Agent nimmt Echtzeit-Leistungsdaten auf. Er gleicht diese Daten mit den ROAS-Zielen ab. Er erstellt einen Plan. Er führt die Anpassungen durch. Er lernt aus dem Ergebnis.
Belohnungsfunktion
Eine Belohnungsfunktion ist die grundlegende mathematische Grundlage eines KI-Modells, die den Wert bestimmter Aktionen und Ergebnisse in einer Umgebung des verstärkenden Lernens definiert. Bevor ein Agent eine Abfolge planen kann, muss er wissen, wie ein Erfolg konkret aussieht.
Gedankengang (CoT)
„Chain-of-Thought“ (CoT) ist ein Prompt- und Logikmuster, bei dem ein KI-Modell einen expliziten, schrittweisen Denkverlauf generiert, bevor es zu einer endgültigen Antwort gelangt. Es stellt die absolute Grundvoraussetzung für Aufgaben dar, bei denen das logische Denken eine große Rolle spielt.
ReAct (Denken + Handeln)
ReAct ist ein Agentenlogik-Muster, das detaillierte Schlussfolgerungsketten mit dem aktiven Einsatz von Werkzeugen kombiniert. Es bewältigt allgemeine Aufgaben hervorragend. Bei Zielen mit langem Zeithorizont kann es jedoch ohne häufiges Neuverankern den Kontext aus den Augen verlieren.
Planen und Ausführen
„Plan-and-Execute“ ist eine starre Agentenarchitektur, die für vorhersehbare, streng geordnete Arbeitsabläufe optimiert ist. Sie bildet den gesamten Prozess im Voraus ab. Im großen Maßstab ist sie wesentlich kostengünstiger. Allerdings bricht sie sofort zusammen, wenn sich die Umgebung während der Ausführung ändert.
Retrieval-Augmented Generation (RAG)
Retrieval-Augmented Generation (RAG) ist ein computergestütztes Verfahren, bei dem eine KI vor der Generierung einer Antwort verifizierte Informationen aus einer bestimmten Datenbank abruft. Dadurch basieren die Antworten auf realen Daten wie beispielsweise der Kampagnenhistorie. Halluzinationen werden vollständig vermieden.
Kreativ & Messung
ROAS (Return on Ad Spend)
Der Return on Ad Spend (ROAS) ist eine wichtige Finanzkennzahl, mit der der pro Einheit der Werbeausgaben erzielte Umsatz berechnet wird. Er ist nach wie vor das vorherrschende Optimierungsziel für agentenbasierte Systeme.
pLTV (Predictive Lifetime Value)-Steuerung
„Predictive Lifetime Value (pLTV) Steering“ ist eine fortschrittliche Gebotsmethode, bei der Agenten die Auktionsgebote dynamisch auf der Grundlage einer algorithmischen Echtzeit-Prognose des langfristigen finanziellen Werts eines bestimmten Nutzers anpassen. Vergessen Sie einfache Renditekennzahlen. Agenten kaufen für die Zukunft ein.
Inkrementalität
Die Inkrementalität ist eine Messmethode, bei der mithilfe kontrollierter Tests nachgewiesen wird, ob eine Werbekampagne neue Umsätze generiert hat, die ohne diese Kampagne nicht organisch entstanden wären. Klicks täuschen. Die Inkrementalität deckt die Wahrheit auf.
Semantisches Bieten
Semantic Bidding ist eine absichtsbasierte Logik für den Medieneinkauf, bei der autonome Systeme nicht auf exakt übereinstimmende Suchbegriffe, sondern auf die kontextuelle Bedeutung und die Stimmung der Suchanfrage eines Nutzers bieten. Die alten Suchbegriffslisten haben ausgedient. Die KI versteht die nuancierte Absicht hinter einer komplexen Suche auf Perplexity oder SearchGPT.
Marketing-Mix-Modellierung (MMM)
Marketing-Mix-Modellierung (MMM) ist eine ökonometrische Messmethode, bei der historische Leistungsdaten analysiert werden, um abzuschätzen, inwieweit verschiedene Marketingkanäle zu den Gesamtergebnissen des Unternehmens beitragen.
Dynamische Anzeigenoptimierung (DCO)
Dynamic Creative Optimization (DCO) bezeichnet das automatisierte Testen und Austauschen von Anzeigenelementen auf der Grundlage von Leistungsdaten in Echtzeit. Dabei werden Bilder, Überschriften und Handlungsaufforderungen zügig durchlaufen, um die perfekte Kombination zu finden.
Kreative Gleichheit
„Kreative Gleichförmigkeit“ ist das Marktphänomen, bei dem KI-generierte Werbeanzeigen branchenübergreifend funktional identisch aussehen, da Marken auf identische grundlegende Generierungsmodelle zurückgreifen. Wenn Maschinen die Werbetexte verfassen, wird unverwechselbare, ungewöhnliche, menschliche Kreativität zu einem äußerst wertvollen Gut.
Synthetische Zielgruppen
Synthetische Zielgruppen sind KI-generierte, virtuelle Verbraucherprofile, die auf echten First-Party-Daten basieren und es Werbetreibenden ermöglichen, hyperrealistische simulierte Fokusgruppen und Kreativtests durchzuführen, ohne ihr tatsächliches Werbebudget zu belasten. Testen Sie die KI-generierten Werbetexte hier zuerst. Sparen Sie Ihr echtes Geld für die erfolgreichsten Varianten.
Commerce Media Networks (CMN)
Commerce Media Networks (CMN) stehen für die Weiterentwicklung von retail , bei derretail wie die Automobil- und Finanzbranche maßgeschneiderte Werbenetzwerke aufbauen, um Verbraucher genau zum Zeitpunkt der Transaktion anzusprechen.
Konversationsanzeigen / Chatbot-Anzeigen
Konversationsanzeigen sind native, äußerst zielgerichtete Medienplatzierungen, die direkt in die Konversationsschnittstellen von KI-gestützten Suchmaschinen und Chatbots eingebunden werden. Hier fließen die eigentlichen Werbegelder hin. Man denke beispielsweise an gesponserte Antworten in ChatGPT oder Claude.
CTV mit Einkaufsmöglichkeit
Unter „Shoppable CTV“ versteht man interaktive Werbung im Connected TV, die es den Zuschauern ermöglicht, Produkte direkt über ihre Fernbedienung oder einen QR-Code zu kaufen, ohne dass dabei ihr Streaming-Erlebnis auf Plattformen wie Hulu oder Roku unterbrochen wird.
Daten & Datenschutz
First-Party-Daten (1PD)
First-Party-Daten (1PD) sind die firmeneigenen Informationen, die eine Marke direkt von ihren Kunden erfasst, darunter Salesforce , E-Mail-Listen, Kaufhistorie und die Erfassung des Nutzerverhaltens auf der Website. Das ist Ihre absolute Goldgrube.
Zero-Party-Daten
Zero-Party-Daten sind spezifische, äußerst präzise Informationen, die ein Kunde bewusst und freiwillig an eine Marke weitergibt, wie beispielsweise Antworten auf Quizfragen, Kommunikationspräferenzen und explizite Produktinteressen.
GEO (Generative Suchmaschinenoptimierung)
Generative Engine Optimization (GEO) ist das technische Verfahren, Markeninhalte so zu strukturieren, dass KI-gestützte Suchtools Ihr Unternehmen in ihren generierten Antworten korrekt erfassen, verstehen und erwähnen.
ADvendio -Anwendungen
ADvendio
ADvendio sind eine firmeneigene Suite autonomer Assistenten, die direkt mit Ihren CRM-Stammdaten verbunden sind und den Medienverkauf, das Kampagnenmanagement sowie die Anzeigenabwicklung über dialogorientierte Schnittstellen automatisieren.
KI-Vertriebs-Agent
Der „Seller Agent“ ist ein eigenständiges Tool, das unaufbereitete Kampagnenvorgaben in strukturierte Medienkampagnen umwandelt. Es übernimmt automatisch den Abgleich von Kundenkonten, die Produktauswahl und komplexe Preisberechnungen.
Mitarbeiter im Bereich Vertriebsunterstützung
Der „Sales Enablement Agent“ ist ein KI-Assistent, der in Echtzeit Kundenübersichten, Risikoanalysen und Pipeline-Auswertungen bereitstellt, um Vertriebsmitarbeitern dabei zu helfen, Geschäfte schneller abzuschließen.
KI-Inventar-Agent
Der Inventory Agent ist ein automatisiertes Prüftool, das die Verfügbarkeit von Kampagnenartikeln in Echtzeit über direkte API mit externen Ad-Servern wie Google Ad Manager überprüft.
KI-Proposal-Agent
Der „Proposal Agent“ ist eine unterstützende KI, die die Umwandlung von Briefings in Kampagnen, den Produktaustausch und die automatisierte Erstellung von Besuchsberichten verwaltet. Er sorgt dafür, dass die Kommunikation ohne administrative Verzögerungen weiterläuft.
KI-Optimierungs-Agent
Der Optimization Agent ist ein Leistungsmonitor, der in Echtzeit Warnmeldungen ausgibt oder autonome Gebotsanpassungen vornimmt, um sicherzustellen, dass die Kampagnenziele erreicht werden.
KI-Targeting-Agent
Der Targeting Agent ist ein ADvendio, autonomes Modul, das Zielgruppen, Werbeinventar und Kampagnenziele intelligent verwaltet, um eine reibungslose Umsetzung des gesamten Medienplans zu gewährleisten.
KI-Rechnungs-Agent
Der „Invoicing Agent“ ist ein spezialisiertes Finanz-KI-Modul, das Rechnungszyklen mithilfe einfacher Chat-Befehle einleitet, anpasst und automatisiert.
KI-Monatsabschluss-Agent
Der „Month-End Agent“ ist ein Tool zur Finanzabstimmung, mit dem sich der Monatsabschluss innerhalb von Minuten statt Wochen erstellen lässt. Es verkürzt den Zeitaufwand für den Abschluss erheblich und gewährleistet vollständige Prüfungsbereitschaft.
Autonomer Gatekeeper
Der „Agentic Gatekeeper“ ist ein Sicherheitsmodul für die Rechnungsvorabprüfung, das automatisch strenge Datenprüfungen durchführt, um sicherzustellen, dass alle Werbegeschäfte zu korrekten und überprüfbaren Finanzunterlagen für das Betriebsteam führen.
