Braucht man mit KI noch Media Buyer?

Montagmorgen, du öffnest das Konto. Advantage+ hat die Zielgruppe gewählt. Der Algorithmus hat über Nacht die Platzierungen bestimmt, die Gebote gesetzt und die Creatives rotiert. Das Dashboard ist grün. Und im Hinterkopf wird eine leise Frage lauter: Wenn die Maschine das alles gemacht hat, wofür werde ich dann eigentlich bezahlt?

Kurz gesagt: Du brauchst weiter einen Media Buyer, weil KI auf das Ziel optimiert, das du ihr vorgibst. Sie kann dieses Ziel nicht selbst wählen, nicht beurteilen, ob ein billiges Ergebnis ein echtes ist, und nicht entscheiden, wann ein schwacher Test mehr Zeit verdient. Diese drei Entscheidungen bestimmen den Profit. Sie bleiben menschlich.

Das Wichtigste

• KI hat die Ausführung übernommen, nicht das Urteil. Gebote, Targeting und Budgetverteilung innerhalb einer Kampagne laufen heute automatisch. Die Entscheidungen darüber nicht.
• Der teuerste Fehler ist, auf das falsche Event zu optimieren. Sag der Maschine, sie soll billige Leads finden, und genau das tut sie, egal ob diese Leads je kaufen.
• Ein gutes und ein echtes Ergebnis sind zweierlei. Ein niedriger CPA an Tag zwei ist meist Glück, das zum Mittelwert zurückwandert. Wie lange du wartest, entscheidet ein Mensch.

Was hat die KI übernommen?

Die taktische Ebene, und den Großteil davon. Innerhalb einer Kampagne setzt maschinelles Bidding den Preis jeder Auktion, das Targeting weitet sich von allein über die Seed-Zielgruppe aus, und das Budget wandert dorthin, wo gerade konvertiert wird. Meta sagt, die meisten seiner Werbetreibenden nutzen inzwischen Advantage+, und Googles Performance Max funktioniert genauso: Du gibst Assets und ein Ziel rein, den Rest macht das System.

Das ist gut so. Manuelle Gebotsanpassungen und handgebaute Lookalikes waren nie der Ort, an dem der Vorsprung lag. Doch alle diese Automatik hat eins gemeinsam: Sie optimiert innerhalb der Grenzen, die du steckst. Sie macht das Wie schneller. Das Was und das Ob rührt sie nie an.

Was kann die KI nicht für dich entscheiden?

Das Ziel. Das ist das ganze Spiel, und es ist der eine Input, den der Algorithmus sich nicht selbst liefern kann. Du sagst Advantage+, es soll auf Formular-Absendungen optimieren, und es holt dir Formular-Absendungen zu einem schönen Preis, aus der billigsten, am schlechtesten qualifizierten Ecke des Internets. Die Maschine hat perfekt gearbeitet. Du hast sie nur auf die falsche Ziellinie gerichtet.

Das richtige Event zu wählen heißt, Kontext zu halten, auf den der Algorithmus keinen Zugriff hat: deine Margen, welcher Lead wirklich zu Umsatz wird, was ein Kunde über ein Jahr wert ist, ob dieser Monat um Wachstum oder um Liquidität geht. Ich habe eine Kampagne den niedrigsten Cost-per-Lead ihrer Geschichte erreichen sehen, in derselben Woche, in der das Geschäft damit Geld verlor. Ein Ziel zu wählen, das zu Profit führt, ist ein menschliches Urteil, gefällt bevor die Automatik überhaupt läuft.

Woran erkennst du, ob ein billiges Ergebnis echt ist?

Du wartest, und du weißt, worauf. Eine Anzeige mit einem traumhaften CPA an Tag zwei ist selten ein Gewinner. Sie ist eine glückliche Stichprobe, die mit steigendem Spend zur Norm ihres Formats zurückdriftet. Regression zum Mittelwert ist hier keine Metapher, sondern der Normalfall, und auf die frühe Zahl zu reagieren ist der Weg, aus einem Zufall einen Verlust zu skalieren.

Diese Urteilsarbeit widersteht der Automatik, denn die Maschine, die das Geld ausgibt, ist dieselbe, die das Ergebnis meldet, und sie hat kein Interesse, dir zu sagen, dass die Stichprobe dünn ist. Ein Buyer, der Varianz versteht, gibt einer vielversprechenden Anzeige genug Budget, um sich zu beweisen, und krönt sie nicht vorher. Diese Geduld, zwischen grünem Dashboard und Skalierungsentscheidung, ist heute der Großteil des Jobs.

Wann lässt du einen schwachen Test weiterlaufen?

Länger, als die Nerven wollen, und jetzt der ehrliche Teil. Ich habe genau dafür eine Automatik-Ebene gebaut, und ich habe sie trotzdem auf Empfehlungen statt Vollautomatik gestellt. Denn eine Kill-Entscheidung auf dünner Datenbasis ist der Weg, eine Anzeige zu töten, die zwei Conversions vom Funktionieren entfernt war. Regeln, die auf acht Metriken feuern, sind nützlich. Regeln ohne Urteil dahinter killen falsch.

Darum sind die Schutzmechanismen bewusst vorsichtig: eine Lernphasen-Sperre, die eine Anzeige unter fünf Tagen oder 200 € Spend in Ruhe lässt, ein ROAS-Boden, der eine schwache Anzeige pausiert statt killt, eine Prüfung, die eine Kampagne nie unter drei aktive Anzeigen fallen lässt, und ein 24-Stunden-Fenster, um jeden Kill rückgängig zu machen. Jeder davon existiert, um das Urteil eines Menschen vor der Ungeduld der Maschine zu schützen. So sieht der neue Job aus: Du hältst das Urteil, die Automatik hält die Ausführung, und die Schutzmechanismen halten beide auseinander. Wie dieser Schnitt in der Praxis aussieht, zeigt der Automation-Ansatz, der um Empfehlungen gebaut ist, die ein Mensch freigibt, bevor etwas passiert.

Was wird dann aus dem Job?

Weniger Kleinarbeit, mehr von dem, was immer schon schwer war. Du baust keine Zielgruppen mehr, sondern entscheidest, worauf optimiert wird. Du rotierst keine Creatives mehr von Hand, sondern liest, was der Algorithmus mit den Creatives gemacht hat, und briefst die nächste Runde. Du ziehst keine Reports mehr, sondern entscheidest, was die Zahlen für ein Geschäft bedeuten, das die Maschine nicht sieht.

Nichts davon verschwindet, weil nichts davon Kleinarbeit ist. Es ist eine Reihe von Entscheidungen, und Entscheidungen waren der Job, die ganze Zeit. Die Maschine hat nur den Schreibtisch freigeräumt, damit du endlich dazu kommst.