Marketing-Organisationen, die in jedem Workflow-Schritt einen separaten KI-Agenten andocken, kaufen sich keine Geschwindigkeit. Sie kaufen sich Koordinationsaufwand. Jede zusätzliche Agent-Instanz bringt eine eigene Oberfläche, einen eigenen Kontext, eine eigene Governance-Logik und einen eigenen Output-Standard mit. Die Folge: Marketing-Teams werden zu menschlichen Übersetzungs-Layern zwischen Tools, die nicht miteinander reden. In diesem Beitrag zeigen wir, warum das Bolt-on-Pattern wirtschaftlich nicht skaliert, woran man eine native KI-Architektur im DXP erkennt und wie eine composable Foundation die Voraussetzung dafür ist, KI im Marketing wirklich produktiv zu machen.
Es fühlt sich richtig an. Ein Agent für die Content-Generierung. Ein Agent für die SEO-Optimierung. Ein Agent für die Personalisierung. Ein Agent für E-Mail-Sequenzen. Ein Agent für die A/B-Test-Konfiguration. Jeder einzelne dieser Bausteine verspricht messbare Produktivitätsgewinne, und jeder einzelne hält dieses Versprechen auch, wenn man ihn isoliert betrachtet.
Das Problem entsteht in der Summe. In dem Moment, in dem ein Marketing-Team den vierten oder fünften KI-Agenten in den Stack zieht, kippt die Produktivitätskurve. Statt Beschleunigung entsteht Reibung. Statt Fokus entsteht ständiges Kontextwechseln. Statt Strategiezeit entsteht Tool-Verwaltungszeit. Genau hier beginnt das Phänomen, das in der Branche zunehmend als KI-Agent-Sprawl beschrieben wird.
Die Logik dahinter ist nicht neu. Wir haben dasselbe Muster bereits bei MarTech-Stacks, Analytics-Tools und SaaS-Suiten erlebt. Was sich verändert hat, ist das Tempo. Während ein neuer SaaS-Vertrag in der Vergangenheit Wochen Onboarding bedeutete, dauert das Anbinden eines KI-Agenten heute Stunden. Genau deshalb wachsen Stacks unkontrolliert und genau deshalb explodiert der Koordinationsaufwand.
Unter KI-Agent-Sprawl verstehen wir die unkontrollierte Vermehrung autonomer oder halb-autonomer KI-Werkzeuge in einer Marketingorganisation. Jedes Werkzeug hat seine eigene Daten-Pipeline, seine eigenen Berechtigungskonzepte und seine eigene Output-Logik. Niemand orchestriert sie zentral. Niemand kennt das Gesamtbild. Niemand weiß, welcher Agent welche Information sieht und welche Entscheidung wo getroffen wird.
In der Praxis sieht das so aus: Die Content-Engine generiert einen Artikel. Der SEO-Agent in einem anderen Browser-Tab schlägt Anpassungen vor, die jemand händisch in die CMS-Maske überträgt. Die Personalisierungs-Engine fordert separate Rule-Sets an, die wieder ein anderes Team pflegt. Das Übersetzungs-Tool produziert eine eigene Datei, die wiederum manuell zurück in die Komposition gespielt werden muss. Am Ende ist die Person, die ursprünglich Strategie machen sollte, eine Stunde lang dabei, Tool-Outputs ineinander zu kopieren.
Der Bolt-on-Pattern ist der eigentliche Schuldige. Legacy-DXPs reagieren auf den KI-Druck, indem sie Tools an bestehende Workflows ankleben, statt die Workflows neu zu denken. Jedes "AI-Add-on" ist im Grunde ein zusätzliches Silo, das die ohnehin schon fragile Toolchain weiter belastet.
Eine einfache Faustregel hilft, die Dynamik einzuordnen: Der Koordinationsaufwand wächst nicht linear, sondern quadratisch mit der Anzahl der Tools. Bei zwei Agenten gibt es eine Schnittstelle, bei drei Agenten drei Schnittstellen, bei fünf Agenten zehn Schnittstellen. Jede dieser Schnittstellen ist potenziell ein Übersetzungs-, Format- oder Governance-Problem.
Diese Art von Komplexität wird in Tool-Vergleichstabellen selten sichtbar. Sie taucht erst im Quartalsabschluss auf, wenn Kampagnen länger brauchen als geplant, wenn Personalisierungs-Rollouts ins Stocken geraten, wenn Lokalisierungen verzögert ausgespielt werden, wenn die Compliance-Abteilung plötzlich vier verschiedene Agenten auditieren muss.
Eine weitere Dimension wird häufig unterschätzt: Onboarding. Jeder neue Agent verlangt Schulung. Jede Schulung kostet Zeit. Jede Lernkurve verzögert die Time-to-Value. In Teams mit Fluktuation oder externen Agenturpartnerschaften potenziert sich dieser Effekt. Man baut Wissensinseln auf, die wieder verschwinden, sobald die Person das Team verlässt.
Ein nativer KI-Agent ist nicht einfach ein zusätzliches Tool. Er ist eine architektonische Eigenschaft der Plattform. Das klingt nach Marketing-Sprech, hat aber sehr konkrete operative Konsequenzen.
Erstens: Kontextbewusstsein. Ein nativer Agent kennt die Komponenten, die Datenquellen, die Kompositionen und die Abhängigkeiten der Plattform, weil er Teil der Plattform ist. Er muss sich nicht über eine API-Brücke hangeln, um zu erfahren, welche Variante einer Hero-Komponente in einer Kampagne läuft. Er sieht das einfach.
Zweitens: Einheitliche Governance. Ein nativer Agent erbt die Rollen-, Rechte- und Audit-Mechanismen der Plattform. Wer im DXP nichts veröffentlichen darf, kann es auch über den Agenten nicht. Wer in der Personalisierung nur lesen darf, sieht das in jedem Dialog widergespiegelt. Diese Einheitlichkeit ist nicht nur Compliance-Komfort, sie ist Voraussetzung für skalierbare Enterprise-Nutzung.
Drittens: Persistenter Kontext. Ein nativer Agent vergisst nicht, was er gerade gemacht hat, sobald die Browser-Session schließt. Die Konversation lebt mit dem Projekt weiter. Jede Person, die später dazustößt, kann an dieser Konversation andocken, ohne den ganzen Vorlauf rekonstruieren zu müssen.
Viertens: Workflow-Integration ohne Klebeband. Slack, CI/CD-Pipelines, Editor-Plug-ins. Ein nativer Agent ist überall verfügbar, wo das Team ohnehin arbeitet, statt eine eigene Oberfläche zu erzwingen.
An dieser Stelle wird klar, warum dieses Thema bei Laioutr eine besondere Rolle spielt. Eine composable Architektur ist die strukturelle Voraussetzung dafür, dass ein nativer KI-Agent überhaupt funktionieren kann. Wer in einem monolithischen DXP arbeitet, hat keine sauberen API-Grenzen zwischen Content, Commerce, Personalisierung und Asset-Management. Ohne diese sauberen Grenzen kann ein Agent nicht in einer kontrollierten Weise Aktionen ausführen, weil jeder Eingriff potenziell drei andere Subsysteme stört.
Composable funktioniert anders. Jede Capability PIM, OMS, Search, Cart, Checkout, Content, Personalisierung ist über klar definierte API-Verträge ansprechbar. Ein nativer Agent kann genau die Capabilities orchestrieren, die für eine Aufgabe nötig sind, und sich aus den anderen heraushalten. Das ist die Grundlage für Sicherheit, Auditierbarkeit und vor allem Geschwindigkeit.
Das hat eine zweite Konsequenz: Wer composable arbeitet, kauft sich nicht in eine KI-Lock-in-Situation. Composable bedeutet, einzelne Komponenten austauschbar zu halten. Wenn morgen ein besseres Modell auf den Markt kommt, kann es eingewechselt werden, ohne dass die ganze Plattform aufgerissen werden muss. Das ist ein wesentlicher strategischer Vorteil in einem Markt, in dem sich Modellgenerationen alle paar Monate ablösen.
Wir beobachten in unseren Kundengesprächen einen klaren Schwenk. Marketingorganisationen, die in den letzten zwei Jahren aggressiv KI-Tools eingekauft haben, sind in einer Phase der Konsolidierung angekommen. Das bedeutet nicht, dass sie auf KI verzichten. Im Gegenteil. Sie wollen mehr KI, aber sie wollen sie integriert.
Die Konsolidierung läuft typischerweise in drei Schritten ab. Zuerst werden die Tools inventarisiert und hinsichtlich Nutzung, Governance und Output-Qualität bewertet. Dann werden redundante Funktionen identifiziert und zugunsten einer Plattform-internen Capability eliminiert. Im dritten Schritt wird die verbleibende Toolchain in eine orchestrierte, native Architektur überführt, in der ein Agent zentral handelt und periphere Werkzeuge nur dann zum Einsatz kommen, wenn sie wirklich differenzierenden Mehrwert bringen.
Diese Bewegung ist pragmatisch, nicht ideologisch. Es geht nicht darum, KI zu bremsen. Es geht darum, sie so zu architekturieren, dass sie tatsächlich beschleunigt.
Der Weg aus dem Sprawl beginnt selten mit einer großen Strategie und endet selten mit einer einzigen Plattformentscheidung. In der Praxis sehen wir eher iterative Schritte, die sich gut umsetzen lassen, ohne dass das Tagesgeschäft stillsteht.
Ein guter Startpunkt ist eine ehrliche Bestandsaufnahme. Wie viele KI-Werkzeuge sind im Einsatz? Wer nutzt sie wofür? Welche produzieren Outputs, die woanders manuell weiterverarbeitet werden? Welche generieren Lizenzkosten ohne nachweisbaren Output? Diese Inventur kostet wenig und liefert sofort Argumente für Konsolidierung.
Im zweiten Schritt empfehlen wir eine Job-to-be-done-Analyse. Welche Aufgaben muss der Marketing-Workflow tatsächlich erledigen? Welche dieser Aufgaben profitieren von KI-Unterstützung? Welche profitieren von einer integrierten KI-Capability mehr als von einem isolierten Tool? Aus dieser Analyse ergibt sich automatisch, welche Bolt-ons zuerst aufgelöst werden sollten.
Drittens lohnt es sich, gezielt mit composable Pilotprojekten zu starten. Statt die gesamte Plattform auf einmal zu transformieren, lässt sich ein abgegrenzter Workflow auswählen, etwa eine Kampagnenseite mit Lokalisierung und Personalisierung, und vollständig in einer nativen, orchestrierten Umgebung umsetzen. Die Ergebnisse aus diesem Pilot sind in der Regel überzeugend genug, um die nächsten Schritte zu rechtfertigen.
Die produktivsten Marketing-Teams, die wir begleiten, fragen nicht mehr, wie viele KI-Agenten sie betreiben. Sie fragen, wie ein einziger, gut orchestrierter Agent eingebettet sein muss, damit er die gesamte Wertschöpfungskette unterstützt. Das ist ein Mindset-Shift, der sich finanziell und operativ messbar auswirkt.
Die richtige Architektur ersetzt keine Strategie. Sie ist die Voraussetzung dafür, dass Strategie überhaupt skaliert werden kann. Wer KI im Marketing einsetzt, sollte sie nicht als zusätzlichen Mitarbeiter behandeln, der nebenbei läuft, sondern als integralen Bestandteil der Plattform, auf der das Team ohnehin arbeitet.
KI-Agenten im Marketing sind kein Selbstzweck. Wer sie isoliert einsetzt, läuft Gefahr, dieselben Reibungsverluste zu produzieren, die man mit ihnen eigentlich beseitigen wollte. Wer sie hingegen in eine composable, orchestrierte Architektur einbettet, gewinnt nicht nur Geschwindigkeit, sondern auch Steuerbarkeit, Auditierbarkeit und strategische Optionalität.
Die nächste Welle wird nicht von Teams gewonnen, die die meisten Agenten betreiben. Sie wird von Teams gewonnen, die die richtige Architektur betreiben. Eine Plattform, ein orchestrierter Agent, ein Workflow. Genau dort, wo das Marketing-Team sowieso schon arbeitet.
Mehr Agenten bedeuten mehr Schnittstellen, mehr Output-Formate, mehr Governance-Modelle und mehr manuelle Übersetzungsarbeit. Die Koordinationskosten wachsen schneller als der Produktivitätsgewinn, weil jede Schnittstelle Reibung erzeugt.
Ein nativer Agent ist Teil der Plattformarchitektur. Er kennt Komponenten, Datenquellen und Workflows aus erster Hand und arbeitet mit denselben Rollen- und Rechte-Mechanismen wie der Rest der Plattform. Bolt-on-Tools werden über APIs angedockt und benötigen separate Onboarding-, Governance- und Output-Brücken.
Composable ist nicht zwingend, aber stark begünstigend. Saubere API-Grenzen zwischen Capabilities sind die Voraussetzung dafür, dass ein nativer Agent gezielt orchestrieren kann, ohne andere Subsysteme zu stören. Ohne diese Grenzen bleibt KI im Marketing meist auf isolierte Tools beschränkt.
Beginne mit einer ehrlichen Bestandsaufnahme aller im Einsatz befindlichen KI-Tools, dokumentiere ihre tatsächliche Nutzung und identifiziere redundante oder nicht produktive Werkzeuge. Wähle anschließend einen abgegrenzten Workflow für ein composable Pilotprojekt, in dem du die Vorteile einer nativen Architektur in der Praxis demonstrieren kannst.
Zeig uns Deinen Stack, Deine Roadmap, Dein Replatforming-Szenario, wir zeigen Dir, wie Laioutr passt, was es kostet und wie schnell ihr live geht.
"Nach 30 Minuten wussten wir, dass Laioutr unser Replatforming machbar macht." - Daniel B., CEO, hygibox.de