AI 2.0: McKinsey-Rahmen und Positionless Marketing

Der antike Dichter Archilochus formulierte vor Jahrtausenden einen Satz, der heute in Führungsliteratur und Trainingsprogrammen wieder auftaucht: Wir steigen nicht auf die Höhe unserer Erwartungen, sondern fallen auf das Niveau unserer Vorbereitung. Genau dort stehen viele Marketingteams im Umgang mit Künstlicher Intelligenz: Die Erwartungen an Wachstum, Personalisierung und Effizienz sind hoch, die organisatorische Reife oft noch dünn. Jeder Anbieter wirbt mit KI-Funktionen, jede Konferenz mit Keynotes – doch die Frage lautet nicht mehr primär, welches Tool man kaufen soll, sondern ob man den Wert der bereits investierten Lösungen überhaupt hebt.

Laut Gartner fließen im Schnitt 15,3 Prozent des Marketingbudgets in KI, während nur etwa 30 Prozent der Organisationen eine ausgereifte oder voll entwickelte KI-Bereitschaft melden. Das Budget ist da, die Umsetzung hinkt hinterher. Diese Lücke beschreibt die Überforderung vieler CMOs im Jahr 2026 und macht den strategischen Fokus klar: vom Tool-Kauf zur messbaren Wertschöpfung.

Eine im Auftrag von Optimove veröffentlichte Forrester-Studie aus Mai 2025 („Accelerating Marketing Impact Through AI And Agile Workflows“) zeigt dasselbe Muster. Nur 39 Prozent der Befragten nutzen KI für Content-Erstellung, 37 Prozent für Kampagnen-Workflows und lediglich 14 Prozent für den Aufbau von Zielgruppensegmenten. Gerade dort, wo der Business-Impact am größten wäre, ist die Adoption am geringsten – ein klassisches Zeichen für isolierte Piloten statt durchgängiger Transformation.

Die McKinsey-Diagnose: sechs Fähigkeiten statt Einzelprojekte

Im überarbeiteten Buch „Rewired: How Leading Companies Win with Technology and AI“ argumentieren McKinsey-Autoren, dass die meisten Unternehmen KI falsch angehen: Sie verwechseln Experimente mit Transformation, jagen Einzelinitiativen hinterher und erzielen keinen messbaren Mehrwert, weil sie Betriebsmodelle, Daten und Adoption nicht mitziehen. Für Marketingverantwortliche lässt sich die These direkt übersetzen: Ohne Rewiring der Organisation bleibt jede KI-Funktion ein Insellösung.

McKinsey nennt sechs Unterscheidungsmerkmale erfolgreicher Unternehmen:

• Transformations-Roadmap: Jede Digital- und KI-Initiative muss sich in finanzielle Ziele und die P&L zurückführen lassen.
• Talent-Bank: Führungskräfte intern in Tech und KI qualifizieren statt Kernkompetenzen dauerhaft auszulagern.
• Operating Model: Weg vom Wasserfall hin zu produkt- und plattformbasierten Teams aus Technik und Fachbereich.
• Verteilte Technologie: Modulare, API-fähige Architekturen statt monolithischer Engpässe.
• Data everywhere: Gouvernierte, hochwertige Datenprodukte für viele Teams – nicht E-Mail mit CSV-Anhängen.
• Adoption und Skalierung: Veränderung der Arbeitsweise durch Change Management, nicht nur Schulungsvideos.

Ehrliche Marketingorganisationen finden Lücken in mindestens drei dieser sechs Bereiche – das ist kein Scheitern, sondern der Ausgangspunkt für AI 2.0.

Von AI 1.0 zu AI 2.0: Produktivität versus Outcomes

AI 1.0 war die Produktivitätsära: schneller schreiben, generieren, zusammenfassen, ausführen. Teams, die das sauber umsetzten, beschleunigten Kampagnen und trafen Kunden im richtigen Moment. AI 2.0 misst Erfolg anders – nicht primär gesparte Zeit, sondern Umsatz, Conversion, Retention und tiefere Kundenbeziehungen.

Gartner bestätigt die Diskrepanz: Nur etwa jeder dritte CMO sieht die erwarteten Renditen aus KI-Investitionen. Viele messen noch Effizienz und Geschwindigkeit; leistungsstarke CMOs priorisieren Geschäftsergebnisse und KPIs wie Conversion Rates oder Customer Satisfaction neben reinen Zeitgewinnen.

Die Überforderung zeigt sich im Alltag: Teams testen dutzende Tools parallel, ohne gemeinsame Datenbasis. Kampagnen starten schneller, doch Lernkurven aus Experimenten landen selten in einem zentralen Playbook. Genau deshalb wiederholen Organisationen Fehler – etwa zu enge Segmente, die niemand pflegt, oder Content-Automation ohne Qualitätsgate. AI 2.0 verlangt deshalb Governance: Wer darf Modelle füttern, welche KPIs gelten, und wie werden Ergebnisse in der P&L sichtbar?

Für SEO- und Growth-Teams bedeutet das einen Perspektivwechsel: Sichtbarkeit in Suchmaschinen und KI-Oberflächen bleibt wichtig, aber Erfolg wird an Umsatz- und Bindungsmetriken gemessen. Personalisierung ohne saubere Daten und Adoption verpufft – unabhängig davon, ob der Kanal organisch, paid oder CRM-gesteuert ist. Positionless Marketing macht diese Verzahnung explizit: Fachdisziplinen arbeiten auf gemeinsamen Outcomes, nicht auf isolierten Effizienzkennzahlen.

Positionless Marketing: der nächste Schritt

Der Leitsatz „AI 1.0 saved time. AI 2.0 makes money“ bringt die Verschiebung auf den Punkt. Gewinner im AI-2.0-Zeitalter sind „positionless“: Sie denken nicht mehr in starren Rollen- oder Kanalsilos, sondern orchestrieren Kundenführung, Daten und Automatisierung über Touchpoints hinweg. Ein Positionless Marketer verbindet Strategie, Aktivierung und Messung – unterstützt durch Plattformen, die KI nicht nur als Schreibassistent, sondern als Motor für Segmentierung, Journey-Steuerung und Outcome-Reporting einsetzen.

Optimove positioniert sich genau in dieser Lücke zwischen McKinsey-Framework und Alltagsrealität der Teams: Weg von punktuellen KI-Features hin zu durchgängigen Workflows, in denen agile Marketingprozesse und KI-gestützte Entscheidungen zusammenlaufen. Wer heute nur Effizienzreporting liefert, riskiert, dass das Budget für AI 2.0 an anderer Stelle abfließt. Wer Roadmap, Daten, Operating Model und Adoption gemeinsam denkt, kann die 15,3 Prozent Budgetanteil in nachweisbaren Impact verwandeln.

Checkliste für Marketingführung

Prüfen Sie, ob jede laufende KI-Initiative einen klaren Outcome-Pfad hat. Erhöhen Sie die Adoption bei Segmentierung und Kampagnen-Workflows – dort liegt laut Forrester der größte Hebel. Bauen Sie internes KI-Know-how auf statt nur Tools zu mieten. Und definieren Sie, was „Positionless“ in Ihrer Organisation konkret heißt: gemeinsame Daten, gemeinsame Ziele, gemeinsame Messung – unabhängig vom Kanal.