Anderthalb Jahre nachdem das Model Context Protocol als De-facto-Standard für die Anbindung von Agenten an Tools und Datenquellen akzeptiert wurde, lohnt sich eine ernüchterte Zwischenbilanz. Nicht die euphorische — die kennt jeder aus den Keynotes. Sondern die aus der Warte einer Person, die in DACH-Marketing-Mandaten regelmäßig die Aufräumarbeit macht, wenn ein Agent-Setup nicht das leistet, was das Team-Deck versprochen hat.
Meine These, verkürzt: Agenten liefern 2026 zuverlässig in drei Anwendungs-Klassen und scheitern reproduzierbar in zwei. Der Unterschied liegt fast nie beim Modell — Claude Sonnet 4.5, GPT-4.5, Gemini 3 sind für die Marketing-Nutzung alle vergleichbar kompetent. Der Unterschied liegt an der Ground-Truth-Struktur der Aufgabe. Wo es eine gibt, funktionieren Agenten; wo sie fehlt, halluzinieren sie strukturiert und die Rechnung wächst schneller als die Ergebnisqualität.
Diese Notiz ist die Landkarte, die ich Mandantinnen und Mandanten heute vor jedem Agent-Rollout gebe, damit sie die Investition dort platzieren, wo sie zurückkommt — und dort blockieren, wo sie es 2026 noch nicht tut.
Was MCP-Server wirklich verändert haben.
Vor der MCP-Standardisierung war jede Agent-zu-Tool-Verbindung eine Custom-Integration. Ein Team mit fünf Tools und drei Agenten hatte fünfzehn potenzielle Anbindungen, jede eigen instrumentiert, jede eigen zu warten. Der Aufwand hat den Nutzen aufgefressen.
MCP ändert das strukturell. Ein Tool wird einmal als MCP-Server exponiert und ist danach von jedem MCP-fähigen Agenten aus nutzbar — Read-, Write- und Query-Operationen mit einheitlichen Handshake- und Typ-Regeln. HubSpot als MCP-Server, Notion als MCP-Server, das interne CMS als MCP-Server: der Marketing-Stack wird lesbar für alle Agenten gleichermaßen.
Der Effekt ist unspektakulär, aber substanziell: Aufsetz-Zeit für einen neuen Marketing- Agenten sinkt von Wochen auf Tage. Der Grund ist nicht smarter Code, sondern weggefallene Übersetzungs-Arbeit. Das ist wichtig, weil es das „sollte funktionieren"-Setup wirtschaftlich macht — man kann heute Agenten für Aufgaben aufsetzen, die vor 18 Monaten die Custom-Integration nicht gerechtfertigt hätten.
Klasse 1: Research-Agenten. Zuverlässig.
Research-Agenten sind die Klasse, in der ich am wenigsten Zeit mit Aufräumen verbringe. Aufgabe: „Sammle für diesen Wettbewerber die letzten 12 Wochen Presseerwähnungen, LinkedIn-Aktivität, Produkt-Ankündigungen und aggregiere in ein Briefing." Oder: „Prüfe für dieses fünfseitige Positionspapier, ob die zitierten Statistiken aktuell sind und aus welchen Primärquellen sie stammen."
Das funktioniert, weil die Ground-Truth extern ist. Der Agent kann Sekundär-Quellen prüfen und gegen die Primärquelle validieren, mit einer klaren Passfehler-Regel (Quelle nicht auffindbar, Datum älter als N Monate, Aussage entspricht nicht dem Original). Der Reward ist maschinell messbar: entweder die Quelle bestätigt, oder sie tut es nicht.
Praxis-Metrik, die ich empfehle: setzt eine Fußnoten-Dichte-Anforderung fest. Ein Research-Ergebnis, das weniger als eine externe Quelle pro Kern-Aussage enthält, wird automatisch als „unvollständig" markiert und in eine zweite Runde geschickt. Das drückt die Halluzinationsrate ohne Modell-Wechsel um typisch 40–60 %.
Klasse 2: Reporting-Agenten. Messbar.
Reporting-Agenten transformieren strukturierte Daten in narrative Zusammenfassungen. Der monatliche Marketing-Report, das Sales-Pipeline-Update, die Content-Performance-Notiz an das Führungsteam. Die Daten kommen aus HubSpot, GA4, LinkedIn Sales Navigator, Salesforce — jeweils per MCP angebunden. Der Agent aggregiert, gewichtet, formuliert.
Was funktioniert: der Agent hat eine harte Ground-Truth in Form der Rohdaten. Zahlen stimmen oder stimmen nicht. Wer den Report gegen ein simples SQL-Statement laufen lässt („zeig mir Netto-Neu-Pipeline vom letzten Monat, gegen dem Report-Wert"), findet Fehler in Minuten. Bei den drei Setups, die ich in laufenden Mandaten betreue, liegt die Zahlen-Übereinstimmung zwischen Agent-Report und Rohdaten bei 99,6 %, 99,8 % und 100 %.
Was nicht zuverlässig funktioniert: die narrative Interpretation der Zahlen. „Warum ist Pipeline im Juni gefallen?" bekommt vom Agenten oft die drei am besten klingenden Hypothesen — nicht die vom Team validierten Ursachen. Fix: Report-Templates strikt trennen in Zahlen-Sektion (Agent) und Ursachen-Sektion (Mensch, mit Rückgriff auf Agent als Recherche-Assistent).
Klasse 3: Review-Agenten. Verbesserbar mit Guardrails.
Review-Agenten prüfen bestehenden Content gegen definierte Kriterien. Wird die Corporate- Language eingehalten? Sind die claim-belegten Fakten aktuell? Verletzt das Statement eine Sperrfrist-Regel? Hat der Text Deutschland-spezifische rechtliche Formulierungen die im österreichischen Kontext geändert werden müssen?
Diese Klasse funktioniert, sobald die Kriterien-Liste schriftlich vorliegt. Das klingt trivial, ist aber der häufigste Failure-Mode: Teams starten Review-Agenten mit „prüf's mal ob's passt" statt mit einer 12-Punkte-Checkliste. Ohne die Liste halluziniert der Agent Kriterien aus dem Standard-Prompt-Wissen — mit merkwürdig wechselnden Ergebnissen zwischen Läufen.
Praxis-Empfehlung: der erste Rollout eines Review-Agenten ist die schriftliche Kriterien-Liste, nicht das Prompting. Wenn die Liste steht, dauert das Prompting eine Stunde. Wenn sie fehlt, entstehen sechs Wochen Debugging aus dem Nichts.
Grenzfall, den ich oft sehe: subjektive Kriterien wie „ist die Tonalität an unser Brand-Voice angepasst?". Das kann ein Agent lernen, wenn ihr ihm 30 bis 50 zurückliegende, Brand-Voice-konforme Beispiele als Referenz reingebt — nicht als System-Prompt-Text, sondern als expliziter Reference-Corpus. Ohne diesen Corpus produziert er den generischen LinkedIn-Optimismus, der euer Brand-Voice gerade nicht ist.
Klasse 4: Freie Werbe-Copy. Brüchig.
Und jetzt zu den zwei Klassen, wo Agenten 2026 zuverlässig scheitern. Die erste: freie Werbe-Copy für Kampagnen. Meine Beobachtung aus fünf laufenden Mandaten: die besten Modelle produzieren Copy, die im internen Team gefällt, in der Live-Kampagne aber 15–35 % schlechter performt als Copy von Menschen mit Kunden-Kontakt.
Der Grund ist strukturell und keine Verbesserung durch besseres Prompting: es fehlt der Feedback-Loop mit echter Ground-Truth. Ein Mensch, der Kampagnen-Copy schreibt und wöchentlich CTR- und Conversion-Daten sieht, korrigiert sein internes Modell. Ein Agent, der Copy generiert und nur die A/B-Winner-Zahl zurückbekommt, kann daraus nicht allgemein besseres Marketing lernen — die Signal-Dichte pro Beispiel ist zu niedrig.
Was doch geht: Agenten als Copy-Vorschlags-Generator für den menschlichen Copywriter. Der Mensch nimmt drei Agent-Vorschläge, ändert einen zu 60 % um und liefert. Der Zeitgewinn beträgt 30–50 %. Die Copy-Qualität bleibt vergleichbar zur reinen Menschen-Copy. Der Agent ist Hilfsmittel, nicht Autor.
Klasse 5: Personalisierte Ad-Selection. Nicht 2026.
Die zweite Klasse, in der ich 2026 aktiv abrate: agentische Ad-Selection auf Profil-Basis. Idee: Agent liest User-Profil aus CRM oder Cookie-Segment, entscheidet welche der zwölf Ad-Varianten dem User gezeigt werden. Klingt sinnvoll, ist aus mehreren Gründen ein Fehler zum aktuellen Zeitpunkt.
Grund eins ist Compliance. Der EU AI Act klassifiziert automatisierte Entscheidungen, die spezifische Werbung auf Basis von Profilinformationen selektieren, potenziell als Limited Risk mit Transparenzpflicht. Wenn der Agent dabei Profilinformationen verwendet, die Rückschlüsse auf Gesundheit, politische Meinung oder ethnische Herkunft erlauben, wird's schnell High Risk mit Zulassungspflicht. Die österreichische Datenschutzbehörde und das EU AI Office schauen 2026 an genau dieser Stelle hin.
Grund zwei ist erneut das Ground-Truth-Problem. Der Agent optimiert im Zweifel auf CTR, weil das die einfachste zurückfließende Metrik ist. CTR-Maximierung ohne Conversion-Feedback führt zu Clickbait-Copy, die kurzfristig gut aussieht und mittelfristig Marken-Erosion produziert. Wer den Agenten auf Conversion optimieren lassen will, braucht saubere First-Party-Attribution — und die haben in 2026 die wenigsten Marketing-Teams sauber.
Grund drei ist Erklärbarkeit. Wenn der Vertrieb fragt „warum hat der Kunde die Insurance-Variante gesehen und nicht die Retail-Variante?" ist die Antwort „weil die Vector-Similarity zwischen Profil-Embedding und Insurance-Copy-Embedding höher war" für keine Compliance-Auditorin akzeptabel. Manuell definierte Segmente mit dokumentierten Regeln sind langweiliger und funktionieren 2026 besser.
Das Ground-Truth-Problem, in einer Zeile.
Wenn ihr euch für eine einzige Faustregel merken wollt: Agenten funktionieren dort, wo die Aufgabe eine externe, maschinell prüfbare Ground-Truth hat. Research (Quelle bestätigt oder nicht). Reporting (Zahl stimmt oder nicht). Review mit Checkliste (Kriterium erfüllt oder nicht).
Agenten scheitern dort, wo die Ground-Truth entweder subjektiv ist (was ist gute Copy), durch soziale Rückkopplung entsteht (was performt in der Kampagne), oder regulatorische Erklärbarkeit erfordert (warum diese Ad-Selection). In diesen Fällen sind Agenten Hilfsmittel für Menschen, nicht Ersatz.
Diese eine Zeile ist der Grund, warum ich in Erstgesprächen 2026 die erste Frage stelle: „Für welche Aufgabe wollt ihr den Agenten einsetzen — und was ist die maschinelle Prüfregel, mit der ihr messt, ob er sie richtig gemacht hat?" Wenn auf die zweite Hälfte der Frage keine schnelle Antwort kommt, ist der Rollout noch nicht bereit.
Was diese Woche noch passieren sollte.
- Nehmt eure drei aktuellen oder geplanten Agent-Rollouts. Für jeden: welche Klasse aus dieser Notiz? Wenn es Klasse 4 oder 5 ist, stoppt und überdenkt neu — als Copy-Vorschlags-Modus (Klasse 4) oder als menschlich-definierte Segment- Zuordnung (Klasse 5) statt agentischer Selektion.
- Für die Klasse-1-Rollouts: definiert eine Fußnoten-Dichte-Anforderung und macht die zweite Runde bei Nicht-Erreichung automatisch. Halluzinationen fallen messbar.
- Für die Klasse-2-Rollouts: trennt Report-Templates strikt in Zahlen-Sektion (Agent) und Ursachen-Sektion (Mensch). Automatisierte Ursachen-Analyse ohne validierte Ursachen ist schöner Text ohne Aussagekraft.
- Für die Klasse-3-Rollouts: schriftliche Kriterien-Liste als Zulassungs- Bedingung fürs Live-Setup. Ohne Liste kein Rollout — auch wenn's technisch schon läuft.
Diese Notiz basiert auf zusammengefasstem Muster aus fünf laufenden DACH-Marketing- Mandaten. Wenn ihr eine konkrete Klassifizierung eurer eigenen Agent-Roadmap wollt: Erstgespräch — 30 Minuten reichen für eine erste Landkarte. Falls ihr bereits Class-4- oder Class-5-Setups habt, die schmerzen, kommen wir schneller zu einer Ausstiegs-Strategie als zu einer Verbesserung.