KI für B2B-Marketing-Inhalte: ChatGPT oder Jasper, die KI Ihrer Plattform oder Agenten auf Basis freigegebener Fakten

Bitten Sie ein KI-Tool um eine Fallstudie, und schon nach kurzer Zeit liegt ein flüssig formulierter Entwurf vor. Er kann aber auch eine Einsparung enthalten, die nie ein Kunde gemeldet hat. Es gibt drei Wege, KI für B2B-Artikel, Posts, E-Mails und Verkaufsseiten zu nutzen. Sie können einen allgemeinen Assistenten oder ein Schreibtool verwenden oder die KI in der Marketingplattform, für die Sie ohnehin bezahlen. Der dritte Weg sind mehrere Agenten, die aus einer einzigen Basis freigegebener Unternehmensfakten recherchieren, schreiben und prüfen, wobei ein Mensch freigibt, was nach außen geht. Der erste oder zweite Weg kann genügen. Auf jedem Weg hängt das Ergebnis von zwei Dingen ab, die Sie selbst einrichten: einer schriftlichen Liste freigegebener Fakten und einer namentlich benannten Person, die freigibt.

Was geht schief, wenn KI Marketing-Inhalte schreibt?

Das erste Problem ist ein selbstsicher formulierter Fakt, den niemand dem Modell gegeben hat. In der Dokumentation von Anthropic heißt es: „Selbst die fortschrittlichsten Sprachmodelle wie Claude können manchmal Text erzeugen, der sachlich falsch ist oder im Widerspruch zum gegebenen Kontext steht.“ Googles Hinweise für Websiteinhaber erklären, warum: „Generative Modelle rufen keine Fakten ab, sondern sagen auf Grundlage ihrer Trainingsdaten eine wahrscheinliche Wortfolge vorher.“ In Marketingtexten heißt das: ein Prozentwert, ein Kundenname, ein Zertifikat oder eine Funktion, die richtig klingt und keine Quelle hat.

Derselbe Mechanismus schadet Ihrer Markenstimme. Ohne eigenes Material und eigene Regeln ist die wahrscheinliche Formulierung meist die, die alle verwenden, und Ihre Posts können allmählich wie die Ihrer Wettbewerber klingen. Google warnt außerdem, dass „die Verwendung von Tools für generative KI oder anderen ähnlichen Tools, um viele Seiten ohne Mehrwert für Nutzer zu erzeugen, gegen Googles Spamrichtlinie zum Missbrauch skalierter Inhalte verstoßen kann.“

Dann gibt es noch die Aussage, die niemand freigegeben hat. Der britische Kodex für Werbung außerhalb des Rundfunks, der CAP Code, sagt: „Werbetreibende müssen dokumentierte Nachweise vorhalten, um Aussagen zu beweisen, die Verbraucher wahrscheinlich als objektiv ansehen und die sich objektiv belegen lassen.“ Er verlangt außerdem einen Nachweis, „dass ein in einer Marketingkommunikation verwendetes Testimonial oder eine Empfehlung echt ist“, und ein Kundenzitat, das ein Modell erfunden hat, besteht diesen Test nicht. Für US-Broker-Dealer stellt die FINRA fest: „Firmen sind für ihre Kommunikation verantwortlich, unabhängig davon, ob sie von einem Menschen oder von KI-Technologie erzeugt wird.“

Diese Probleme landen bei den Lesern, wenn niemand für die letzte Prüfung verantwortlich ist. Wenn der Autor dem Redakteur vertraut und der Redakteur dem Tool, hat niemand die Zahlen gelesen.

Was bietet Ihnen ein Schreibtool wie ChatGPT oder Jasper?

Der erste Weg ist ein allgemeiner Assistent wie ChatGPT oder Claude oder ein Schreibtool für Unternehmen wie Jasper oder Writer. Anthropic sagt, mit Projekten in Claude „können Sie in sich geschlossene Arbeitsbereiche mit eigenen Chatverläufen und Wissensdatenbanken anlegen“, mit Anweisungen, die einen Ton vorgeben können.

Ein allgemeiner Assistent kann sogar einen einfachen Faktencheck übernehmen. Ein Beispiel-Prompt in der Dokumentation von Anthropic bittet um eine Pressemitteilung „ausschließlich mit Informationen aus diesen Produktbriefings und Marktberichten“. Dann heißt es weiter: „Wenn Sie für eine Aussage kein belegendes Zitat finden, entfernen Sie diese Aussage aus der Pressemitteilung“. Jedes Team kann dieses Muster mit seinem eigenen Faktenblatt übernehmen, und für ein kleines Team ist das womöglich schon alles, was es braucht.

Die Grenzen ergeben sich daraus, wie Menschen diese Tools nutzen. Jeder Autor hat seine eigenen Prompts und Dateien, also schreibt der eine nach dem Faktenblatt dieses Quartals und der andere nach dem des letzten Jahres. Sofern Sie das nicht einrichten, hält nichts fest, woher eine Aussage stammt, und nichts verhindert, dass ein ungelesener Entwurf nach außen geht. Einstellungen können außerdem wirkungslos bleiben, bis jemand sie verknüpft. Das Hilfecenter von Writer warnt: „Damit Ihr Styleguide und Ihre Begriffe für Ausgaben gelten, die in WRITER Agent erzeugt werden, müssen Sie sie zuerst mit dem Voice-Profil verbinden.“ Auch die Tarife begrenzen, was Sie hinterlegen können: Der Pro-Tarif von Jasper nennt „2 Brand Voices, 5 Knowledge assets und 3 Audiences“.

Was bringt die KI Ihrer Marketingplattform zusätzlich, und wo hört sie auf?

Der zweite Weg nutzt KI, die womöglich schon Teil eines Tools ist, für das Sie bezahlen. Auf der Hilfeseite von HubSpot heißt es: „Nutzen Sie die KI-Tools von HubSpot, um generierte oder geschriebene Inhalte an die spezifische Stimme Ihrer Marke anzupassen.“ Die Produktseite nennt einen Content Agent mit dem Satz „Erstellen Sie Blogbeiträge, Social-Media-Inhalte und Landingpages in Ihrer Markenstimme.“ Adobe GenStudio for Performance Marketing vergibt für jeden Entwurf den Wert „Percentage of compliance with your Brand“, gemessen daran, wie viele Ihrer Richtlinien er erfüllt. Für Einzelbildanzeigen im Campaign Manager sagt LinkedIn, dass es „mehrere Anzeigenvarianten erzeugen kann, darunter Überschriften, Einleitungstexte und vorgeschlagene Visuals.“

Die Entwürfe entstehen dann dort, wo Inhalte geplant und gemessen werden, mit Nutzerrechten, die Sie bereits verwalten. Der Nachteil ist der enge Blickwinkel. Jede Plattform hat ihre eigenen Inhalte und Einstellungen, sodass die Fakten in Ihren HubSpot-E-Mails und Ihren LinkedIn-Anzeigen auseinanderdriften können. Freigabefunktionen erfordern unter Umständen einen höheren Tarif. HubSpot sagt: „Für den Zugriff auf die Freigabeeinstellungen für bestimmte Inhaltstypen ist ein Enterprise-Abonnement erforderlich“, und außerdem: „Super-Admins können Freigaben überspringen.“

Ein Marken-Score zählt, wie viele Richtlinien ein Entwurf einhält. Ob eine Zahl im Text stimmt, ist eine eigene Prüfung. Fragen Sie also, womit die Plattform Aussagen vergleicht. Bei Funktionen, die Plattformen inzwischen Agenten nennen, fragen Sie, woher die Fakten stammen und wer das Ergebnis freigibt.

Was bringen Agenten, die mit freigegebenen Fakten arbeiten, und was kosten sie?

Ein Agenten-Setup verteilt die Arbeit auf mehrere KI-Agenten. Anthropic beschreibt Agenten als „in der Regel einfach LLMs, die in einer Schleife Tools auf Grundlage von Rückmeldungen aus ihrer Umgebung verwenden.“ LLM steht für Large Language Model, ein großes Sprachmodell, und Tools sind Funktionen, die das Modell aufrufen kann, etwa eine Websuche oder ein Dokumentenspeicher. Ein Agent sammelt Quellen zu einem Thema, ein anderer schreibt auf Basis der freigegebenen Fakten und Stilregeln einen Entwurf. Ein Prüfagent vergleicht dann jede Aussage mit den Fakten und markiert, was er nicht zuordnen kann. Ein Mensch gibt den Beitrag frei oder lehnt ihn ab, und das System hält fest, wer es war.

Der Prüfschritt folgt einem Muster, das Anthropic Evaluator-Optimizer nennt: „Ein LLM-Aufruf erzeugt eine Antwort, während ein anderer in einer Schleife Bewertung und Feedback liefert.“ Anthropic schreibt außerdem, dass Agenten „dann an Checkpoints oder bei Hindernissen für menschliches Feedback pausieren können.“

Dieses Setup kann sich lohnen, wenn das Volumen an Inhalten hoch ist. Jeder Kanal und jede Sprache greift auf denselben Satz an Fakten zurück, und der Prüfer sieht, welche Aussagen kontrolliert wurden. Es macht aber auch Arbeit. Anthropic, das Modelle für solche Systeme verkauft, rät dazu, „die einfachste mögliche Lösung zu finden und die Komplexität nur bei Bedarf zu erhöhen. Das kann bedeuten, überhaupt keine agentischen Systeme zu bauen.“ Jemand muss die Faktenbasis aktuell halten, die Agenten pflegen, die Modellnutzung bezahlen und sich um die Markierungen kümmern. Wenn ein Autor und ein Redakteur Ihr Volumen bewältigen, bringt Ihnen diese Arbeit wenig.

Was gehört in eine Faktenbasis freigegebener Aussagen?

Eine Faktenbasis ist die Liste der Aussagen, auf die sich Ihr Unternehmen für die Öffentlichkeit verständigt hat, jede mit ihrem Beleg. Führen Sie eine einzige Liste, die jeder Autor und jedes Tool liest. Halten Sie zu jeder Aussage fest:

• den genauen Wortlaut, damit Autoren und Modelle ihn übernehmen, statt ihn umzuformulieren;
• den Beleg: ein Dokument, eine Zahl mit dem Datum ihrer Messung oder die Person, die die Aussage bestätigt hat;
• wo sie verwendet werden darf, zum Beispiel auf der Website und in Vertriebs-E-Mails, aber nicht in bezahlten Anzeigen;
• das Ereignis, das sie erneut zur Prüfung schickt, etwa eine Preisänderung oder ein Kunde, der seine Zustimmung zurückzieht.

Nehmen Sie die Wörter auf, die das Unternehmen nie verwendet, etwa risikofrei oder vollständig sicher. Kundennamen, Logos und Zitate kommen nur mit schriftlicher Zustimmung auf die Liste.

Beginnen Sie mit den Aussagen, die Ihr Vertriebsteam am häufigsten wiederholt. Enthält ein Entwurf eine Aussage, die nicht auf der Liste steht, wartet der Entwurf, bis die Aussage freigegeben oder entfernt ist.

Wie schreiben wir Stilregeln, an die sich ein Modell hält?

Stilregeln funktionieren, wenn jemand einen Entwurf daran prüfen kann. Adjektive wie freundlich oder professionell lassen sich nicht prüfen. Regeln wie diese lassen sich prüfen:

• Sprechen Sie den Leser mit Sie an und schreiben Sie über das Unternehmen in der Wir-Form.
• Ein Gedanke pro Satz und kein Satz länger als zwei Zeilen.
• Eine Zahl mit ihrer Einheit statt eines Adjektivs wie schnell oder leistungsstark.
• Sagen Sie genauso klar, was das Produkt nicht leistet, wie das, was es leistet.
• Verbotene Wörter, jeweils mit dem Wort, das stattdessen zu verwenden ist.

Geben Sie jeder Regel ihre Begründung und zwei Zeilen aus Ihren eigenen bisherigen Inhalten mit: eine, die sie befolgt, und eine, die gegen sie verstößt. Im Prompting-Leitfaden von Anthropic heißt es: „Beispiele sind einer der zuverlässigsten Wege, Ausgabeformat, Ton und Struktur von Claude zu steuern.“ Halten Sie die Liste kurz. Für redaktionelle Regeln in GenStudio empfiehlt Adobe 5 bis 10 Richtlinien und verlangt „klare und umsetzbare Vorgaben“, zum Beispiel „Halten Sie Sätze unter 20 Wörtern“ statt „Fassen Sie sich kurz“.

Testen Sie die Regeln, bevor Sie sich auf sie verlassen. Bitten Sie einen Kollegen, den KI-Entwurf aus einer Auswahl herauszufinden, die auch Ihre eigenen veröffentlichten Beiträge enthält.

Wer prüft einen Entwurf, bevor er nach außen geht, und in welcher Reihenfolge?

Schreiben Sie die Reihenfolge auf und halten Sie sie auf jedem Weg gleich. Zuerst kommt ein Faktencheck anhand der freigegebenen Liste, durch eine Person oder einen Prüfagenten. Dann vergleicht ein Redakteur den Entwurf mit den Stilregeln. Aussagen zu Recht, Sicherheit, Preisen, Kundenergebnissen oder Finanzprodukten gehen an die Rechtsabteilung oder die Compliance. Zuletzt gibt eine namentlich benannte Person die endgültige Fassung frei, und der Nachweis zeigt, wer was wann freigegeben hat. Geben Sie dieser Person die Aussagen mit ihren Quellen und allen Markierungen, damit die Prüfung schnell geht.

Manche regulierten Firmen arbeiten bereits so. FINRA Rule 2210 besagt: „Ein entsprechend qualifizierter registrierter Principal des Mitglieds muss jede Kommunikation an Privatkunden freigeben, bevor sie verwendet oder beim Advertising Regulation Department der FINRA eingereicht wird, je nachdem, was zuerst geschieht“. Diese Regel gilt für Broker-Dealer, die Mitglied der FINRA sind, und nennt Ausnahmen, doch jedes Unternehmen kann ihre Logik übernehmen und nichts ohne Freigabe veröffentlichen.

Was fügen wir in KI-Tools ein, und was machen die Anbieter damit?

Entwürfe können auf Material beruhen, das noch nicht öffentlich ist, etwa eine Preisänderung oder die Ergebnisse eines Kunden. Bevor jemand es einfügt, prüfen Sie, welchen Tarif die Person nutzt und was der Anbieter nach eigener Aussage mit den Daten macht.

Die Bedingungen unterscheiden sich je nach Tarif. Anthropic sagt, dass es standardmäßig „Ihre Eingaben oder Ausgaben aus unseren kommerziellen Produkten nicht verwenden“ wird, um seine Modelle zu trainieren. Seine Verbrauchertarife geben Nutzern „die Wahl, zuzulassen, dass ihre Daten zur Verbesserung von Claude verwendet werden“, sodass ein Autor mit einem privaten Konto womöglich unter anderen Bedingungen arbeitet. OpenAI sagt: „An die OpenAI API gesendete Daten werden nicht verwendet, um OpenAI-Modelle zu trainieren oder zu verbessern (es sei denn, Sie stimmen ausdrücklich zu, Daten mit uns zu teilen).“ Dieser Satz bezieht sich auf die API; prüfen Sie bei ChatGPT die Bedingungen des Tarifs, den der jeweilige Autor nutzt.

HubSpot sagt, dass es „Kundendaten, wie in den HubSpot Customer Terms of Service definiert, verwenden kann, um HubSpots eigene KI-Modelle zu trainieren und zu verbessern“. Zu seinem Opt-out-Schalter heißt es: „Standardmäßig ist die Einstellung aktiviert.“ Außerdem sagt HubSpot, dass es externen KI-Anbietern nicht erlaubt, mit Kundendaten zu trainieren. Im Hilfecenter von Writer heißt es: „Wir trainieren unsere LLMs nicht mit Kundendaten.“

Prüfen Sie diese Punkte im Vertrag und in den Datenverarbeitungsbedingungen, und bewahren Sie eine datierte Kopie auf. Geben Sie dem Team eine Regel auf einer Seite an die Hand: welche Tools und Tarife freigegeben sind und was nie in ein Tool gehört, etwa unveröffentlichte Finanzergebnisse oder die Daten eines Kunden.

Wie rechnen Anbieter KI ab, die Marketing-Inhalte schreibt?

Anbieter rechnen pro Lizenz, über ein Kontingent an Credits, nach Nutzung oder mit einer Mischung daraus ab. Jasper bepreist seinen Pro-Tarif pro Lizenz und Monat und nennt für den Business-Tarif individuelle Preise. Auch Anthropic bepreist seinen Team-Tarif pro Lizenz und Monat. HubSpot sagt: „Viele KI-Funktionen und Agenten laufen mit HubSpot Credits“, die „vorab in Paketen für planbare Ausgaben oder nach Verbrauch per Pay-as-you-go“ gekauft werden.

Bei nutzungsabhängigen Preisen zahlen Sie für den Text, den ein Modell liest und schreibt, gezählt in Token. Token sind kleine Textstücke, die Anbieter zählen und abrechnen. Laut der API-Preisseite von Anthropic kostet Claude Sonnet 5.5 2 US-Dollar pro Million Input-Token und 10 US-Dollar pro Million Output-Token. Listenpreise ändern sich. Der Enterprise-Tarif von Anthropic kombiniert Lizenzen und Nutzung: „20 US-Dollar pro Lizenz und Monat plus Nutzung, abgerechnet zu API-Preisen, sodass die Kosten mit den Modellen und Aufgaben skalieren, die Ihr Team ausführt.“

Ein Agenten-Setup ruft für jeden Beitrag mehrmals ein Modell auf. Lassen Sie sich vom Team, das das Setup bauen würde, die gemessenen Modellkosten eines freigegebenen Artikels nennen. Rechnen Sie dann die Stunden der Personen hinzu, die die Faktenbasis pflegen. Lassen Sie sich auf jedem Weg den Preis schriftlich geben, einschließlich Mindestzahl an Lizenzen und Zusatzpaketen, und fragen Sie, was passiert, wenn die Credits aufgebraucht sind.

Wie messen wir Ergebnisse, auch das, was KI-Assistenten über uns sagen?

Messen Sie zuerst den Prozess. Erfassen Sie ab der ersten Woche:

• die Zeit vom Briefing bis zum freigegebenen Beitrag;
• Faktenkorrekturen aus der Prüfung, pro Entwurf;
• komplett abgelehnte Entwürfe;
• Redaktionsstunden pro veröffentlichtem Beitrag.

Wenn die Zahl der Korrekturen in den ersten Monaten nicht sinkt, bessern Sie die Faktenbasis und die Stilregeln nach, bevor Sie das Tool wechseln. Messen Sie die Ergebnisse wie bisher: Suchtraffic, Antworten, gebuchte Gespräche und Abschlüsse, bei denen die Inhalte eine Rolle gespielt haben.

Vielleicht möchten Sie auch wissen, ob KI-Assistenten Ihr Unternehmen nennen, wenn Käufer nach Ihrem Fachgebiet fragen. Google sagt: „Es gibt keine zusätzlichen Anforderungen, um in AI Overviews oder im AI Mode zu erscheinen, und es sind auch keine anderen speziellen Optimierungen nötig“. Weiter heißt es, dass Websites, die dort erscheinen, „im gesamten Suchtraffic in der Search Console enthalten sind.“ OpenAI sagt: „OAI-SearchBot wird verwendet, um Websites in den Suchergebnissen der Suchfunktionen von ChatGPT anzuzeigen“, und dass Websites, die ihn per Opt-out ausschließen, „in den Suchantworten von ChatGPT nicht angezeigt werden“. Prüfen Sie, dass Ihre robots.txt-Datei die Crawler der Assistenten, die Ihnen wichtig sind, nicht blockiert.

Um Erwähnungen zu verfolgen, schreiben Sie zwanzig echte Fragen von Käufern auf. Stellen Sie jede davon in jedem Assistenten, der Ihnen wichtig ist, mehrmals nach einem festen Zeitplan, und halten Sie fest, ob Sie genannt werden und welche Seiten zitiert werden. Zählen Sie jeden Monat, wie oft Sie genannt werden, denn eine einzelne Antwort sagt wenig aus.

Welcher Weg passt zu unserem Unternehmen?

Nutzen Sie einen allgemeinen Assistenten oder ein Schreibtool, wenn eine oder zwei Personen ein paar Beiträge pro Woche schreiben und ein Redakteur jeden davon liest. Die KI Ihrer Plattform passt, wenn Inhalte in dieser Plattform erstellt und veröffentlicht werden und ihre Einstellungen für Freigabe und Markenstimme Ihre Kanäle abdecken. Ziehen Sie Agenten in Betracht, die mit einer einzigen Faktenbasis arbeiten, wenn mehrere Personen über Kanäle und Sprachen hinweg veröffentlichen, sich Fakten oft ändern, regulierte Aussagen im Text vorkommen oder eine einzige falsche Zahl teuer ist. Wenn niemand die Verantwortung für die Faktenbasis übernehmen kann, bleiben Sie bei den ersten beiden Wegen, denn Agenten, die mit veralteten Fakten arbeiten, verbreiten diese auf einen Schlag in allen Kanälen.

Was sollten wir einen Anbieter oder ein Team fragen, das ein Agenten-Setup bauen würde?

Für den Anbieter eines Schreibtools oder einer Plattform:

• Auf welchen Fakten beruhen die Entwürfe des Tools, und können wir sehen, woher jede Aussage stammt?
• Gibt es einen Freigabeschritt, den niemand überspringen kann, mit einem Nachweis, wer welche Version freigegeben hat?
• Werden unsere Daten zum Training irgendeines Modells genutzt, in welchem Tarif, und wo steht das im Vertrag?
• Was kostet ein Monat mit unserem realen Volumen, und was können wir exportieren, wenn wir gehen?

Für ein Team, das ein Agenten-Setup bauen würde:

• Wo wird die Faktenbasis liegen, und wer auf unserer Seite kann sie ändern?
• Wie entscheidet der Prüfschritt, ob eine Aussage belegt ist, und was passiert mit Aussagen, die er nicht zuordnen kann?
• Welche Modelle und Anbieter verarbeiten unsere Entwürfe, und zu welchen Datenbedingungen?
• Was kostet ein freigegebener Artikel an Modellnutzung, und wer pflegt die Agenten nach dem Start?
• Was gehört am Ende uns: Code, Prompts, die Faktenbasis und die Logs?

Wo passt amBrain ins Bild?

amBrain gibt diesen Blog heraus und hat ein eigenes Interesse an diesem Thema. Zu seinem eigenen Produkt sagt es: „Unser eigenes Produkt aigo läuft auf KI-Agenten, die aus einem gemeinsamen Speicher von Unternehmensfakten recherchieren, schreiben, prüfen und messen. Ein Mensch gibt alles frei, was rausgeht.“ Das entspricht dem dritten Weg oben. Lesen Sie diesen Leitfaden also in dem Wissen, dass sein Herausgeber ein Produkt dieser Art hat.

Dieser Artikel ist keine Fallstudie und beschreibt keine Kundenarbeit. Er sagt nicht, dass amBrain Agentensysteme für Kunden baut, und er nennt keine Ergebnisse von aigo. Die anderen hier genannten Unternehmen, Produkte und Aufsichtsbehörden werden nach ihren veröffentlichten Seiten zitiert. Der Artikel behauptet keine Beziehung zwischen amBrain und einem von ihnen und nennt keine Preise oder Zeitpläne von amBrain.

amBrain entwickelt seit 2019 Software. Dazu, wie es mit Kunden arbeitet, sagt es: „Drei Formate: vollständige Umsetzung, ein dediziertes Team oder in Ihr Team eingebettete Entwickler.“ Zum Eigentum lautet sein Satz: „Der Kunde behält das volle Eigentum an Produkt und Code, ausgenommen unsere wiederverwendbaren Komponenten.“ Die Fragen oben gelten für jede Firma, die Sie in Betracht ziehen.