Von Marketingverantwortlichen im Hightech-Bereich höre ich immer wieder dieselbe Geschichte.

Die Pilotprojekte funktionieren. Das Produktmarketing nutzt KI für Content. Die Nachfragegenerierung setzt sie für das Zielgruppen-Targeting ein. Das Kundenmarketing automatisiert Lifecycle-Programme. Jedes Team kann auf einen funktionierenden Use Case verweisen.

Dann stellt jemand die Frage: Welches dieser Projekte sollten wir als Nächstes finanzieren – und wie viel sollten wir investieren? Diese Frage ist überraschend schwer zu beantworten.

Jedes Team misst seine Arbeit an anderen Zielen, mit anderen Systemen und unterschiedlichen Erfolgsdefinitionen. Innerhalb einzelner Programme mag es starke Ergebnisse geben – doch kaum eine Grundlage, um sie miteinander zu vergleichen oder zu entscheiden, wo als Nächstes investiert werden sollte.

Genau hier stehen viele Hightech-Unternehmen heute. An leistungsfähiger KI-Technologie mangelt es nicht. Experimentiert wird reichlich. Die Herausforderung: Diese Initiativen laufen häufig in Silos ab.

CMO, VP Nachfragegenerierung, Leitung Kundenmarketing sowie Verantwortliche in Marketing Operations, Vertrieb und IT treiben KI oft parallel voran – aber mit unterschiedlichen Prioritäten, Daten und Entscheidungsprozessen. Für sich genommen gibt es Fortschritte. Gemeinsam betrachtet wird es deutlich schwieriger, diese Fortschritte in eine einheitliche, reproduzierbare Arbeitsweise zu überführen.

The Frozen Middle im Hightech-Bereich

Adobe hat gemeinsam mit Incisiv 5.633 Führungskräfte aus 12 Branchen befragt, darunter 521 aus dem Hightech-Bereich. Die Studie zeigt: 44 % der Hightech-Organisationen befinden sich in dem, was wir als Frozen Middle bezeichnen.

Diese Unternehmen haben die reine Experimentierphase hinter sich gelassen. KI ist bereits in einzelnen Funktionen aktiv – und genau dort liegt die Schwierigkeit: einen erfolgreichen Use Case aus einem Team zu nehmen und ihn unternehmensweit zu skalieren.

Content-Generierung, Personalisierung, Account Intelligence und Account-basiertes Marketing laufen in vielen Unternehmen bereits irgendwo. Doch wenn jede Initiative unabhängig finanziert, gesteuert und gemessen wird, fällt es Verantwortlichen schwer, den ROI über eine einzelne Kampagne hinaus nachzuweisen, Investitionen zu vergleichen oder zu entscheiden, welche Use Cases mehr Finanzierung verdienen.

Wie Unternehmen in diese Situation geraten, lässt sich leicht nachvollziehen.

KI beginnt in der Regel mit einem Use Case nach dem anderen. Jedes Team arbeitet in seinem eigenen Tempo. Gleichzeitig wurden viele der Prozesse, die Marketing, Daten und Technologie verbinden, auf jährliche Planungszyklen und Quartalsreviews ausgerichtet.

KI entwickelt sich deutlich schneller. Teams müssen agil iterieren, wissen, wer Entscheidungsbefugnis hat, und gemeinsamen Zugang zu den Daten haben, die für diese Entscheidungen erforderlich sind.

Fehlen diese Voraussetzungen, häufen sich Einzelimplementierungen an. Und je mehr davon entstehen, desto schwieriger wird es, sie zu verbinden und übergreifend zu steuern.

Die Genehmigungsdaten verdeutlichen das Problem: Von 100 vorgeschlagenen KI-Initiativen im Hightech-Bereich gelangen nur 18 bis zur Produktion. Den größten Anteil filtert die Integrationsbewertung bereits am ersten Gate heraus.

Fragen zu Datenrechten, Systemverantwortung und Integration tauchen im Prozess häufig erst spät auf – obwohl sie den Use Case von Anfang an hätten mitprägen können.

Was Vorreiter anders machen

Die Forschung identifizierte 342 Organisationen aus verschiedenen Branchen, die zu den obersten 6 % in Bezug auf die Reife ihres Betriebsmodells zählen. Betrachtet man, wie diese Vorreiter arbeiten, fallen fünf Praktiken besonders auf.

1. Vorreiter haben eine/n benannte/n KI-Verantwortliche/n, der/die Ergebnisse über alle Funktionen hinweg verantwortet: Vorreiter verfügen 2,3-mal häufiger über eine/n KI-Verantwortliche/n mit klar definiertem Mandat und Budgethoheit. In der Hightech-Branche insgesamt haben nur 40 % der Organisationen eine/n KI-Verantwortliche/n ernannt – und selbst wo diese Zuständigkeit besteht, endet sie oft an der Abteilungsgrenze.

Das wird zum echten Problem, sobald KI-Workflows teamübergreifend verlaufen. Ein Lifecycle-Use-Case kann Produktnutzungsdaten, CRM-Zugang und Personalisierung über die Customer-Experience-Plattform erfordern. Dafür braucht es jemanden mit ausreichend Entscheidungsbefugnis, um diese Abhängigkeiten aufzulösen und den Fortschritt voranzutreiben.

Das erfordert nicht zwingend eine neue Führungskraft oder eine weitere Hierarchiestufe in der Organisation. Ein CMO oder ein VP of Marketing kann diese Rolle übernehmen. Entscheidend ist, dass diese Person ausreichend Handlungsspielraum erhält, um budgetübergreifend Entscheidungen über Plattformen, Daten und Teams hinweg zu treffen.

2. Vorreiter legen vor dem Start fest, wie sie den Wert messen: 44 % der Vorreiter messen den ROI umfassend – verglichen mit 20 % der Hightech-Organisationen. Das bedeutet, Ergebnis, Ausgangswert und Attribution zu definieren, während der Use Case noch entwickelt wird – mit Teams wie RevOps und Customer Success, die sich einig sind, wie die Ergebnisse ausgewertet werden.

Das ist wichtig, weil sich Ausgangswerte im Nachhinein kaum noch rekonstruieren lassen. Sobald eine Kampagne, ein Produktlaunch oder eine Kundeninteraktion das Verhalten verändert, verbringen Teams mehr Zeit damit, über den KI-Beitrag zu diskutieren, als aus den Ergebnissen zu lernen.

Wer die Messung von Anfang an einplant, gibt Marketingverantwortlichen deutlich stärkere Argumente an die Hand, wenn sie wieder über Investitionen sprechen.

3. Marketing und Technologie teilen das gemeinsame Ziel: 81 % der Vorreiter arbeiten auf kooperativer oder integrierter Ebene zusammen – verglichen mit 41 % der Hightech-Organisationen. 59 % der Hightech-Unternehmen arbeiten noch immer in Silos, transaktional oder beratend.

Gemeinsame Objectives and Key Results (OKRs) sind einer der auffälligsten Unterschiede.

Wenn „Nachfragegenerierung“ und „Marketing Operations“ für dasselbe unternehmerische Ergebnis verantwortlich sind, bleiben Briefing, Umsetzung und Messung deutlich besser verzahnt. Daten- und Timing-Probleme lassen sich dann im laufenden Prozess lösen, statt bei jedem Übergabeschritt neue Reibungsverluste zu erzeugen.

Vieles davon ist innerhalb bestehender Berichtsstrukturen möglich – eine Neuorganisation ist dafür nicht zwingend erforderlich.

4. Vorreiter lernen aus dem, was nicht funktioniert: Dieser Befund hat mich besonders fasziniert. 16 % der Hightech-Unternehmen weisen destruktive Fehlermuster auf, die von Schuldzuweisungen und Wiederholungen geprägt sind. Bei den Vorreitern liegt dieser Wert bei unter 1 %.

Marketingteams im Hightech-Bereich arbeiten unter hohem Zeitdruck. Wenn ein Account-Scoring-Modell versagt oder KI-generierter Content beim Skalieren an Qualität verliert, entsteht enormer Druck, das unmittelbare Problem schnell zu lösen und weiterzumachen.

Doch diese Misserfolge enthalten wertvolle Informationen.

Ein ICP-Segmentierungsmodell, das schlechte Ergebnisse liefert, kann Aufschluss über die zugrunde liegenden Daten, Annahmen oder Prozesse geben. Eine Sequenz im Account-basierten Marketing, die ihr Ziel verfehlt, kann zeigen, wo die Orchestrierung ins Stocken geraten ist.

Vorreiter schaffen in operativen Reviews Raum, um diese Signale zu analysieren und die Erkenntnisse in den nächsten Use Case einfließen zu lassen. Diese Disziplin wird umso wichtiger, je mehr KI-Initiativen entstehen.

5. Vorreiter finden und stärken interne Fürsprecher: Das Ergebnis zur Unternehmenskultur hat mich persönlich am meisten begeistert. 42 % der Vorreiter nannten das Finden und Stärken interner Fürsprecher als ihre wirkungsvollste Maßnahme in Sachen Unternehmenskultur – noch vor Executive Sponsoring mit 16 % und formellen Schulungen mit 11 %.

Das deckt sich sehr gut mit dem, was ich in der Praxis beobachte.

Menschen entwickeln Interesse an KI, wenn sie erleben, wie jemand aus ihrem Umfeld damit vertraute Aufgaben verbessert: jemand aus der Nachfragegenerierung, der ein Briefing im Account-basierten Marketing mit gezielteren Intent-Signalen aufwertet, jemand aus dem Content-Marketing, der den Launch von Assets beschleunigt, oder jemand aus der Lifecycle-Analyse, der Produktdaten in wirksamere Conversion-Trigger überführt.

Diese Personen können eine überproportional große Wirkung entfalten. Gebt ihnen Sichtbarkeit, Ressourcen und die Möglichkeit, ihr Wissen in andere Teams einzubringen – und die Akzeptanz beginnt sich durch die gesamte Organisation zu verbreiten.

Von Pilotprojekten zu einer neuen Arbeitsweise

Zusammengenommen zeigen diese Erkenntnisse, wohin die nächste Phase der KI-Adoption in der Hightech-Branche führt.

Viele Unternehmen verfügen bereits über die nötigen Tools. Sie haben bereits Use Cases. Und sie haben bereits Menschen, die beweisen, dass KI echten Mehrwert schaffen kann.

Für Marketingverantwortliche stellt sich nun die entscheidende Frage, wie gut ihre Organisation das, was in einem Team funktioniert, auf viele andere übertragen und wiederholbar machen kann.

Dafür braucht es klare Verantwortlichkeiten, gemeinsame Erfolgskennzahlen, eine geteilte Verantwortung zwischen Marketing und Technologie, Raum zum Lernen aus Fehlern und Fachleute, die erfolgreiche Ansätze in der gesamten Organisation verankern.

Das sind die Voraussetzungen, damit KI über eine Sammlung vielversprechender Pilotprojekte hinauswächst und zu einem festen Bestandteil des Geschäftsbetriebs wird.

Den vollständigen Bericht lesen, um zu erfahren, wo Hightech-Organisationen stehen und was Führende anders machen.

https://business.adobe.com/fragments/resources/cards/thank-you-collections/high-tech