KI hebt den Mindeststandard. Tiefe ist der entscheidende Vorteil.
Die Behauptung, dass KI Einstiegsjobs ersetzt, verkennt, was Berufseinsteiger tatsaechlich tun. Ein Junior in der Aktivierung macht keine Routinearbeit — er konfiguriert DV360-Targeting, prueft Tracking-Pixel und verwaltet Gebotsstrategien. Die eigentliche Frage lautet: Wenn KI den Mindeststandard fuer alle anhebt, woher kommt dann der Vorteil? Aus Tiefe.
Ich arbeite seit einigen Monaten an einem Kurs fuer AI-Native Media Operations. Sieben Module. Dutzende Folien. Und die eine Folie, die ich immer wieder umschreibe — bei der ich immer noch nicht glaube, dass sie richtig ist — handelt davon, was mit den Menschen passiert, die in die Branche einsteigen, wenn sich das Betriebsmodell auf 75-80% KI verlagert.
Ich schreibe immer wieder Versionen, die selbstsicher klingen. Dann loesche ich sie, weil ich eben nicht selbstsicher bin. Ich habe Richtungen, keine Antworten. Und ich glaube, die ehrliche Version dieses Gespraechs ist nuetzlicher als die polierte.
Hier ist also, was mich beschaeftigt.
Das Narrativ ist falsch
Sie haben es gehoert: "KI ersetzt Einstiegsarbeit." Eine saubere Geschichte. Sie ist auch falsch — oder zumindest verkennt sie, was Berufseinsteiger tatsaechlich tun.
Gehen wir die Disziplinen in einer modernen Media-Agentur durch:
- Strategie: Wettbewerbsanalysen erstellen, Research-Briefings synthetisieren, Muster in Daten erkennen, die Seniors uebersehen, weil sie den ganzen Tag in Meetings sitzen
- Planung: Mediaplaene aufbauen, Budgetszenarien durchspielen, Zielgruppensegmente konstruieren — oft naeher an den tatsaechlichen Daten als der Senior Planner, der ihre Arbeit prueft
- Aktivierung: DV360-Targeting konfigurieren, Tracking-Pixel pruefen, Gebotsstrategien ueber Plattformen hinweg steuern — echte technische Arbeit mit hohem Einsatz, bei der eine falsch konfigurierte Zielgruppe das Budget in Stunden verbrennen kann
- Ad Ops: Werbeanzeigen einbuchen, Tracking-Diskrepanzen beheben, Messintegriaet ueber Dutzende von Plattformen aufrechterhalten
- Research: Umfragemethodik bewerten, Stichprobenverzerrungen erkennen, qualitative Antworten kodieren — die Art von sorgfaeltiger analytischer Arbeit, die echte Skepsis erfordert
- Reporting: Dashboards aufbauen, Anomalien identifizieren, erkennen, wenn die Daten nicht aufgehen, obwohl die Charts gut aussehen
Das sind keine "repetitiven Aufgaben." Es sind substanzielle Beitraege, die Urteilsvermoegen, Plattformwissen und Kundenkontext erfordern. Die Person, die eine DV360-Kampagne konfiguriert, macht keine Routinearbeit — sie trifft Dutzende technischer Entscheidungen, die direkt beeinflussen, ob der Mediaplan tatsaechlich liefert.
Die Senior-Validierungsluecke, ueber die niemand spricht
Hier ist etwas, das ich nicht oft genug diskutiert hoere: Ihr VP war seit Jahren nicht mehr taeglich in DV360. Ihr Planning Director baut keine Zielgruppensegmente mehr von Hand. Die Menschen, die strategische Entscheidungen treffen, haben die plattformbezogene Umsetzung oft so lange delegiert, dass sie AI-Output auf dieser Ebene nicht einmal validieren koennten, selbst wenn sie wollten.
Wenn KI ein Kampagnen-Setup generiert, wer validiert, dass es korrekt ist? Wenn sie ein Zielgruppensegment erstellt, wer prueft, ob die Datenquellen stimmen? Wenn sie ein Measurement-Framework produziert, wer weiss, ob die Tracking-Architektur es tatsaechlich unterstuetzt?
Oft sind es die Menschen, die den Plattformen am naechsten sind. Dieselben Menschen, denen man sagt, ihre Arbeit sei "Routine."
Ich glaube, das ist die Luecke, die das Narrativ "KI ersetzt Junior-Arbeit" gefaehrlich macht. Die 75-80%, die KI uebernimmt, brauchen immer noch Validierung. Diese Validierung erfordert Tiefe — Plattformexpertise, Wissen ueber Tracking-Architektur, Vertrautheit mit Datenquellen. Und in vielen Organisationen liegt diese Tiefe bei den Menschen, von denen wir beilaeufig behaupten, sie wuerden verdraengt.
Das Parade-Problem
Ich komme immer wieder auf diese Analogie zurueck. Wenn jeder KI hat, wird breite Kompetenz zu einer Parade — beeindruckend aus der Ferne, identisch aus der Naehe. Jede Agentur kann Mediaplaene, Zielgruppen-Insights, Wettbewerbsberichte und Creative Briefs im grossen Massstab generieren. Die Tools sind dieselben. Die Prompts konvergieren. Der Output normalisiert sich.
Woher kommt also der Vorteil?
Tiefe. In bestimmten Disziplinen tiefer gehen als KI + Wettbewerber. Nicht breiter — tiefer.
Das ist kontraintuitiv, wenn man in einer Branche aufgewachsen ist, die "T-foermige" Generalisten schaetzte. Aber ich glaube, die Form veraendert sich. Wenn KI den horizontalen Balken des T kostenlos liefert, ist der einzige Differenzierungsfaktor, wie weit der vertikale Balken nach unten reicht.
Depth-First Karriereentwicklung
Das alte Modell war: breit anfangen, spaeter spezialisieren. Man rotierte durch Abteilungen, sammelte Erfahrung in Planung, Einkauf und Reporting und fand dann irgendwann seine Spur.
Ich glaube, das bessere Modell ist jetzt das Gegenteil: erst in die Tiefe gehen, dann verbreitern.
KI liefert bereits Breite. Jeder Junior kann KI nutzen, um einen Mediaplan zu entwerfen, eine Wettbewerbsanalyse zu erstellen oder eine Research-Zusammenfassung zu generieren. Das ist der Mindeststandard — er wurde fuer alle angehoben. Was knapp ist, ist die Person, die Aktivierung oder Measurement oder Creative-Bewertung besser als die KI beherrscht. Die Person, die sich AI-Output ansieht und sofort sieht, was falsch ist.
Diese Bewertungskompetenz — die Faehigkeit, KI-Arbeit mit echter Expertise zu beurteilen — erfordert Tiefe. Und Tiefe erfordert fokussierte Zeit in einer Disziplin, nicht eine Rotation durch fuenf Abteilungen in den ersten zwei Jahren.
Was "tiefer gehen" konkret bedeutet
Hier moechte ich konkret werden, denn allgemeine Karrieretipps sind nutzlos.
Aktivierung: Werden Sie die Bruecke zwischen Plattform und KI. Kennen Sie die Plattformfaehigkeiten und -grenzen gut genug, um zu erkennen, wann KI-Konfigurationen in der Realitaet nicht funktionieren — die Zielgruppe, die zu eng ist, um auszuliefern, die Gebotsstrategie, die nicht zum Ziel passt, die Placement-Liste, die Inventar enthaelt, das der Kunde ausdruecklich ausgeschlossen hat.
Ad Ops: Wechseln Sie von der Tag-Implementierung zur Tracking-Architektur. Platzieren Sie nicht nur die Pixel — entwerfen Sie die Messinfrastruktur, auf die KI angewiesen ist. Verstehen Sie Consent-Frameworks, serverseitiges Tagging, Data Clean Rooms. Die Person, die Messsysteme architektonisch gestalten kann, wird nicht von KI verdraengt. Sie wird wichtiger.
Planung: Lernen Sie, Plaene zu hinterfragen, nicht nur zu erstellen. Jeder kann jetzt einen Plan erstellen. Der Wert liegt darin zu wissen, wann die Mathematik stimmt, aber die Strategie nicht — wenn die Reichweitenkurve effizient aussieht, aber die Frequenz das Publikum nerven wird, wenn der Kanalmix auf dem Papier optimiert ist, aber ignoriert, wie die Marke tatsaechlich in jeder Umgebung wahrgenommen wird.
Research: Entwickeln Sie Skepsis als Kernkompetenz. KI kann Research schneller synthetisieren als jeder Mensch. Aber sie kann auch selbstbewusst Ergebnisse aus einer schlecht konzipierten Umfrage praesentieren, Korrelation mit Kausalitaet verwechseln und Stichprobenverzerrungen uebersehen. Der Researcher, der methodische Maengel erkennt, ist wertvoller denn je.
Creative: Bauen Sie das aesthetische Urteilsvermoegen auf, das KI fehlt. KI kann Varianten generieren. Sie kann Ihnen nicht sagen, warum diese bestimmte Variante fuer diese bestimmte Marke in diesem bestimmten Kontext funktioniert. Dieses Urteil — gespeist aus Geschmack, Markenwissen und kulturellem Bewusstsein — ist entwickelbar, aber nicht automatisierbar.
Reporting: Seien Sie die Datenintegritaetsschicht. KI erstellt schoene Dashboards. Aber Dashboards koennen schoen und falsch sein. Die Person, die weiss, wann das Attributionsmodell in die Irre fuehrt, wann sich die Datenquelle leise geaendert hat, wann die Zahlen richtig aussehen, aber die Geschichte, die sie erzaehlen, verkehrt ist — diese Person ist unverzichtbar.
Die Eval-Ebene, ueber die niemand spricht
Es gibt ein Konzept aus der KI-Entwicklung, das sich meiner Meinung nach direkt hierauf uebertragen laesst: Evals. In der KI ist ein Eval die Grundwahrheit — die Kriterien, die definieren, wie "korrekt" aussieht. Ohne Evals kann man nicht beurteilen, ob AI-Output gut oder schlecht ist. Man vertraut einfach der Maschine.
In Media Operations existieren Evals bereits. Sie heissen nur anders.
Ihre Pre-Launch-Checkliste ist ein Eval. Sie definiert, wie ein korrektes Kampagnen-Setup aussieht. Ihre KPI-Leiter ist ein Eval. Sie definiert, was gute Performance bedeutet. Ihr Markenhandbuch ist ein Eval. Es definiert, wie regelkonformes Creative aussieht. Ihr Tracking-Genauigkeitsstandard ist ein Eval. Er definiert, was zuverlaessige Messung bedeutet.
Die Menschen, die diese erstellen und pflegen — die Expertenurteil in operationale Kriterien uebersetzen — tun etwas, das KI grundsaetzlich nicht fuer sich selbst tun kann. KI kann ein Kampagnen-Setup generieren. Sie kann nicht definieren, wie ein korrektes Kampagnen-Setup fuer diesen Kunden in diesem Markt mit diesen Rahmenbedingungen aussieht. Das erfordert Tiefe.
Und hier ist, was meiner Meinung nach unterschaetzt wird: Evals zu erstellen ist eine der wirkungsvollsten Lernuebungen ueberhaupt. Wenn man jemanden bittet zu definieren, wie "korrekt" in seiner Disziplin aussieht — die Pre-Launch-Checkliste zu schreiben, die akzeptable Abweichungsschwelle festzulegen, die Creative-Compliance-Rubrik zu erstellen — muss er die Arbeit tiefgreifend genug verstehen, um Urteilsvermoegen zu kodifizieren. Das ist keine administrative Arbeit. Das ist beschleunigte Tiefenentwicklung.
Wenn ich also von Depth-First Karriereentwicklung spreche, ist die Erstellung von Evals ein konkreter Ausdruck davon. Die Person, die sowohl AI-Output bewerten als auch die Kriterien definieren kann, nach denen er bewertet werden sollte, hat ein Skillset, das sich ueber die Zeit potenziert. Die Kriterien werden schaerfer. Die KI wird besser. Und der Expertisevorsprung zwischen dieser Person und jemandem, der KI einfach nur nutzt, wird groesser.
Fuer Menschen, die in die Branche einsteigen
Ich moechte hier ehrlich sein, denn ich glaube, Menschen, die in die Branche einsteigen, verdienen Ehrlichkeit mehr als Beruhigung.
Ja, Einstiegsrollen veraendern sich. Der Einstiegspunkt ist nicht mehr "mach die Arbeit, die KI machen kann, aber mit menschlichen Haenden." Er lautet "entwickle die Tiefe, um zu beurteilen, ob die KI die Arbeit korrekt erledigt hat."
Das klingt nach einer hoeheren Huerde, und in gewisser Weise ist es das. Aber ich glaube, die Bewertungskompetenz — AI-Output anzusehen und zu wissen, was richtig und falsch ist und artikulieren zu koennen, warum — laesst sich schneller entwickeln als die meisten annehmen. Sie starten nicht bei null. Sie starten mit KI als Lernbeschleuniger.
Der Haken ist, dass Sie neben der Bewertung immer noch praktische Erfahrung brauchen. Sie muessen selbst Kampagnen aufbauen, um zu wissen, wie schlecht aussieht. Sie muessen Daten manuell ziehen, um zu verstehen, was das Dashboard verbirgt. KI beschleunigt das Lernen, aber sie ersetzt das Tun nicht vollstaendig. Noch nicht.
Waehlen Sie eine Disziplin. Gehen Sie in die Tiefe. Lernen Sie die Frameworks. Die Menschen, die erfolgreich sein werden, sind diejenigen, die echte Expertise in einem bestimmten Bereich entwickeln — nicht diejenigen, die zu generalistischen Prompt-Engineers werden.
Das Apprenticeship-Problem
Ich muss zugeben — das ist der Teil, den ich nicht geloest habe.
Das traditionelle Ausbildungsmodell in Agenturen funktionierte, weil junge Menschen durch die Arbeit lernten. Der Planungsassistent erstellte Plaene und lernte Planung. Der Aktivierungskoordinator setzte Kampagnen auf und lernte Aktivierung. Die Wiederholungen waren die Ausbildung.
KI komprimiert diese Arbeitsablaeufe. Und indem sie die Arbeitsablaeufe komprimiert, komprimiert sie auch den Lernmechanismus. Wenn KI den Mediaplan erstellt und der Junior ihn prueft, lernt er Planung auf die gleiche Weise? Ich bin mir nicht sicher.
Ich habe Richtungen, aber keine vollstaendige Antwort. Depth-First Entwicklung. Bewertung neben Ausfuehrung. KI als Lernwerkzeug nutzen, nicht nur als Produktionswerkzeug — Juniors Dinge mit KI erstellen lassen und dann kritisieren, was produziert wurde, damit sie gleichzeitig die Faehigkeit und das Urteilsvermoegen lernen.
Aber ich bin nicht sicher, dass das ausreicht. Das Apprenticeship-Problem koennte die schwierigste organisatorische Herausforderung der KI-Transformation sein — schwieriger als die Technologie, schwieriger als das Geschaeftsmodell. Wenn jemand das vollstaendig loest, hat er etwas Groesseres geloest als das Betriebsmodell einer einzelnen Agentur.
Wo uns das hinfuehrt
Ich werde dies nicht mit einer sauberen Zusammenfassung beenden, denn die ehrliche Version hat keine.
Hier ist, was ich fuer wahr halte: Sie werden nicht von KI ersetzt. Das Narrativ ist nuancierter. Aber die Art, wie Sie sich entwickeln, die Faehigkeiten, die Sie priorisieren, und wie Sie Ihre Expertise positionieren — das muss sich weiterentwickeln. Breite ist jetzt kostenlos. Tiefe ist der Differenzierungsfaktor.
Wenn Sie am Anfang Ihrer Karriere stehen: Waehlen Sie eine Disziplin, gehen Sie in die Tiefe, und entwickeln Sie das Urteilsvermoegen, KI-Arbeit zu bewerten. Diese Kombination — Tiefe plus Bewertung — macht Sie unersetzlich.
Wenn Sie Teams fuehren: Die Menschen, die Ihren Plattformen und Daten am naechsten sind, koennten fuer Ihre KI-Strategie wichtiger sein, als Sie denken. Stellen Sie sicher, dass die Menschen, die das Betriebsmodell Ihrer Organisation entwerfen, das verstehen.
Und wenn Sie einen Kurs ueber all das bauen und immer noch diese eine Folie umschreiben — nun, zumindest haben Sie jetzt einen Blogpost, auf den Sie verweisen koennen. Auch wenn er nicht alle Antworten hat.
Das war's von mir. Ich wuerde wirklich gerne hoeren, wie andere darueber denken — besonders Menschen in den fruehen Jahren ihrer Media-Karriere. Stimmen Sie zu? Nicht einverstanden? Was uebersehe ich?
Cheers, Chandler
