Warum KI-Gedächtnis wichtiger ist als die Modellwahl für Marketing-Teams
Die meisten Teams fragen immer noch, welches Modell sie nutzen sollen. Aus meiner Erfahrung ist das nicht mehr die entscheidende Frage. Wenn dein AI-System den Kunden oder die Marke vergisst, die Kategorie und was gute Arbeit ausmacht, dann startet selbst das smarteste Modell der Welt jedes Gespräch bei null.
In letzter Zeit, wenn ich mit Marketing-Teams über KI spreche, kommt immer wieder dieselbe Frage auf:
"Welches Modell sollten wir nutzen?"
Claude? GPT? Gemini? Ein Open-Source-Modell, das auf den eigenen Daten feingetunt wurde?
Ich verstehe, warum die Leute das fragen. Es klingt nach der strategischen Frage. Es klingt nach dem Teil, der am meisten zählen sollte.
Ich glaube nur nicht, dass er das ist. Nicht mehr.
Aus meiner bisherigen Erfahrung liegt der größere Unterschied meistens nicht beim Modell. Er liegt beim Gedächtnis.
Wenn dein AI-System alles Wichtige vergisst, sobald der Chat endet, dann beginnt jede neue Aufgabe mit demselben teuren Ritual:
- den Kunden oder das Geschäft nochmal erklären
- die Zielgruppe nochmal erklären
- den Ton nochmal erklären
- erklären, was bereits ausprobiert wurde
- erklären, wie "gut" aussieht
An dem Punkt hast du nicht wirklich ein System. Du hast einen sehr beeindruckenden Amnesie-Patienten.
Und das sage ich liebevoll, denn ich habe selbst ein paar davon gebaut :P
Das Modell ist schlau. Das System vergisst trotzdem.
Das ist die Erkenntnis, die mir im letzten Jahr immer klarer geworden ist.
Die Modell-Ebene verbessert sich in absurdem Tempo. Reasoning wird besser. Multimodal wird besser. Coding wird besser. Tool-Use wird besser. Latenz sinkt. Kosten verschieben sich. Alle paar Wochen gibt es einen neuen Benchmark und eine neue Ankündigung und einen weiteren Grund, sich leicht im Rückstand zu fühlen.
Aber wenn ich das alles abziehe und schaue, was tatsächlich die Ergebnisse für ein Marketing-Team verändert, ist die Frage oft viel simpler:
Erinnert sich die KI an genug Kontext, um eine gute Entscheidung zu treffen, ohne jedes Mal von Grund auf gebrieft zu werden?
Dieser Kontext ist selten glamourös. Es sind keine "proprietären Daten" im Abstrakten. Es sind meistens Dinge wie:
- welche Botschaften der Kunde oder die Führungsebene bereits freigegeben hat
- welche Angebote letztes Quartal unterdurchschnittlich performt haben
- welche Segmente zu eng sind, um zu skalieren
- welche Behauptungen Legal niemals durchlassen wird
- welche Stakeholder das Gefühl brauchen, einbezogen zu sein
- welche Reporting-Ansichten der Kunde, CMO oder CFO wirklich vertraut
- welche Erfolgsdefinitionen innerhalb dieser Organisation zählen
Ohne dieses Gedächtnis kann das Modell trotzdem etwas Poliertes produzieren. Manchmal sehr Poliertes.
Aber poliert ist nicht dasselbe wie nützlich.
Was ich mit "Gedächtnis" meine
Ich meine nicht nur den Chatverlauf.
Ich meine eine strukturierte Schicht von gespeichertem Kontext, die sich über die Zeit aufbaut.
Aus meiner Sicht gibt es mindestens drei Arten von Gedächtnis, die für Marketing-Teams relevant sind.
1. Kundengedächtnis
Für Agenturen ist das der lebendige Kontext rund um den Kunden. Für In-House-Teams ist es der lebendige Kontext rund um die Marke, den Geschäftsbereich oder die Führungsprioritäten, die die Arbeit prägen.
- Markenstimme
- Kategorie-Realitäten
- freigegebene Positionierung
- vergangene Kampagnen
- Stakeholder-Präferenzen
- bekannte Einschränkungen
Gleiche Gedächtnis-Architektur, unterschiedlicher Effekt.
Wenn du bei einer Agentur bist, baut sich dieses Gedächtnis zu besserem strategischem Output auf und erhöht die Wechselkosten über die Zeit. Wenn du In-House bist, wird es zu organisatorischem Gedächtnis und institutioneller Resilienz. Wenn dein bester Stratege oder Analyst geht — geht das Wissen mit?
Das ist der Stoff, den ein neuer Stratege normalerweise langsam durch Meetings, Feedback, Fehler und Wiederholung lernt. Der Punkt ist nicht, ob du es Kundengedächtnis oder organisatorisches Gedächtnis nennst. Der Punkt ist, dass der Kontext ohne bewusste Strukturierung in den Köpfen der Menschen gefangen bleibt statt im System.
2. Operatives Gedächtnis
Das ist die "wie wir arbeiten"-Schicht.
- Checklisten
- kanalspezifische Regeln
- QA-Kriterien
- Kampagnen-Benennungssysteme
- Reporting-Logik
- Eskalationspfade
Wenn Teams das nicht festhalten, entdecken sie immer wieder dieselben operativen Wahrheiten neu. Meistens unter Zeitdruck. Meistens mit leicht unterschiedlicher Formatierung jedes Mal.
3. Bewertungsgedächtnis
Das ist für mich das Interessanteste.
Es ist nicht nur Erinnerung an Fakten. Es ist Erinnerung an Urteilsvermögen.
Was hat das Team abgelehnt, und warum? Was hat der Kunde, CMO oder die Führungsebene als "nicht ganz richtig" bezeichnet? Welche Muster zeigen sich in erfolgreicher Arbeit? Was zählt als nützliches Briefing, starker Plan, vertrauenswürdiger Bericht, launch-bereites Setup?
Das ist die Schicht, die KI von reiner Output-Generierung in echte Hebelwirkung verwandelt. (Das ist auch eine der Kernideen in meinem AI-Native Media Operations Kurs — das Betriebsmodell funktioniert nur, wenn Urteilsvermögen in das System strukturiert wird und nicht dem Zufall überlassen bleibt.)
Warum Gedächtnis stärker aufbaut als Modelle
Modelle verbessern sich durch Anbieter-Roadmaps.
Gedächtnis verbessert sich durch deine eigene Arbeit.
Das ist eine fundamental andere Aufbaukurve.
Wenn Anthropic oder OpenAI ein besseres Modell liefert, profitierst du. Natürlich. Und das will ich nicht kleinreden. Besseres Reasoning ist wirklich wichtig.
Aber deine Wettbewerber profitieren genauso.
Das ist der Teil, den viele meiner Meinung nach unterschätzen.
Eine Modellverbesserung ist oft breit verteilt. Eine Gedächtnisschicht ist es nicht. Ich habe darüber in KI hebt den Mindeststandard geschrieben — wenn alle dieselbe KI haben, wird Tiefe zum Differenzierungsfaktor. Gedächtnis ist eine Form dieser Tiefe.
Euer gemeinsamer Kunden- oder Organisationskontext, eure Bewertungskriterien, eure angesammelten Erkenntnisse, eure operativen Standards, eure interne Sprache für das, was "gut" bedeutet. Diese Dinge werden innerhalb der Organisation aufgebaut. Sie werden mit der Nutzung schärfer. Und sie sind viel schwerer zu kopieren als "wir nutzen das neueste Modell."
Anders gesagt:
- das Modell ist gemieteter Vorteil
- das Gedächtnis ist aufgebauter Vorteil
Ich übertreibe vielleicht leicht, aber ich glaube nicht stark.
Das Marketing-Beispiel, das mir nicht aus dem Kopf geht
Stell dir vor, du bittest KI, eine Kampagnenempfehlung für einen Kunden oder für dein eigenes Markenteam zu erstellen.
Ein starkes Modell kann absolut eine vernünftige Antwort generieren. In vielen Fällen eine überraschend gute.
Aber was, wenn es nicht weiß:
- der CEO hasst Markensprache, die zu verspielt klingt
- das Vertriebsteam vertraut MQL-Volumen nicht, wenn die Opportunity-Qualität nicht sichtbar ist
- die letzten beiden YouTube-Experimente unterdurchschnittlich liefen, weil die Landing-Page-Diskrepanz das eigentliche Problem war
- die regionalen Märkte unterschiedliche Beweispunkte brauchen
- Finance das Budget für Paid Social in diesem Quartal bereits gedeckelt hat
Die Antwort könnte trotzdem strategisch aussehen.
Sie könnte sogar strategischer klingen als die Wahrheit.
Aber aus meiner Erfahrung ist genau das die Stelle, an der Teams mit KI in Schwierigkeiten geraten. Sie verwechseln Flüssigkeit mit situierter Intelligenz.
Das Modell klingt, als ob es das Geschäft versteht. Was es tatsächlich versteht, ist die Form einer guten Antwort.
Das ist nicht dasselbe.
Das Risiko ist natürlich schlechtes Gedächtnis
Ich sollte hier fair sein.
Gedächtnis ist nicht automatisch gut. Schlechtes Gedächtnis skaliert schlechte Annahmen. Veraltetes Gedächtnis verfestigt überholtes Denken. Unstrukturiertes Gedächtnis wird zur Rumpelkammer. Und wenn du alles in "Kontext" schmeißt, wird das System lauter statt schlauer.
Ich plädiere also nicht für unbegrenztes Gedächtnis.
Ich plädiere für kuratiertes Gedächtnis.
Nützliches Gedächtnis.
Die Art, die einem Team hilft zu beantworten:
- Was sollte die KI standardmäßig wissen?
- Was sollte aufgabenspezifisch bleiben?
- Was sollte vor der Wiederverwendung validiert werden?
- Was sollte aussortiert werden, weil es die Realität nicht mehr abbildet?
Anders gesagt, Gedächtnis braucht Pflege. Genau wie Content. Genau wie Strategie.
Was ich glaube, dass Teams zuerst aufbauen sollten
Wenn ich einem Marketing-Team helfen würde, das ernst zu nehmen, würde ich mit einer sehr unglamourösen Übung anfangen.
Nicht mit Prompt-Bibliotheken. Nicht mit einem Modell-Vergleichstest. Nicht mit "unserem AI-Strategiedeck."
Ich würde damit anfangen zu definieren:
- Welcher Kontext wird am häufigsten wiederverwendet?
- Welche Fehler wiederholen sich, weil das System vergisst?
- Welche Kriterien definieren akzeptablen Output?
- Welches Kunden- oder Markenwissen sollte nie neu eingetippt werden müssen?
Das sagt dir sofort, was deine Gedächtnisschicht speichern sollte.
Und sobald dieses Gedächtnis existiert, werden die Modellentscheidungen wertvoller, weil sie auf einem viel besseren Fundament arbeiten.
Das ist einer der Gründe, warum mich Shared-Memory-Architekturen mehr interessieren als Modelldebatten. Modelle sind wichtig. Aber Systeme ohne Gedächtnis erzeugen eine Menge falscher Produktivität.
Alles sieht schnell aus. Nichts baut sich wirklich auf.
Wo mich das hinführt
Ich interessiere mich immer noch für Modelle. Ich teste sie ständig. Ich nutze mehr als eins. Ich mag die Vergleiche. Sie sind wirklich nützlich.
Aber wenn du mich fragen würdest, woher der dauerhafte Vorteil eines Marketing-Teams jetzt kommt, würde ich nicht beim Modell anfangen.
Ich würde mit dieser Frage anfangen:
Was erinnert dein AI-System, nachdem die beeindruckende Demo vorbei ist?
Wenn die Antwort "nicht viel" lautet, dann glaube ich, dass das der eigentliche Engpass ist.
Das ist Teil der Denkweise, mit der ich STRATUM aufbaue. Nicht "noch ein Chatbot," sondern ein System, in dem sich Kontext aufbaut, statt zu verschwinden. Ich werde vielleicht separat mehr darüber schreiben, denn ja, es gibt hier einen Produktwinkel, aber ich glaube, das Betriebsmodell ist größer als jedes einzelne Produkt.
Das war's von mir.
Ich würde mich wirklich freuen zu hören, wie andere Teams darüber nachdenken. Verbringt ihr mehr Zeit damit, Modelle auszuwählen oder Gedächtnis aufzubauen? Und habt ihr einen Weg gefunden, geteilten Kontext nützlich zu halten, ohne dass er zum Durcheinander wird?
Cheers, Chandler
