Agentisches Marketing 2026: Die vier Dinge, die ein System offenlegen muss

Kurze Antwort: Agentisches Marketing ist Marketingarbeit, die von Software ausgeführt wird, die ihren nächsten Schritt selbst wählt und dann ausführt. Damit endet in etwa die Einigkeit. Wir haben am 18. August 2026 die elf Seiten abgerufen, die für den Begriff und seine Varianten zurückkamen, und acht davon erwähnen das Protokoll, Tool Calling oder Function Calling überhaupt nicht – also genau die Ebene, auf der ein Agent aufhört, ein Chatfenster zu sein, und anfängt, etwas zu sein, das deine Community, deine Kampagne oder deine Kundendaten verändern kann. Dieser Beitrag definiert agentisches Marketing daher anhand der vier Dinge, die ein System offenlegen muss, bevor ein Agent überhaupt Marketingarbeit leisten kann, zitiert das Model Context Protocol dazu, warum die Labels, die solche Systeme über sich selbst veröffentlichen, nicht vertrauenswürdig sind, und bewertet Zealys eigene Agent-Oberfläche anhand der Definition – einschließlich des Teils, an dem wir sie nicht erfüllen.

Offenlegung: Zealy veröffentlicht diese Seite, und Zealy verkauft das Produkt, um das es geht. Zealy ist eine Community- und Quest-Plattform. Zwei ihrer Funktionen sind Agenten im Sinne dieses Artikels: ein MCP-Server, den eine externe KI steuern kann, und ein produktinterner KI-Prüfer. Alle drei kommen unten vor. Alles hier über Zealys eigene Agent-Oberfläche stammt aus erster Hand: aus Zealys Repository gelesen, von uns gegen Zealys eigenen Server ausgeführt, von niemandem sonst geprüft. Du solltest es mit derselben Skepsis lesen, die du jedem Anbieter entgegenbringen würdest, der sein eigenes Produkt beschreibt.

Zuletzt verifiziert: 18. August 2026.

Was ist agentisches Marketing?

Agentisches Marketing ist Marketingarbeit, die von Software ausgeführt wird, die ihre nächste Aktion auf ein Ziel hin selbst wählt, statt einem von einem Menschen gezeichneten Workflow zu folgen. Ein System qualifiziert sich nur, wenn es vier Dinge offenlegt: benannte Tools statt eines Chatfensters, eine Möglichkeit, sie vor dem Handeln zu entdecken, eine bewusst gewählte Genehmigungsgrenze und eine Vertrauensgrenze für das, was zurückkommt.

Diese Definition stammt von uns, und sie ist bewusst aus der Mechanik statt aus dem Anspruch gebaut. Jede veröffentlichte Definition, die wir gelesen haben, beschreibt, was die Software erreichen will. Keine beschreibt, was an deinem Stack wahr sein muss, bevor sie es erreichen kann. Hier sind die vier Teile, in der Reihenfolge, in der ein System sie erfüllen muss.

1. Benannte Tools, kein Textfeld. Ein Agent braucht Operationen mit Namen, Argumenten und Rückgabeformen, Dinge wie create_campaign, list_members und send_message, denn ein Modell, das nur Prosa erzeugen kann, kann nur Prosa erzeugen. Das Model Context Protocol ist der derzeit übliche Weg, eine solche Liste zu veröffentlichen, und seine Tools sind das, was es modellgesteuert nennt: Das Sprachmodell entdeckt und ruft sie selbst auf, basierend auf Kontext und Prompt des Nutzers. Ohne diese Ebene hast du einen Schreibassistenten. Das ist ein nützliches Produkt; es ist nicht dieses.
2. Entdeckung vor der Aktion. Der Agent muss fragen können, was existiert und was jede Sache tut, bevor er sich zu etwas verpflichtet. Eine fest verdrahtete Integration, bei der ein Mensch bereits die drei Aufrufe ausgewählt hat, ist Automatisierung mit einem Modell am Text.
3. Eine Genehmigungsgrenze, die jemand bewusst gewählt hat. Jede Aktion hält entweder für einen Menschen an oder nicht, und irgendwo gibt es eine Regel, die entscheidet, was gilt. Die Regel kann streng oder locker sein. Was sie nicht sein kann, ist ungeprüft.
4. Eine Vertrauensgrenze für das, was zurückkommt. Tool-Ergebnisse sind Daten, die andere Menschen geschrieben haben: Mitglieder, Kunden, Formulare, gescrapte Seiten. Wenn ein zurückgegebener String den Agenten zu seinem nächsten Tool-Aufruf überreden kann, hast du ein System gebaut, das Anweisungen von jedem entgegennimmt, der dein Quest-Einreichungsfeld ausfüllt.

Daraus folgen zwei Konsequenzen, und sie sind der Grund, warum wir uns überhaupt die Mühe einer Definition gemacht haben. Alles, dem der erste Teil fehlt, ist ein Chatbot mit besserem Marketing. Und alles, dem der dritte Teil fehlt, hat keine Entscheidung über Autonomie getroffen – ihm ist eine passiert. Eine Genehmigungsgrenze, die du nicht gewählt hast, ist keine Designposition, sondern ein Unfall, der dich noch nichts gekostet hat.

Die vorhandenen Definitionen und wo jede die Autonomiegrenze zieht

Die veröffentlichten Definitionen stimmen darin überein, dass ein Agent selbstständig plant und handelt, und sie widersprechen sich darin, wie viel menschliche Beteiligung übrig bleiben darf. Die Vlerick Business School erlaubt minimale Eingriffe. Braze beschreibt Systeme, die wahrnehmen, entscheiden und handeln. Young Urban Project und Netcore ziehen die Grenze beide bei menschlicher Genehmigung pro Schritt. Forrester trennt Agenten vollständig von agentischer KI.

Lies die mittlere Spalte vor der rechten. Wer die Kategorie definiert, sagt dir sehr viel darüber, wo er die Grenze zieht.

Jede Zeichenkette in der rechten Spalte wurde mit dem Rohtext der verlinkten Seite abgeglichen, wie er am 18. August 2026 abgerufen wurde, statt aus einem Suchergebnis abgelesen zu werden. Sechs Seiten, die für diesen Begriff ranken, konnten überhaupt nicht gelesen werden. Salesforce, IBM, Gartner und BCG antworteten auf jeden Versuch mit 403, und McKinsey und Adobe liefen in ein Timeout. Keine davon wird hier zitiert.

Drei der Seiten ziehen außerdem eine brauchbare Grenze zu einem benachbarten Begriff, und nur diese drei fanden wir es wert, sie zu behalten.

Gegenüber Marketing-Automatisierung. Treasure Data schreibt, dass „agentisches Marketing enger gefasst ist als KI-Marketing und sich von Marketing-Automatisierung unterscheidet“, weil „Marketing-Automatisierung feste, von Menschen definierte Workflows ausführt“. Der Test ist nicht, ob Software ohne dich handelt. Dein E-Mail-Tool tut das bereits. Der Test ist, ob die Abfolge der Schritte im Voraus von einer Person gewählt wurde.

Gegenüber generativer KI. Optimove formuliert es als Gegensatz zwischen zwei Auslösern: „Generative KI erstellt Inhalte auf Basis menschlicher Prompts“, während „agentische KI autonom handelt, ohne auf Prompts zu warten“. Prompt-förmig versus ziel-förmig – eine echte Unterscheidung, die selten eingehalten wird.

Gegenüber einem Assistenten. Der schärfste Satz, den jemand aus dem Set geschrieben hat, stammt von Docket's Arjun Pillai: „Ein Assistent wartet auf einen Nutzer, hilft bei einer Aufgabe und lebt innerhalb eines menschlichen Workflows.“ Die Agenten-Hälfte lautet: „Ein Agent handelt auf ein Ziel hin, trifft begrenzte Entscheidungen, löst Workflows aus und verantwortet einen Teil der Ausführung unter Aufsicht.“ Eine separate Passage auf derselben Seite liefert den Mechanismus, der diesem Satz fehlt: Menschen „definieren Ziele, Eskalationsregeln, Themenbeschränkungen und Genehmigungsschwellen. Der Agent agiert innerhalb dieser Grenzen. Fällt etwas außerhalb davon, eskaliert er.“ Eskalation ist die Genehmigungsgrenze aus unserer Definition, beschrieben aus der Sicht des Agenten.

Eine Uneinigkeit ist es wert, abgedruckt statt geglättet zu werden. Forrester trennt auf einer Seite über Anwendungsfälle von KI-Agenten mit Craig Le Clair als genanntem Autor die beiden Begriffe, die jede Anbieterseite oben als austauschbar behandelt: KI-Agenten laufen auf „vordefinierten Regeln“, während „agentische KI breitere Autonomie und Anpassungsfähigkeit einführt“. Fairer Hinweis zu dieser Quelle – es ist eine Podcast-Landingpage, keine veröffentlichte Forschungsnotiz, und wir zitieren sie als Rahmung eines Analystenhauses, nicht als Befund.

Die Ebene, die acht der elf Definitionen auslassen

Von den elf Seiten, die wir am 18. August 2026 für diesen Begriff abgerufen haben, erwähnen acht das Model Context Protocol, Tool Calling oder Function Calling überhaupt nicht. Diese Ebene ist der Unterschied zwischen einem Modell, das dir ein Kampagnen-Briefing schreibt, und einem Modell, das eine Quest erstellen, ein Mitglied sperren oder deinen Event-Stream auf etwas Neues umleiten kann.

Die acht ohne jede Erwähnung dieser Zeichenketten: braze.com, cdp.com, docket.io, forrester.com, netcore.ai, tofuhq.com, vlerick.com und youngurbanproject.com. Von den übrigen drei erwähnt hubspot.com das Model Context Protocol, ist aber keine Definitionsseite. Optimove ist die, die uns im Gedächtnis blieb: Die Zeichenkette MCP erscheint auf ihrer Seite nur im Navigationsmenü als „The Optimove MCP“ und nie im Text des Artikels, der die Kategorie erklärt. Ein Anbieter, der einen MCP-Server ausliefert, dessen eigene Erklärung von agentischem Marketing aber nie das erreicht, was er ausliefert. Das ist eine Aussage über elf Seiten an einem Tag, nicht über die ganze Kategorie – aber sie hielt für jede Seite, die wir geprüft haben.

Zwei Seiten im Set benennen die fehlende Ebene, und beide tun es gut.

HubSpots Duncan Lennox schreibt: „Aber Agenten klicken sich nicht durch Dashboards oder navigieren Oberflächen; sie rufen APIs auf, lesen strukturierte Ausgaben und handeln.“ Dieselbe Seite fasst den Umfang als „was Agenten lesen, schreiben und worauf sie handeln können“ – die richtige Einheit. Nicht „kann es Marketing“, sondern welche Substantive und welche Verben.

Real Story Group, ein Martech-Forschungsunternehmen, das Anbieterbewertungen verkauft, liefert den Satz, der die Debatte beendet. In einem Beitrag über MCP vom 11. Juni 2025 nennt Principal Analyst Scott Simmons es „eine universelle API-Abstraktionsebene, gebaut für KI-Agenten“, und zieht die Schlussfolgerung, dass ein Agent „nur so mächtig ist, wie der Anbieter sich entscheidet, es offenzulegen“.

Dieser letzte Satzteil ist das Ganze. Agentisches Marketing ist keine Eigenschaft des Modells, das du gewählt hast. Es ist eine Eigenschaft der Oberfläche, die deine Anbieter veröffentlichen. Sind die Tools nur lesend, berichtet dein Agent. Gibt es keine Tools, schreibt dein Agent Texte. Die Frage nach der Fähigkeit und die Frage nach der Beschaffung sind dieselbe Frage, weshalb sich die Definitionen, die diese Ebene überspringen, so angenehm lesen und so schwer umsetzbar sind. Wenn du das größere Bild der Kanäle willst, über die ein Agent handeln würde, deckt unser Web3-Marketing-Pillar sie ab und was sie kosten.

Warum eine Tool-Liste ein Beweis ist und ein Tool-Label nur ein Hinweis

Das Model Context Protocol beantwortet die Frage, was ein Agent dir antun kann, indem es dir sagt, die Tool-Liste des Servers zu lesen, und sagt den Clients dann, der Liste nicht zu vertrauen, was sie über sich selbst behauptet. Der Hinweis darauf steht im Schema statt im Fließtext, was mit ein Grund ist, warum ihn so wenige gelesen haben.

Hier ist die Passage aus der ToolAnnotations -Schnittstelle im Schema der Spezifikation in Revision 2026-07-28:

HINWEIS: Alle Eigenschaften in ToolAnnotations sind Hinweise. Sie garantieren keine wahrheitsgetreue Beschreibung des Tool-Verhaltens (einschließlich beschreibender Eigenschaften wie title).

Und zum selben Thema, von der Tools-Seite:

Aus Gründen von Vertrauen, Sicherheit und Schutz MÜSSEN Clients Tool-Annotationen als nicht vertrauenswürdig betrachten, sofern sie nicht von vertrauenswürdigen Servern stammen.

Lass die Bedeutung davon kurz sacken. Die Antwort des Protokolls auf „Woher weiß ich, was dieses Ding mir antun kann“ lautet: lies die Liste. Die unmittelbar folgende Anweisung lautet: Die Liste ist eine Behauptung der Partei, die du gerade bewertest. Die Tool- Namen und Schemas sind tragend, denn das Modell ruft sie auf und der Server muss sie einhalten. Die daran gehängten Risikolabels sind die eigene Beschreibung des Servers über sein eigenes Verhalten.

Es gibt vier solcher Labels – readOnlyHint, destructiveHint, idempotentHint und openWorldHint – und zwei davon, destructiveHint und openWorldHint, sind standardmäßig true. Ein Tool ohne Label gilt daher als destruktiv und als eines, das die Außenwelt berührt – was die richtige Entscheidung ist und das Gegenteil dessen, was die meisten erwarten.

Das für eine Definition von agentischem Marketing entscheidende ist destructiveHint, wegen dessen, was es nicht abfragt. Es trennt Überschreiben von Hinzufügen. Schaden ist eine andere Achse, und das Schema hat dafür keine Spalte, sodass ein rein additiver Aufruf das folgenreichste sein kann, was ein Agent mit deinem Stack anstellt, und trotzdem von einem Server in völlig gutem Glauben als sicher gekennzeichnet wird. Was die einzelnen Flags in der Praxis bedeuten und wie ein echtes Listing aussieht, wenn man die Standardwerte anwendet, steht in der Anleitung nebenan.

Das ist auch die ehrliche Version dessen, was Marketer ständig Agent Washing nennen. Young Urban Project benennt es präzise: „Der häufigste Fehler ist Agent Washing: ein bestehendes Automatisierungs- oder Chatbot-Produkt zu nehmen und als agentisch umzubenennen, ohne die Planungs- oder Entscheidungsschicht darunter hinzuzufügen“, und ergänzt, dass „die Demo so geskriptet ist, dass sie genau die Lücke verbirgt, auf die es ankommt“. Eine Tool-Liste lässt sich viel schwerer skripten als eine Demo. Sie ist außerdem das einzige Artefakt in dieser ganzen Kategorie, das ein Käufer ohne die Mithilfe des Anbieters prüfen kann – weshalb wir eine separate Anleitung dazu geschrieben haben, wie man die Tools jedes MCP-Servers auflistet, bevor man ihn verbindet.

Wo die Genehmigungsgrenze liegt und wer sie setzen soll

Das Model Context Protocol sagt, dass immer ein Mensch im Loop sein sollte, mit der Fähigkeit, Tool-Aufrufe abzulehnen, und es sagt das der Client-Anwendung, als SHOULD statt als MUST. Nichts im Protokoll verpflichtet den Server, mit dem du dich verbindest. Wo deine Genehmigungsgrenze liegt, ist eine Entscheidung, die jemand getroffen hat – oft nicht du.

Der genaue Satz:

Aus Gründen von Vertrauen, Sicherheit und Schutz SOLLTE immer ein Mensch im Loop sein, mit der Fähigkeit, Tool-Aufrufe abzulehnen.

Derselbe Sicherheitsabschnitt fordert Clients auf, „Tool-Eingaben dem Nutzer zu zeigen, bevor der Server aufgerufen wird, um bösartige oder versehentliche Datenexfiltration zu vermeiden“, und „Tool-Ergebnisse zu validieren, bevor sie an das LLM weitergegeben werden“. Beides richtet sich an den Client: das, was auf deiner Seite läuft, die Claude- oder ChatGPT- oder Inhouse-Harness, die das Modell hält. Bei einer schlichten Lesart des Protokolls ist die Sicherheit deines agentischen Marketings also Aufgabe deines Clients, und der Server, mit dem du dich verbunden hast, schuldet dir nichts außer einer ehrlichen Tool-Liste.

Die Kategorie weiß das und ist sich nicht ganz sicher, was sie dagegen tun soll. Anbieter-Leitfäden definieren einen Agenten routinemäßig durch die Abwesenheit eines Menschen und sagen dann weiter unten auf derselben Seite, wo man den Menschen wieder einsetzen soll; wir nehmen eine dieser Seiten in kann ein KI-Agent deine Community tatsächlich leitenauseinander. Beide Hälften sind aufrichtig. Die Definition ist für den Markt geschrieben, die Anweisung für den Einsatz, und in der Lücke dazwischen wird jede echte Entscheidung über Autonomie tatsächlich getroffen.

Die Version, für die es sich zu streiten lohnt, ist weder „volle Autonomie“ noch „alles genehmigen“. Sie besagt, dass die Grenze eine Einstellung pro Entscheidung ist, mit Kosten auf beiden Seiten, und dass der Mechanismus, der sie durchsetzt, selbst Software ist, die versagen kann – was der Discord-Moderationsfehler Anfang dieses Jahres gezeigt hat, bei dem der menschliche Prüfschritt im veröffentlichten Design existierte und ein Bug ihn aus dem Ablauf entfernte. Wir haben separat darüber geschrieben, was das dafür bedeutet, einen Agenten eine Community leiten zu lassen , weil es mehr als einen Nebensatz verdient.

Inzwischen gibt es auch eine gemessene Antwort darauf, welche Aufrufe das Gate verdienen, und sie entspricht nicht der Intuition. SABER: Small Actions, Big Errors – Safeguarding Mutating Steps in LLM Agents, von Alejandro Cuadron, Pengfei Yu, Yang Liu und Arpit Gupta, eingereicht am 26. November 2025, untersucht, wo eine aus dem Ruder laufende Trajektorie eines Tool-nutzenden Agenten dich tatsächlich etwas kostet. Er berichtet: „Im Gegensatz dazu haben Abweichungen bei nicht-mutierenden Aktionen kaum oder gar keine Auswirkung.“ Der unmittelbar vorangehende Satz liefert die andere Seite: Jede zusätzliche Abweichung bei einer mutierenden Aktion senkt die Erfolgswahrscheinlichkeit um bis zu 92 % in einer seiner beiden Domänen und um bis zu 96 % in der anderen, bei modernsten Modellen. Fehler konzentrieren sich auf die Aufrufe, die den Zustand ändern.

Die Design-Schlussfolgerung ist unspektakulär und billig: Schotte die Schreibvorgänge ab, lass die Lesevorgänge in Ruhe und höre auf, „Human in the Loop“ als einen einzigen Regler mit einer einzigen Einstellung zu behandeln. Zealys Server funktioniert zufällig so, und wir sollten klarstellen, dass wir das nicht aus diesem Paper abgeleitet haben – das Paper kam nach dem Design und stimmt ihm zu, was schwächer ist als evidenzgeleitetes Engineering und stärker als nichts. Eine Einschränkung geht mit der Zitation einher: SABER dokumentiert Annotationsfehler in dem Benchmark, auf dem es aufbaut, und veröffentlicht eine korrigierte Version, was ein guter Grund ist, ältere Tool-Agent-Benchmark-Werte nicht so zu zitieren, als beschrieben sie noch aktuelle Modelle. Der andere Grund, bei einer einzelnen Zahl hier vorsichtig zu sein, ist, dass Agentenversagen weitgehend ein Varianzproblem ist – die Multi-Turn-Forschung teilt die Verschlechterung in einen geringen Verlust an Fähigkeit und einen starken Anstieg an Unzuverlässigkeit auf, was ein anderes Managementproblem ist, als wenn ein Modell einfach nicht gut genug ist.

Dasselbe Muster „dem Implementierer überlassen“ setzt sich eine Ebene tiefer fort, beim vierten Teil unserer Definition. Wir haben am 18. August 2026 sieben Spezifikations- und Sicherheitsseiten heruntergeladen und durchsucht: Das Bedrohungsmodell der Spezifikation ist ein Autorisierungs- und Transport-Bedrohungsmodell, das unter anderem Confused Deputy, Token-Passthrough, Server-Side Request Forgery und einen kompromittierten lokalen Server abdeckt, während der Angriff auf die Modellebene den Implementierern überlassen bleibt. Auf den von uns heruntergeladenen Seiten kommt der Begriff „Prompt Injection“ nicht vor; die vier Treffer für „Injection“ im Dokument zu Sicherheits-Best-Practices sind Cross-Site-Scripting, Shell-Command-Injection und Remote Code Execution. Das ist keine Beschwerde über eine Transportspezifikation, die sich selbst einen Geltungsbereich geben darf. Es ist eine Aussage darüber, welche Hälfte des Problems man erbt, sobald man etwas verbindet, und darüber, warum eine Vertrauensgrenze für zurückgegebene Daten jemandes ausdrückliche Aufgabe sein muss statt eine angenommene Eigenschaft des Protokolls.

Zealy verfehlt seine eigene Definition, und hier zeigt sich

Nach den strengsten Definitionen in diesem Beitrag – Young Urban Projects „ohne dass ein Mensch jeden einzelnen Schritt genehmigt“ und Netcores „ohne dass bei jedem Schritt eine menschliche Genehmigung erforderlich ist“ – betreibt Zealy kein agentisches Marketing. Jeder Schreibvorgang über Zealys Agenten-Oberfläche hält für einen Menschen an, und die Schreibvorgänge sind ausgeschaltet, bis ein Operator sie einschaltet.

Das sagen wir lieber, als die Argumentation später zu verlieren. Hier ist die vollständige Bewertung gegen unsere eigenen vier Teile, aus erster Hand und ungeprüft.

Alle vier sind vorhanden, was der einfache Teil ist. Der dritte ist für das Label falsch herum eingestellt. Zealys Server legt das Genehmigungs-Gate auf die Serverseite, was mehr ist, als das Protokoll von einem Server verlangt, und mehr, als eine strenge Definition von agentischem Marketing erlaubt. Die Tool-Oberfläche selbst ist groß genug, um eine Prüfung wert zu sein – 72 benannte Tools zum Zeitpunkt unserer Zählung – aber die Zahl ist nicht der Punkt. Die Einstellung ist es.

Wir können auch keine Konsistenz über das gesamte Produkt beanspruchen. Zealy liefert außerdem einen KI-Reviewer, der einen Quest-Claim von selbst abschließt, ohne einen Menschen in diesem Pfad: dasselbe Unternehmen, die entgegengesetzte Einstellung, bei einer Entscheidung, die berührt, ob ein Mitglied bezahlt wird. Beide Entscheidungen sind vertretbar; was wir nicht ehrlich sagen können, ist, dass es eine unternehmensweite Antwort darauf gibt, wie viel Autonomie angemessen ist.

Also nimm das Label ab. Was Zealy tatsächlich bietet, ist eine agentenlesbare Oberfläche mit einem menschlichen Commit-Schritt, was ein langweiliger Name für das ist, was die meisten Teams zuerst wollen sollten. Wenn du die Mechanik der Anbindung willst, sind die MCP-Integrationsdokumente maßgeblich, und dieser Beitrag wiederholt sie bewusst nicht; wenn du die ältere, breitere Oberfläche darunter willst, decken die API-Dokumente sie ab. Und wenn du das Produkt noch nie benutzt hast, was Zealy ist ist der kürzere Einstieg.

Was du fragen solltest, bevor du etwas kaufst, das sich agentisches Marketing nennt

Verlange die Tool-Liste. Ein Anbieter, der agentisches Marketing verkauft, kann dir entweder die benannten Operationen zeigen, die ein Agent bekommt, mit den zugehörigen Berechtigungen, oder er kann es nicht. Alles andere – die Planungssprache und die zielstrebige Sprache und die Demo – ist vereinbar mit einem Chatbot, der an ein Formular angeschlossen ist, und dafür hat Young Urban Project einen Namen.

Fünf Fragen, in der Reihenfolge, die dir die meiste Information für die wenigste Meeting-Zeit liefert:

1. „Welche Operationen bekommt der Agent, mit Namen?“ Wenn die Antwort ein Fähigkeitssatz statt einer Liste ist, hast du deine Antwort. Wenn es eine Liste ist, lies sie auf Verben. Lesen, schreiben, löschen, senden, veröffentlichen, bezahlen.
2. „Welche davon können ohne mich handeln?“ Nicht „gibt es einen Human in the Loop“: Diese Frage bekommt von jedem ein Ja. Frag, welche konkreten Aufrufe den Menschen überspringen und wer diese Aufteilung gewählt hat.
3. „Was passiert mit Text, den ein Kunde geschrieben hat, wenn der Agent ihn liest?“ Sie fragen, ob Tool-Ergebnisse als Daten oder als potenzielle Anweisungen behandelt werden. Ein Anbieter, der darüber nachgedacht hat, wird sofort antworten, denn das ist der Fehlermodus, der seine Entwickler nachts wach hält.
4. "Was bedeuten Ihre Risikokennzeichnungen?" Prüfen Sie die Antwort dann anhand der Spezifikation statt anhand des Verkaufsdecks, und fragen Sie nach den Standardwerten – die meisten Menschen raten sie falsch herum.
5. "Was kann es nicht?" Eine Liste der Grenzen ist das günstigste mögliche Glaubwürdigkeitssignal, und fast niemand veröffentlicht eine. Ihr Fehlen ist kein Beweis für irgendetwas. Ihre Existenz ist viel wert.

Zuletzt ist die Reihenfolge zu erwähnen, denn die Kaufentscheidung ist hier meist falsch getaktet. Die meisten Teams, die agentisches Marketing evaluieren, haben noch nicht festgehalten, welche ihrer wiederkehrenden Aufgaben sicher abzugeben sind und welche nicht – und diese Entscheidung ist dieselbe, ob die Hände nun einem Auftragnehmer, einem Moderator oder einem Modell gehören. Wie man Community-Aufgaben delegiert arbeitet das mit Menschen durch, und die Analyse lässt sich nahezu unverändert übertragen. Tun Sie das zuerst. Der Agent wird noch da sein, und Sie werden wissen, welche Tools Sie ihm tatsächlich geben wollen.