Die reflexhafte Kritik an der Plattform-Automatisierung lautet: Blackbox, Kontrollverlust, Ausgeliefertsein. Das ist verständlich, greift aber zu kurz. Wer 2026 manuell bietet, verliert Auktionen gegen Maschinen, die in Millisekunden Milliarden Signale verrechnen. Google selbst verspricht für Search-Kampagnen mit Smart Bidding Exploration im Schnitt 27 Prozent mehr einzigartige konvertierende Nutzer. Das ist zwar eine Herstellerangabe, keine unabhängige Messung aber die Richtung ist eindeutig: Funktionen wie Journey-aware Bidding und Demand-led Pacing übergeben der KI nicht mehr nur einzelne Gebote, sondern ganze Customer-Journeys und Budgetverläufe.

Das eigentliche Problem sitzt eine Ebene tiefer. Eine KI, die auf Conversions optimiert, optimiert exakt auf das, was wir ihr als Conversion definieren. Nicht mehr, nicht weniger. Laut dem aktuellen Marketing Tech Monitor verfügen aber nur sechs Prozent der Unternehmen über wirklich hochwertige Daten, 55 Prozent schätzen ihre Datenqualität selbst als niedrig ein. Gleichzeitig ist KI die meistgenannte strategische Priorität. Wir bauen also immer mächtigere Optimierungsmaschinen und betanken sie zugleich mit Signalen, denen wir selbst nicht trauen. Eine Smart-Bidding-Strategie, die auf ein kaputtes Conversion-Tracking optimiert, ist keine künstliche Intelligenz. Sie ist automatisierte Verschwendung mit hoher Geschwindigkeit.

Im Tourismusmarketing, dem Feld, in dem wir überwiegend arbeiten, ist das besonders spürbar: lange Customer-Journeys, viele weiche Ziele, Buchungen, die oft erst Wochen nach der ersten Inspiration fallen. Die Reihenfolge der Projekte hat sich darum komplett gedreht. Früher stand das Kampagnen-Setup am Anfang, das Reporting kam „danach“. Heute beginnt fast jedes Mandat mit der Dateninfrastruktur: sauberes GA4-Setup, Server-Side-Tracking, korrekt implementierter Consent-Mode und eine Conversion-Architektur, die ein Newsletter-Abo von echter Buchungsabsicht unterscheiden kann. Denn jedes Signal, das an die Plattform zurückfließt, ist eine Steuerungsentscheidung: Wer der KI Danke-Seiten-Klicks liefert, bekommt billige Danke-Seiten-Besucher. Wer Conversion-Werte nach Marge, Saison und Gästewert differenziert, bekommt Gäste.

Bei einer großen städtischen Tourismusorganisation brachte am Ende kein neues Kampagnenformat den größten Fortschritt, sondern ein Dashboard, das Website-, Social-, Kampagnen- und Offline-Daten erstmals in eine gemeinsame Sicht zusammenführte. Erst damit ließ sich ernsthaft über Budgetallokation sprechen und der Maschine anschließend die richtigen Ziele vorgeben. Die Pointe daran: Die Algorithmen der Plattformen stehen jedem Wettbewerber gleichermaßen zur Verfügung. Die eigenen Daten und Signale sind das Einzige, was niemand kopieren kann.

Wie schnell neue Messlücken entstehen, zeigt sich derzeit in den Dashboards unserer Tourismuskunden: Traffic aus KI‑Assistenten. Reiseentscheidungen fallen zunehmend im Chat. Auf Fragen wie „Welches Wellnesshotel in Tirol hat das beste Spa?“ antworten ChatGPT, Gemini oder Perplexity mit konkreten Empfehlungen samt Link. Bei einer alpinen Outdoor-Destination, die wir betreuen, zählten wir zwischen Anfang Juni und Anfang Oktober 2.618 KI-Besuche, ein Plus von 179,7 Prozent gegenüber dem Vorjahreszeitraum; weit über 90 Prozent davon kamen über ChatGPT. Noch liegt der Anteil am Gesamttraffic bei rund 0,7 Prozent, die Dynamik zeigt aber, warum sich die separate Beobachtung schon heute lohnt, zumal Direct- und Referral-Traffic im selben Konto gegenüber dem Vorjahr nachgeben. Eine direkte Verschiebung lässt sich daraus nicht ableiten, ein Auftrag zur systematischen Beobachtung neuer Einstiegspunkte sehr wohl. Bemerkenswert ist zudem die Qualität: Mit einer Engagement-Rate von 73,6 Prozent, also dem Anteil der Sitzungen mit echter Interaktion, liegen KI-Besucher über dem Durchschnitt des gesamten Kontos von rund 70 Prozent. Wer aus einer KI-Beratung kommt, bringt offenbar schon ein konkretes Interesse mit. Auch erste Conversions, hier harte Ziele wie Buchungen oder Ticketkäufe, trägt der Kanal bei. Die Conversion-Rate je Sitzung liegt bereits mindestens und in einigen Fällen sogar über dem Niveau des Konto-Durchschnitts.

Das Problem daran: In Standard-Setups war dieser Kanal lange praktisch unsichtbar. Google Analytics vermischte KI-Besuche mit Referral- und Direct-Traffic und ein eigener Standard-Channel namens „AI Assistant“ existiert erst seit Mai 2026, erfasst aber nur eine Handvoll Quellen und klassifiziert nicht rückwirkend. Saubere Vorjahresvergleiche über die Standardklassifizierung fehlen daher. Wir haben deshalb eine eigene Messlogik aufgebaut, die über 80 KI-Quellen rückwirkend als eigenen Kanal ausweist. Validiert haben wir sie über zwei voneinander unabhängige Messwege: eine Referrer-basierte Kanalgruppierung direkt in Google Analytics und eine davon getrennte Auswertung der Rohdaten. Beim Pilotkunden lag die Abweichung unter einem Prozent. Entscheidend ist dabei nicht das Werkzeug, sondern der Umgang damit: Wer neue Kanäle erst misst, wenn die Plattformen ein fertiges Reporting liefern, entscheidet im Blindflug. Und zwar über einen Kanal, der zur Eintrittskarte wird – ein Haus, das die KI nicht kennt und empfiehlt, existiert für diese Gäste schlicht nicht. Die Messung ist der erste Schritt, die Optimierung der eigenen KI-Sichtbarkeit der logische zweite.

Die zweite Verschiebung betrifft die Kreation. Wenn die Plattform-KI die Zielgruppen weitgehend selbst findet, bleibt dem Advertiser ein dominanter Input: das Creative und dessen Ausgestaltung. Motive, Sprache und Hooks entscheiden wesentlich mit darüber, welche Nutzer der Algorithmus auswählt – ob das Bergpanorama die Familien erreicht oder das Spa-Motiv die Paare. Generische, massenhaft KI-generierte Motive skalieren Volumen, aber keine Wirkung. Wer dagegen strukturiert testet, welche Botschaften welche Segmente bewegen, füttert die Auslieferungs-KI mit echter Varianz und gewinnt nebenbei Zielgruppen-Erkenntnisse, für die früher Marktforschung nötig war.

Dazu kommt die Datengrundlage von morgen. Google hat die Abschaffung der Third-Party-Cookies in Chrome zwar abgesagt, als Planungsgrundlage taugen sie trotzdem immer weniger: Safari und Firefox blockieren sie längst, Consent-Raten begrenzen das signalbasierte Tracking. Die Antwort ist eine Kombination aus sauber erhobenen First-Party-Daten mit echtem Mehrwert für die Gäste und aus kontextuellen, KI-gestützten Ansätzen im Open Web, die Zielgruppen über redaktionelle Umfelder statt über persönliche Profile erreichen. Auch die Erfolgsmessung wandert vom Cookie ins Modell: Anspruchsvollere Verfahren wie Marketing-Mix-Modelling und Causal AI nutzen laut Marketing Tech Monitor erst 13 Prozent der Unternehmen. Dabei werden genau diese Verfahren künftig die Grundlage dafür liefern, wie Unternehmen ihre Budgets über Kanäle verteilen, wenn die Attribution auf Nutzerebene immer weniger hergibt.

Zusammengezählt ergibt das ein neues Berufsbild. Der Performance-Marketer definiert die Ziele, auf die Maschinen optimieren, verantwortet die Qualität der Signale, aus denen sie lernen, und übersetzt Daten in Entscheidungen, die keine Plattform für ein Haus oder eine Destination treffen kann. Dazu gehört die kritische Distanz zu Empfehlungen von Absendern, die zugleich Verkäufer sind. Datenarchitektur wird damit zur Kerndisziplin des Marketings, nicht zum IT-Anhängsel.

Meine These deshalb: Die Gewinner der KI-Ära im Performance-Marketing werden nicht die sein, die am schnellsten jede neue Automatisierungsfunktion aktivieren. Es werden diejenigen sein, die ihrer KI die richtigen Ziele und die besseren Signale mitgeben: saubere Daten, differenzierte Conversion-Werte und mutige Creatives. Die den KI-Traffic messen, bevor es alle tun, und in enger Abstimmung mit SEO- und GEO-Expertinnen und -Experten den gesamten Funnel mitdenken, von der ersten Frage an den Chatbot bis zur Buchung. Die Maschine optimiert. Wohin, das entscheiden immer noch wir.