KI im Marketing: Was Personalisierung im Mittelstand wirklich bedeutet

Personalisierung im Marketing wird meist an Beispielen erklärt, die für den Mittelstand nicht gelten. Amazon empfiehlt Produkte auf Basis von Millionen Kaufvorgängen, Netflix auf Basis von Milliarden Sehminuten. Ein Maschinenbauer mit 60 Beschäftigten hat weder das eine noch das andere. Trotzdem ist Personalisierung für ihn erreichbar, nur über einen anderen Weg.

Das Wichtigste in Kürze: Personalisierung im Mittelstand entsteht nicht durch Verhaltensvorhersage aus großen Datenmengen, sondern durch regelbasierte Segmentierung aus Daten, die bereits im CRM liegen. Der häufigste Fehler ist der Einstieg über das ambitionierteste Werkzeug statt über den Kanal mit dem meisten Volumen. Der belegte Umsatzeffekt von 5 bis 15 Prozent gilt für Unternehmen mit sauberer Datenbasis, nicht als Durchschnitt aller Versuche.

Warum wirkt Personalisierung überhaupt?

Weil Relevanz die Aufmerksamkeitskosten senkt. Eine Nachricht, die zur Situation des Empfängers passt, muss weniger Überzeugungsarbeit leisten als eine, die für alle gleich formuliert ist. Das ist kein neuer Gedanke, sondern der Grund, warum ein guter Außendienstmitarbeiter vor dem Termin die Kundenakte liest.

Der messbare Effekt ist gut dokumentiert. Eine Untersuchung von McKinsey beziffert ihn auf 5 bis 15 Prozent zusätzlichen Umsatz bei gleichzeitig 10 bis 30 Prozent geringeren Marketingausgaben. Der zweite Teil wird häufig übersehen und ist für kleinere Budgets der interessantere: Personalisierung spart vor allem Streuverluste.

Wichtig ist die Einschränkung, die in der Überschrift solcher Studien selten steht. Die Zahlen gelten für Unternehmen, die es richtig machen. Sie sind kein Durchschnitt über alle Versuche, und sie sagen nichts darüber, wie viele Anläufe vorher nötig waren.

Was heißt Personalisierung im Mittelstand konkret?

Nicht Verhaltensvorhersage, sondern Segmentierung. Der Unterschied entscheidet darüber, ob ein Projekt in Wochen oder in Jahren rechnet.

Große Handelsplattformen personalisieren prädiktiv: Sie sagen aus Verhaltensmustern vorher, was ein einzelner Nutzer als Nächstes wahrscheinlich kauft. Dafür braucht es sehr viele vergleichbare Vorgänge. Ein B2B-Unternehmen mit 200 Kunden und einer Kaufentscheidung pro Kunde und Jahr hat diese Datengrundlage nicht und wird sie auch nicht bekommen.

Was es stattdessen hat, ist etwas anderes: wenige, aber sehr aussagekräftige Merkmale. Branche, Unternehmensgröße, bisherige Bestellungen, offene Angebote, Phase im Kaufprozess, letzter Kontakt. Aus diesen Merkmalen lassen sich Segmente bilden, die deutlich schärfer sind als alles, was ein Empfehlungsalgorithmus aus anonymen Klicks ableitet.

Die zweite Zeile ist der Einstieg für die meisten mittelständischen Unternehmen. Sie ist unspektakulär, sie taucht in keiner Konferenzpräsentation auf, und sie funktioniert mit dem, was ohnehin da ist.

Welche Daten liegen bereits vor?

In fast jedem Unternehmen vier Quellen, die selten zusammengeführt sind:

• Das CRM. Firmendaten, Ansprechpartner, Historie, Angebotsstatus. Meist die beste Quelle und meist die am schlechtesten gepflegte.
• Das ERP oder die Buchhaltung. Was wurde tatsächlich gekauft, in welcher Frequenz, mit welchem Volumen. Härter als jede Verhaltensannahme, weil es abgerechnet wurde.
• Der E-Mail-Verkehr. Welche Fragen kommen wiederholt, welche Themen tauchen vor einem Abschluss auf.
• Die Website. Welche Seiten sehen Interessenten vor einer Anfrage. Auch ohne Drittanbieter-Tracking auswertbar.

Der Hebel liegt nicht darin, neue Daten zu sammeln, sondern die vorhandenen zusammenzuführen. Genau daran scheitern die meisten Projekte, und zwar bevor überhaupt ein KI-Modell im Spiel ist. Wie sich dieser Zusammenführungsaufwand systematisch angehen lässt, beschreibt der Beitrag Prozessautomatisierung im Backoffice.

Welche Anwendungsfälle sind realistisch?

1. Segmentierte Ansprache im Bestand

Die Kundenliste wird nach zwei bis drei Merkmalen geteilt, und jedes Segment bekommt eine eigene Fassung derselben Nachricht. Kein Modell muss etwas vorhersagen, die KI schreibt lediglich die Varianten und passt Tonalität und Beispiele an das Segment an.

Das ist der Einstieg mit dem besten Verhältnis von Aufwand zu Wirkung, weil das Ergebnis direkt messbar ist: Öffnungsrate und Antwortrate je Segment gegen die vorherige Sammel-Mail.

2. Dynamische Inhalte auf der Website

Besucher aus einer bestimmten Branche oder Region sehen andere Referenzen und andere Beispiele. Technisch anspruchsvoller, weil die Zuordnung erfolgen muss, bevor der Inhalt ausgeliefert wird.

Hier ist eine Warnung angebracht, die selten ausgesprochen wird: Dynamische Inhalte können der Sichtbarkeit in Suchmaschinen und KI-Systemen schaden, wenn Kerninhalte erst clientseitig entstehen. Viele Crawler führen kein JavaScript aus. Was erst im Browser zusammengesetzt wird, existiert für sie nicht. Personalisierung gehört deshalb in die Randbereiche einer Seite, nicht in ihren Kern.

3. Vorqualifizierung im Erstkontakt

Ein Chat- oder Telefonassistent stellt die Fragen, die ohnehin jedes Erstgespräch eröffnen, und ordnet den Interessenten anhand der Antworten einem Segment zu. Das personalisiert nicht die Werbung, sondern den Vertriebsprozess dahinter, und es ist im B2B meist der wertvollste der drei Fälle. Wie das technisch aussieht, steht auf der Seite zum KI-Chatbot für Vertrieb und Support.

Was gilt rechtlich?

Personalisierung berührt zwei Regelwerke, und beide werden in Marketing-Beiträgen zu diesem Thema meist übergangen.

Die DSGVO verlangt für die Verarbeitung personenbezogener Daten eine Rechtsgrundlage nach Artikel 6. Für Segmentierung im Bestandskundenverhältnis kommt häufig das berechtigte Interesse in Betracht, was eine dokumentierte Abwägung voraussetzt. Für Tracking über Drittanbieter ist eine Einwilligung erforderlich. Artikel 22 DSGVO begrenzt zusätzlich vollautomatisierte Einzelentscheidungen, die rechtliche Wirkung entfalten; klassische Marketing-Segmentierung fällt in der Regel nicht darunter, eine automatisierte Bonitäts- oder Konditionsentscheidung sehr wohl.

Der EU AI Act greift bei der Transparenz. Seit dem 2. August 2026 gilt Artikel 50: Wer mit einem KI-System interagiert, muss das erkennen können. Für einen personalisierten Newsletter-Textbaustein greift das nicht unmittelbar, für den Chatbot in Anwendungsfall drei sehr wohl. Die Einzelheiten stehen im Beitrag zur KI-Kennzeichnungspflicht nach Artikel 50. Hinzu kommt die Kompetenzpflicht aus Artikel 4, die Unternehmen verpflichtet, Beschäftigte im Umgang mit den eingesetzten Systemen zu schulen; was das konkret verlangt, behandelt der Beitrag zur KI-Kompetenzpflicht.

Warum scheitern die meisten Projekte?

Nicht am Modell, sondern an der Datenbasis und am Zuschnitt. Eine Untersuchung des MIT Project NANDA aus dem Jahr 2025 kommt zu dem Ergebnis, dass rund 95 Prozent aller generativen KI-Pilotprojekte keinen messbaren ROI liefern, fast immer wegen fehlender Integration in vorhandene Prozesse und Systeme.

Bei Personalisierung kommt ein zweiter Mechanismus hinzu, der sie riskanter macht als andere KI-Anwendungen: Falsche Personalisierung ist schlechter als keine. Eine Sammel-Mail, die niemanden persönlich anspricht, wird ignoriert. Eine Mail, die den Empfänger falsch einordnet, mit dem falschen Namen anredet oder ein Produkt bewirbt, das er letzten Monat gekauft hat, beschädigt die Beziehung aktiv. Der Fehler ist sichtbar, und er wirkt wie Nachlässigkeit.

Daraus folgt eine Reihenfolge, die sich in der Praxis bewährt hat:

1. Daten bereinigen, bevor personalisiert wird. Dubletten, veraltete Ansprechpartner, falsch zugeordnete Firmen. Diese Arbeit ist undankbar und entscheidet über alles Weitere.
2. Ein Segment, ein Kanal, eine Messung. Nicht fünf Segmente gleichzeitig, weil sich sonst nicht zuordnen lässt, was gewirkt hat.
3. Eine Ausstiegsregel definieren. Was passiert, wenn die Zuordnung unsicher ist? Die richtige Antwort ist fast immer: die neutrale Variante ausspielen, nicht raten.
4. Erst danach ausweiten. Wenn ein Segment nachweislich besser läuft, kommt das nächste dazu.

Häufige Fragen zu KI im Marketing

Was bringt Personalisierung im Marketing messbar? McKinsey beziffert den Effekt bei Unternehmen, die Personalisierung erfolgreich umsetzen, auf 5 bis 15 Prozent mehr Umsatz und 10 bis 30 Prozent geringere Marketingausgaben. Entscheidend ist das Wort erfolgreich: Die Zahl gilt für Unternehmen mit sauberer Datenbasis, nicht als Durchschnitt aller Projekte.

Lohnt sich Personalisierung auch ohne große Datenmengen? Ja, aber anders als oft dargestellt. Für Verhaltensvorhersagen im Stil großer Handelsplattformen fehlt kleineren Unternehmen die Datenmenge. Was funktioniert, ist regelbasierte Segmentierung anhand von Daten, die ohnehin vorliegen: Branche, Unternehmensgröße, bisherige Käufe, Phase im Kaufprozess.

Welche Daten darf ich für Personalisierung überhaupt nutzen? Personenbezogene Daten nur auf einer Rechtsgrundlage nach Artikel 6 DSGVO, in der Praxis meist Einwilligung oder berechtigtes Interesse mit dokumentierter Abwägung. Artikel 22 DSGVO begrenzt zusätzlich automatisierte Einzelentscheidungen mit rechtlicher Wirkung. Bestandsdaten aus dem CRM sind für Segmentierung meist unproblematisch, Tracking über Drittanbieter dagegen einwilligungspflichtig.

Muss ich kennzeichnen, dass Inhalte von einer KI erstellt wurden? Für Chatbots und Voice-Agenten gilt die Transparenzpflicht nach Artikel 50 EU AI Act seit dem 2. August 2026. Für automatisch personalisierte Textbausteine in E-Mails greift diese Pflicht nicht unmittelbar, wohl aber für synthetische Bild- und Audioinhalte.

Warum scheitern so viele Personalisierungsprojekte? Weil sie an der Datenbasis scheitern, nicht am Modell. Das MIT Project NANDA kommt 2025 auf rund 95 Prozent generativer KI-Pilotprojekte ohne messbaren ROI, fast immer wegen fehlender Integration. Bei Personalisierung kommt hinzu: Widersprüchliche Kundendaten erzeugen falsche Ansprache, und die fällt Kunden sofort auf.

Womit sollte ein Mittelständler anfangen? Mit dem Kanal, in dem bereits Volumen liegt, und mit einer einzigen Unterscheidung. Zum Beispiel Bestandskunde gegen Neukunde und daraus zwei unterschiedliche Anschreiben. Wer mit einem Empfehlungssystem für den gesamten Shop beginnt, baut lange, misst spät und weiß am Ende nicht, was gewirkt hat.

Ersetzt KI-Personalisierung das Marketingteam? Nein. Sie verschiebt Arbeit von der Ausführung zur Entscheidung. Segmentlogik, Tonalität und die Frage, was überhaupt beworben wird, bleiben menschliche Entscheidungen. Was entfällt, ist das manuelle Zusammenstellen von Listen und Varianten.

Fazit

Personalisierung im Mittelstand ist kein kleineres Amazon, sondern eine andere Disziplin. Sie beginnt bei den Daten, die längst im CRM liegen, und bei der Frage, welche einzelne Unterscheidung den größten Unterschied macht. Der Rest ist Handwerk und Messung.

Der erste Schritt kostet einen Nachmittag: Exportieren Sie Ihre Kundenliste und prüfen Sie, wie viele Datensätze vollständig genug für zwei saubere Segmente sind. Das Ergebnis dieser einen Prüfung sagt mehr über die Machbarkeit aus als jede Werkzeugauswahl.

Quellen

• McKinsey & Company (2023): The Value of Getting Personalization Right
• MIT Project NANDA (2025), berichtet von Fortune: MIT report: 95% of generative AI pilots at companies are failing
• Salesforce (2024): State of the Connected Customer
• Verordnung (EU) 2024/1689 (EU AI Act), Artikel 4 und Artikel 50
• Verordnung (EU) 2016/679 (DSGVO), Artikel 6 und Artikel 22