Künstliche Intelligenz ist längst fester Bestandteil des Programmatic Advertising – teils im Verborgenen, oft unter anderem Namen. Stephan Jäckel, CEO von emetriq, erklärt, wie sich datengetriebenes Marketing derzeit verändert, warum anonymes Targeting realistisch wird und weshalb der nächste Technologiesprung nicht nur technisch, sondern auch gesellschaftlich relevant ist.
Herr Jäckel, wie wichtig ist Künstliche Intelligenz inzwischen im Programmatic Advertising?
KI spielt im Programmatic Advertising von Anfang an eine maßgebliche Rolle. Schon zu Beginn haben wir beispielsweise in unseren Bidding-Verfahren mit logistischer Regression gearbeitet, später mit neuronalen Netzen. Diese Verfahren waren faktisch schon KI, wurden damals jedoch als Machine Learning bezeichnet. Neu ist heute vor allem der Einsatz generativer KI, etwa bei der automatisierten Erstellung und Personalisierung von Creatives.
Was hat sich seitdem verändert?
Die neuen Entwicklungen rund um generative KI und Large Language Models bringen das Thema jetzt auf eine neue Ebene. Das liegt nicht nur an der Technologie selbst, sondern auch an der Infrastruktur: Cloud Computing, APIs, riesige Rechenleistungen – das alles war vor fünf Jahren so nicht verfügbar.
Ich sehe aktuell drei große Einsatzfelder für KI im Marketing:
Erstens verändert sich das sogenannte Attention Game. Die Art, wie Menschen Informationen konsumieren, verschiebt sich. Suchmaschinen zeigen nicht mehr nur Links, sondern liefern fertige Antworten. Interfaces wie ChatGPT oder Perplexity verändern das Nutzerverhalten. Das beeinflusst, wie und wo Werbung überhaupt noch sichtbar wird.
Zweitens verändert generative KI die Produktion von Werbemitteln. Inzwischen können mit wenigen Textvorgaben ganze Banner generiert oder Videos erstellt werden – automatisch, in Sekunden. Das stellt Agenturen und Kreativabteilungen vor neue Herausforderungen.
Drittens geht es um das datengetriebene Targeting, also den Maschinenraum der Werbung. Hier verändert KI die Art, wie wir Zielgruppen modellieren, Budgets allokieren oder Vorhersagen treffen. Vor allem aber: Wir können mit deutlich weniger personenbezogenen Daten auskommen und trotzdem sehr präzise Ergebnisse erzielen.
Das klingt nach einem Paradigmenwechsel: weg vom detaillierten Tracking, hin zu anonymen Mustern?
Genau. Früher galt: Je mehr Daten über eine Person, desto besser. Wir haben versucht, möglichst vollständige Profile zu erstellen, vergleichbar mit einem Puzzle, bei dem das Motiv erst erkennbar wird, wenn ausreichend viele Teile zusammengefügt werden. Heute ist das anders. KI kann Muster auf Basis weniger Informationen erkennen. Es reicht oft ein Ausschnitt, um das Gesamtbild zu antizipieren. Die Konsequenz: Wir brauchen nicht mehr die ganze Historie der Nutzer*innen, um relevante Werbung auszuspielen.
Dabei wird der Unterschied zwischen pseudonymen und anonymen Daten zentral. Cookies oder mobile IDs sind pseudonym; sie enthalten keinen Klarnamen, lassen sich aber potenziell zurückverfolgen und zwar beispielsweise dann, wenn Nutzer:innen in einem Browser, in dem eine Cookie ID gespeichert wurde, erneut eine Webseite aufrufen, oder wenn sie mit dem Device, dem eine Mobile Ad ID zugeordnet ist, erneut einen Online-Dienst nutzen. In diesen Fällen können sie mit Informationen in Verbindung gebracht werden, die zuvor unter diesen pseudonymen IDs gespeichert wurden. Anonyme Daten hingegen sind so aggregiert oder abstrahiert, dass eine Rückverfolgung nicht mehr möglich ist.
Wie funktioniert Targeting auf dieser anonymen Basis konkret?
Die Ansprache basiert nicht auf der Wiedererkennung eines Identifiers, sondern auf der Erkennung anonymer Nutzungsmuster. So entsteht eine Art Rezept für die relevanten User in einer bestimmten Zielgruppe. Für die Zusammenstellung dieses Rezepts ist eine Profilierung notwendig, jedoch ausschließlich in anonymisierter Form.
Ein stark vereinfachtes Beispiel aus dem Sportbereich: Ein Hersteller möchte Laufschuhe an aktive Sportler vermarkten. Normalerweise würde man versuchen, die Zielgruppe über die Profilierung personenbezogener Daten, also mit Hilfe von IDs, zu identifizieren. Heute genügt ein anonym entwickeltes Muster. Es beschreibt User, die als aktive Sportler:innen mit Interesse an neuen Laufschuhen gelten. Das System hat gelernt, dass die „Sport-Aktiv“-Zielgruppe zum Beispiel eine überproportional hohe Nutzung von iPhones aufweist, sich am Morgen im Umfeld von Grünanlagen bewegt und häufig Wetter-Apps nutzt. In Abgrenzung dazu zeigt sich möglicherweise, dass Menschen mit einem Interesse an Sport aus einer „Fan“-Perspektive überproportional Android-Geräte nutzen, sich samstags um 15:30 Uhr in der Nähe von Stadien aufhalten und insbesondere Apps nutzen, die Sportergebnisse anzeigen und Sport-Streaming-Apps nutzen. Auf dieser Grundlage kann der Sporthersteller die Zielgruppe „Sport-Aktiv“ mit Werbung zu Laufschuhen präzise ansprechen. Die Fan-Zielgruppe dagegen mit anderen Produkten und Creatives, aus dem Lifestyle-Segment.
Es geht also nicht darum, eine konkrete Person wiederzuerkennen, sondern darum, den Kontext zu verstehen und den Moment, in dem eine Botschaft Sinn ergibt. Das Besondere daran ist, dass sich so unser Verständnis von Zielgruppen stets weiterentwickelt. Werbetreibende sind so nicht nur in der Lage, relevante User anzusprechen, sondern können gleichzeitig auch die Werbewirkung zu optimieren. Dafür können etwa erweiterte First-Party-Daten und Impact-Metriken der Werbetreibenden in die anonymen Modelle einfließen. So gelingt präzises, datenschutzkonformes Targeting. Und es zeigt: Weniger Tracking kann mehr Relevanz bedeuten.
Kann anonymes Targeting wirklich zur Alternative werden, auch im Wettbewerb mit großen Plattformen?
Die Diskussion läuft bereits. Erste Plattformen experimentieren mit anonymen Modellen, sensible Kategorien sind zunehmend ausgeschlossen, und auch das Nutzerverhalten verändert sich. TikTok zum Beispiel basiert nicht mehr auf sozialen Verbindungen, sondern auf einem Content-Graph. Der Algorithmus analysiert, welche Inhalte konsumiert werden, und zieht daraus Rückschlüsse unabhängig von den demographischen Merkmalen der Person dahinter.
Ich glaube, wir steuern auf einen gesellschaftlichen Kipp-Punkt zu. Es ist wie beim Wechsel vom Verbrennungs- zum Elektromotor: Anfangs mag es Einschränkungen und Skepsis geben, aber mittelfristig überwiegen die Vorteile. Für Werbung heißt das: weniger Tracking, mehr Vertrauen und am Ende auch bessere Ergebnisse.
Welche Rolle spielen dabei die Politik oder der Gesetzgeber?
Der EU AI Act oder die ePrivacy-Verordnung setzen den Rahmen. Die Branche muss reagieren oder besser noch: proaktiv zeigen, dass effektive Werbung auch datensparsam funktionieren kann. Wenn wir gemeinsam belegen, dass anonymes Targeting eine ähnliche Performance liefert wie personalisierte Modelle, eröffnet sich die Chance auf einen neuen Standard. Einen, der wirtschaftlich funktioniert und gesellschaftlich vertretbar ist.
Interview: Helmut van Rinsum
Stephan Jäckel ist Geschäftsführer von T Advertising Solutions, dem Werbeökosystem der Deutschen Telekom und Marke der hundertprozentigen Tochter emetriq. Zudem verantwortet er die operativen Geschäfte von emetriq, berät den Telekom-Vorstand zu Advertising- und Datenthemen und initiierte das AdTech-Joint-Venture Utiq, dessen Aufsichtsrat er angehört. Zuvor war er u. a. bei xplosion und Interactive Media tätig und baute bei emetriq den größten kollaborativen Datenpool der deutschen Digitalwirtschaft auf.
