Vom Reporting zum Feed: Warum euer Measurement-Setup heute schon agentenfähig sein muss

Wir arbeiten seit Mitte 2025 mit Schweizer Brands an der Frage, wie agentische KI-Systeme in produktive Marketing-Operations einziehen. In dieser Zeit ist uns ein Muster aufgefallen, das sich quer durch Industrien wiederholt — von Versicherern und Privatbanken über Pharma-Marken bis zu Retail-Gruppen mit eigener Performance-Abteilung. Das hauseigene Marketing Mix Modeling produziert wunderschöne Wochenfolien für den CMO, sauber annotiert, mit Channel-Beiträgen, ROI-Curves und Allokations-Vorschlägen. Diese Folien werden im Marketing-Meeting durchgesprochen, der CFO nickt, das Budget für das nächste Quartal wird angepasst. Soweit funktioniert das System. Was nicht funktioniert: die Agenten in der nachgelagerten Buy-Side und Sell-Side können diese Folien nicht lesen. Sie kennen die strategischen Empfehlungen aus dem MMM-Run vom letzten Montag schlicht nicht, weil das Resultat als PDF im Sharepoint liegt und nicht als Feed im Orchestrator. Das ist der Mismatch, an dem die meisten Schweizer Setups gerade scheitern.

Die Verschiebung, die diesen Mismatch verursacht, lässt sich in einem Satz fassen. Was gemessen wird, wird optimiert. Was nicht gemessen wird, existiert für den Agenten nicht. Diese Logik klingt selbstverständlich, ist aber in ihrer Konsequenz brutal. Ein Agent, der in einem DSP eine Mediabuchung in Echtzeit anpasst, kann nur auf Signale reagieren, die ihm in maschinenlesbarer Form vorliegen. Wenn die einzige Quelle für die Aussage 'Display hat dieses Quartal stärker gewirkt als das Last-Click-Modell suggeriert' eine PowerPoint-Folie ist, dann ist diese Information für den Agenten nicht existent. Sie taucht in seinen Entscheidungen nicht auf. Die Folge ist eine schleichende Konversions-Verzerrung: der Agent skaliert das, was er sehen kann — und das ist in den meisten heutigen Setups primär das Last-Click-Signal. Der Mid-Funnel hungert aus, Brand-Effekte werden übersehen, Consideration-Wirkung wird zu einem theoretischen Konstrukt im strategischen Deck. Das ist nicht hypothetisch. Wir haben dieses Muster in mehreren Pilots dokumentiert.

Genau hier wird MMM als Disziplin neu wichtig. Klassisches Marketing Mix Modeling ist seit den 1980er-Jahren ein strategisches Werkzeug — quartalsweise Studie, sechsstellig in der Bezahlung, ein bis zwei Mal pro Jahr aktualisiert. Diese Form von MMM passt nicht zur agentischen Welt, weil ihre Outputs für Menschen geschrieben sind. Was die neue Welt braucht, ist MMM als Steuerungs-Backbone: kontinuierlich trainiert, maschinenlesbar exportiert, mit Echtzeit-Feeds an die operativen Agenten gekoppelt. Die methodische Substanz bleibt — Bayesian-Inferenz, Adstock-Carryover, Saturation-Curves, Incrementality-Tests, Geo-Experimente. Was sich ändert, ist die Form, in der diese Erkenntnisse das System verlassen. Sie verlassen es nicht mehr als Folie, sondern als API. Nicht mehr als Quartal-Update, sondern als Streaming-Feed. Nicht mehr als CMO-Brief, sondern als JSON-Payload mit Audit-Hash.

Inhaltlich ist MMM dabei das einzige Verfahren, das die mittleren Funnel-Stufen ehrlich abbildet. Last-Click sieht nur den Klick vor der Konversion. Multi-Touch-Attribution sieht den Pfad, aber sie sieht ihn nur dort, wo Cookies und Identifier noch funktionieren — und das ist 2026 in der EU im freien Fall. MMM rechnet aggregat, ohne Personenbezug, und kann genau deshalb das messen, was die anderen Verfahren systematisch unterschätzen: Brand-Lift, Consideration-Effekte, Channel-Interaktionen, die langfristige Wirkung von Above-the-Line-Investitionen auf den Performance-Funnel. Wenn der Agent ohne diese Signale auskommt, optimiert er sich in die Konversions-Verzerrung hinein. Wenn er sie als Echtzeit-Feed eingespielt bekommt, kann er Trade-offs zwischen kurzfristigem Performance-Spend und mittelfristigem Brand-Investment tatsächlich abwägen. Das ist nicht akademisch. Das ist der Unterschied zwischen einem Stack, der nächstes Jahr immer noch funktioniert, und einem, der sich in den eigenen Last-Click-Schwanz beisst.

Wir bei mmm-wizard haben deshalb in den letzten zwölf Monaten genau diese Architektur als Produkt gebaut. Den methodischen Kern liefert Google Meridian, das wir in Zürich betreiben (europe-west6) — Bayesian-MMM mit MCMC-Sampling, Adstock und Saturation, kalibrierbar gegen Geo-Experimente und Incrementality-Tests. An dieser Stelle lohnt eine Abgrenzung, die in Anbieterunterlagen fast immer fehlt: Formal verifiziert ist in unserer Brand-Family die nachgelagerte Handelsschicht, nicht die Schätzung. Nexbid trägt 62 in Lean 4 maschinell geprüfte Theoreme ohne zugelassene Beweislücke — Budgeterhaltung beim Abzug, Zahlungsobergrenzen, Eindeutigkeit wiederholter Ausführungen — und ein CI-Schritt baut sie bei jeder Änderung neu. Das sichert, was mit einer Empfehlung geschieht, nachdem sie das MMM verlassen hat. Die Empfehlung selbst entsteht aus einem Bayesian-Modell und ist eine Schätzung mit Unsicherheitsbereich, kein Beweis. Auf der Roadmap steht eine zweite, methodisch unabhängige Schätzung als Gegenprobe — ein Kolmogorov-Arnold-Network, dessen gelernte Funktionen sich als Kurven zeigen lassen. Im MMM läuft das heute nicht.

Der entscheidende Schritt ist aber nicht das Rechnen — er ist das Ausspielen. Jede MMM-Empfehlung verlässt unseren Stack als AMDP-Payload, ein agent-marketing-data-protocol-Format, das wir innerhalb der opua-Brand-Family standardisiert haben. Diese Payload trägt den Channel-Mix-Vorschlag, die Konfidenz-Intervalle und einen Audit-Hash: SHA-256 über die kanonisierte JSON-Form mit sortierten Schlüsseln, sodass ein empfangendes System unabhängig nachrechnen kann, dass unterwegs nichts verändert wurde. Gelesen wird sie vom Digital Campaign Manager — DCM, dem taktischen Layer — als Steuerungs-Input für die Buy-Side-Agenten, und parallel von Nexbid, wo Sell-Side-Agenten markenseitig auf Inventar matchen. Der Export ist gebaut; die durchgehende Kopplung an DCM wartet auf dessen Seite. Wir beschreiben hier also eine Architektur im Aufbau, keine fertige Kette — das ist ein Unterschied, den man vor einem Pilotgespräch kennen sollte. Das ist der konkrete Bruch mit dem Wochenreport-Paradigma: die Empfehlung erscheint nicht mehr im Sharepoint, sie erscheint als Feed in dem Cockpit, das die Agenten ohnehin schon lesen. Wenn das MMM heute Nacht neu trainiert wird und morgen früh eine veränderte Brand-Display-Allokation empfiehlt, dann ist diese Veränderung um halb neun beim Buy-Side-Agenten angekommen, nicht erst am nächsten Marketing-Meeting.

Diese Architektur ist nicht aus einem einzelnen Produkt gebaut, sondern aus vier komplementären Schichten, die wir intern als Vier-Tier-Stack bezeichnen. DCM bildet Tier eins, die taktische Attribution mit Last-Click und Multi-Touch in Echtzeit. mmm-wizard ist Tier zwei, der strategische Backbone mit Bayesian-Inferenz. Nexbid steht für Tier drei, die agentische Aktivierung über Buy-Side- und Sell-Side-Protokolle. AiCMO schliesslich liefert Tier vier, die AI-Citation-Attribution für die neue Sichtbarkeit in LLM-Outputs. Die vier Tiers sind klar getrennt nach Frage, nach Zeitachse und nach Datenniveau. Aber sie teilen denselben Audit-Hash-Standard und dasselbe AMDP-Protokoll als Bindeglied. Das ist die strategische Differenzierung gegenüber Stacks, die sich aus vier verschiedenen US-amerikanischen SaaS-Anbietern zusammensetzen: dort passen die Audit-Trails nicht zueinander, die Governance-Logiken widersprechen sich, und die Bias-Definitionen sind nicht übersetzbar. Bei uns ist das Übergabeformat dasselbe — über alle vier Schichten hinweg.

Für regulierte Industrien wird dieser Audit-Backbone von einer Annehmlichkeit zur Voraussetzung. Eine Schweizer Privatbank, die ein MMM-System produktiv nutzen will, muss dem Compliance-Officer eine reproduzierbare Antwort liefern können — nicht nur eine plausible. Artikel 22 des nDSG verlangt erklärbare automatisierte Entscheidungen. Ein Bayesian-Posterior aus fünfhundert MCMC-Samples ist mathematisch sauber, aber für den Compliance-Officer ohne weiteres nicht prüfbar. Was wir dafür liefern können, ist Nachvollziehbarkeit, nicht Wiederherstellung: Zeitraum, Kanäle, Ausgaben, Zielgrösse und die verwendete Konfiguration liegen mit jedem Lauf zusammen, jede Wirkungsschätzung kommt als Bereich statt als Kommastelle, und die exportierte Empfehlung trägt einen unabhängig nachrechenbaren Integritätsnachweis. Was wir nicht liefern können: einen alten Modelllauf drei Monate später bit-identisch wiederherzustellen. Ein trainiertes Meridian-Modell wird nicht als Objekt gespeichert; wer denselben Lauf will, trainiert neu. Wer Ihnen etwas anderes zusagt, sollte erklären können, wo er das Modell hinterlegt hat. Das ist nicht abstrakt. Das ist die Differenz zwischen einem Pilot, der nach sechs Monaten in der Compliance-Schleife steckenbleibt, und einem Pilot, der nach sechs Monaten produktiv läuft. Pharma, Banken, Versicherungen — überall dort, wo eine Marketing-Empfehlung im Audit landet, ist diese Architektur die Eintrittskarte.

Drei pragmatische Konsequenzen ergeben sich daraus für jedes CMO-Office, das den Stack in den nächsten zwölf Monaten neu denken muss. Erstens: Inkrementalität ist nicht verhandelbar. Wer keine Geo-Experimente, keine Incrementality-Tests und kein kalibriertes MMM betreibt, kann seinen Agenten kein belastbares Signal über die Wirkung des Mid-Funnels mitgeben — und der Agent skaliert dann zwangsläufig die Konversions-Verzerrung. Zweitens: Mid-Funnel-Signale wie Brand-Lift, Consideration und Engagement-Qualität müssen aktiv gemessen und maschinenlesbar ausgespielt werden, nicht in Quartal-Dashboards versteckt. Wer das nicht tut, optimiert mit jedem Sprint stärker auf Last-Click — auch wenn das eigene Top-Management das genaue Gegenteil intendiert. Drittens: Das MMM muss als Feed denken, nicht als Folie. Wenn die Outputs ein PDF sind, ist das System nicht agentenfähig — egal wie schön die Slides aussehen. Wenn die Outputs ein versioniertes JSON mit Audit-Hash sind, das von DCM und Nexbid ohne Mensch-im-Loop konsumiert wird, dann beginnt der Stack zu funktionieren.

Wer prüfen will, ob das eigene Measurement-Setup auf diese drei Anforderungen vorbereitet ist, kann unter audit@digital-opua.ch ein zweistündiges Setup-Audit anfragen. Wir schauen uns an, welche Signale heute schon maschinenlesbar vorliegen, wo die Konversions-Verzerrung im aktuellen Stack steckt, und welche drei bis fünf konkreten Schritte das Setup über die nächsten zwei Sprints agentenfähig machen. Wer DCM als Agent Orchestrator sehen will, bevor die Beta für ausgewählte Pilot-Kunden öffnet, kann sich unter demo@digital-opua.ch für die Pre-Beta-Phase vormerken lassen. Und wer mmm-wizard selbst evaluieren möchte — Meridian-Pipeline, AMDP-Export, ausgewiesene Unsicherheit — findet das unter marketing-mix-modeling.ch. Die Verschiebung vom Reporting zum Feed ist real. Die Frage ist nicht, ob euer Stack sie mitgeht, sondern wann.