Das Reporting, das niemand mehr schiebt

Reportings sind das langweiligste Thema im Marketing, gleichzeitig eines der anstrengendsten. Niemand baut sie gerne, niemand liest sie ganz, und trotzdem hängt an ihnen das Verhältnis zur Geschäftsführung und der Budget-Zyklus des nächsten Jahres. Mit MCP-Anbindungen seit 2025 und einer klar aufgesetzten Pipeline lässt sich der Reporting-Tag halbieren, ohne dass die Qualität leidet. Was die KI dabei gut macht, ist nicht das Erzählen. Es ist das Strukturieren der Daten, das Erkennen von Anomalien und das Vorbereiten der Story-Schicht. Die Story selbst bleibt bei Menschen, und das ist kein vorübergehender Zustand.

Drei Schichten, drei Skills

Reporting hat drei Schichten, die selten sauber getrennt werden. Daten-Pull, Daten-Aufbereitung, Story. Wer in der Vergangenheit ein Monatsreporting selbst gebaut hat, weiß: der Daten-Pull frisst die meiste Zeit, die Aufbereitung die meisten Nerven, die Story die meiste Wirkung. Drei Schichten, drei sehr unterschiedliche Skills, drei sehr unterschiedliche Hebel für KI-Unterstützung.

Schicht eins: Daten-Pull via MCP

Seit Mai 2026 ist das die einfachste Veränderung. Meta Ads MCP ist seit 29. April offiziell, mit 29 Tools, sauberem OAuth, ohne API-Token-Frickelei. Google Ads MCP läuft seit Herbst 2025. HubSpot, Salesforce, GA4, Klaviyo, Brevo, alle mit offiziellen Servern. Einmal angeschlossen, lässt sich in einem Chat zu Claude formulieren: „Spend, Impressions, CTR, CPL für alle aktiven Kampagnen, Zeitraum letzter Kalendermonat, gruppiert nach Funnel-Stufe." Das Modell macht den Pull, prüft die Daten gegen Plausibilitätsregeln und gibt strukturierten Output zurück.

Was vorher anderthalb Stunden Tab-Hopping war, dauert zwei bis vier Minuten. Diese Zahl ist konservativ, in vier dokumentierten Reporting-Zyklen in einer DACH-Agentur reproduzierbar. Wer auf dieser Schicht weiter manuell arbeitet, verbrennt Stunden.

Schicht zwei: Aufbereitung und Anomalie-Erkennung

Hier passiert etwas Interessantes. Sprachmodelle sind im Aufbereiten richtig gut, aber nicht naiv. Sie bauen Tabellen, sie machen Diff-Rechnungen Monat über Monat, sie markieren Auffälligkeiten. Mit Kontext sogar besser: „CPL ist von 14 Euro auf 22 Euro gestiegen, gleichzeitig ist die Impression-Share-Loss-Rate um 38 Prozent gestiegen, das deutet auf Auktionsdruck hin." Solche Sätze formuliert Claude oder GPT inzwischen verlässlich, wenn die Daten sauber reinkommen.

Was nicht funktioniert: Daten-Reinigen vor der Aufbereitung. Wenn ein Tracking-Pixel zwei Wochen tot war, übernimmt das Modell die kaputten Zahlen, ohne nachzufragen. Genau hier sitzt ein Quality Gate. Mehr dazu im verwandten Deep Dive.

Schicht drei: Story

Hier kippt es. Die Story eines Reports ist das einzige, was die Geschäftsführung wirklich liest. Sie ist auch das einzige, was sich nicht durch ein Modell ersetzen lässt, ohne dass alle Reports gleich klingen.

Tests mit identischen Daten, identischer Aufbereitung und drei verschiedenen Story-Prompts ergeben jedes Mal kompetente, jedes Mal lesbare, jedes Mal austauschbare Texte. Drei Stories, die hätten von jedem Kunden sein können. Genau das, was eine gute Story nicht sein darf. Eine gute Reporting-Story trägt die Marke und die Beziehung. Sie verweist auf das, was vorher besprochen wurde, sie macht den Übergang zum nächsten Monat, sie hat eine Stimme.

Brand-Voice-Training nähert das an. Aber nur an. In etablierten Pipelines sitzt am Ende weiterhin ein Mensch, der die Story baut. Was er nicht mehr macht, ist das Daten-Sammeln. Was er macht, ist die letzte halbe Stunde Story und zehn Minuten Slide-Polish.

Ein konkretes Setup

Aktuell sieht ein funktionierendes Setup so aus, vereinfacht:

1. 01Claude mit MCP-Anbindung an GA4, Meta Ads, Google Ads, HubSpot. Vorlauf: einmaliges OAuth-Setup pro Konto, etwa fünf Minuten pro Tool.
2. 02Reporting-Skill in Claude, der den Pull-Workflow als System-Prompt trägt. KPIs, Aggregations-Logik, Anomalie-Regeln, Format-Anforderungen.
3. 03Tabellen-Output landet als CSV in einem geteilten Drive-Ordner, plus Markdown-Zusammenfassung der wichtigsten Beobachtungen.
4. 04Mensch nimmt die Markdown-Zusammenfassung, schreibt die Story drumherum, packt das in das Kunden-Template, prüft die Slides, schickt raus.
5. 05Antwort des Kunden geht zurück in Claude, plus den Kontext aus dem vorigen Monat. Daraus baut Claude den ersten Entwurf der Antwort, Mensch poliert.

Wo es nicht funktioniert

Drei Stellen sind hart geblieben.

• Brand-Lift-Studien. Wenn die Datenbasis als PDF einer Marktforschung kommt, ist die Pipeline gestoppt. Manuelles Eintippen, manuelles Verknüpfen. Hilft nur, die Marktforschungs-Anbieter zu strukturierten Exports zu bewegen.
• Cross-Channel-Attribution. Wer Performance über mehrere Plattformen attribuiert, bekommt von MCP-Pulls immer nur Plattform-Wahrheiten. Die Attribution macht das Modell nicht, das passiert im Marketing Mix Modeling oder im Attribution-Tool des Kunden. Hier hat sich operativ wenig geändert.
• Reports in PowerPoint mit festem Kunden-Branding. Geht automatisiert, aber das Ergebnis sieht schnell nach dem aus, was es ist. Notion-Reports mit eingebetteten Charts sind die saubere Alternative. Wer beim Kunden PowerPoint braucht, hat hier weiter manuelle Arbeit. Stand Mai 2026.

Trade-offs

Take

Was offen bleibt

Die nächste Stufe ist Echtzeit. Reportings, die nicht monatlich kommen, sondern dann, wenn die Daten eine Anomalie zeigen. Trigger-basierte Reports. Mit dem aktuellen MCP-Setup im Prinzip baubar. Erste Pilotprojekte laufen, drei Zyklen liegen noch nicht vor.