Grundlagen6 Min Lesezeit
Was KI eigentlich ist, und welche drei Begriffe Marketingteams kennen müssen
Redaktion brandneo
Der Begriff KI ist 2026 inflationär. Jede zweite Tool-Demo, jeder dritte LinkedIn-Post, jedes Vorstandsmeeting. Was darunter verstanden wird, variiert massiv. Marketingteams brauchen keine akademische Definition, sondern eine, die im Werktag trägt. Drei Begriffe sind dafür zentral: klassische KI, Machine Learning, Generative KI. Wer diese drei sauber trennen kann, redet im Setup über die richtigen Fragen.
Klassische KI
Klassische KI ist alles, was vor 2017 unter dem Begriff lief. Regelbasierte Systeme. Wenn-dann-Logik. Expertensysteme. Beispiele aus dem Marketing-Werktag der 2000er und 2010er: Email-Routing-Regeln, A/B-Testing-Statistik, klassische Recommendation-Engines („Kunden, die das kauften, kauften auch das").
Klassische KI ist nicht „dumm". Sie ist transparent. Jede Entscheidung lässt sich auf Regeln zurückführen. Diese Transparenz hat einen Preis: sie skaliert nur in klar definierten Domänen.
Machine Learning
Machine Learning ist Klassische KI mit Statistik-Boost. Statt Regeln vorzugeben, lernen Systeme aus Daten Muster. Wer einen Anti-Spam-Filter nutzt, der über die Zeit besser wird, nutzt Machine Learning. Wer mit Predictive Analytics arbeitet, ebenfalls.
Im Marketing der 2010er Standard. Lookalike-Audiences, Predictive Lead Scoring, Marketing Mix Modeling. Alles Machine-Learning-Anwendungen. Sie funktionieren auch ohne ChatGPT, und sie funktionieren in vielen Fällen sogar besser als generative Ansätze, weil sie auf saubere, definierte Datensätze trainiert sind.
Generative KI
Generative KI ist die jüngste Welle. 2022 mit ChatGPT in den Mainstream gerutscht, 2023-2024 produktreif geworden, 2025-2026 im Marketing-Werktag angekommen. Was generative Systeme neu können: Inhalte erzeugen. Text, Bild, Video, Audio, Code. Statt zu klassifizieren oder Muster zu erkennen, produzieren sie.
Das fühlt sich anders an als Machine Learning. Es ist auch anders. Generative Modelle sind groß (Hunderte Milliarden Parameter), sie sind teuer im Training (Millionen Euro pro großem Modell), und sie haben eine Eigenschaft, die klassische Systeme nicht hatten: sie halluzinieren.
Wo die Unterscheidung im Marketing zählt
Drei Anlässe.
Tool-Wahl. Ein Predictive-Lead-Scoring-System ist meistens ein Machine-Learning-System, keine Generative KI. Wer hier einen LLM-Chat erwartet, kauft am Bedarf vorbei. Andersherum: wer „dynamische Caption-Generierung" mit Machine-Learning-Logik bauen will, wird unglücklich.
Risiko-Bewertung. Generative KI halluziniert. Machine Learning nicht in diesem Sinn. Wer einen Predictive-Score interpretiert, prüft den Score gegen seine Annahmen. Wer einen Caption-Entwurf liest, prüft Fakt für Fakt. Zwei sehr unterschiedliche Quality Gates.
Compliance-Status. Der EU AI Act behandelt verschiedene KI-Typen unterschiedlich. Generative-KI-Modelle als General-Purpose-AI sind seit August 2025 reguliert. Machine-Learning-Systeme im klassischen Sinne fallen unter andere Bestimmungen, abhängig vom Use Case.
Was Generative KI im Marketing schon kann
| Bereich | Stand Mai 2026 |
|---|---|
| Text | Produktreif: Captions, Blog-Outlines, Briefings, Reports, Strategie-Sparring |
| Bild | Produktreif: Editorial-Looks, Produkt-Visualisierung, Konzept-Visuals |
| Video | Reif für Hooks, UGC-Style, kurze Spots; weniger reif für lange Erzählungen |
| Audio | Produktreif: Voice-Cloning, Musik-Generierung, Sound-Design |
| Code | Produktreif: Automatisierungen, kleine Tools, MCP-Skripte |
| Strategie-Sparring | Eingeschränkt: gut als Sparringspartner, schwach als alleiniger Stratege |
Was Generative KI noch nicht ist
Drei Missverständnisse halten sich.
Missverständnis 1: Generative KI ist intelligent. Sie ist nicht intelligent in dem Sinne, wie Menschen das verstehen. Sie ist eine sehr leistungsfähige Mustererkennung mit Sprach- und Bild-Fähigkeiten. Sie hat keine Ziele, keine Werte, keine Erinnerung im klassischen Sinn.
Missverständnis 2: Generative KI ersetzt Strategie. Sie ersetzt Ausführung, sie unterstützt Strategie. Wer sie als Strategie-Maschine einsetzt, bekommt plausibel klingende, aber strategisch flache Ergebnisse.
Missverständnis 3: Generative KI ist konsistent. Zwei identische Prompts können sehr unterschiedliche Outputs ergeben. Wer Konsistenz braucht, baut sie über Skills, System-Prompts und Quality Gates.
Trade-offs
| Was sich verschiebt | Konsequenz |
|---|---|
| Drei KI-Typen sauber unterschieden | Tool-Wahl wird treffsicherer |
| Halluzinations-Risiko bei generativen Modellen | Quality Gates Pflicht |
| Compliance-Status variiert nach Typ | Setup-Audit pro System |
| „KI" als Sammelbegriff verlässt das Vokabular | Diskussionen werden präziser |
Take
Wer im Marketing über KI redet, sollte den Typ benennen, den er meint. Klassische KI, Machine Learning, Generative KI. Die drei machen unterschiedliche Dinge, kosten unterschiedlich viel, bergen unterschiedliche Risiken. Wer das auseinanderhält, redet im Meeting über die richtige Frage. Wer es nicht tut, baut Setups, die am Bedarf vorbeigehen.
Was offen bleibt
Die Grenzen zwischen den drei Typen werden weicher. Generative Modelle werden zunehmend in klassische ML-Pipelines integriert, Machine-Learning-Modelle bekommen generative Schichten. Die Trennung bleibt aber für die kommenden Jahre nützlich, insbesondere für Compliance und Risiko-Bewertung.
Verwandt