Die meisten Diskussionen über KI und Marken finden nach wie vor auf einer zu niedrigen Ebene statt.
Zunächst ging es um Inhalte. KI würde Werbung schneller, kostengünstiger und personalisierter machen. Dann verlagerte sich der Fokus auf die Auffindbarkeit. Marken müssen nun von Maschinen gefunden, von Antwortmaschinen zitiert, für GEO optimiert, für die KI-Suche strukturiert und für Agenten lesbar sein.
Das ist alles wahr. Es ist aber auch noch zu eng gefasst.
Der tiefgreifendere Wandel besteht nicht nur darin, dass KI die Medien verändert. Es geht nicht einmal nur darum, dass KI die Art und Weise verändert, wie Inhalte entdeckt werden. Der tiefgreifendere Wandel besteht darin, dass KI in den Mechanismus vordringt, der Angebot und Nachfrage miteinander verbindet. Sie beginnt zu interpretieren, was die Menschen wollen, die verfügbaren Optionen zu strukturieren, die Auswahl einzugrenzen und das Handeln zu lenken. Das ist nicht nur ein Wandel in den Medien. Es ist ein Wandel des Marktes.
Ich habe dies bereits in meinen Ausführungen zur Entwicklung von der Aufmerksamkeitsökonomie zur Absichtsökonomie dargelegt.
Der Stanford AI Index 2026 hilft ebenfalls zu erklären, warum dies von Bedeutung ist. Der Bericht argumentiert nicht direkt, dass KI zur Koordinationsschicht zwischen Nachfrage und Angebot wird. Er zeigt jedoch die Voraussetzungen für einen solchen Wandel auf: Generative KI erreichte innerhalb von drei Jahren eine Akzeptanz von rund 53 % in der Bevölkerung, Unternehmen meldeten eine KI-Akzeptanz von 88 %, und der geschätzte Verbrauchernutzen durch generative KI in den USA belief sich auf 172 Milliarden US-Dollar. Mit anderen Worten: KI ist kein Randphänomen mehr. Sie wird zu einem Teil der Infrastruktur, über die Märkte durchsucht, interpretiert und beeinflusst werden.
Bericht zum KI-Index 2026 der Stanford University
In meinem früheren Artikel habe ich dargelegt, dass die Markenleistung ein mehrschichtiges, aus fünf Teilen bestehendes System ist. Es beginnt mit der Bedeutung der Produktkategorie, gefolgt von der Nachfragelogik, der Markenstrategie und -positionierung, der Umsetzung und schließlich der Marktleistung und den wirtschaftlichen Aspekten. Was sich seitdem geändert hat, ist nicht das Modell. Was sich geändert hat, ist, dass es durch KI mittlerweile viel schwieriger geworden ist, die Konsequenzen dieses Modells zu ignorieren.
Was uns KI über Strategie und Marken lehrt
Der Markt reagiert vor allem auf der Ausführungsebene, während die tatsächlichen strategischen Auswirkungen sich über alle fünf Ebenen erstrecken. Der „2026 AI Index“ der Stanford University untermauert diesen Punkt. Er zeigt sowohl eine rasche Verbreitung als auch rasche Leistungssteigerungen, insbesondere in Bereichen, die mit logischem Denken, fachlichen Aufgaben und agentischer Leistung zusammenhängen. Das ist von Bedeutung, da KI über die Generierung von Inhalten hinaus in Bereiche vordringt, die näher an Urteilsbildung, Aufgabenerledigung und Marktaktivitäten liegen – auch wenn die Zuverlässigkeit nach wie vor uneinheitlich ist.
Das zeigt sich in der praktischen Diskussion, die derzeit den Markt prägt.
Werbetreibende nutzen generative KI, um Videoanzeigen in großem Umfang zu erstellen. Google drängt Marketingfachleute dazu, auf KI-gestützte Kampagnensysteme umzusteigen. Meta strebt eine stärkere Automatisierung der Werbung an – von der Kreativgestaltung über die Zielgruppenansprache bis hin zur Budgetverteilung.
Das ist es, was die meisten Menschen meinen, wenn sie sagen, dass KI das Marketing revolutioniert: schnellere Inhalte, automatisierte Medien, bessere Zielgruppenansprache, effizientere Umsetzung.
Dann folgt die Discovery-Ebene.
BCG spricht nun offen über die Zukunft der Auffindbarkeit und argumentiert, dass Marken von KI-Systemen ausgewählt, zusammengefasst und hervorgehoben werden müssen, anstatt lediglich in der traditionellen Suche nach Rangfolge sortiert zu werden. Auch die Produktausrichtung von OpenAI selbst weist in dieselbe Richtung. ChatGPT Shopping wurde entwickelt, um Menschen dabei zu helfen, Produkte zu entdecken, zu vergleichen und sich für eines zu entscheiden. Atlas, Shopping-Updates und „Agentic Commerce“ deuten alle auf dieselbe strukturelle Entwicklung hin: Entdeckung, Empfehlung und Kauf werden in weniger Schritte und dialogorientiertere Abläufe verdichtet.
Daher rührt die aktuelle Flut an Ratschlägen.
Machen Sie Ihre Inhalte maschinenlesbar. Optimieren Sie sie für Antwortmaschinen. Strukturieren Sie Ihre Produktdaten. Bereiten Sie sich auf den „Conversational Commerce“ vor. Stellen Sie sicher, dass Ihre Marke von KI gefunden werden kann.
Daran ist nichts auszusetzen. Es ist aber immer noch zu weit stromabwärts.
Denn dabei wird davon ausgegangen, dass die strategische Aufgabe darin besteht, die Umsetzung innerhalb eines Marktes zu optimieren, dessen tiefer liegende Logik bereits verstanden wurde. Das ist der Fehler.
Die wichtigere Frage ist nicht, ob die Maschine dich finden kann. Die wichtigere Frage ist, welche Marktlogik die Maschine lernt, verstärkt oder neu schreibt.
Diese Frage beginnt schon viel früher. Sie beginnt bei der Bedeutung der Kategorie.
Eine Maschine kann einem Verbraucher nur dann bei der Entscheidung helfen, wenn sie über ein funktionierendes Modell verfügt, wozu die jeweilige Kategorie dient. Das klingt abstrakt, bis man es in der Praxis sieht. „Ask Instacart“ von Instacart wurde nicht als besseres Anzeigenformat oder intelligenteres Suchfeld eingeführt. Es wurde rund um ein Verbraucherproblem eingeführt: Was gibt es zum Abendessen, was passt zu meinen Ernährungsbedürfnissen, was kann ich mit kleinem Budget zubereiten, welche Zutaten brauche ich und wie bekomme ich sie schnell? Das System verwandelt diesen Moment der Nachfrage in einen Warenkorb, aus dem man direkt einkaufen kann.
Das ist keine Medienoptimierung. Das ist die Bedeutung der Kategorie und die Logik der Nachfrage in der Praxis.
Der Verbraucher kommt nicht über „Soßen“, „Snacks“ oder „Marke X“ zum Produkt. Der Verbraucher kommt über einen Bedarfsmoment: Abendessen, Budget, Ernährungsbeschränkungen, Bequemlichkeit, Zeit. Das System ordnet das Angebot dann entsprechend diesem Moment an.
Das gleiche Muster lässt sich auch bei Lowe’s beobachten. Lowe’s beschreibt „Mylow“ als KI-Einkaufsassistenten und virtuellen Berater, der Kunden dabei hilft, Projekte zu planen und die richtigen Lösungen zu finden – sei es nun ein Kühlschrank inklusive Einbau oder eine Wasch-Trockner-Kombination, mit der sich Stromkosten sparen lassen. Das ist mehr als nur eine Suchfunktion. Es spiegelt ein anderes Verständnis der Kategorie selbst wider. Lowe’s hilft den Kunden nicht einfach nur dabei, Produkte zu finden. Das Unternehmen unterstützt die Menschen dabei, Projekte rund ums Haus und Probleme im Haushalt zu lösen.
Diese Unterscheidung ist wichtig.
Sobald KI in das Spannungsfeld zwischen Angebot und Nachfrage eingreift, verlagern sich die strategischen Fragen sehr schnell in vorgelagerte Bereiche.
Erstens spielt die Bedeutung der Kategorie eine größere Rolle. Wenn die Maschine davon ausgeht, wozu die Kategorie eigentlich dient, wird sie die Auswahlmöglichkeiten falsch ordnen. Ein Unternehmen kann leicht zu finden sein und dennoch den Zuschlag nicht erhalten, weil die Maschine das Spiel nach den Regeln eines anderen spielt.
Zweitens spielt die Nachfragelogik eine größere Rolle. Wenn die Nachfragekarte falsch ist, wird die KI einfach die falsche Karte schneller optimieren. Das wirkt zwar effizienter, vertieft aber den Fehler.
Drittens spielt die Positionierung eine größere Rolle. Bei der Positionierung geht es nicht mehr nur darum, was die Marke in ihrer Kommunikation über sich selbst sagt. Es geht vielmehr darum, welche Rolle die Marke in Empfehlungs-, Vergleichs- und Handlungsabläufen glaubwürdig einnehmen kann. Eine Marke kann in KI-Ergebnissen auftauchen und dennoch keinen klaren Grund haben, sich durchzusetzen.
Viertens spielen das Portfolio und die Architektur eine größere Rolle. In einem maschinengestützten Umfeld werden Überschneidungen schneller sichtbar. Lücken werden schneller sichtbar. Eine unklare Rollenverteilung zwischen den Marken wird deutlicher, nicht weniger.
Fünftens müssen Marken nicht als Kommunikationsfunktion, sondern als zentraler Motor der wirtschaftlichen Wertschöpfung neu positioniert werden – gemessen an dem, was ich als „Compound Economic Profit“ (mein Lieblingsbegriff CEP) bezeichne: dem Mechanismus, durch den starke Marken Renditen über den Kapitalkosten erzielen, diesen Überschuss in Sinn und Nachfragelogik reinvestieren und den Vorteil im Laufe der Zeit vervielfachen. Dies ist der Kreislauf, der Marken, die dauerhaften Wert schaffen, von denen unterscheidet, die lediglich das Volumen aufrechterhalten. Die Ebenen 1 bis 4 speisen diesen Kreislauf. In Ebene 5 zeigt sich, ob sie ihre Aufgabe erfüllt haben.
WARC – Markenstrategie neu denken: Das ganzheitliche Markenmodell
Das ist auch der Grund, warum ich dem aktuellen Trend, von einem „Brand OS“, also einem Markenbetriebssystem, zu sprechen, mit Vorsicht begegne.
Dieser Ausdruck hat etwas für sich. Er erkennt an, dass die Marke systematischer und stärker in die Organisation eingebettet sein muss. Doch der Großteil des heutigen „Brand OS“-Denkens ist immer noch zu sehr auf die Umsetzung ausgerichtet. Meist geht es dabei um eine einzige „Quelle der Wahrheit“, fehlerfreie Richtlinien, markenkonsistente KI-Ergebnisse, Content-Governance und Kohärenz bei der Umsetzung. Mit anderen Worten: Oft handelt es sich um ein Umsetzungssystem, das als Strategie getarnt ist. Selbst dort, wo „Brand OS“ weiter gefasst wird, neigt es immer noch dazu, die Ausdrucksweise zu systematisieren, anstatt die Marktlogik zu systematisieren, nach der die Marke funktionieren sollte.
Deshalb geht der Begriff „Brand OS“, wie er oft verwendet wird, immer noch am Kern der Sache vorbei.
Es geht nicht darum, ob die Marke über ein besseres „Betriebssystem“ für Inhalte verfügt. Es geht vielmehr darum, ob das Unternehmen über ein besseres „Betriebssystem“ für die Kategorieausrichtung, die Nachfragelogik, die Positionierung, die Rolle im Portfolio, die Umsetzung und die Wertschöpfung verfügt. Wenn diese vorgelagerten Ebenen nicht stimmen, führt ein effizienteres „Marken-Betriebssystem“ lediglich zu einer noch kohärenteren Irrelevanz.
Ich habe ein ähnliches Problem mit dem Begriff „KI-Strategie“.
Die meisten Unternehmen benötigen keine KI-Strategie im engeren Sinne (siehe unseren KI-Bericht unter Vivaldi). Sie benötigen keine separate Präsentation zu Anwendungsfällen, Pilotprojekten, Agenten oder Tools. Was sie brauchen, ist ein Verständnis dafür, wie KI das System verändert, in dem sie tätig sind.
Aus diesem Grund ist eine systemische Betrachtung sinnvoller (Reshuffle, Choudary 2025). Die eigentliche Frage lautet nicht, wie KI eingesetzt werden soll. Die eigentliche Frage ist, wie KI die Koordination, die Wertschöpfung und die Wettbewerbsstruktur verändert. Aktuelle Arbeiten zu agentischen Organisationen verdeutlichen denselben Punkt aus einer anderen Perspektive: KI ist nicht einfach nur eine weitere Technologieebene, sondern eine Kraft, die Arbeitsabläufe, Teamstrukturen, Budgetlogik und das Betriebsmodell selbst verändert.
Also nein, die meisten Unternehmen brauchen keine KI-Strategie.
Sie benötigen einen Überblick darüber, wie KI die Branche, den Entscheidungsprozess, die Entstehung der Nachfrage, die Organisation des Angebots und die Wertschöpfung verändert.
Das ist eine viel schwierigere Aufgabe.
Aber es ist auch das Echte.
In der ersten Phase der KI-Strategie wurde KI als Content-Engine betrachtet. In der zweiten Phase wird sie als Discovery-Engine betrachtet. Der größere Wandel besteht darin, dass KI zunehmend zu einer Koordinationsschicht zwischen Nachfrage und Angebot wird.
Der AI-Index 2026 der Stanford University ist in diesem Zusammenhang besonders aufschlussreich. Eine seiner deutlichsten Erkenntnisse ist, dass KI-Agenten im Jahr 2025 den Sprung vom Beantworten von Fragen zum Erledigen von Aufgaben geschafft haben. Auf OSWorld stieg die Leistungsfähigkeit von etwa 12 % auf 66,3 % und lag damit nur noch sechs Prozentpunkte hinter der menschlichen Leistungsfähigkeit. Das bedeutet nicht, dass KI bereits in allen Bereichen zuverlässig ist. Es bedeutet jedoch, dass sich die wirtschaftliche Rolle der KI von der Informationsverarbeitung hin zur Koordination und zum Handeln ausweitet.
Das ist die sinnvollere Sichtweise.
Das erklärt, warum die Berichterstattung in den Medien zwar sichtbar, aber unvollständig ist. Marken wie Coca-Cola und Nestlé setzen KI bereits auf praktische Weise ein. Coca-Cola setzt generative KI weiterhin bei großen Kampagnen ein (ein Beispiel ist die Weihnachtskampagne unseres Kreativpartners Silverside.ai). Nestlé hat einen KI-gestützten Content-Service eingeführt, der mithilfe von digitalen Zwillingen von Produkten E-Commerce- und digitale Medieninhalte schneller und kostengünstiger generiert. Das sind bedeutende Schritte. Aber es handelt sich dabei nach wie vor hauptsächlich um Maßnahmen auf der Umsetzungsebene. Sie verbessern die Umsetzung. Die schwierigeren Fragen, die dem vorgelagert sind, werden dadurch jedoch nicht beantwortet.
Wie sieht es also aus, wenn ein Unternehmen die vorgelagerten Ebenen richtig gestaltet?
Ein gutes Beispiel hierfür ist La Roche-Posay.
Nicht, weil es die spektakulärste KI-Geschichte zu bieten hat. Sondern weil es zeigt, was passiert, wenn eine Marke über alle fünf Ebenen hinweg Kohärenz schafft und dann Technologie einsetzt, um dieses System zu stärken.
Beginnen wir mit der Bedeutung der Kategorie. La Roche-Posay ist nicht einfach nur im Bereich Hautpflege tätig. Die Marke ist in einem viel klarer definierten Bedeutungsraum angesiedelt: dermatologische Schönheit, Hautgesundheit, wissenschaftlich fundierte Pflege und Lösungen für echte Hautprobleme. Der Geschäftsbereich „Dermatological Beauty“ von L’Oréal definiert sich durch Partnerschaften im Gesundheitswesen und dermatologisches Fachwissen und verzeichnete im Jahr 2024 einen Umsatz von 7 Milliarden Euro.
Dann die Logik der Nachfrage. La Roche-Posay orientiert sich nicht an allgemeiner Schönheitssprache. Die Marke basiert auf klaren Hautproblemen und Anwendungssituationen: Akne, Hyperpigmentierung, Sonnenschutz, empfindliche Haut, geschwächte Hautbarrieren. Die Einführung von Mela B3 ist ein gutes Beispiel dafür. Laut L’Oréal führte die Marke vor der Markteinführung eine globale epidemiologische Studie zu Pigmentstörungen durch, an der 48.000 Menschen in 34 Ländern teilnahmen. Das ist kein Content-Schachzug. Das ist Arbeit an der Nachfragestruktur.
Dann die Positionierung. Die Rolle der Marke ist ungewöhnlich klar: von Dermatologen bestätigte Wirksamkeit bei breiter Verfügbarkeit und hoher Verträglichkeit. Diese Rolle ist über alle Kategorien und Regionen hinweg stabil. Das ist nicht nur Werbesprache. Es verleiht der Marke ein eindeutiges Recht darauf, in bestimmten Nachfragesegmenten erfolgreich zu sein. L’Oréals eigene Unterlagen betonen, dass La Roche-Posay nach wie vor ein wichtiger Wachstumsmotor innerhalb der Sparte ist.
Dann die Umsetzung. Hier kommt KI ins Spiel, allerdings nur, weil die vorgelagerten Ebenen bereits kohärent sind. SPOTSCAN+ von La Roche-Posay ist ein KI-basiertes Tool zur Analyse von Akne, das in Zusammenarbeit mit Dermatologen entwickelt wurde. Es analysiert Selfies, bewertet den Schweregrad der Akne und verknüpft die Diagnose mit Produktempfehlungen. Das ist ein viel besseres Beispiel für KI als generische Werbeautomatisierung, da es ein echtes Verbraucherproblem, einen klaren Bedarfsbereich, die Positionierung der Marke und die Serviceebene in einem einzigen Ablauf miteinander verbindet.
Und schließlich die wirtschaftlichen Aspekte. Das System funktioniert. Im Geschäftsbericht 2025 von L’Oréal hieß es, dass La Roche-Posay weiterhin den größten Beitrag zum Wachstum im Bereich „Dermatological Beauty“ leistete. In den Ergebnissen für das erste Quartal 2026 erklärte L’Oréal, dass der Geschäftsbereich weiterhin besser abschneide als der Markt, wobei die Dynamik von La Roche-Posay durch Cicaplast und Hyalu B5 gestützt werde.
Es hat nicht gewonnen, weil es in erster Linie auf KI optimiert war. Es hat gewonnen, weil es ein schlüssiges System geschaffen hat, das die Kategorienbedeutung, die Nachfragelogik, die Positionierung, die Umsetzung und die Wirtschaftlichkeit miteinander verband. Die KI wurde dann zu einem Verstärker dieses Systems, nicht zu einem Ersatz dafür.
Das ist letztendlich der springende Punkt.
Marken müssen zwar von Maschinen gefunden werden. Aber gefunden zu werden, ist noch keine Strategie.
Marken brauchen zwar eine systematischere operative Disziplin. Aber ein „Brand OS“, das nur auf der Umsetzungsebene angesiedelt ist, reicht nicht aus.
Unternehmen müssen zwar auf KI reagieren. Diese Reaktion sollte jedoch nicht mit einer eng gefassten KI-Strategie beginnen.
Der Bericht der Stanford University kommt aus einem anderen Blickwinkel zu derselben Schlussfolgerung. KI verbreitet sich im großen Maßstab, schafft echten Mehrwert für die Verbraucher, wird bei der Ausführung von Aufgaben immer leistungsfähiger und gewinnt zunehmend an Bedeutung – auch wenn es bei der Transparenz und der institutionellen Vorbereitung noch Nachholbedarf gibt. Deshalb lautet die eigentliche Frage nicht, wie man sich auf KI optimieren kann, sondern welche Art von Marktlogik die KI allmählich bestimmt.
Man sollte mit einer schwierigeren Frage beginnen:
Auf welcher Grundlage hinsichtlich Bedeutung, Nachfrage, Positionierung, Portfolio, Umsetzung und Wirtschaftlichkeit soll der Markt funktionieren, wenn KI zunehmend als Vermittler zwischen Angebot und Nachfrage fungiert?
Die Marken, die in dieser nächsten Phase erfolgreich sein werden, sind nicht diejenigen, die sich lediglich auf die Sichtbarkeit für Maschinen optimieren. Es werden diejenigen sein, die die Logik der Kategorie, die Nachfragestruktur und die Markenrollen gestalten, die die Maschine zu interpretieren, zu empfehlen und entsprechend zu handeln lernt.
Das ist kein Medienthema mehr.
Das ist das nächste Kapitel der Strategie.