Von der Aufmerksamkeit zur Absicht

Die KI verlagert den Wettbewerb in eine frühere Phase, nämlich dorthin, wo die Nachfrage erst entsteht, noch bevor sich jemand für eine Kategorie entschieden hat.

Seit vierzig Jahren orientiert sich das Marketing an einem Ablauf, den fast niemand in Frage stellt. Ein Bedarf entsteht, der Kunde wendet sich einer Produktkategorie zu, und erst dann beginnt der Wettbewerb. Marken kämpften innerhalb dieser Kategorie um Aufmerksamkeit und führten die Menschen von der Wahrnehmung über die Kauferwägung und Präferenz bis hin zum Kauf. Die Kanäle änderten sich vom Fernsehen über Suchmaschinen und soziale Medien bis hin zu Retail-Medien, und die Messung wurde weitaus präziser, doch der Ausgangspunkt blieb unverändert. Der Kunde übernahm die Aufgabe, sein Leben in die Sprache des Marktes zu übersetzen. Der Markt wartete am anderen Ende.

Generative KI verändert, wer die Übersetzung übernimmt. Eine Reisende muss nicht mehr „Italien, Juli, vier Schlafzimmer, Pool, unter 800 Dollar“ eingeben. Stattdessen kann sie ihre Situation beschreiben: Die Kinder sind jetzt älter, wir haben nächsten Sommer eine Woche Zeit miteinander, jeder braucht etwas Unabhängigkeit, uns sind gutes Essen und Schwimmen wichtig, ich möchte kein Resort und ich möchte die Woche nicht damit verbringen, alles für alle zu organisieren. Das ist keine einfache Unterkunftsanfrage. Sie beinhaltet eine Entscheidung über das Reiseziel, eine Entscheidung über die Unterkunft, eine Entscheidung über das Essen und eine Entscheidung darüber, wie viel von der Reise überhaupt organisiert werden soll. Ein Reiseberater kann mit diesem Satz arbeiten. Ein Suchfeld könnte das niemals.

Wenn der Agent die Situation und nicht das Schlüsselwort interpretiert, verlagert sich der Wettbewerb in eine frühere Phase, nämlich in die Phase, in der sich die Absicht noch herausbildet. Unternehmen, die diese Phase verstehen, werden Einfluss darauf nehmen, welche Kategorien überhaupt in Betracht gezogen werden. Unternehmen, die nur die endgültige Suchanfrage verstehen, werden um das konkurrieren, was übrig bleibt.

Die Reise war nie ein Trichter. Jetzt können wir das erkennen.

Die aussagekräftigsten Verhaltensdaten stammen aus dem Reisebereich. Skift Research und McKinsey veröffentlichten im September eine Studie, die auf einer Umfrage unter mehr als 1.000 US-Reisenden sowie auf Tagebüchern basierte, in denen 26 Teilnehmer 211 Recherche- und Buchungsvorgänge dokumentierten. Der durchschnittliche Buchungsprozess umfasst mittlerweile etwa 65 Berührungspunkte vor der Buchung, gegenüber etwa 45, als McKinsey ihn zuletzt im Jahr 2018 erfasste. Fast die Hälfte der Reisenden änderte ihre Hotelwahl, nachdem sie bereits gebucht hatten. Reiseziele wurden bereits in Betracht gezogen, bevor die Reisenden Termine, ein Budget oder in manchen Fällen überhaupt eine feste Reiseabsicht hatten. [1]

Das Trichtermodell geht davon aus, dass eine Kaufabsicht einmalig entsteht und dann umgesetzt wird. Die Tagebücher zeigen jedoch etwas anderes. Die Kaufabsicht entwickelt sich weiter, ändert sich und formt sich neu – durch die Interaktion mit Inhalten, mit anderen Menschen und zunehmend auch mit KI. Ein Unternehmen, das nur die abschließende Suche sieht, betrachtet lediglich die letzten Minuten eines Prozesses, der bereits Wochen zuvor begonnen hat – oft in einer ganz anderen Kategorie.

Die kommerziellen Daten deuten in dieselbe Richtung. Adobe Analytics, das mehr als eine Billion Besuche auf US-Einzelhandelswebsites erfasst, berichtete, dass der Traffic durch KI-Assistenten im ersten Quartal 2026 im Vergleich zum Vorjahreszeitraum um 393 Prozent gestiegen ist. Im März 2026 wiesen durch KI vermittelte Besucher eine um 42 Prozent höhere Konversionsrate auf als Besucher aus anderen Quellen und generierten 37 Prozent mehr Umsatz pro Besuch. Zwölf Monate zuvor lag die Konversionsrate bei denselben Besuchern noch um 38 Prozent niedriger. [2] Ich würde dies nicht als Beweis dafür werten, dass KI bessere Kunden hervorbringt; ein Großteil davon ist auf Selektion zurückzuführen. Doch der Mechanismus ist plausibel und wichtig. Eine Kundin, die auf die Website gelangt, nachdem sie beschrieben hat, was sie erreichen möchte, ist bereits weiter in ihrem Kaufprozess fortgeschritten als eine, die lediglich ein Stichwort eingegeben hat.

Airbnb: Von Filtern zu Situationen

Airbnb arbeitet ausdrücklich auf dieses Ziel hin. Die KI-Suche des Unternehmens ermöglicht es Gästen, eine Reise in Alltagssprache zu beschreiben, und wandelt diese Beschreibung in die relevanten Merkmale um. Wird ein Baby erwähnt, kann das System Kinderbetten, Spielplätze in der Nähe und Spielzeug vorschlagen, ohne dass der Gast wissen muss, welchen der Dutzenden Filter er ankreuzen muss. Brian Chesky hat einen weiteren Schritt beschrieben, bei dem Airbnb selbst zu einem Vermittler wird, der schließlich mit anderen Vermittlern verhandelt. [3]

Das Interessante daran ist nicht die Benutzeroberfläche. Es ist vielmehr, dass sich die Analyseeinheit von der Unterkunftsanzeige zur jeweiligen Situation verschiebt. Ein Familienausflug mit einem Kleinkind, ein Treffen mit Studienfreunden und ein Monat Remote-Arbeit in Lissabon sind unterschiedliche Anforderungen, die zufällig auf dasselbe Angebot zurückgreifen. Eine Plattform, die die Situation versteht, kann das Angebot entsprechend zusammenstellen. Eine Plattform, die nur die Unterkunftsanzeige versteht, muss darauf warten, dass die Gastin diese Zusammenstellung selbst vornimmt.

Walmart: eine Geburtstagsparty, nicht fünf Kategorien

Walmart verdeutlicht denselben Punkt auf weniger glamouröse Weise. Angenommen, ein Elternteil sucht getrennt nach Luftballons, Papptellern, Backmischung, Geschenktüten und einem Geschenk. Für die Systeme eines Einzelhändlers sind das fünf Suchanfragen in fünf Kategorien, jede mit ihrer eigenen Merchandising-Logik, ihrem eigenen Medienbudget und ihrem eigenen Kategorie-Manager. Nehmen wir nun an, sie sagt: „Helfen Sie mir, diesen Samstag eine Geburtstagsparty für acht Zehnjährige zu organisieren.“ Die Kategorien verschwinden und der Bedarf wird sichtbar.

Der „Sparky“-Assistent von Walmart ist genau dafür konzipiert. Bei der Telefonkonferenz des Unternehmens zum vierten Quartal im Februar erklärte CEO John Furner, dass Kunden, die Sparky nutzen, einen um etwa 35 Prozent höheren durchschnittlichen Bestellwert aufweisen als diejenigen, die dies nicht tun, und beschrieb den Assistenten als Bindeglied zwischen digitaler Kaufabsicht und Auftragsabwicklung. [4] Diese Zahl basiert auf Beobachtungen und stellt keinen kontrollierten Vergleich dar; zudem probieren Kunden mit höherem Einkaufsvolumen eher neue Tools aus. Der Mechanismus ist dennoch entscheidend. Der Assistent erkennt eine einzige Geburtstagsfeier, während der Einzelhändler früher fünf verschiedene Kategorien gesehen hat.

Dies habe ich seit meinen Arbeiten zur „Demand Landscaping“ in den frühen 2000er Jahren und in „Hidden in Plain Sight“ als „Nachfrage-Raum“ bezeichnet. Ein Nachfrage-Raum ist weder ein Segment noch eine Kategorie. Es handelt sich um eine wiederkehrende, bedeutsame Episode im Leben der Menschen, in der ein bestimmter Kontext, eine Motivation und ein gewünschtes Ergebnis Nachfrage erzeugen. Er umfasst fünf Elemente: den Kontext, die Motivation (funktional, emotional und sozial), das gewünschte Ergebnis, das Verhalten (aktuelle Lösungen und Alternativen) sowie die wirtschaftliche Chance (Umfang, Häufigkeit, Wert, Wachstum und Zahlungsbereitschaft). Kategorien beschreiben, wie Unternehmen das Angebot organisieren. Nachfrageräume beschreiben, wie Menschen Nachfrage erleben. [5]

All dies ist in der Verbraucherpsychologie nichts Neues. Lawrence Barsalou zeigte bereits in den frühen 1980er Jahren, dass Menschen ohne Weiteres sogenannte Ad-hoc- und zielorientierte Kategorien bilden, wie beispielsweise „Dinge, die man auf einen Campingausflug mitnimmt“ oder „Lebensmittel, die man während einer Diät isst“, und dass diese Kategorien für Menschen ebenso stabil und nützlich sind wie taxonomische Kategorien. [6] Ratneshwar und Kollegen erweiterten diesen Ansatz im Jahr 2001 auf die Verbraucherentscheidung. [7] Menschen haben ihre Entscheidungen schon immer an Zielen ausgerichtet. Unternehmen orientierten sich am Angebot, da die Bedienung einer zielorientierten Nachfrage zu kostspielig war. KI senkt diese Kosten.

Die Absicht ist kein Raum für Forderungen

Die derzeitige Begeisterung für das Konzept der „Intent“ birgt ein Risiko. Die Absicht ist individuell, und eine Strategie lässt sich nicht auf der Grundlage von Millionen einzigartiger Eingabeaufforderungen entwickeln.

Jemand schreibt: „Ich möchte heute Abend etwas Interessantes trinken, aber keinen durchzechten Abend.“ Ein anderer: „Ich treffe mich nach der Arbeit mit zwei Freunden und möchte etwas Besonderes, aber es soll kein großer Abend werden.“ Ein dritter: „Ich möchte etwas feiern, muss aber morgen früh wieder fit sein.“ Die Formulierungen unterscheiden sich. Die zugrunde liegende Struktur ist jedoch nahezu identisch: ein geselliger Anlass mit begrenzten Folgen, bei dem der Drink eine gewisse Bedeutung haben muss, ohne den Abend zu dominieren.

Bei dieser wiederkehrenden Struktur setzt die Strategie an. Der Mitarbeiter mag jeden Einzelnen noch so gut kennen – das Unternehmen muss dennoch wissen, welche wiederkehrenden Nachfragemuster es gibt, wie groß diese sind, welche Preise die Menschen dafür zahlen und welche es besser bedienen kann als alle anderen. „Demand Architecture“ wandelt Millionen einzelner Absichtsbekundungen in eine kleine Anzahl von Mustern um, auf die ein Unternehmen tatsächlich setzen kann. Mitarbeiter verstehen Menschen. Nachfrageräume helfen Unternehmen, Märkte zu verstehen.

Der gleiche Wandel im B2B-Bereich

Hier geht es nicht nur um Endverbraucher. Unternehmenssoftware wird in verschiedenen Kategorien verkauft: Spesenmanagement, Kreditorenbuchhaltung, Beschaffung, Lieferantenmanagement, Vertragsmanagement. Die Probleme der Finanzverantwortlichen lassen sich jedoch selten auf diese Grenzen beschränken. Es klingt eher so: Verschiedene Teams kaufen dieselben Dienstleistungen zu unterschiedlichen Preisen ein, die Beschaffung dauert zu lange, und niemand weiß, wo wir Verhandlungsspielraum haben.

Im April führte Ramp eine Reihe von KI-Agenten ein, die Kaufanfragen priorisieren, Lieferanten recherchieren, Ausschreibungen erstellen und bewerten, Sicherheits-, Rechts- und Finanzprüfungen durchführen, bevor eine Anfrage einen Genehmiger erreicht, und Vertragsbedingungen anhand anonymisierter Preisbenchmarks aus den eigenen Transaktionsdaten überprüfen. Ramp berichtet, dass Kunden, die das System nutzen, durchschnittlich 16 Prozent pro Jahr an Lieferantenkosten einsparen und 46 Stunden pro Monat an manueller Beschaffungsarbeit einsparen. [8] Dies sind Unternehmensangaben und sollten auch als solche verstanden werden. Was hier zählt, ist die Struktur des Angebots. Die Kundin kauft keine bestimmte Softwarekategorie. Sie mietet eine Lösung für ein wiederkehrendes Geschäftsszenario.

Industriemärkte weisen denselben blinden Fleck auf. Ein Hersteller glaubt, er verkaufe Anlagen, während der Kunde versucht, ungeplante Ausfallzeiten zu vermeiden. Ein Logistikunternehmen glaubt, es verkaufe Fracht, während der Kunde versucht, Unsicherheiten aus einer kritischen Lieferkette zu beseitigen. Die meisten B2B-Unternehmen kennen ihre Produktkategorien bis ins Detail, wissen aber bemerkenswert wenig über die Nachfrage, die Kunden zu ihnen führt. KI macht diese Lücke sichtbar – und sie macht sie teuer.

Warum es sich hierbei um eine Frage des Wachstums und nicht um eine Frage der Medien handelt

Das Marketing hat zwei Jahrzehnte damit verbracht, bereits bestehende Nachfrage sehr gut aufzugreifen. Die Suchmaschine findet die Kundin, nachdem sie eine Suche durchgeführt hat. Retail Media findet sie, nachdem sie die Produktkategorie aufgerufen hat. Performance-Marketing optimiert die letzten Schritte vor der Konversion. All dies wird auch weiterhin wichtig sein, doch genau hier wird der Wettbewerbsdruck so groß, dass die Margen schwinden.

Die Wachstumsrechnung hat die Spätphase ohnehin noch nie begünstigt. Eine Analyse von McKinsey zum Wachstum großer Unternehmen ergab, dass Marktanteilsgewinne nur etwa 7 Prozent des Unternehmenswachstums ausmachen. [9] Der größte Teil des Wachstums ergibt sich daraus, in den richtigen Marktsegmenten positioniert zu sein und sich dorthin zu bewegen, bevor es andere tun. Wenn KI zunehmend Aufgaben der Erkennung und des Vergleichs übernimmt, steigt der Wert von Entscheidungen, die vor dieser Phase getroffen werden: Welche Nachfrage ist relevant, welche wächst, welche verändert sich strukturell und für welche Nachfrage sind wir in einzigartiger Weise gerüstet? Das sind Fragen der Kapitalallokation. Sie sollten nicht dem Medienplan überlassen werden.

Drei Fragen an die Führung

1. Welche Nachfrage besteht, bevor die Kategorie ausgewählt wird, und in welchem Umfang ist diese derzeit zu beobachten?
2. Welche wiederkehrenden Bedarfsbereiche verbergen sich hinter den einzelnen Absichtserklärungen, die wir erfassen?
3. Wo entstehen durch strukturelle Veränderungen neue Nachfragemärkte, bevor unsere derzeitige Forschung diese erfasst?

Die dritte Frage ist, wo hier der Strukturwandel-Index von „ Vivaldi“ ins Spiel kommt. Selbst Kategorien, die oberflächlich betrachtet stabil erscheinen, weisen im Hintergrund erhebliche Schwankungen in der Nachfrage auf. Darauf werde ich im dritten Artikel zurückkommen.

Jahrelang lautete die Frage: Wie kann man Aufmerksamkeit erregen? Die schwierigere Frage lautet nun: Welche Nachfrage besteht, bevor der Kunde sich für einen Kauf entschieden hat, und in welchen Bereich lohnt es sich, zu investieren?

Anmerkungen

• [1] Skift Research und McKinsey & Company, „Winning Hearts in an Age of Infinite Travel Choices“, September 2026. Siehe die Pressemitteilung von McKinsey vom 8. Oktober 2026 und den ANI-Bericht vom 26. September 2026.
• [2] Adobe Analytics, Daten zum Besucherverkehr im Einzelhandel im 1. Quartal 2026, veröffentlicht in „Der durch KI generierte Besucherverkehr bei US-Einzelhändlern stieg im 1. Quartal um 393 % und steigert auch deren Umsatz“, TechCrunch, 16. April 2026.
• [3] „Airbnb führt KI-Suche und weitere soziale Funktionen ein“, TechCrunch, 30. September 2026; „Interview mit Brian Chesky: KI-Agenten brauchen ein eigenes Betriebssystem“, TechCrunch, 2026. https://techcrunch.com/2026/10/01/brian-chesky-interview-ai-agents-need-their-own-operating-system/
• [4] Walmart Inc., Telefonkonferenz zum Ergebnis des vierten Quartals des Geschäftsjahres 2026, 19. Februar 2026, Ausführungen von CEO John Furner; berichtet in Constellation Research, „Walmarts KI-Agent ‚Sparky‘ steigert den Bestellwert“.
• [5] Erich Joachimsthaler, „Hidden in Plain Sight: How to Find and Execute Your Company’s Next Big Growth Strategy“ (Boston: Harvard Business School Press, 2007); Erich Joachimsthaler, „The Attention Economy Is Ending. Growth Now Runs on Intent“, Medium, Januar 2026.
• [6] Lawrence W. Barsalou, „Ad-hoc-Kategorien“, Memory & Cognition 11, Nr. 3 (1983): 211–227; Lawrence W. Barsalou, „Ideale, zentrale Tendenz und Häufigkeit der Instanziierung als Determinanten einer abgestuften Struktur in Kategorien“, Journal of Experimental Psychology: Learning, Memory, and Cognition 11, Nr. 4 (1985): 629–654.
• [7] S. Ratneshwar, Lawrence W. Barsalou, Cornelia Pechmann und Melissa Moore, „Goal-Derived Categories: The Role of Personal and Situational Goals in Category Representations“, Journal of Consumer Psychology 10, Nr. 3 (2001): 147–157.
• [8] Ramp, „Ramp führt eine Flotte von KI-Agenten auf seiner Beschaffungsplattform ein“, Pressemitteilung vom 29. April 2026; berichtet in CPA Practice Advisor vom 1. Mai 2026. Die Zahlen stammen aus Unternehmensangaben.
• [9] McKinsey & Company, „NOW NEW NEXT: Wie Wachstumschampions neuen Wert schaffen“, 2016.