ChatGPT Ads: Warum Datenintegration über die Bewertung des Kanals entscheidet

Thema: Agentic & AI
0
Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Profilbild von Manuel Marini
Autor
Manuel Marini
Profilbild von Andreas Gozian
Autor
Andreas Gozian

Ein neuer Werbekanal, die nächste Budgetdebatte. Bei ChatGPT Ads stellt sich allerdings schon vor der Frage nach dem Einsatz eine grundlegendere: Kann das Unternehmen erkennen, welche Kunden und welcher wirtschaftliche Nutzen aus einem Kontakt entstehen? Wenn Kampagnenbericht, CRM und Auftragsdaten verschiedene Geschichten erzählen, sorgt ein zusätzlicher Kanal zunächst für eine weitere Version.

Aus Sicht der Customer Intelligence geht es deshalb um mehr als eine neue Anzeigenfläche. Kundendaten müssen gesammelt, verlässlich zugeordnet und bis zum Geschäftsergebnis nutzbar werden. Die These dieses Kommentars lautet: Wer AI Ads bewerten will, braucht diese Verbindung. Eine neue Reporting-Oberfläche kann sie unterstützen. Die gemeinsame Datengrundlage muss das Unternehmen selbst schaffen.

Was die Studie misst und was sie offenlässt

Maximilian Kaiser und Christian Schulze untersuchen in ihrer Studie zu ChatGPT-Verweisen im E-Commerce organischen Traffic auf 973 Websites zwischen August 2024 und Juli 2025. In der bereinigten Gesamtbetrachtung konvertiert dieser Traffic schwächer als die betrachteten etablierten Kanäle, mit Ausnahme von Paid Social. Bei komplexen Produkten fällt die Bewertung günstiger aus. Die Beitragsgrafik zeigt modellgeschätzte Unterschiede gegenüber organischem LLM-Traffic, keine absoluten Conversion-Prozentsätze.

Wichtig ist die Grenze dieser Aussage: Untersucht werden unbezahlte Verweise, keine bezahlten ChatGPT Ads. Die Beobachtungsdaten mit Last-Click-Zuordnung erklären zudem nicht die gesamte Kaufentscheidung. Die Studie begründet daher weder ein pauschales Umschichten von Werbebudgets noch das Ignorieren des Kanals. Sie macht vielmehr deutlich, wie stark eine Bewertung von Nutzungssituation und Messverfahren abhängt. Die Studienseite mit Originalgrafik dokumentiert diese Unterschiede.

 

Modellgeschätzte Unterschiede der Conversion Rates je Kanal gegenüber organischem LLM-Traffic; Paid Social liegt darunter, die übrigen dargestellten Kanäle darüber
Quelle: Kaiser, M. und Schulze, C. (2026): Frontiers: ChatGPT Referrals to E-Commerce Websites: How Do LLMs Compare Against Traditional Channels? Marketing Science 45(4), 699–715, Figure 9. Marketing Science. Copyright © 2026 The Author(s). https://doi.org/10.1287/mksc.2025.0489, used under a Creative Commons Attribution License: https://creativecommons.org/licenses/by/4.0/

Ein Anzeigenkontakt ist noch keine Kundenbeziehung

Die offizielle OpenAI-Dokumentation zur Advertiser API beschreibt Kampagnen, Anzeigengruppen, Anzeigen und Reporting. Für Unternehmen entsteht damit eine steuerbare Werbeaktivität. Ob und unter welchen Bedingungen ein konkretes Konto Anzeigen ausspielen kann, ist gesondert zu prüfen. Die Existenz der Schnittstelle sagt noch nichts über den Zugang eines einzelnen Werbetreibenden oder die erwartbare Wirkung seiner Kampagne aus.

Die entscheidende Verbindung entsteht außerhalb des Anzeigenkontos. Ein Besuch kann zu einer Anfrage führen, diese zu einem Beratungsgespräch und erst später zu einem Auftrag. Dazwischen liegen fachliche Prüfung, Rückfragen und möglicherweise mehrere beteiligte Personen. Wenn im Reporting nur das ausgefüllte Formular sichtbar bleibt, wird ein früher Prozessschritt zur vermeintlichen Antwort auf die gesamte Wirtschaftlichkeitsfrage.

Ein Kundenverlauf braucht verbindende Daten

Für die Bewertung sind mehrere Ebenen auseinanderzuhalten: das Ereignis auf der Website, die Identität des Kontakts, seine Zuordnung zu einem Unternehmen und das spätere Geschäftsergebnis. Diese Informationen können in unterschiedlichen Systemen entstehen. Erst ihre verlässliche Verbindung erlaubt die Frage, wie sich ein Kontakt weiterentwickelt hat. Das ist eine Anforderung an die eigene Messarchitektur, kein zusätzlicher Befund der E-Commerce-Studie.

Benötigt wird deshalb ein nachvollziehbarer Zusammenhang zwischen Ereignis, Kontakt, Unternehmen und Ergebnis. Dazu gehören passende Kennungen, konsistente Zeitangaben und klare Regeln für Zuordnung und Korrektur. Der Golden Record hilft bei der gemeinsamen Identität; die Integration transportiert die benötigten Informationen zwischen den beteiligten Anwendungen. Welche Daten tatsächlich notwendig sind, ergibt sich aus der Bewertungsfrage.

Datenqualität beginnt bei der Definition von Erfolg

Auch eine technisch vollständige Übertragung kann ein falsches Bild erzeugen. Zählt ein System jede Formularübermittlung und ein anderes nur erstmals eingegangene Anfragen, entstehen unterschiedliche Erfolgszahlen. Ähnliches gilt für stornierte Aufträge, Testkontakte und mehrfach übermittelte Ereignisse. Bevor ein Kanalvergleich sinnvoll wird, muss feststehen, welche Vorgänge in die Auswertung eingehen und wer Fehler bearbeiten kann.

Die Dokumentation zum Conversion Tracking beschreibt Browser-Pixel und serverseitige Ereignisübermittlung. Bei kombinierter Nutzung ermöglichen übereinstimmende Ereigniskennungen die Deduplizierung. Das löst einen bestimmten technischen Zählfehler. Ob ein Ereignis fachlich einen qualifizierten Kontakt oder einen wirtschaftlich relevanten Abschluss repräsentiert, bleibt eine Entscheidung des Unternehmens.

Für Customer Intelligence entsteht hier der eigentliche Arbeitsauftrag: gemeinsame Begriffe schaffen, Identitäten verlässlich verbinden und Qualitätsprobleme sichtbar machen. Eine serverseitige Schnittstelle ersetzt weder diese Abstimmung noch die Prüfung, welche Daten im jeweiligen Kontext verarbeitet und weitergegeben werden dürfen.

Die Rückmeldung aus dem Vertrieb verändert die Bewertung

Ein günstiger Kontaktpreis kann attraktiv wirken, obwohl aus den Anfragen kaum bearbeitbare Vorhaben entstehen. Umgekehrt kann ein teurerer Kontakt wirtschaftlich interessant sein, wenn er häufiger zu passenden Kundenbeziehungen führt. Diese Unterschiede werden erst sichtbar, wenn das Marketing Rückmeldungen zur weiteren Entwicklung erhält. Im Lead-Management gehört diese Verbindung deshalb bereits zur Prozessgestaltung.

Für einen Test reichen oft wenige, klar definierte Rückmeldungen: Wurde der Kontakt angenommen? Gab es ein qualifiziertes Gespräch? Entstand ein Angebot oder Auftrag? Wann wurde die Bearbeitung beendet und weshalb? Der Sinn liegt nicht darin, jede interne Information an eine Werbeplattform zu senden. Entscheidend ist eine verlässliche eigene Bewertungsgrundlage mit angemessenem Datenumfang und klaren Zugriffsregeln.

Ein weiterer Kanal prüft die vorhandene Infrastruktur

Meine Schlussfolgerung: Mit jedem zusätzlichen Kontaktpunkt wird die Qualität der gemeinsamen Kundendaten wichtiger. Sind Marketing, Vertrieb und operatives Geschäft bereits verbunden, lässt sich eine neue Quelle gezielter prüfen. Muss ihr Zusammenhang jedes Mal manuell rekonstruiert werden, beginnt die Grundlagenarbeit mit der nächsten Kampagne von vorn.

Hier liegt auch der Bezug zum Geschäftsmodell von MARINI: Daten aus unterschiedlichen Systemen integrieren, ihre Qualität bearbeiten und sie für operative Anwendungen nutzbar machen. Die Studie ist kein Nachweis für die Wirkung eines bestimmten Anbieters. Der Zusammenhang ergibt sich aus der hier entwickelten Managementaufgabe: Ein Kanal lässt sich belastbarer steuern, wenn seine Daten mit dem Kundenprozess verbunden sind.

Ein guter Pilot beantwortet eine konkrete Entscheidung

Vor einem Pilot sollte eine überprüfbare Frage stehen: Erreichen wir mit diesem Angebot geeignete Interessenten, und entwickelt sich daraus zusätzlicher wirtschaftlicher Nutzen? Dazu gehören eine passende Zielgruppe, ein begrenztes Budget, ausreichend Zeit für die betrachtete Kundenentwicklung und ein Vergleich mit nachvollziehbaren Definitionen. Wo möglich, hilft ein geeigneter Vergleichsaufbau, zusätzliche Wirkung von bloßer Zuordnung zu unterscheiden.

Der sinnvolle nächste Schritt ist deshalb ein Test, aus dem eine Entscheidung entstehen kann. Dazu kann eine Kampagne gehören. Ebenso nötig kann zunächst die Verbindung fehlender Datenflüsse sein. Entscheidend ist, ob das Unternehmen geeignete Interessenten und ihre weitere Entwicklung erkennen kann. Erst damit wird die Diskussion über AI Ads zu einer Frage der Customer Intelligence und nicht nur zur Suche nach dem nächsten günstigen Klick.

Kommentar von Emanuel Bayer. Quellenstand: 30. Oktober 2026. Studie: Kaiser, M. und Schulze, C. (2026), ChatGPT Referrals to E-Commerce Websites: How Do LLMs Compare Against Traditional Channels?, Marketing Science, DOI: 10.1287/mksc.2025.0489. Unternehmensbezug: Manuel Marini und Andreas Gozian gehören zu den Initiatoren des MARINI-Magazins und sind mit MARINI verbunden. Die Empfehlungen dieses Kommentars sind eine redaktionelle Einordnung, keine Ergebnisse der Studie über MARINI.

Weitere Beiträge zum Thema: (Agentic) AI.

Profilbild von Prof. Dr. Emanuel Bayer

Prof. Dr. Emanuel Bayer

Prof. Dr. Emanuel Bayer verbindet Marketingwissenschaft mit der praktischen Nutzung von Kundendaten. Er ist Mitentwickler des CIEF, Mitherausgeber von Customer Intelligence und redaktioneller Leiter des MARINI-Magazins.

Zum Autorenprofil
Profilbild von Manuel Marini

Manuel Marini

Manuel Marini ist Mitgründer von MARINI und Mitentwickler des CIEF. Er verbindet digitalen Vertrieb mit Datenintegration, Golden Records und der praktischen Umsetzung von Customer Intelligence.

Zum Autorenprofil
Profilbild von Andreas Gozian

Andreas Gozian

Andreas Gozian verbindet Customer Data Platforms, Systemintegration und die Automatisierung von Kundenprozessen. Seine Erfahrung reicht von Strategie und Anforderungsklärung bis zur Implementierung und zum internationalen Rollout.

Zum Autorenprofil
Du musst angemeldet sein, um einen Kommentar abzugeben.

Mehr zu Thema

Agentic & AI
Veranstaltungsgrafik zum DDV Dialog Summit am 5. und 6. November 2026 in Frankfurt mit farbig leuchtenden Ringen.
Thema: Agentic & AI, CIEF in der Praxis

DDV Dialog Summit: Warum KI verlässliche Kundendaten braucht

Andreas Gozian und Emanuel Bayer stellten beim DDV Dialog Summit 2026 den Agentic Golden Record als Grundlage für Customer Intelligence vor.

Profilbild von Andreas Gozian
Autor
Andreas Gozian
Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Vergleich verteilter E-Mail-Postfächer mit einem Zielbild für KI-gestützte Kategorisierung, Zuordnung und Antwortvorbereitung.
Thema: Agentic & AI, Marketing, Vertrieb & Service

KI im Banking: Wie E-Mails zu nutzbaren Kundeninformationen werden

E-Mails enthalten Kundenwissen, das im Arbeitsablauf nutzbar werden muss. Wie die Deutsche Bank Sprachmodelle für Analyse, Routing und Antwortvorschläge einsetzt und welche Rolle Kontrolle und Integration spielen.

Porträt von Murat Cavus
Autor
Murat Cavus
Porträt von Praneet Jayaram
Autor
Praneet Jayaram
Porträt von Zahid Amadxarif
Autor
Zahid Amadxarif
Andreas Gozian und Manuel Marini bei der Verleihung des Best of Technology Award 2026
Thema: Agentic & AI

Best of Technology 2026: Auszeichnung für MARINIs Agentic Golden Record

MARINI erreicht beim Best of Technology Award 2026 Platz 2 in der Kategorie Customer Lifecycle. Der ausgezeichnete Ansatz lenkt den Blick auf eine zentrale Voraussetzung agentischer Anwendungen: eine verlässliche, nutzbare Datenbasis.

Profilbild von Prof. Dr. Emanuel Bayer
Autor
Prof. Dr. Emanuel Bayer
Von Daten über Informationen und Wissen zu nutzbaren Customer Insights
Thema: Agentic & AI

KI im Up- und Cross-Selling: Wann Personalisierung relevant wird

KI kann Hinweise auf passende Zusatzangebote liefern. Für wirksames Up- und Cross-Selling müssen jedoch Daten, Modellergebnis, Kundenkontext und Erfolgsmessung zusammenpassen. Worauf es bei der praktischen Gestaltung ankommt.

Porträt von Michael Altendorf
Autor
Michael Altendorf
Porträt von Isabell Gollmer
Autor
Isabell Gollmer