Agent Hub, Agentforce und die Datenfrage: Woran agentische Marketing-Automation skaliert

Innerhalb weniger Wochen haben die beiden größten CRM-Plattformen den Einsatz von KI-Agenten im Marketing auf eine neue Stufe gehoben. Am 23. Juli stellte HubSpot mit Agent Hub und Agent Builder eine zentrale Steuerungsebene für KI-Agenten in die öffentliche Beta: eine Konsole, in der Teams alle Agenten über Marketing, Vertrieb und Service hinweg sehen, verwalten und in natürlicher Sprache neue bauen können. Kurz zuvor hatte Salesforce seine Agentforce-Commerce-Agenten allgemein verfügbar gemacht — inklusive Anbindung an ChatGPT und die Google-Suche. Die Richtung ist eindeutig: KI-Agenten werden vom Einzelwerkzeug zur Infrastruktur. Umso deutlicher zeigt sich, woran ihr produktiver Einsatz in der Praxis entschieden wird — nicht an den Agenten selbst, sondern an der Datenbasis und der Orchestrierung darunter.

Was die Plattformen tatsächlich gebaut haben

Interessant an HubSpots Ansatz ist weniger der einzelne Agent als das Steuerungsversprechen. Agent Hub bündelt vorgefertigte Agenten, eigene Agenten und agentische Workflows an einem Ort; alle greifen auf denselben Kundenkontext im CRM zu — Deal-Historie, Kontaktdaten, Gesprächsnotizen, Kaufsignale. Agent Builder senkt die Einstiegshürde: Fachanwender beschreiben in natürlicher Sprache, was ein Agent tun soll, statt Workflows technisch zu konfigurieren. Und: Eigene Agenten verbrauchen Credits, werden also nutzungsbasiert bepreist und gemessen.

Salesforce verfolgt mit den Commerce-Agenten dieselbe Logik im Handelskontext: Shopper-, Buyer- und Merchant-Agenten übernehmen definierte Rollen im Kaufprozess und sind an externe Oberflächen wie ChatGPT und die Google-Suche angebunden — der Ort der Kundeninteraktion verschiebt sich damit teilweise aus den eigenen Kanälen heraus.

Beide Ankündigungen beantworten damit ein operatives Problem, das in vielen Organisationen bereits sichtbar ist: Agenten, die isoliert voneinander arbeiten. Das oft zitierte Negativbeispiel aus der Branchendiskussion: Ein Vertriebs-Agent kontaktiert einen Bestandskunden in derselben Woche, in der ein Service-Agent dessen offene Beschwerde bearbeitet — und keines der Systeme weiß vom anderen. Genau dieses Koordinationsproblem adressieren die neuen Steuerungsebenen.

Die unbequeme Voraussetzung: verbundene Kundendaten

So unterschiedlich die Produkte sind, sie teilen eine stillschweigende Annahme: dass die Kundendaten der Organisation vollständig, aktuell, verknüpft und zugriffsgeregelt vorliegen. In der Branchenberichterstattung zu den Juli-Releases wurde zu Recht angemerkt, dass viele Unternehmen agentische KI auf einer Dateninfrastruktur ausrollen, die dafür nie ausgelegt war.

Für Banken und Finanzdienstleister wiegt das doppelt schwer. Kundendaten liegen dort typischerweise über Kernbanksystem, CRM, Kampagnenwerkzeuge und Servicekanäle verteilt; regulatorische Anforderungen an Datenschutz und Nachvollziehbarkeit kommen hinzu. Ein Agent, der Produktempfehlungen ausspielt, während der Kunde parallel eine Reklamation laufen hat, ist im Handel ärgerlich — im Finanzgeschäft beschädigt er Vertrauen und kann aufsichtsrechtlich relevant werden.

Die Konsequenz: Vor der Agenten-Frage steht die Datenfrage. Drei Bausteine haben sich als tragfähig erwiesen:

• Ein verbundenes Kundenprofil. Transaktionen, Interaktionen, Einwilligungen und laufende Vorgänge müssen für alle Systeme konsistent verfügbar sein — sonst agiert jeder Agent auf einem anderen Ausschnitt der Wahrheit.

• Ereignisbasierte Aktualität. Agenten reagieren in Minuten, nicht in Monatszyklen. Eine Datenbasis, die nur nächtlich oder wöchentlich aktualisiert wird, macht schnelle Agenten langsam — oder falsch.

• Regeln vor Autonomie. Kontaktdruck-Steuerung, Kanalpräferenzen, Sperrgründe und Eskalationsregeln gehören in eine zentrale Entscheidungslogik, nicht in jeden einzelnen Agenten. Orchestrierung heißt: Der Rahmen entscheidet, welcher Agent wann handeln darf.

Orchestrierung in der Praxis: Entscheidungslogik statt Kanaldenken

Wie eine solche Steuerungsebene konkret aussieht, lässt sich am Prinzip der nächstbesten Aktion beschreiben: Statt dass jeder Kanal und jeder Agent eigene Auslöser verfolgt, bewertet eine zentrale Logik pro Kunde und Zeitpunkt, welche Aktion — Angebot, Servicehinweis, Beratungsimpuls oder bewusstes Nichtstun — den größten Wert stiftet. Die Agenten werden damit zu ausführenden Einheiten einer übergeordneten Entscheidung, nicht zu konkurrierenden Absendern.

Das verändert auch die Zusammenarbeit der Teams: Marketing, Vertrieb und Service definieren gemeinsam Prioritätsregeln und Ausschlusskriterien, statt sich nachträglich über widersprüchliche Kundenansprachen abzustimmen. Und es schafft die Voraussetzung für Lernschleifen — wenn alle Aktionen und Reaktionen an einer Stelle zusammenlaufen, lässt sich systematisch auswerten, welche Ansprache bei welchem Kundensegment wirkt. Genau diese Rückkopplung ist es, die aus einzelnen Automatisierungen ein lernendes System macht.

Messbarkeit wird zum Disziplinierungsfaktor

Ein unterschätzter Nebeneffekt der neuen Plattform-Generation: Agenten werden gemessen und bepreist. Wenn eigene Agenten Credits verbrauchen, bekommt jede Automatisierung einen sichtbaren Preis — und braucht einen belastbaren Business Case. Das ist gesund. Es zwingt Teams, den Nutzen pro Anwendungsfall zu quantifizieren: Welche Konversionswirkung hat der Agent? Welche manuellen Aufwände ersetzt er? Welche Fehlerkosten vermeidet er? Marketing-Organisationen, die diese Rechnung führen können, werden Budgets verteidigen — die anderen werden Pilotprojekte beerdigen.

Hinzu kommt die regulatorische Dimension: Ab dem 2. August 2026 verlangen die Transparenzpflichten des AI Act, dass KI-Einsatz im Kundenkontakt offengelegt und KI-generierte Inhalte gekennzeichnet werden. Wer Agenten in der Kundenkommunikation einsetzt, braucht Prozesse, die das systematisch sicherstellen — ein weiterer Grund, Steuerung zentral zu verankern statt in Einzellösungen.

Was Entscheider jetzt prüfen sollten

1. Dateninventur vor Agenten-Rollout. Welche Kundendaten sind heute für automatisierte Entscheidungen verfügbar, wie aktuell sind sie, wo liegen Lücken und Widersprüche?

2. Orchestrierung als eigene Ebene planen. Wer koordiniert Agenten über Marketing, Vertrieb und Service hinweg? Welche zentrale Logik regelt Priorität, Kontaktdruck und Ausschlüsse?

3. Mit wenigen, messbaren Anwendungsfällen starten. Ein Agent mit klarem Nutzenversprechen und sauberer Erfolgsmessung schlägt fünf parallel gestartete Experimente.

4. Kennzeichnung und Offenlegung mitbauen. Transparenzpflichten von Anfang an in Prozesse und Templates integrieren, statt sie nachzurüsten.

Fazit

HubSpot und Salesforce haben im Juli vorgemacht, wohin sich Marketing-Automation entwickelt: von einzelnen KI-Funktionen zu orchestrierten Agenten-Landschaften mit gemeinsamem Kundenkontext. Die Plattformen liefern die Steuerungsebene — die Datenbasis liefern sie nicht. Ob agentische Automation Wert schafft oder Chaos, entscheidet sich an verbundenen, aktuellen Kundendaten und an einer zentralen Entscheidungslogik. Organisationen, die diese Grundlagen jetzt schaffen, können die neue Werkzeuggeneration produktiv nutzen. Alle anderen automatisieren ihre Inkonsistenzen — nur schneller.