Gründer-These: Das Risiko verschiebt sich von falschen KI-Antworten zu falschen KI-Aktionen
In der KI-Suche ist das größte Risiko eine ungenaue Antwort — eine Marke falsch darstellen, veraltete Informationen zitieren, einen Wettbewerber empfehlen. Das sind Reputationsrisiken. Sie verdienen Aufmerksamkeit, doch der Schaden ist typischerweise indirekt und graduell.
Bei Agentic Advertising eskaliert das Risikoniveau um eine Größenordnung. Wenn KI-Agenten Anzeigenkonten lesen und ändern können, bleiben Fehler nicht mehr im Chat-Fenster. Sie werden zu Budgetfehlallokationen, potenziell rechtswidrigen Creatives, Targeting-Fehlern und nicht autorisierten Markenversprechen — und all das geschieht in Maschinengeschwindigkeit. Ein einziger falsch interpretierter Prompt kann innerhalb von Sekunden mehrere Kampagnen beeinflussen und reale finanzielle Verluste verursachen, bevor jemand es bemerkt.
Dies ist keine theoretische Sorge. Es ist dem Produktdesign von Meta Ads MCP eingeschrieben. Die Open Beta stellt etwa 29 Tools bereit, die Kampagnenverwaltung, Zielgruppen-Konfiguration, Budgetanpassung und Berichterstattung abdecken. Jedes Tool ist ein potenzieller Handlungseinstiegspunkt. Ohne Governance-Framework könnte ein Agent technisch korrekte, aber strategisch falsche Entscheidungen treffen.
Fünf Risikokategorien
Nach Analyse der MCP-Tool-Oberfläche und des frühen Community-Feedbacks identifizieren wir fünf Risikokategorien, die Marken adressieren müssen.
Das erste ist das Budgetrisiko. Ein Agent missversteht ein Kampagnenziel oder reagiert übermäßig auf kurzfristige Metrik-Schwankungen. Er sieht eine temporäre CPM-Verbesserung bei einer Anzeigengruppe und skaliert aggressiv das Budget, ohne zu bemerken, dass der ROAS dieser Gruppe seit drei Tagen sinkt. Ohne Budgetschwellen und Eskalationsmechanismen kann diese Art von Fehlinterpretation innerhalb eines einzigen Tages erhebliche Werbeausgaben verschwenden.
Das zweite ist das Creative-Risiko. Ein Agent verwendet oder schlägt Creatives vor, die gegen Markenrichtlinien, gesetzliche Anforderungen oder Marktsensibilitätsstandards verstoßen. Im DACH-Markt ist das Gesetz gegen den unlauteren Wettbewerb (UWG) besonders relevant. Irreführende Werbeaussagen, unerlaubte Heilversprechen oder fehlende Pflichtangaben können Abmahnungen und Unterlassungsklagen nach sich ziehen. Die deutsche Rechtslage bei Influencer-Werbung, Preisangabenverordnung und den strengen Anforderungen der Verbraucherzentrale macht das Creative-Risiko im DACH-Raum komplexer als in vielen anderen Märkten.
Das dritte ist das Targeting-Risiko. Ein Agent wählt Zielgruppen-Kombinationen, die Markensicherheitsprobleme verursachen, oder richtet Anzeigen auf Regionen ohne tatsächliche Service-Lieferfähigkeit der Marke aus. Eine auf den deutschen Markt spezialisierte Dienstleistung, deren Agent das Targeting auf den gesamten EU-Raum ausdehnt, erzeugt Leads aus Ländern, in denen sie nicht liefern kann.
Das vierte ist das Markenrisiko. Ein Agent macht in Anzeigentexten nicht autorisierte Versprechen oder Behauptungen. In regulierten Branchen wie Finanzdienstleistungen, Gesundheitswesen oder Rechtsberatung können nicht autorisierte Behauptungen behördliche Untersuchungen auslösen. In Deutschland unterliegen Finanzprodukte der BaFin-Aufsicht und Gesundheitsprodukte dem Heilmittelwerbegesetz — Agenten müssen diese Grenzen kennen.
Das fünfte ist das Datenrisiko. Während MCP-Tool-Aufrufen fließen Konten-, Zielgruppen- und Konversionsdaten in das Kontextfenster des LLM. Die DSGVO setzt in Europa den weltweit strengsten Datenschutzstandard. Wenn personenbezogene Daten durch Agent-Prompts an Drittanbieter-LLMs übermittelt werden, kann dies Art. 44-49 DSGVO (Übermittlung an Drittländer) betreffen. Die Datenschutz-Folgenabschätzung (DSFA) nach Art. 35 DSGVO könnte für Agent-basierte Werbeverarbeitung erforderlich werden. Deutsche Datenschutzbehörden sind für ihre strenge Auslegung bekannt.
Warum Governance die Kernkompetenz ist
Viele behandeln die MCP-Integration als Effizienz-Tool: Agent verbinden, Werbung automatisieren, Personal einsparen. Dieses Framing ist gefährlich, weil es die Automatisierung vor die Governance-Infrastruktur stellt.
Der korrekte Rahmen: MCP-Integration ist ein Governance-Design-Problem. Vor der Verbindung von Agenten müssen Marken sechs grundlegende Governance-Fragen beantworten.
Erstens: Berechtigungsstufen. Was darf der Agent lesen, vorschlagen, ändern und nicht berühren? Verschiedene Agent-Nutzer sollten verschiedene Berechtigungsgrenzen haben. Ein Agent für Berichtsdiagnosen sollte keinen Budget-Änderungszugriff haben. Das Prinzip der geringsten Berechtigung sollte gelten.
Zweitens: Human-in-the-Loop-Design. Welche Operationen erfordern menschliche Genehmigung? Wie schnell muss genehmigt werden? Was passiert, wenn der Genehmiger offline ist? Verschiedene Operationstypen brauchen verschiedene HITL-Strategien.
Drittens: Budgetschwellen. Maximale Einzeländerung, kumulative Tages- und Wochenlimits, Eskalationsmechanismus bei Überschreitung. Die Schwellen sollten sich dynamisch anpassen.
Viertens: Operationslogs. Jede Agent-Aktion braucht einen vollständigen Audit-Trail: Prompt-Inhalt, Tool-Aufruf mit Parametern, Antwort, Zeitstempel und Operator-ID. Logs müssen unveränderlich und nachvollziehbar sein.
Fünftens: Rollback-Mechanismen. Wie schnell kann eine fehlerhafte Aktion rückgängig gemacht werden? Welche Operationen sind reversibel und welche irreversibel? Rollback-Prioritäten und Zeitfenster müssen vorab definiert werden.
Sechstens: Prompt-Datengrenzen. Welche Daten dürfen in Agent-Prompts erscheinen? Wie verhindert man, dass sensible Informationen an Drittanbieter-LLMs gelangen?
Der richtige Integrationspfad
Ad-MCP-Workflows sollten einem abgestuften Pfad von Beobachtung zu kontrolliertem Handeln folgen.
Phase 1 ist Nur-Lese-Modus. Der Agent liest Kontodaten, erstellt Berichte, diagnostiziert Anomalien und prüft Namenskonventionen. Keine Schreiboperationen. Ziel ist die Validierung, ob der Agent die Kontostruktur, Markenfakten und Geschäftslogik korrekt versteht.
Phase 2 ist Empfehlungsmodus. Der Agent generiert Budget-, Zielgruppen- und Creative-Vorschläge, aber die Ausführung erfordert menschliche Genehmigung. Der Wert liegt nicht in der Automatisierung, sondern im Vergleich der Agent-Empfehlungen mit dem Team-Urteil.
Phase 3 sind risikoarme Schreiboperationen. Budgetanpassungen innerhalb vorab genehmigter Grenzen, Pausierung leistungsschwacher Anzeigengruppen, UTM-Parameter-Updates.
Phase 4 ist kontrollierte Automatisierung. Komplexere Operationen unter klaren Leitplanken und Echtzeit-Monitoring mit menschlichem Eskalationspfad für Grenzfälle.
DACH-spezifische Governance-Anforderungen
Der DACH-Markt stellt besondere Anforderungen an die Governance von Agentic Advertising.
Die DSGVO ist der strikteste Datenschutzstandard weltweit. Artikel 22 zum automatisierten Einzelentscheidungen könnte relevant werden, wenn Agenten eigenständig Budgetentscheidungen treffen. Die Aufsichtsbehörden — insbesondere die bayerische Datenschutzbehörde, die Berliner Beauftragte und der Hamburgische Datenschutzbeauftragte — sind für strenge Auslegungen bekannt.
Das UWG (Gesetz gegen den unlauteren Wettbewerb) reguliert Werbeaussagen streng. Irreführende Werbung nach § 5 UWG, vergleichende Werbung nach § 6 UWG und aggressive Geschäftspraktiken nach § 4a UWG setzen Grenzen, die Agenten einhalten müssen. Die Preisangabenverordnung (PAngV) verlangt klare Preisauszeichnung inklusive Mehrwertsteuer.
Das Telemediengesetz (TMG) und der Medienstaatsvertrag (MStV) regeln Impressumspflichten und Kennzeichnung von Werbung. Wenn Agenten Anzeigen schalten, müssen diese Pflichten in der Governance verankert sein.
Bei mehreren Werbeplattformen — Google Ads Deutschland, Meta, LinkedIn, Xing — unterscheiden sich die Prüfungsstandards. Die Governance muss plattformspezifische Regeln berücksichtigen.
Praktisches Governance-Audit für DACH-Unternehmen
Bevor ein Agent produktiv geschaltet wird, sollte ein strukturiertes Governance-Audit durchgeführt werden. Dieses Audit umfasst fünf Prüfbereiche:
Erstens, die Datenschutz-Folgenabschätzung nach Art. 35 DSGVO. Wenn der Agent personenbezogene Daten verarbeitet — sei es in Zielgruppensegmenten, Konversionsdaten oder CRM-verknüpften Informationen —, muss geprüft werden, ob eine DSFA erforderlich ist. In der Praxis bedeutet das: Datenflussdiagramme erstellen, Verarbeitungszwecke dokumentieren, Rechtsgrundlagen nach Art. 6 bestimmen und technisch-organisatorische Maßnahmen nach Art. 32 nachweisen.
Zweitens, die Prüfung auf automatisierte Einzelentscheidungen nach Art. 22 DSGVO. Wenn Agent-Entscheidungen wirtschaftliche Auswirkungen auf identifizierbare Personen haben — etwa Preisdifferenzierung nach Zielgruppe oder automatische Ausschlüsse bestimmter demographischer Gruppen —, greift das Recht auf menschliche Überprüfung. Die Governance muss sicherstellen, dass solche Entscheidungen erkannt und zur manuellen Prüfung eskaliert werden.
Drittens, die Überprüfung der Auftragsverarbeitungsverträge (AVV) nach Art. 28 DSGVO. Wenn der LLM-Anbieter als Auftragsverarbeiter agiert, müssen die vertraglichen Grundlagen geprüft werden: Datenstandort, Unterauftragnehmer, Löschfristen und Weisungsgebundenheit. Bei US-basierten LLM-Anbietern ist zusätzlich das EU-US Data Privacy Framework (Nachfolger des Privacy Shield) zu berücksichtigen.
Viertens, die Berücksichtigung länderspezifischer Unterschiede im DACH-Raum. Österreichs Datenschutzbehörde (DSB) hat eigenständige Interpretationen der DSGVO, insbesondere bei Cookies und Tracking. Die Schweiz hat mit dem revDSG ein eigenes Datenschutzgesetz, das zwar DSGVO-ähnlich, aber nicht identisch ist — Unternehmen, die in der Schweiz werben, müssen beide Rahmenwerke beachten.
Fünftens, die Dokumentation für den Ernstfall. Wenn ein Agent einen Compliance-Vorfall verursacht, müssen Unternehmen nachweisen können, dass sie angemessene Vorkehrungen getroffen haben. Das bedeutet: schriftliche Governance-Richtlinien, dokumentierte Schulungen, nachvollziehbare Audit-Trails und definierte Melde- und Eskalationswege.
Gravitys Sicht
Gravity betrachtet Agentic Ads Governance als Teil der Wachstumsinfrastruktur. Die Brand Evidence Layer, das Operations-Governance-Framework und das Monitoring-System müssen vor der Automatisierung aufgebaut werden.
Nächste Schritte für Marken
- Ein Agent-Operations-Governance-Framework entwerfen, das Berechtigungen, Genehmigungen, Logs, Rollback und Datengrenzen abdeckt.
- Verschiedene HITL-Strategien für verschiedene Operationstypen definieren.
- Mit Nur-Lese-Tests beginnen, bevor zu Empfehlungsmodus und risikoarmen Schreiboperationen übergegangen wird.
- Die Vollständigkeit der Brand Evidence Layer sicherstellen.
- Regelmäßig die Agent-Outputs und Entscheidungsqualität auditieren.
FAQ
Q: Was ist das größte Risiko bei Agentic Ads?
A: Das Risiko verschiebt sich von falschen Antworten zu falschen Aktionen — Budgetfehlallokation, rechtswidrige Creatives, Targeting-Fehler und nicht autorisierte Markenversprechen.
Q: Welche DACH-spezifischen Vorschriften sind wichtig?
A: DSGVO (Datenschutz und automatisierte Entscheidungen), UWG (irreführende Werbung), Preisangabenverordnung (Pflichtangaben) und das Heilmittelwerbegesetz (Gesundheitsprodukte).
Q: In welchem Modus sollte man starten?
A: Nur-Lese und Empfehlungsmodus zuerst. Nach Validierung der Agent-Genauigkeit schrittweise risikoarme Schreiboperationen freigeben.