CMO erklärt, wie man KI als Lern- und Experimentierschleife nutzt

Lomit Patel ist eine Führungskraft im Bereich Wachstum und Marketing und derzeit als CMO bei TYB (Try Your Best) tätig. Außerdem ist er Autor von Lean AI.

Wir haben Lomit getroffen, um zu erfahren, wie er Marketing-Operationen in eine kontinuierliche Lern- und Experimentierschleife verwandelt. Das hat er uns erzählt.

Marketing wird neu definiert

Ich habe in den letzten über 20 Jahren daran gearbeitet, Unternehmen wie Roku, IMVU, TrustedID und Texture beim Wachstum zu unterstützen. Derzeit bin ich CMO bei TYB (Try Your Best) und leite dort ein schlankes, aber sehr dynamisches Marketing-Team, das sich auf eine zentrale Überzeugung stützt: Community ist kein Kanal, sondern ein Go-to-Market-System.

In all diesen Rollen habe ich konsequent Systeme aufgebaut, die Kunden-Insights mit messbaren Geschäftsergebnissen verbinden. Zu Beginn meiner Karriere war Wachstum größtenteils kanalgesteuert. Man optimierte Kampagnen, testete Kreatives und skalierte, was funktionierte. Aber auch damals habe ich mich auf etwas Tiefergehendes konzentriert: Wie kann man Daten und Experimente nutzen, um das Rätselraten zu beseitigen und die Geschwindigkeit von Entscheidungen über den gesamten Funnel zu erhöhen?

Aus diesem Denken entstand eine breitere Perspektive, die ich in meinem Buch Lean AI behandelt habe. Ich habe mich dabei nicht nur auf den effizienten Einsatz von KI konzentriert, sondern darauf, wie Wachstumssysteme grundsätzlich neugestaltet werden können.

Bei IMVU sind wir zum Beispiel von manuellen Optimierungsmaßnahmen zu KI-gesteuerter Orchestrierung von Nutzerreisen, Kreativtests und Lifecycle-Engagement gewechselt. Mein Ziel war immer das gleiche: Die Geschwindigkeit und Qualität des Lernens zu erhöhen und gleichzeitig Retention und Customer Lifetime Value zu steigern.

Heute, als CMO bei TYB, ist dieser Wandel vollständig beschleunigt. KI ist nicht mehr nur ein Tool im Tech-Stack; sie wird zur Betriebsebene des modernen Marketings. Wir bewegen uns vom Kampagnen-Denken hin zum System-Denken, in dem Signale, Automatisierung und kreative Intelligenz in Echtzeit permanent miteinander interagieren.

Am meisten begeistert mich, dass Marketing grundlegend neu definiert wird. Wir entwickeln uns von Kanalbetreibern und Geschichtenerzählern zu Architekten intelligenter Wachstumssysteme, die lernen, sich anpassen und die Wirkung über Akquise, Engagement und Monetarisierung skalieren.

Wie KI Marketing in ein Echtzeit-Lernsystem verwandelt hat

KI hat drei große Annahmen im Marketing infrage gestellt:

1. In einer KI-basierten Umgebung wird die Effizienz einzelner Kanäle zum Grundstandard statt zum Engpass. Das gesamte System rundherum unterscheidet die Performance – wie schnell kann man Absichten erkennen, Verhalten interpretieren, Hypothesen generieren und Messaging oder Produkterlebnis entsprechend anpassen.
2. KI hat uns gezeigt, dass Segmente nicht stabil genug sind, um die Grundlage für Marketingstrategien zu bilden. Klassische Segmentierungsmodelle gehen davon aus, dass Nutzergruppen relativ fix bleiben, sodass man konsistente Botschaften senden kann. Mit KI sehen wir, dass Nutzerverhalten viel fließender ist. Absichten ändern sich schnell, und statische Segmente hinken der Realität oft hinterher. Das hat uns dazu gebracht, hin zu dynamischen, kontinuierlich aktualisierten, verhaltensbasierten Clustern zu wechseln.
3. Kampagnen sind nicht mehr die zentrale Einheit der Marketingumsetzung. Kampagnen gehen von einem Start, einem Ende und einer Bewertung aus. KI bringt uns zu immer aktiven Systemen, in denen laufend experimentiert wird, Lernen inkrementell erfolgt und Optimierung konstant statt episodisch ist.

Mit anderen Worten: Marketing ist ein Echtzeit-Lernsystem, in dem Geschwindigkeit bei Interpretation und Anpassung wichtiger ist als statische Planung oder perfekte Zielgruppenausrichtung.

Wie KI Marketing-Prozesse verändert

Wir haben uns also vom statischen Kampagnen-Planen hin zum immer aktiven, signalgetriebenen Experimentieren über das gesamte Marketingsystem hinweg entwickelt.

Früher haben wir Kampagnen in Zyklen geplant: Wir haben die Botschaften festgelegt, Kreativ-Sets gebaut, gestartet und die Ergebnisse nach einer gewissen Zeit analysiert. Dieses Modell ist in einer KI-nativen Umgebung zu langsam, denn Nutzerverhalten und Absichtssignale verändern sich sehr schnell.

Wir haben einen KI-gestützten Wachstums-Workflow eingeführt, der kontinuierlich Echtzeit-Verhaltenssignale in ausgelöste Experimente und adaptive Nachrichten über alle Lebenszyklus-, Content- und Performance-Kanäle hinweg umwandelt. Anstatt auf das Ende einer Kampagne zu warten, behandeln wir jetzt jedes bedeutende Nutzersignal, Onboarding-Verhalten, Community-Engagement und Creator-Aktivität als Input, um sofort die nächste beste Aktion zu bestimmen.

Praktisch hat das die Arbeitsweise der Teams grundlegend verändert. Kreative Iteration erfolgt schneller, weil KI dabei hilft, ständig neue Varianten zu generieren und zu testen. Lebenszyklus-Marketing ist dynamischer, da die Ansprache nicht mehr an feste Segmente gebunden ist, sondern an sich entwickelnde Verhaltenscluster. Außerdem liefern Absichtssignale innerhalb des Produkts zunehmend Input für das Performance-Marketing – nicht nur für plattformbasierte Zielgruppenansprache.

Die noch größere Veränderung ist jedoch kultureller Natur. Marketing ist nicht mehr um Kampagnen herum organisiert. Es dreht sich um eine kontinuierliche Lernschleife, in der KI uns hilft, Signale zu erkennen, Hypothesen zu formulieren und in nahezu Echtzeit skalierbare Maßnahmen zu identifizieren.

Ein KI-gestützter Wachstums-Workflow

Lomit teilt seine Erfahrungen

Anstatt uns auf statische Personas oder feste Lebenszyklus-Stufen zu verlassen, nutzen wir KI, um Muster wie “hohe Absicht, aber niedrige Aktivierung,” “aktive Teilnehmer mit geringem Abwanderungsrisiko,” oder “neue Nutzer mit frühem Fürsprecherverhalten” zu identifizieren.

So funktioniert der Workflow:

1. Er beginnt mit Echtzeit-Verhaltenssignalen innerhalb des Produkts und der Community-Ebene. Wir verfolgen Aktionen wie den Onboarding-Fortschritt, die Tiefe der Beteiligung, Creator-Aktivitäten und Engagement-Muster. Der entscheidende Wandel besteht darin, dass diese Signale nicht mehr nur als Analytics-Dashboards dienen, sondern als strukturierte Inputs in unser Marketingsystem einfließen. Tools: Segment für Ereigniserfassung und Routing, Amplitude für Verhaltensanalyse und Snowflake als Rückgrat des Data Warehouses.
2. Anschließend hilft uns KI, diese Signale in dynamische Intent-Segmente zu clustern und zu interpretieren. Anstatt uns auf statische Personas oder feste Lebenszyklus-Stufen zu verlassen, nutzen wir KI, um Muster wie „hohe Absicht, aber niedrige Aktivierung“, „aktive Teilnehmer mit geringem Abwanderungsrisiko“ oder „neue Nutzer mit frühem Fürsprecherverhalten“ zu erkennen. Diese Segmente entwickeln sich ständig auf Basis des Echtzeitverhaltens weiter. Tools: BigQuery und Python/ML-Modelle zur Erstellung von Verhaltensmerkmalen, mit OpenAI (GPT) zur Kennzeichnung und Interpretation neuer Intent-Muster.
3. Nachdem diese Cluster gebildet wurden, unterstützt uns KI bei der Entwicklung von Hypothesen und kreativer Ausrichtung. Für jedes Segment identifizieren wir die Botschaft, die das Verhalten am wahrscheinlichsten beeinflusst, und KI hilft, Varianten in Copy, Hooks und Content-Ansätzen zu generieren. Dies ist kein vollständig automatisierter Output, beschleunigt aber die Erkundung von Messaging-Pfaden erheblich. Tools: ChatGPT und Claude zur Erzeugung von Messaging-Ausrichtungen, Hooks und Positionsvarianten, mit Notion AI zur Organisation und Pflege einer fortlaufenden Kreativbibliothek.
4. Diese Ergebnisse fließen dann in ständig laufende Experimente über die gesamte Customer Journey, bezahlte Kanäle und Community-Touchpoints ein. Anstatt isolierte Kampagnen zu fahren, führen wir laufend kleine, iterative Tests durch und passen Messaging, Kreativinhalte und Timing auf Basis von Echtzeit-Performance-Signalen an. Tools: Braze für Lebenszyklus-Experimente, Optimizely für Produkt- und Web-A/B-Tests sowie LaunchDarkly für Feature-Flagging und kontrollierte Rollouts.
5. Abschließend – und am wichtigsten – schließt das System den Kreis mit KI-gestützter Lernsynthese. Wir analysieren nicht nur, welche Maßnahmen besser funktionieren, sondern nutzen KI, um herauszufinden, warum bestimmte Nachrichten oder Journeys für spezielle Segmente wirkten. Diese Erkenntnisse fließen direkt in die aktualisierte Segmentierungslogik, Messaging-Frameworks und marketingrelevante Produktentscheidungen ein. Tools: Amplitude für Verhaltens-Insights, Looker für strukturierte Berichte und Claude, um Learnings in Narrative und Entscheidungsgrundlagen zu überführen.

Wie die Vorteile von KI das Marketing revolutionieren

Positiv betrachtet ist der größte Einfluss von KI die Geschwindigkeit und der Durchsatz von Experimenten. Wir konnten die Anzahl kreativer und lebenszyklusbezogener Tests, die wir in einem Zeitraum durchführen, deutlich erhöhen, denn KI verringert die Reibung bei der Erstellung von Varianten, beim Testen von Botschaften und bei der Iteration aufgrund erster Leistungskennzahlen. Dies hat zu schnelleren Lernzyklen in Akquisitions- und Bindungsprogrammen geführt.

Wir haben auch Verbesserungen in der Konversionseffizienz festgestellt, die durch eine bessere Nutzung von Signalen erreicht wurden. Indem wir das Verhalten im Produkt und in der Community mit Marketingaktivierungen verknüpfen, können wir viel früher im Nutzerzyklus auf Absichten reagieren. Das hat die Qualität des Traffic-zu-Aktivierung-Flusses verbessert und die nachgelagerte Bindung gestärkt, da die Nutzer mehr kontextuell relevante Kontaktpunkte erhalten.

Ein weiterer klarer Vorteil ist die geringere Abhängigkeit von starrer Segmentierung und manueller Analyse. KI-basierte Clustering-Verfahren und die Generierung von Einblicken ermöglichen uns die Entwicklung dynamischer Zielgruppendefinitionen, die das tatsächliche Verhalten der Nutzer besser abbilden, anstatt sie in historisch festgelegte Gruppen einzuordnen.

Das Risiko, zu schnell auf KI-Einblicke zu reagieren

Auf der nuancierteren Seite mussten wir auch unsere Erwartungen in Bezug auf Signalrauschen und Überautomatisierung anpassen.

Zu Beginn haben wir zu schnell auf zu viele KI-generierte Einblicke reagiert, was zu einer Fragmentierung der Botschaften und einer Überlastung von Experimenten führte. Wir mussten einen Schritt zurückgehen und stärkere menschliche Filter für die Priorisierung und für narrative Konsistenz einführen.

Wir haben außerdem den Bedarf an Disziplin bei der Festlegung von Erfolgskriterien im Vorfeld unterschätzt. KI macht Iterationen sehr einfach, aber wenn man Experimente nicht mit klaren Verhaltens- oder Umsatzzielen verankert, optimiert man am Ende eher das Engagement in einem engen Teilbereich des Systems, statt einen signifikanten geschäftlichen Mehrwert zu erzielen.

Wenn ich das früher verstanden hätte, hätte ich weniger Zeit darauf verwendet, die Anzahl der Experimente zu erhöhen, und mehr Zeit darauf, das Betriebsmodell rund um KI-gestützte Entscheidungen zu gestalten – einschließlich strikterer Hypothesenrahmen, klarer Verantwortlichkeiten für Entscheidungen und einer stärkeren Abstimmung zwischen Marketingsignalen und Geschäftsergebnissen.

Was KI übernimmt und wo Menschen die Kontrolle behalten

Wir ziehen eine klare Linie zwischen dem, was KI unterstützt, und dem, was in menschlicher Verantwortung liegt. Die Unterscheidung läuft auf eine Frage hinaus: Geht es um Optimierung und Mustererkennung oder um Urteil, Kontext und Geschmack?

Wir verlassen uns zunehmend auf KI, um Signalverarbeitung, Segmentierung und großflächige Experimentierung zu ermöglichen. Dazu gehört das Erkennen von Verhaltensmustern über Community- und Produktaktivität hinweg, das Clustern von Nutzern in dynamische Segmente auf Basis von Echtzeitverhalten und das Generieren sowie Weiterentwickeln von Varianten in Kreation und Botschaften. KI analysiert zudem umfangreiche Leistungsdaten kanalübergreifend und liefert schneller als jede manuelle Auswertung schwer erkennbare Einblicke.

KI ist besonders leistungsfähig, wenn es darum geht, den Kreislauf zwischen Signal und Aktion zu verkürzen. So kann sie beispielsweise Veränderungen im Engagement-Verhalten innerhalb des Produkts oder der Community erkennen, Hypothesen vorschlagen und sogar testbare kreative oder Lebenszyklus-Variationen erzeugen. Das versetzt uns in die Lage, deutlich mehr Experimente durchzuführen, als es eine klassische Teamstruktur ermöglichen würde.

Menschen verantworten Positionierung, Narrative und kreative Leitung. KI kann Varianten erzeugen, aber sie kann nicht festlegen, wofür wir stehen oder wie wir uns am Markt präsentieren wollen. Dazu ist Kontextwissen zu Marke, Psychologie der Zielgruppe und langfristiger Differenzierung erforderlich – das geht über Mustererkennung hinaus.

Lomit teilt seine Erfahrungen

Nur weil KI Dutzende von Chancen aufzeigt, heißt das nicht, dass wir auf alle reagieren sollten. Zu entscheiden, was nicht zu tun ist und was zur übergeordneten Wachstumsthese passt, bleibt eine zutiefst menschliche Verantwortung.

Gerade in Community-getriebenen Umfeldern hat KI die authentische menschliche Interaktion und Vertrauensbildung nicht ersetzt. Sie kann das Engagement skalieren und Muster erkennen, aber die Glaubwürdigkeit aus echter Teilnahme, führender Präsenz und menschlichem Urteilsvermögen in entscheidenden Community-Momenten kann sie nicht ersetzen.

Auch die Priorisierung und das Abwägen strategischer Alternativen liegen in menschlicher Hand. Wie bereits gesagt: Nur weil KI zahlreiche Chancen aufzeigt, heißt das nicht, dass man auf alle reagieren sollte. Die Entscheidung, was zu unterlassen ist und was zur übergeordneten Wachstumsthese passt, bleibt eine zutiefst menschliche Aufgabe.

Und letztlich ist die Interpretation von Bedeutung durch den Menschen geprägt. KI kann uns sagen, was passiert, aber das Verstehen, warum es wichtig ist und wie es die Strategie verändern sollte, liegt in menschlicher Verantwortung.

Wie CMOs den Wandel durch KI angehen sollten

Ich habe vier Ratschläge dazu:

1. Betrachten Sie KI nicht einfach als eine Reihe von Werkzeugen, die Sie in Ihre bestehende Marketingmaschine einbauen. Sehen Sie KI stattdessen als Anlass, die Maschine selbst neu zu gestalten. Denn es geht nicht um reine Produktivität – der eigentliche Wandel geschieht, wenn Sie von kampagnenbasierten zu kontinuierlichen, signalbasierten Wachstumsmodellen übergehen, bei denen KI fest darin verankert ist, wie Sie Absichten erkennen, Entscheidungen treffen und in Echtzeit lernen.
2. Überdenken Sie, was „Skalierung“ bedeutet. Früher bedeutete Skalierung Effizienz bei Kanälen und Budgets. In einer von KI geprägten Welt geht es bei Skalierung um Lerngeschwindigkeit. Die Teams, die gewinnen, werden nicht diejenigen sein, die die meisten Kampagnen fahren, sondern die, die Signale am schnellsten in Experimente und Experimente in Entscheidungen umwandeln können.
3. Seien Sie sehr bewusst darin, wo Menschen weiterhin eingebunden bleiben. Während KI mehr Aufgaben in Ausführung und Analyse übernimmt, wird der menschliche Vorteil schärfer, nicht schwächer. Führungskräfte müssen sich noch stärker auf Narrativ, Positionierung und Priorisierung konzentrieren. Wenn alles messbar und optimierbar ist, wird Urteilsvermögen zum wichtigsten Unterscheidungsmerkmal.
4. Investieren Sie in Systemdenken statt in Kanaldenken. KI beseitigt die Trennung zwischen Performance, Lifecycle, Produkt und Community. Die Chance besteht darin, ein einheitliches Wachstumssystem zu entwerfen, in dem Signale zwischen allen Bereichen fließen, anstatt jeden Bereich isoliert zu optimieren.

Folgen Sie mit

Sie können Lomit Patel auf LinkedIn und in seinem persönlichen Blog folgen. Schauen Sie sich auch sein Buch Lean AI an.

Weitere Experteninterviews folgen im The CMO Club!