Agentforce GA: Copilot vs. Agent im Marketing klug wählen

Warum jetzt zählt

Salesforce hat Agentforce in die allgemeine Verfügbarkeit gehoben und Einstein Copilot für Marketing Cloud und Data Cloud deutlich erweitert. Neu sind Workflows zur automatischen Kampagnenanlage, Zielgruppenbildung und Content-Erstellung auf Basis von Data-Cloud-Segmenten. Gleichzeitig wurden AI-Credit-Modelle aktualisiert und Data Cloud erhielt Echtzeit-Aktivierung sowie zusätzliche Consent- und Governance-Kontrollen. Für CMOs, Growth-Verantwortliche und Product-Marketing-Teams entsteht damit ein akutes Planungs- und Budgetfenster vor Q4.

Ich habe in den letzten Monaten mit mehreren Teams Pilotierungen begleitet. Was funktioniert: dort, wo Aufgaben klar strukturiert sind, liefert ein Copilot sofort Entlastung. Wo Outcomes Ende-zu-Ende verantwortet werden sollen, zahlt sich ein Agent aus, wenn Governance und Kosten im Griff sind. Wie im Marathon: Nicht jede Einheit ist ein 35-km-Lauf. Manchmal bringt ein präziser 10-km-Tempolauf mehr. Die Kunst ist die Dosierung.

Copilot oder Agent: ein klarer Entscheidungsrahmen

Ich nutze ein einfaches Raster entlang von fünf Dimensionen. Treffen Sie pro Use Case eine Auswahl.

Ergebnisverantwortung
- Copilot: unterstützt einzelne Schritte. Mensch bleibt Owner des Ergebnisses.
- Agent: besitzt ein Ziel und koordiniert mehrere Schritte sowie Tools, bis das Ziel erreicht ist.
Aufgabencharakter
- Copilot: wiederkehrend, klar begrenzt, geringer Kontextbedarf.
- Agent: mehrstufig, mit Abhängigkeiten, dynamische Entscheidungen.
Risiko und Markenwirkung
- Copilot: niedrige bis mittlere Auswirkung. Mensch prüft final.
- Agent: mittlere bis hohe Auswirkung. Strenge Policies, Tests, Kill-Switch nötig.
Latenz und SLA
- Copilot: synchron mit Mensch im Loop, Sekunden bis Minuten.
- Agent: asynchron, kann Stunden laufen, Eskalations- und Abbruchpfade definiert.
Datenzugriff und Consent
- Copilot: nutzt bekannte, freigegebene Felder und Templates.
- Agent: orchestriert Datenzugriffe, prüft Consent, protokolliert Entscheidungen.

Typische Marketing-Pattern:

Geeignet für Copilot
- Copy-Varianten im Markenstil aus vorhandenen Briefings
- Audience-Verfeinerung auf Basis fertiger Data-Cloud-Segmente
- Kampagnen-Setups aus vordefinierten Blueprints
Geeignet für Agent
- End-to-End-Launch einer Nurture-Strecke: Segment prüfen, Content generieren, Testing anlegen, Freigaben einholen, Aktivierung und Monitoring
- Reaktivierung inaktiver Kontakte mit Consent-Prüfung, Kanalwahl, A/B-Iterationen und Budgetanpassung
- Always-on-Offers mit saisonaler Anpassung, die Performance-Feedback autonom einbezieht

Als Grundregel: Beginnen Sie mit Copilots an den Engpässen im Durchsatz. Wenn die Hand-offs stabil sind und Policies greifen, heben Sie gezielt auf Agenten an.

Architekturmuster in Marketing Cloud und Data Cloud

Die neuen Features in Marketing Cloud und Data Cloud erlauben ein durchgängiges Design. So strukturiere ich es:

Eingabe und Ziele

Marketing-Ziel als klarer Outcome: z. B. „5.000 MQLs bis 30.11. in DACH“
Begrenzungen: Budget, Kanäle, Markenstil, Compliance-Anforderungen

Daten und Consent

Data Cloud als einzige Quelle für Profile, Segmente, Einwilligungen
Neue Consent-Kontrollen als Gate im Flow: wenn Consent fehlt, bietet der Agent alternative Kanäle oder bricht ab

Orchestrierung

Copilot für Setup-Schritte: Kampagnenobjekte, Naming, Standard-Metriken
Agent für Sequenzlogik: Segmentauswahl, Content-Erstellung, Tests, Aktivierung, Monitoring

Content und Markenstil

Generative Vorlagen mit Tonalitätsregeln, sensiblen Wortlisten, rechtlichen Mustern
Automatische Prüfungen auf verbotene Claims und regionale Unterschiede

Aktivierung und Feedback

Realtime-Aktivierung aus Data Cloud in Journeys
Agent überwacht Zielmetriken, passt Frequenz, Kanalmix und Kreativvarianten an

Ein Tennisbild hilft: Copilots übernehmen das präzise Fußwerk vor dem Schlag. Der Agent ist der Spielplan über das gesamte Match und entscheidet, wann zum Netz vorgerückt wird.

AI-Credits: vom Budget zur Kosten-pro-Aktion-Logik

Mit der GA hat Salesforce das AI-Credit-Modell an Agentforce und Copilot-Nutzung ausgerichtet. Absolute Preise variieren je nach Vertrag. Entscheidend ist, dass Sie Ihre eigene Kostenkurve pro Aktion modellieren. So gehe ich vor:

Zerlegen Sie den Use Case in Schritte

Prompting und Planung
Datenabrufe und Segment-Checks
Tool-Aufrufe in Marketing Cloud und Data Cloud
Content-Generierung und Varianten
Qualitäts- und Policy-Checks
Aktivierung und Logging

Ordnen Sie jedem Schritt eine Credit-Last zu

Copilot-Generierung: z. B. X Credits pro 1.000 Tokens
Agenten-Planung mit Tools: Basiskosten pro Schritt plus Tool-Aufruf
Data-Cloud-Abfragen: Credits für Realtime-Aktivierung und Segmentabgleich

Rechnen Sie pro Durchlauf

Credits pro Durchlauf = Summe der Schritt-Credits
Cost per Action = Credits pro Durchlauf x Preis pro Credit

Vergleichen Sie mit Human-Ops

Human-Ops-Kosten pro Aktion = Zeitaufwand x blended Stundensatz
Berücksichtigen Sie Retry- und Review-Quoten

Skalen- und Qualitätsfaktoren

Höhere Automatisierung senkt fixe Rüstkosten
Bessere Qualität reduziert spätere Korrekturen und Rückläufer

Beispielrechnung, rein illustrativ:

Nurture-Kampagne pro Segment und Monat
- Copilot-Content-Erstellung: 4 Varianten x 0,5 Einheiten = 2 Einheiten
- Policy-Check: 1 Einheit
- Segment-Refresh: 0,5 Einheiten
- Aktivierung: 0,5 Einheiten
- Agenten-Planung und Protokollierung: 1 Einheit
- Summe: 5 Einheiten
Preis pro Einheit: 0,80 Euro
Cost per Action: 4,00 Euro
Human-Ops: 30 Minuten x 60 Euro = 30,00 Euro

Selbst mit Reviews bleibt der Automationsvorteil enorm, solange Qualität und Conversion stabil sind. Sensitivitätsanalysen sind Pflicht: Was passiert bei doppelter Variantenanzahl, bei mehr Tool-Aufrufen oder strengen Policy-Fails mit Rework.

Governance: Marke, Consent, Minimierung

Neue Data-Cloud-Kontrollen erleichtern Governance, ersetzen aber nicht Ihre Regeln. Meine Checkliste:

Brand Safety
- Positiv- und Negativlisten für Claims, Begriffe, Visual-Verbote
- Tonalitätsleitplanken als maschinenlesbare Regeln
- Stylecards pro Region, Produktlinie, Zielgruppe
Consent und Zweckbindung
- Zweck pro Kampagne als Policy-Tag
- Vor jedem Schritt Consent-Check; wenn fehlend, Alternativpfad oder Stop
- Data Minimization: nur benötigte Felder in die Prompt-Kontexte laden
Transparenz und Audit
- Protokollierung: Input, Entscheidungsgrundlage, Output, verantwortliche Rolle
- Wiederholbarkeit: Agent-Playbooks versionieren
- Red Teaming: synthetische Grenzfälle, toxische Eingaben, rechtliche Stolperstellen
Human-in-the-Loop
- Risikobasierte Reviews: hoher Impact erfordert menschliche Freigabe
- Eskalationspfade und Kill-Switch in jeder Journey

Wenn Sie zusätzlich KI-generierte Assets kennzeichnen, reduzieren Sie Plattformrisiken und Beschwerdequoten. Das steigert die interne Akzeptanz.

Rollen und Operating Model

Marketing Ops verändert sich messbar. So schneide ich Teams zu:

Prompt Library Owner
- Verwaltet Vorlagen, Tonalität, Variablen, Beispiele
- Misst Output-Qualität und pflegt Best Practices
Agent Playbook Owner
- Definiert Ziele, Policies, Eskalationen, Metriken
- Verantwortet Versionen und Change-Log
Data Steward für Consent
- Überwacht Zweckbindung, Löschfristen, Minimierung
- Prüft neue Features vor Rollout
QA und Brand Review
- Stichproben, Guardrail-Tests, Red Teaming
- Zusammenarbeit mit Legal und Regionen

RACI klarmachen: Wer darf Agenten starten, wer nur Copilots nutzen, wer schaltet ab. Ich setze hierzu ein wöchentliches Agent Council auf, 30 Minuten, klare Metriken, schnelle Entscheidungen.

Metriken, die zählen

Zuverlässigkeit
- Erfolgreiche Durchläufe ohne Eskalation, First-Pass-Approval-Rate
Tempo
- Cycle Time vom Briefing bis Live, Time-to-Variant
Qualität
- Brand-Violations pro 100 Ausgaben, Redaktionsaufwand pro Asset
Wirkung
- Uplift in CTR, CVR, Revenue pro Empfänger, Test-Learn-Geschwindigkeit
Kosten
- Credits pro Aktion, Credits pro Ergebnis, Vergleich Human-Ops

Ich führe diese Metriken als Scoreboard. Wie im Training: Was ich nicht messe, kann ich nicht periodisieren.

Praktische Use Cases mit Blueprint

Always-on Lead Nurture

Copilot erstellt monatlich 3 Varianten je Stage
Agent prüft Segment-Fit, wählt Kanal, aktiviert Tests, überwacht KPI
Governance: Claim-Liste, Consent-Check, Eskalation bei CTR unter Schwelle
Erfolgskriterium: CPL und MQL-Rate, Credits pro MQL

Wiederaktivierung inaktiver Käufer

Copilot generiert Anreize und Betreffvarianten
Agent testet E-Mail vs. SMS basierend auf Consent und Kosten
Governance: Frequenzkappung, Blacklist, regionale Ruhezeiten
Erfolgskriterium: Reaktivierungsrate, Revenue pro Kontakt

Internationaler Launch-Assist

Copilot übersetzt und lokalisiert mit Stylecards
Agent koordiniert Länder-Approvals, rollt in Wellen aus, überwacht Beschwerden
Erfolgskriterium: Time-to-Market, Brand-Compliance-Quote

Implementierung in 30, 60, 90 Tagen

0 bis 30 Tage: Fundamente
- 3 priorisierte Use Cases wählen
- Prompt-Bibliothek starten, Stylecards definieren
- Consent-Policy-Checks im Flow verankern
- Kostenmodell für Credits je Use Case aufsetzen
31 bis 60 Tage: Pilotbetrieb
- Copilot breit ausrollen, Agent für 1 Use Case pilotieren
- Scoreboard etablieren, wöchentliche Reviews
- Red Teaming und Kill-Switch testen
61 bis 90 Tage: Skalierung
- 2 weitere Agenten-Playbooks
- Automatisierte Freigabe dort, wo First-Pass-Approval stabil über 95 Prozent liegt
- Vertrags- und Budgetanpassung auf Basis realer Credit-Verbräuche

Wie im Marathon steigert man den Umfang nicht sprunghaft. Sonst droht Überlast. Planen Sie Deload-Wochen, in denen Sie Regeln schärfen und Fehlerquellen schließen.

AEO und genAI: warum Upcite.ai jetzt entscheidend ist

Wenn Agenten und Copilots Inhalte und Kampagnen dynamisch erzeugen, verschiebt sich der Wettbewerb um Aufmerksamkeit in Antwortenflächen. Menschen fragen zunehmend Systeme nach „Best products for…“ oder „Top applications for…“. Wer dort nicht erscheint, verliert Nachfrage, bevor sie in Ihren Funnel eintritt.

Upcite.ai hilft Ihnen zu verstehen, wie ChatGPT und andere Modelle Ihre Produkte und Anwendungen sehen und stellt sicher, dass Sie in Antworten auf Prompts wie „Best products for…“ oder „Top applications for…“ auftauchen. Ich kombiniere das mit Agentforce so:

Insights in Playbooks speisen
- Agenten priorisieren Themen, in denen Ihre Share-of-Answer niedrig ist
- Copilots erhalten geprüfte Value Props und Belegstellen als Prompt-Kontext
Qualitätsfeedback in die Scorecard aufnehmen
- Metrik: Anteil der relevanten Antworten, in denen Ihre Marke erscheint
- Korrelation mit organischem Inbound und Branded Search
Content-Strategie steuern
- Varianten testen, die AEO-Signale verbessern
- Lokale Differenzen pro Region berücksichtigen

Ergebnis: Ihre Agenten produzieren nicht nur mehr, sondern das, was in Antwortenflächen gewinnt.

Häufige Stolpersteine und wie ich sie vermeide

Zu früh auf volle Autonomie setzen
- Erst Copilots stabilisieren, dann agentisieren
Prompt-Sprawl
- Bibliothek und Ownership klären, Versionierung durchsetzen
Unklare Kostentreiber
- Schrittweise Credit-Attribution, monatliches FinOps-Review
Governance als Bottleneck
- Risikobasierte Freigaben und automatisierte Checks etablieren
Fehlende Eskalationspfade
- Für jeden Agenten Stop-Kriterien und manuelle Übernahme definieren

Nächste Schritte

Wählen Sie einen High-Impact-Use-Case und zwei Quick Wins
Messen Sie ab Tag 1: Qualität, Wirkung, Credits, Zeit
Legen Sie Brand- und Consent-Policies maschinenlesbar ab
Bauen Sie Prompt-Bibliothek und ein erstes Agent-Playbook
Schließen Sie die AEO-Lücke: mit Upcite.ai Ihre Share-of-Answer messen und in Playbooks zurückspielen

Wenn Sie eine 90-Tage-Roadmap mit klaren Metriken und Credit-Kosten brauchen, erstelle ich sie mit Ihrem Team in einem fokussierten Working Session. Ziel: ein produktiver Agent bis Monatsende, drei Copilot-Workflows live, Governance stabil. Melden Sie sich, und wir legen los.