DXP oder Best-of-Breed? KI verändert die Debatte
)
KI verschiebt die Best-of-Breed-vs.-DXP-Debatte
Warum integrierte DXPs im Mittelstand an Boden gewinnen
Bis vor ein paar Jahren habe ich viele Gespräche über Architekturen von Martech-Stacks so erlebt: Best-of-Breed-Architekturen standen für Beweglichkeit und den Wunsch, den Stack Schritt für Schritt zu modernisieren bzw. anpassen zu können. DXPs standen für fertige Integrationen, einheitliche Benutzeroberflächen und gemeinsame Daten, verbunden jedoch mit einer stärkeren Anbieterbindung und der Abhängigkeit von der Produkt-Roadmap und den Prioritäten des Herstellers.
KI verändert diese Abwägung aus meiner Sicht stark. Viele Diskussionen drehen sich heute weniger um Feature-Vergleiche einzelner Komponenten. Im Zentrum steht zunehmend die Frage: Wie stelle ich sicher, dass fragmentierte KI-Funktionen über alle Touchpoints hinweg ein gemeinsames Ziel verfolgen und gewonnene Erkenntnisse miteinander teilen?
Meine These ist deshalb: Integriertere DXPs mit gemeinsamer KI-Schicht, gemeinsamem Context und gemeinsamer Wissensbasis haben gegenüber fragmentierten Best-of-Breed-Stacks einen Architekturvorteil.
KI macht aus Tools Entscheidungssysteme
In klassischen (hybriden) Stacks agieren viele Komponenten primär ausführend. CMSe spielen Inhalte aus. Marketing-Automation-Systeme steuern Versand von E-Mails und Journeys. Commerce-Systeme verwalten Produktlogik, Checkout, Preise und Angebote. CDPs führen Profile zusammen. Analytics-Lösungen messen. All diese Komponenten beinhalten mittlerweile KI-Funktionen. Diese erweitern die Rolle. Systeme können nun Entscheidungen treffen: Inhalte priorisieren, Varianten generieren, Zielgruppen ableiten, Kontakte timen, Empfehlungen erstellen. Das kann zunehmend automatisiert und ohne menschliche Zwischenschritte erfolgen. Auf dem Papier klingt das nach mehr Geschwindigkeit. In der Praxis entsteht eine neue Herausforderung: Entscheidungen werden auf verschiedene Komponenten verteilt, Ziele bleiben häufig implizit. Die einzelnen Komponenten lernen für sich. Erkenntnisse verbleiben im jeweiligen Tool, werden unterschiedlich interpretiert oder fließen nicht systematisch in andere Entscheidungslogiken zurück. Damit verschiebt sich die Architekturfrage. Best-of-Breed war lange ein gutes Modell, weil man die Komponenten mit den besten Features integriert hat. Mit KI geht es stärker darum, ob es ein gemeinsames Zielsystem und eine gemeinsame Lernlogik gibt.
Wenn jede Komponente ihre eigene KI hat
Hybride Stacks bringen heute fast zwangsläufig mehrere KI-Funktionen mit. Das kann nützlich sein, beispielsweise für Content-Entwürfe im CMS, Empfehlungen im Commerce, Optimierungen in der Marketing Automation oder das Identifizieren von Nutzergruppen mit ähnlichen Verhaltensmustern. Die Herausforderung liegt im Zusammenspiel. Teil-KIs arbeiten mit dem Kontext, den sie sehen. Dieser Kontext ist im Tool oft vollständig aus Sicht des Tools, selten vollständig aus Sicht des Unternehmens. Daraus entstehen gewissermaßen lokale Optima. Im Digitalmarketing spürt man das schnell, auch ohne technische Tiefe: Ein System bewertet Erfolg über Klicks, ein anderes über Conversion, ein drittes über Öffnungen. Ein System kennt die Kontakt-Historie kanalübergreifend, ein anderes nur innerhalb seines Kanals. Ein System nutzt Profilinformationen unter bestimmten Consent-Bedingungen; ein anderes interpretiert das anders oder hat die Information gar nicht. In der Praxis leidet deshalb die Performance. Der Output auf den verschiedenen Kanälen ist häufig weniger konsistent, passt weniger zur Zielgruppe oder den Zielen oder unterscheidet sich zwischen den Kanälen. Und das wirkt sich direkt auf Conversion, Pipelinequalität und Effizienz aus. Die Optimierungsqualität leidet, weil jedes System seine eigenen Signale verstärkt und kein übergeordnetes Zielsystem Konflikte auflöst. Statt einer unternehmensweiten Lernkurve entstehen mehrere parallele Lernschleifen. Erkenntnisse bleiben lokal, werden nicht konsolidiert und zahlen nur begrenzt auf eine gemeinsame Optimierungsstrategie ein.
Was ich mit „gemeinsamem KI-Layer“ meine
Deshalb ist es architektonisch viel hilfreicher, einen zentralen KI-Layer im Martech-Stack zu haben, der über alle relevanten Daten und ein gemeinsames Zielsystem verfügt. Aus meiner Sicht sollte dieser KI-Layer mindestens die folgenden drei Aspekte beinhalten:
Ein einheitliches Identitäts- und Consent-Modell. Dieses liefert eine zentrale Sicht auf Identität, Account und Buying Groups, Interaktionshistorie, Funnel-Status, Präferenzen und Kontaktregeln. Im B2B-Marketing ist das der Unterschied zwischen punktueller Personalisierung und einer Steuerung, die Account-Dynamiken berücksichtigt. Dazu gehört Consent und Zweckbindung als Teil dieses Context. Ohne diese Leitplanken wird Personalisierung entweder ungenutzt oder rechtlich riskant.
Eine strukturierte Content- und Asset-Basis, die Content, Produktdaten, Taxonomien, Metadaten, Terminologie, Brand Voice, zugelassene Aussagen, Bildsprachen und Assets umfasst. Für generative KI ist das entscheidend. Ohne diese Basis entstehen Varianten, die vielleicht formal plausibel wirken, aber inhaltlich nicht passen oder Brandvorgaben nicht berücksichtigen. Dann führen Review-Prozesse am Ende dazu, dass immer wieder zurückgewiesen und am Ende des Tages, die Time-to-Market nicht wirklich besser wird.
Eine gemeinsame Entscheidungs- und Optimierungslogik, die Ziele, Prioritäten, Regeln und eine Messlogik über Komponenten hinweg bündelt. Dazu gehört Konfliktauflösung: Was hat Vorrang, wenn mehrere Systeme gleichzeitig ausspielen wollen? Dazu gehört Frequenzsteuerung: Wie oft kommuniziere ich über welchen Kanal in welcher Phase? Dazu gehört eine Definition von Wirkung, die mehr kann als „Klicks nach oben“.
Warum dieser Architekturpunkt im Mittelstand so relevant ist
Wenn man es architektonisch also konsequent denkt, wäre der Idealzustand sicher ein Best-of-Breed-Stack mit einem eigenen, zentralen KI-Layer. In einem solchen Modell bleiben CMSe, Commerce-, Automation- und CDP-Systeme spezialisierte Ausführungssysteme. Die Intelligenz, die Ziele definiert, Erkenntnisse konsolidiert und Konflikte auflöst, liegt in einer zentralen Plattform. Erkenntnisse aus einem Kanal fließen strukturiert in andere zurück. Optimierung erfolgt nicht lokal, sondern entlang eines gemeinsamen Zielsystems. Für sehr große Unternehmen ist dieses Modell realisierbar. Sie verfügen über Plattformteams, Data Governance, entsprechende finanzielle und personelle Kapazitäten. Und manchmal auch über ein Experimentation-Mindset, das den Aufbau eines eigener KI- und Decisioning-Layer erlaubt. Für viele mittelständische Organisationen ist dieser Weg hingegen kaum darstellbar. Der Aufbau und Betrieb eines solchen eigenen KI-Layers erfordert kontinuierliche Investitionen in Skills, Governance, Infrastruktur und Know-how. Die Komplexität ist enorm und oft sind nicht alle nötigen Fachexperten vorhanden. Genau hier liegt der strukturelle Vorteil integrierter DXPs, die eine gemeinsame KI- und Context-Schicht als Bestandteil der Plattformarchitektur mitbringen. Anbieter wie Adobe, Salesforce, Sitecore und Optimizely verfolgen genau diesen Ansatz und adressieren dabei eher größere Unternehmen. Ibexa verfolgt einen sehr europäischen Ansatz, stellt die Themen Digitale Souveränität und Vertrauen in den Mittelpunkt seiner Überlegungen und adressiert konsequent den gehobenen Mittelstand.
Zwei limitierende Aspekte, über die wir reden sollten
Diese beiden Punkte gelten unabhängig von der Architektur. Sie betreffen integrierte DXPs ebenso wie Best-of-Breed-Stacks. Ohne sie wird weder ein zentraler KI-Layer noch eine verteilte KI-Landschaft nachhaltig funktionieren.
Datenqualität und Messlogik bleiben die Eintrittskarte. Ein gemeinsames Zielsystem funktioniert nur bei guter Datenqualität, sauberer Ereignislogik und klaren KPIs und Metriken. Wenn „Lead“, „MQL“ und „Opportunity“ über Systeme hinweg unterschiedlich interpretiert werden, wenn Datensätze nicht vollständig sind und zwischen den Systemen geteilt werden, dann verstärkt KI diese Unschärfe. Aber genau das sehen wir in vielen Kundenprojekten: Unvollständige Kundendatensätze und vor allem keine Rückkopplung über die Qualität der generierten Leads aus dem Vertrieb. Die manuelle Bewertung und Rückkopplung der Ergebnisse ist eine wichtige Voraussetzung für zielführende Optimierung. Das kann ein KI-System allein nicht liefern.
Consent, Zweckbindung und Governance entscheiden über die Akzeptanz in der Kundenkommunikation. Gerade in Europa und im DACH-Raum ist ein sauberer Umgang mit Consent-Signalen, Zweckbindung, Berechtigungen und Dokumentation zwingende Voraussetzung. Die besten Personalisierungsmöglichkeiten sind wertlos, wenn Kunden das Gefühl entwickeln, das Daten unzweckmäßig gesammelt werden. Vertrauen in den sachgerechten und sorgfältigen Umgang mit Daten muss das Handeln leiten und technisch sowie organisatorisch unbedingt gewährleistet werden. Und auch hier sehen wir in der Praxis großen Nachholebedarf. Viele Unternehmen sind aktuell nicht in der Lage, den Consent und die Quelle ihrer Kunden- und Leaddaten sauber zu dokumentieren. Was wir oft sehen: Einige Daten sind durch zig Toolmigrationen in der Vergangenheit so lückenhaft, dass nicht mal mehr klar dokumentiert ist, wann diese erstmals erhoben wurden.
Fazit
KI liefert in Martech-Tools tolle neue Möglichkeiten. KI verändert aber auch die Logik von Steuerung in Martech-Stacks. Sobald mehrere Systeme eigenständig optimieren, entscheidet nicht mehr das beste Feature, sondern das gemeinsame Zielsystem über die Performance. Fragmentierung ist der Feind der Performance. Wer fragmentierte Teil-KIs ohne zentrale Koordination einsetzt, riskiert inkonsistente Entscheidungen und suboptimale Ergebnisse. Ein Best-of-Breed-Ansatz mit eigenem, zentralem KI- und Decisioning-Layer kann dieses Zielsystem liefern. Für große Unternehmen mit entsprechenden Ressourcen, Kompetenzen und entsprechender Governance ist das ein gangbarer Weg. Für viele mittelständische Organisationen ist dieser Eigenbau jedoch organisatorisch und wirtschaftlich kaum darstellbar. Für diese ist eine integrierte DXP-Architektur der pragmatischere Weg, um KI strategisch und steuerbar einzusetzen. Denn diese verankern Context, Wissensbasis, Optimierungslogik und die ausführenden Komponenten in einer gemeinsamen Architektur und schaffen damit die Grundlage für konsistente, steuerbare Performance.
Diesen Beitrag teilen