2.1 Akzeptanz 
Grundvoraussetzung für die Augmentierung der Markenarbeit durch KI ist die Akzeptanz auf Mitarbeiter- und Organisationsebene. Auf der Mitarbeiterebene gibt es viele Vorbehalte, Ängste und auch Beharrungstendenzen. Eine Orientierung zur Erhöhung der Akzeptanz kann das klassische Technology Acceptance Model (TAM, Davis 1989; zum Überblick Baumgarth 2024) liefern, dass die Akzeptanz neuer Systeme in der Arbeitswelt insbesondere auf die Nützlichkeit und die Usability zurückführt. Sprich Unternehmen können die Akzeptanz der Mitarbeitenden durch einfach zu bedienende KI-Systeme, die für den konkreten Arbeitsalltag auch direkt einen Nutzen erzeugen, erhöhen. Eine Erweiterung des TAM-Modell bezieht sich insbesondere auf die subjektive Norm bzw. das soziale Lernen. Dies bedeutet, dass die individuelle Akzeptanz durch Vorbilder entsteht. Dies können Immobilienunternehmen durch die Auswahl und Installation von einzelnen Mitarbeitenden zu internen KI-Botschaftern erreichen.  

Weiterhin ist eine Akzeptanz auf der Ebene der Abteilung und des gesamten Unternehmens notwendig. Die Akzeptanz setzt neben der grundsätzlichen Relevanzerkennung und Offenheit u. a. entsprechende Budgets für KI-Technologien und Weiterbildung in diesem Feld, die Aufstellung von Positiv- und Negativlisten mit KI-Tools, die Entwicklung von klaren, aber nicht beschränkenden Regeln zur KI-Nutzung und eine Auflösung der Silos (insbesondere Kollaboration der Marketingabteilung mit Recht und IT) voraus. Aufgrund der Dynamik müssen Systeme und Regeln auf der Organisationsebene immer wieder angepasst werden (z. B. neue KI-Modelle, EU AI Act). 

2.2 Use Case 
Ein weiterer Baustein der KI-augmentierten Markenintelligenz ist die Ableitung konkreter Use Cases und Aufgaben für die KI-Zusammenarbeit im Kontext der Markenführung. Trotz aller Versprechen der Agentensysteme (Bornet et al. 2025), die zukünftig selbstständig Aufgaben verstehen, in Teilaufgaben zerlegen und dann diese in einem Trial-and-Error-Ansatz lösen, ist Stand heute die KI insbesondere in der Lage, klar strukturierte Aufgaben zu lösen. Beispielsweise sollte eine KI nicht beauftragt werden, eine neue Markenpositionierung für ein Immobilienunternehmen zu entwickeln, sondern es sollten konkrete Aufgaben dieses Use Cases formuliert werden (ausführlich Baumgarth/Schmidt 2024b). Mögliche Aufgaben wären z. B. Identifizierung der drei wichtigsten Wettbewerber und ihrer Positionierungen in Deutschland, die Identifizierung von Trends auf der Kundenseite und Bestimmung der eigenen Markenidentität. Diese Zerlegung in konkrete Aufgaben erhöht nicht nur die Qualität der KI-Lösungen, sondern erhöht auch den konkret erlebbaren Nutzen für die Mitarbeiter, wodurch sich deren Akzeptanz erhöht. 

2.3 Sinnvolle Kombination 
Auch wenn die meisten Markenverantwortliche mit KI insbesondere generative KI-Lösungen wie ChatGPT verbinden, existieren viele unterschiedliche Lösungen und Anwendungsgebiete. Teilweise überschneiden diese sich bzw. die dahinter liegenden Modelle wie z. B. die LLMs sind für verschiedene Problemstellungen einsetzbar. Die Literatur im Marketing und der Markenführung hat mehrere Typologien und Klassifizierungen vorgeschlagen. So ordnen Huang und Rust (2018) die KI-Lösungen nach ihren Fähigkeiten in mechanische, denkende, fühlende und empathische KI ein. Im Gegensatz dazu klassifizieren Kaplan und Haenlein (2019) KI im Marketing entweder als analytische, von Menschen inspirierte oder humanisierte KI. Sinnvoll erscheint für die Markenführung die Unterscheidung in drei grundsätzliche Systeme: 

(1) Kausale KI (causal AI) konzentriert sich auf das Verständnis und die Identifizierung von Ursache-Wirkungs-Beziehungen innerhalb von Daten. Sie versucht, die Frage zu beantworten: Was passiert, wenn eine bestimmte Maßnahme ergriffen wird? 

(2) Generative KI (generative AI) ist in der Lage, neue Inhalte zu produzieren, die vorhandene Inhalte nachahmen. Sie lernt Muster aus einem Datensatz und kann neue Instanzen erstellen, die den ursprünglichen Inhalten ähneln. 

(3) Prädiktive KI (predictive AI) konzentriert sich auf die Vorhersage zukünftiger Ereignisse auf der Grundlage historischer Datenmuster. Sie ist stark auf statistische Verfahren, maschinelles Lernen und Deep-Learning-Modelle angewiesen, um zukünftige Trends oder Ergebnisse vorherzusagen. 

Baumgarth und Schmidt (2024b) haben im Kontext einer Hundefuttermarke verdeutlicht, wie verschiedene KI-Tools sinnvoll kombiniert werden können, um eine Markenkampagne zu entwickeln. Im ersten Schritt wurde zur Ableitung der Zielpositionierung die kausale KI Neusrel verwendet, um in einem empirischen Datensatz sog. Archetypen zu identifizieren. Hier ging es darum zu überprüfen, welche Archetypen im Hundefuttermarkt besonders stark KPIs wie Belebtheit und Begehren erklären. Als wirksame Archetypen wurden der Fürsorger, der Unschuldige und der Jedermann identifiziert. Ergänzend wurde mit Hilfe der generativen KI Perplexity eine Bedürfnis- und Trendanalyse für den deutschen Hundefuttermarkt durchgeführt. Es wurden drei Trends identifiziert: (1) Individualisierung & Spezialisierung (z. B. individualisierte Ernährungspläne), (2) alternative Ernährungsformen (z. B. vegetarische, vegane und insektenbasierte Futteroptionen) und (3) Vermenschlichung und Verwöhnung (z. B. Snacks wie Hundepopcorn). Diese Insights dienten als zusätzlicher Input für die generative KI ChatGPT, um neue Positionierungsräume unter Berücksichtigung der Archetypen der Fokusmarke und der Wettbewerber abzuleiten. Einer dieser Positionierungsräume war „Nachhaltigkeit und alternative Ernährungsformen“. Auf Basis dieser Ergebnisse erfolgte in einem zweiten Schritt von bezahlten Instagram-Posts. Mittels der generativen KI ChatGPT wurden zunächst Beschreibungen der Kampagnenmotive erstellt, die dann als Prompt-Input für die leistungsstarke Text-zu-Bild-KI FLUX von Black Forest Labs verwendet. In einem dritten Schritt wurde die anvisierte Markenkampagne auf Instagram, mit Computer Vision als ein möglicher Bestandteil von prädiktiver KI untersucht. Speziell wurden die Vision-Fähigkeiten von Claude genutzt. Die generierten Kampagnenanzeigen wurden hochgeladen und das wahrgenommene Markenbild analysiert. Diese prädiktive KI analysiert, wie gut die Visuals die angestrebte Positionierung inklusive der Archetypen kommunizieren. 

Aber auch innerhalb einer KI-Kategorie ist es sinnvoll verschiedene Tools zu kennen, zu vergleichen und für bestimmte Use Cases und Aufgaben das jeweils beste Tool zu nutzen. Neben der Performance (Effektivität, Effizienz) der KI-Lösungen sind auch weitere Faktoren wie Datenschutz, Usability oder Preis zu berücksichtigen. 

2.4 Menschliche Verantwortung 
KI ist kein eigenständig denkendes und handelndes System, sondern ein von Menschen entwickeltes, mit Daten gefüttertes, für konkrete Fragestellungen genutztes und als Generator von Output eingesetztes System. Daraus folgt, dass der Markenverantwortliche für den KI-Einsatz und alle daraus generierten (ausführlich Methnani et al. 2021). Outputs verantwortlich ist. Der Markenverantwortliche muss sich mit den Daten auseinandersetzen, die zum Training der KI genutzt werden und dabei auch rechtliche Rahmenbedingungen wie die DSGVO oder auch unternehmensspezifische Regeln beachten. Auch ist der Markenmanager auch verantwortlich für die Nichtverletzung von Copyrights und das Sicherstellen von Copyrights für die eigenen Markenassets. Sprich er oder sie übernimmt die Haftung für die Mensch-KI-Zusammenarbeit. Neben dieser Verantwortlichkeit sollte sich der Mensch auch für die KI-Arbeit verantwortlich fühlen und den Einfluss auf das gemeinsame Ergebnis verstehen, da dadurch Widerstände abgebaut und die Akzeptanz erhöht werden können. 

2.5 (Neue) Skills 
KI wird nicht den Mitarbeiter ersetzen, aber Mitarbeiter mit KI werden Mitarbeiter ohne KI ersetzen. Dieser Quote, der auf den Harvard Business School-Professor Karim R. Lakahni zurückgeht (Iansiti/Lakhani 2020; Igantius 2023), verdeutlicht zwar die Überlegenheit von KI-augmentierter Markenintelligenz, vernachlässigt aber, dass dies nur eintreten wird, wenn der Mensch bestimmte Skills aufweist. Insbesondere drei Arten von Skills und Wissen sind besonders relevant: (1) Mentale Modelle, (2) Domänenexpertise und (3) KI-Skills. 

Mentale Modell umfassen gedankliche Modelle, die es uns in der Markenarbeit erlauben die Komplexität zu reduzieren. Klassische mentale Modelle der Markenarbeit sind z. B. SWOT, Markensteuerrad oder Kreativitätstechniken. Wenn der Markenverantwortliche diese und viele weitere mentale Modelle kennt, kann es oder sie diese in Kollaboration mit der KI einsetzen. Dies führt nicht nur zu deutlich besseren Ergebnissen im Vergleich zu allgemeinen Prompts, sondern erhöht auch die Akzeptanz von KI genierten Inhalten durch die Anschlussfähigkeit. Exemplarisch zeigt die Abbildung 2 die Anwendung der Kreativmethode Attribute Listing (z. B. Schlicksupp 1992) für eine erste Ideensammlung eines nicht näher bestimmten Immobilienunternehmens für den nächsten Messestand auf der EXPO REAL.