OnlineMarketing.de - Panik vor KI-Kennzeichnung? Schlechte Ads sollten entlarvt werden (Deutsch)

Panik vor KI-Kennzeichnung? Schlechte Ads sollten entlarvt werden

Ein Gastbeitrag von Gunnar Militz | 04.08.26

Die KI-Kennzeichnungspflicht nimmt jetzt auch Einfluss auf Ads. Du solltest ihre Performance tracken, aber bei guten Creatives keine Angst vor dem Label haben. Lies mehr über die Vorgaben, Testing-Optionen und die Relevanz der richtigen Idee.

Viele Marketing Teams reagieren nervös, wenn es um KI-Kennzeichnung geht. Was passiert, wenn Nutzer:innen sehen, dass ein Motiv mit KI erstellt oder deutlich bearbeitet wurde? Sinkt dann die Klickrate? Leidet das Vertrauen? Funktionieren UGC-nahe Anzeigen überhaupt noch, wenn plötzlich ein KI-Hinweis daneben steht?

Die bessere Frage lautet: Warum sollte eine gute Anzeige Angst vor Transparenz haben? Ein KI-Label ist nicht automatisch ein Performance Killer. Es ist eher ein Realitätscheck. Es macht sichtbarer, ob hinter einem Creative ein echter Gedanke steckt – oder ob nur möglichst schnell möglichst viele Varianten in den Markt gedrückt wurden.

Genau das ist der Punkt: KI macht Performance Marketing nicht automatisch besser. Sie macht es schneller. Und wenn du eine schwache Idee beschleunigst, bekommst du am Ende nicht bessere Werbung, sondern nur schneller mehr davon.

Das KI-Label ist nicht das Problem

Ab August 2026 greifen in der EU Transparenzpflichten aus Artikel 50 des AI Act. Dabei geht es unter anderem darum, bestimmte KI-generierte oder KI-manipulierte Inhalte erkennbar zu machen. Auch die Plattformen bewegen sich längst in diese Richtung, allerdings nicht immer mit klarer Verpflichtung: Google beschreibt ein „How this ad was made“-Panel, Meta arbeitet mit „AI info“-Hinweisen, TikTok verlangt bei realistischen KI-generierten Bildern, Audio- und Videoinhalten bereits eine Kennzeichnung.

Für Marketer heißt das: KI bleibt nicht unsichtbar im Maschinenraum. Sie wird Teil der Werbewirkung. Nutzer:innen sehen künftig nicht nur das Motiv, sondern möglicherweise auch den Hinweis, dass KI daran beteiligt war.

Das muss kein Problem sein. Wenn ein Creative relevant ist, das Produkt gut erklärt und zur Plattform passt, kann es auch mit KI-Hinweis funktionieren. Schwierig wird es dort, wo das Motiv ohnehin generisch wirkt. Kein klarer Hook, keine echte Produktwahrheit, keine erkennbare Zielgruppenbeobachtung – nur eine glatte Oberfläche.

Dann bestätigt das Label schnell den Eindruck: Hier wurde nicht besser gedacht, sondern nur schneller produziert.

Mehr Varianten sind noch kein Testing

Der größte Irrtum im Umgang mit KI-Creatives ist die Gleichsetzung von Menge und Erkenntnis.

Stell dir vor, ein Team erstellt an einem Tag dreißig neue Motive. Auf dem Papier klingt das nach starkem Testing. In der Praxis sehen die Motive vielleicht unterschiedlich aus, sagen aber alle dasselbe. Andere Person, anderer Hintergrund, andere Farbe, anderes Format – aber immer noch derselbe schwache Einstieg und dasselbe unklare Nutzenversprechen.

Das ist kein guter Test. Das ist eine mittelmäßige Idee in dreißig Verpackungen.

Ein sinnvoller Creative-Test beginnt nicht mit dem Prompt, sondern mit einer Hypothese. Willst du herausfinden, ob ein anderer Einstieg besser funktioniert? Ob ein reales Nutzungsszenario mehr Vertrauen schafft? Ob ein Produktbeweis stärker ist als Social Proof? Ob eine Zielgruppe auf einen bestimmten Pain Point reagiert?

Erst wenn diese Frage klar ist, kann KI wirklich helfen. Dann kann sie Varianten schneller erstellen, Formate anpassen, Lokalisierungen vorbereiten und gute Ideen skalieren. Ohne diese Vorarbeit produziert sie vor allem eins: mehr Material.

Schlechte KI-Creatives scheitern selten an der Optik

Früher waren schlechte KI-Bilder leicht zu erkennen: seltsame Hände, komische Schatten, falsche Proportionen. Diese Fehler gibt es noch, aber sie sind nicht mehr das Hauptproblem. Die Modelle werden besser. Die Oberfläche wird sauberer.

Das eigentliche Problem liegt heute tiefer: Ein schlechtes KI-Creative sieht oft ordentlich aus, bleibt aber leer. Es gibt eine hübsche Bildwelt, aber keinen Gedanken. Es gibt einen Hook, aber keinen echten Konflikt. Es gibt ein Produkt, aber keinen nachvollziehbaren Grund, warum dieses Produkt für die Zielgruppe relevant sein soll.

Typische Warnsignale sind ein Einstieg, der wie aus einer Vorlage klingt, Claims ohne Beleg, Szenen ohne echtes Nutzer:innenproblem oder ein Produkt, das nur dekorativ im Bild auftaucht. Auch bei Übersetzungen sieht man oft schnell, ob wirklich lokal gedacht wurde – oder ob ein Motiv nur in andere Sprachen übertragen wurde, ohne die Sprache der Zielgruppe zu treffen.

Das KI-Label macht solche Schwächen sichtbarer. Es zerstört keine starke Anzeige. Aber es nimmt schwachen Anzeigen ein Stück Tarnung.

Synthetischer UGC wird riskanter

Besonders sensibel wird es bei UGC-nahen Ads. User Generated Content funktioniert, weil er Nähe, Alltag und Erfahrung vermittelt. Die Form lebt davon, dass sie weniger nach Werbung aussieht und stärker nach persönlicher Empfehlung.

Wenn eine Marke diese Wirkung nur synthetisch nachbaut, wird es schwierig. Ein KI-generiertes Gesicht, eine künstliche Stimme oder ein erfundener Erfahrungsbericht können vielleicht kurzfristig aussehen wie UGC. Aber sobald erkennbar wird, dass keine echte Erfahrung dahintersteht, verändert sich die Glaubwürdigkeit. Aus „jemand berichtet von einem Produkt“ wird „eine Marke imitiert einen Erfahrungsbericht“.

Das ist nicht automatisch bei jedem KI-unterstützten UGC-Format der Fall. KI kann helfen, Szenen zu visualisieren, Formate anzupassen oder Inhalte zu übersetzen. Aber die Grenze ist dort erreicht, wo echte Kund:innenerfahrung nur vorgetäuscht wird.

Gerade deshalb ist Kennzeichnung wichtig. Sie zwingt Marken, genauer zu überlegen, was sie eigentlich zeigen: ein echtes Nutzungsszenario, einen nachvollziehbaren Produktbeweis oder nur eine synthetische Erfahrungsoptik.

KI kann gut funktionieren, wenn die Idee stimmt

Die Kritik an schlechten KI-Creatives bedeutet nicht, dass KI im Performance Marketing falsch ist. Im Gegenteil: Richtig eingesetzt kann sie sehr wertvoll sein.

KI funktioniert besonders gut, wenn sie eine klare Idee übersetzt, nicht ersetzt. Zum Beispiel bei Produktvisualisierungen, Formatadaptionen, Lokalisierungen, neuen Szenarien oder Motiven, die real sehr aufwändig zu produzieren wären. Auch für schnelle Varianten einer starken Hypothese kann KI hilfreich sein.

Der Unterschied ist einfach: Wenn Produktversprechen, Zielgruppe und Plattformlogik klar sind, kann KI Geschwindigkeit bringen. Wenn diese Grundlagen fehlen, wird KI zur Abkürzung in austauschbare Werbung.

Erste Untersuchungen deuten zudem darauf hin, dass KI-Hinweise die Wahrnehmung von Anzeigen verändern können. Das Nürnberg Institut für Marktentscheidungen beschreibt etwa, dass identische Anzeigen kritischer bewertet wurden, wenn sie als KI-generiert gekennzeichnet waren. Das heißt nicht, dass jedes KI-Label automatisch Performance kostet. Es zeigt aber: Nutzer:innen nehmen den Entstehungskontext wahr.

So testest du KI-Creatives richtig

Der schlechteste Weg ist: viele Motive generieren, Budget darauflegen und hoffen, dass der Algorithmus schon etwas findet.

Besser ist ein klarer Testaufbau. Jedes KI-Creative sollte eine konkrete Frage beantworten. Testest du einen neuen Hook? Ein anderes Nutzerproblem? Eine andere Zielgruppe? Ein neues Nutzungsszenario? Oder nur eine andere Optik?

Außerdem sollten KI-Creatives gegen menschlich erstellte oder menschlich überarbeitete Varianten laufen. Nur so siehst du, ob KI wirklich besser performt oder nur schneller produziert wurde.

Wichtig ist auch der Qualitätscheck vor dem Test. Ist das Produkt korrekt dargestellt? Sind die Claims belegbar? Passt die Sprache zur Zielgruppe? Wird eine Erfahrung suggeriert, die es so nicht gibt? Gerade weil KI so schnell produziert, müssen Kontrolle und Freigabe besser werden, nicht schwächer.

Bei den Kennzahlen reicht die Click-Through-Rate allein nicht aus. Ein KI-Creative kann Aufmerksamkeit erzeugen und trotzdem die falschen Nutzer:innen anziehen. Deshalb solltest du zusätzlich auf Thumbstop, Hook Rate, Watchtime, Conversion Rate, Cost per Acquisition und Return on Ad Spend schauen. Auch qualitative Signale zählen: Kommentare, Skepsis, negative Reaktionen oder auffällige Brüche zwischen Klick und Conversion.

Hör auf, nur zu prompten

Wenn KI dauerhaft Teil der Creative-Produktion wird, brauchen Marketing Teams bessere Prozesse. Es reicht nicht, wenn einzelne Personen nebenbei Tools ausprobieren.

Es muss klar sein: Wer entwickelt die Hypothesen? Wer prüft die Prompts? Wer kontrolliert Produktdarstellung, Claims und Tonalität? Wer entscheidet, ob ein Motiv zur Marke und zur Plattform passt? Und wer dokumentiert, wo KI eingesetzt wurde?

KI ist ein Beschleuniger. Aber genau deshalb ist sie nur so gut wie das, was sie beschleunigt.

Die wichtigste Frage lautet nicht: Was können wir mit KI alles produzieren? Die bessere Frage lautet: Welches User-Problem wollen wir besser erzählen (und bedienen)?

Wenn diese Frage klar beantwortet ist, kann KI beim Testen, Variieren und Skalieren helfen. Wenn sie offen bleibt, produziert KI nur schneller Anzeigen, die niemand vermissen würde.

Die neue Kennzeichnungspflicht ist deshalb kein Grund zur Panik. Sie ist ein Qualitätsfilter. Gute KI-Creatives werden auch mit Transparenz funktionieren können. Schlechte KI-Creatives verlieren nur ihre Tarnung.

‍Über Gunnar Militz:

Gunnar Militz ist Gründer und Geschäftsführer von MCANISM, einem unabhängigen Performance-Marketing-Unternehmen mit Fokus auf transparente und effiziente Tracking-Lösungen aus Hamburg. Mit langjähriger Erfahrung im internationalen Affiliate und Performance Marketing hat er sich darauf spezialisiert, Unternehmen eine datenschutzkonforme Alternative zu herkömmlichen Tracking und Analyse-Tools zu bieten. Zuvor studierte er International Business in Shanghai, was ihm eine globale Perspektive auf digitale Geschäftsmodelle und datengetriebene Marketing-Strategien verschaffte.