Loop Engineering im Marketing: warum dein Kontext ein Ablaufdatum hat

Im Frühjahr saßen wir mit einem Kunden vor einer Kampagne, die sich nicht mehr bewegte. Eine Surf- und Kiteschule in den Niederlanden, überschaubares Budget, klares Ziel. Der Lead-Preis lag bei rund 66 Euro und blieb dort. Nicht schlecht, nicht gut, einfach stehend. Wir haben zuerst das getan, was alle tun: bessere Bilder, schärfere Texte, neue Zielgruppen. Es hat nichts verändert.

Der Fehler lag in der Frage. Wir haben gefragt, wie wir eine bessere Anzeige bauen. Die richtige Frage war, wie wir das System schneller lernen lassen. Im August lag der Lead-Preis bei 23 Euro. 800 Euro Anzeigenbudget standen 5.600 Euro Umsatz gegenüber, und 40 Prozent des Monatsumsatzes kamen über Direktbuchungen herein.

• 66 € Lead-Preis – Ausgangssituation der Kampagne
• 23 € Lead-Preis – Ergebnis im August nach Loop-Anpassung
• 800 € Anzeigenbudget – Stand einem Umsatz von 5.600 € gegenüber
• 40 % Monatsumsatz – Anteil über Direktbuchungen

Der Unterschied hat einen Namen, der seit Juni 2026 im Umlauf ist.

Was ist Loop Engineering?

Loop Engineering ist die Praxis, nicht den einzelnen Arbeitsauftrag an eine KI zu gestalten, sondern den Kreislauf drumherum: Was löst den Lauf aus, was prüft das Ergebnis, was passiert bei einem Fehlschlag, wann ist es gut genug, und wo fließt das Gelernte zurück.

Der Begriff kommt aus der Softwareentwicklung. Er ist im Juni 2026 nach Essays von Addy Osmani entstanden, IBM führt inzwischen eine eigene Definitionsseite dazu. Die Reihenfolge dahinter ist einfach: Prompt Engineering gestaltet eine einzelne Eingabe. Context Engineering gestaltet die Informationsumgebung, die das Modell sieht. Loop Engineering gestaltet den Zyklus, der beides so lange wiederholt, bis ein Ziel erreicht ist.

Bei uns ist Loop Engineering seit diesem Sommer eine eigene Disziplin in der Methodik, gleichrangig neben Process und Context Engineering. Das ist keine kosmetische Umbenennung. Es verschiebt, worüber überhaupt entschieden wird.

Der Unterschied, den fast niemand benennt

Loop Engineering funktioniert in der Entwicklung so gut, weil dort das Prüfkriterium eindeutig ist. Der Test läuft durch oder er läuft nicht durch. Der Build kompiliert oder er kompiliert nicht. Ein Agent kann sich stundenlang selbst korrigieren, weil er nach jedem Durchlauf ein hartes, maschinell lesbares Signal bekommt, ob er näher am Ziel ist.

Im Marketing gibt es dieses Signal nicht in dieser Form.

Eine Anzeige mit hoher Klickrate kann trotzdem die falschen Leute anziehen. Ein Text, der die Marke verletzt, kann kurzfristig konvertieren. Ein Kanal, der gut aussieht, kann Umsatz kannibalisieren, den du sonst günstiger bekommen hättest. Und die Zahl, an der du misst, verschiebt sich, sobald du sie zum Ziel machst.

Deshalb ist die naive Übertragung gefährlich. Wer den Loop aus der Entwicklung eins zu eins ins Marketing kopiert, baut ein System, das sehr effizient in eine Richtung optimiert, die niemand geprüft hat.

Konkret sieht das bei uns so aus: Ich kann mir mit KI in zwanzig Minuten hundert Anzeigenvarianten bauen lassen. Die Erfahrung nach mehreren Zyklen ist eindeutig. Ein Mensch entscheidet immer noch, welche drei davon es wert sind, echtes Budget zu sehen. Nicht weil das Modell zu schwach wäre, sondern weil die Auswahl eine Bewertung ist und keine Berechnung.

Beispiel eins: die Kampagne, die sich selbst verbessert

Zurück zur Kampagne. Was wir geändert haben, war nicht das Creative, sondern die Taktung.

Der Algorithmus der Plattform lernt aus Signalen. Wenn du ihm alle drei Wochen zwei neue Varianten gibst, lernt er langsam. Wenn du ihm wöchentlich mehrere strukturell verschiedene Varianten gibst, lernt er schnell. Der Engpass war nie die Qualität einer einzelnen Anzeige. Der Engpass war, wie viele sinnvolle Tests wir pro Woche überhaupt in die Luft bekommen haben, und der lag bei uns an der Produktionszeit, nicht an der Idee.

Der Loop, den wir gebaut haben, hat drei Stationen. Die KI erzeugt Varianten entlang klar getrennter Hypothesen, also nicht hundert Versionen desselben Gedankens, sondern zehn verschiedene Gedanken. Ein Mensch wählt aus, und zwar mit Begründung. Die Ergebnisse fließen als Notiz zurück in den Kontext, damit die nächste Runde nicht bei null anfängt.

Die dritte Station ist die, die am häufigsten fehlt. Ohne sie hast du keinen Loop, sondern nur einen schnellen Generator.

1. Varianten entlang getrennter Hypothesen Die KI erzeugt nicht hundert Versionen desselben Gedankens, sondern klar unterschiedliche Ansätze. So entstehen Tests, die wirklich etwas über die Richtung verraten. Die Vielfalt ist strukturell, nicht kosmetisch.
2. Menschliche Auswahl mit Begründung Ein Mensch wählt die vielversprechendsten Ideen aus und legt die Gründe offen. Diese Bewertung ist kein Rechenschritt, sondern ein Urteil mit Kontext. So bekommt Budget nur, was es verdient.
3. Rückkopplung in den Kontext Ergebnisse fließen als Notiz zurück, damit die nächste Runde nicht bei null anfängt. Ohne diese Station fehlt der Lerneffekt über Zyklen hinweg. Das unterscheidet einen echten Loop vom schnellen Generator.

Eine Sache haben wir dabei teuer gelernt. Als wir früh anfingen, den Agenten Kampagnen direkt bearbeiten zu lassen, hat ein Lauf eine Conversion-URL zerschossen. Die Reaktion war nicht weniger Automatisierung, sondern eine Regel: Agenten lesen und bereiten vor, Menschen schreiben. Diese Grenze setzen wir seitdem auch bei Kunden als Standard.

Als ein Agent eine Conversion-URL zerschoss

Als wir früh anfingen, den Agenten Kampagnen direkt bearbeiten zu lassen, hat ein Lauf eine Conversion-URL zerschossen.

Die Reaktion war nicht weniger Automatisierung, sondern eine Regel: Agenten lesen und bereiten vor, Menschen schreiben. Diese Grenze setzen wir seitdem auch bei Kunden als Standard.

Beispiel zwei: die Wissensbasis, die sich selbst verbessert

Der zweite Loop ist unsichtbarer und wichtiger.

Die meisten Unternehmen, die eine Wissensbasis für ihre Agenten gebaut haben, haben sie einmal gebaut. Ein Dokument mit Positionierung, Tonalität, Zielgruppen, Produktwissen. Sauber gemacht, freigegeben, abgelegt. Und dann steht es da.

Das Problem ist nicht die Qualität. Das Problem ist das Datum.

Meta bringt neue Kampagnentypen, Google verschiebt Funktionen, TikTok baut Shopping aus. Was vor vier Monaten die beste Vorgehensweise war, ist heute eine Fußnote. Wissen über Produkte, Kanäle und Technologien ist nicht statisch, es hat eine Halbwertszeit, und die wird kürzer. Früher hat ein erfahrener Mensch dieses Wissen laufend nachgezogen, ohne dass das jemand als Prozess bezeichnet hätte. Er hat gelesen, ausprobiert, im Kopf einsortiert. Jetzt kann ein System das mitziehen, aber nur, wenn jemand den Rückweg gebaut hat.

Die zweite Veralterung ist schwerer zu sehen, weil sie kein Datum hat. Eine Zielgruppenbeschreibung wird nicht alt, sie war von Anfang an eine Annahme. Wer den Kauf auslöst, welches Argument im Gespräch trägt, an welcher Stelle Projekte wirklich entschieden werden: Das steht nicht im Dokument, das steht in deinen Kampagnendaten und in deinem Kalender. Solange beide Seiten nicht nebeneinanderliegen, optimierst du gegen ein Bild, das nie geprüft wurde.

Und hier wird es teuer. Ein Mensch, der mit einer falschen Zielgruppenannahme arbeitet, merkt es irgendwann im Gespräch und korrigiert still. Ein Agent merkt es nicht. Er spielt die Annahme schneller und konsistenter aus als jedes Team davor. Die Technologie verstärkt dein Bild von der Realität. Sie prüft es nicht.

Wer entscheidet, was eine Korrektur wert ist

Damit kommt die Frage, an der sich im Marketing alles entscheidet.

Wenn Wissen laufend nachfließt, fließt viel nach. Nicht jede Plattformankündigung ist relevant. Manches ist eine Randnotiz, manches ändert deine Arbeitsweise, weniges ändert deine Planung. Diese Einstufung ist die eigentliche Arbeit, und sie ist der Grund, warum diese Systeme ohne erfahrene Menschen nicht funktionieren.

Ein Modell kann eine Neuerung zusammenfassen. Es kann dir nicht sagen, ob sie für dein Geschäft etwas bedeutet. Dafür braucht es jemanden, der genug Zyklen gesehen hat, um Ankündigung von Auswirkung zu unterscheiden.

Der teure Fehler an dieser Stelle ist selten eine falsche Einstufung. Es ist das Fehlen einer Instanz, die überhaupt einstuft. Neues Wissen kommt in die Ablage, altes bleibt danebenstehen, und niemand entscheidet, welches von beiden gilt. Die Folge ist nicht schlechterer Output. Die Folge ist ein System, das dieselbe Frage je nach Quelle unterschiedlich beantwortet, und ab da kannst du dich auf keine der beiden Antworten mehr berufen. Widersprüche verzeiht so eine Wissensbasis nicht. Redundanz schon.

Was bei uns funktioniert, ist unspektakulär: ein wöchentlicher Termin, dessen einzige Aufgabe es ist, Widersprüche zu finden und zu entscheiden, was gilt. Kein neues Werkzeug, ein Ritual.

Wie du nächste Woche anfängst

Drei Schritte, die klein genug sind, um sie ohne Projekt zu machen.

Miss deine Testfrequenz, nicht deine Klickrate. Wie viele strukturell verschiedene Hypothesen hat deine wichtigste Kampagne in den letzten vier Wochen gesehen? Wenn die Antwort unter fünf liegt, ist das dein Engpass und nicht das Creative.

Halte ein Dokument gegen die Realität. Nimm deine Zielgruppenbeschreibung und daneben die Liste der letzten zwanzig Menschen, mit denen du tatsächlich gesprochen hast. Die Lücke ist meistens innerhalb einer Stunde sichtbar und danach nicht mehr zu ignorieren.

Baue den Rückweg, bevor du den Hinweg optimierst. Wenn du eine Anzeige verwirfst, schreib in einem Satz auf, warum, und leg es dort ab, wo dein System beim nächsten Mal hinschaut. Diese eine Zeile ist der Unterschied zwischen einem Loop und einem Karussell.

Aus dem stehenden Lead-Preis von 66 Euro sind über diese Schleifen 23 Euro geworden, und aus einem Kanal, der Budget verbraucht hat, einer, der das Siebenfache zurückbringt. Was das bewirkt hat, war nicht die KI. Es war die Entscheidung, dass nach jedem Durchlauf jemand hinschaut und sagt, was zählt.

Häufige Fragen zu Loop Engineering im Marketing (FAQ)

Worin unterscheidet sich Loop Engineering von Prompt und Context Engineering?

Prompt Engineering gestaltet die einzelne Eingabe, Context Engineering die Informationsumgebung für das Modell. Loop Engineering definiert den wiederholten Zyklus aus Auslösen, Prüfen und Rückkopplung, bis ein Ziel erreicht ist. Es verschiebt damit die Entscheidungsebene vom einzelnen Artefakt hin zum Lernprozess.

Wie gehe ich im Marketing mit fehlenden harten Prüfsignalen um?

Statt binärer Tests brauchst du sinnvolle Proxys und klare Bewertungsregeln. Menschliche Einschätzung bleibt zentral, weil Kennzahlen wie Klickrate oder Conversion kurzfristig täuschen können. Wichtig ist, die Wirkung auf das eigentliche Ziel zu prüfen und Widersprüche konsequent aufzulösen.

Wie oft sollte ich neue Varianten in Kampagnen testen?

Ein höherer Takt beschleunigt das Lernen der Plattformen. Wöchentlich mehrere strukturell unterschiedliche Varianten entlang klarer Hypothesen sind hilfreicher als seltene, kleine Änderungen. Entscheidend ist, dass jede Runde Erkenntnisse zurück in den Kontext schreibt.

Wie halte ich meine Wissensbasis aktuell, ohne Chaos zu erzeugen?

Baue einen klaren Rückweg für Erkenntnisse aus Kampagnen- und Kundendaten in die Dokumentation. Etabliere ein regelmäßiges Ritual, das Widersprüche sichtbar macht und entscheidet, was gilt. So vermeidest du, dass unterschiedliche Quellen dauerhaft unterschiedliche Antworten produzieren.

Wo ziehe ich die Grenze zwischen Automatisierung und menschlicher Kontrolle?

Lass Agenten vorbereiten und Menschen final entscheiden, vor allem dort, wo Fehler teuer werden. Automatisierung beschleunigt die Ausführung, ersetzt aber nicht das Urteil über Relevanz und Risiko. Eine explizite Zuständigkeitsregel verhindert Schäden und sorgt für konsistente Qualität.

Die Frage, die dabei bleibt, ist keine technische. Wenn dein System hundert Vorschläge macht: Wer in deinem Team hat genug Erfahrung, um die drei richtigen auszuwählen, und wie viel Zeit hat diese Person dafür?