KI im Media Buying: 15 Bots gebaut, fünf blieben übrig

In einem Test zu KI im Media Buying baute Wildo Agency rund 15 Bots und behielt fünf. Ihr autonomer Buyer-Bot gab etwa 1.000 $ eines Budgets von 5.000 $ aus, stufte jedes Creative als Verlierer ein und schaltete alle ab. Die KI-Ausgaben erreichten in der Spitze etwa 3.500 $ im Monat. Alle Zahlen stammen vom CEO der Agentur; keine davon wurde unabhängig geprüft.

Ergebnisse auf einen Blick

Kontext: KI im Media Buying, die Version einer Agentur

Anbieter werben mit autonomen Ad-Managern, doch ein Media Buyer muss die Arbeit weiterhin Aufgabe für Aufgabe sortieren: Was kann man einem Modell anvertrauen, und wofür wird es Geld verschwenden? Für die meisten Teams ist KI im Media Buying genau diese Sortierübung.

Wildo Agency ist ein Media-Buying-Team. Bogdan Right, vorgestellt als dessen CEO, präsentierte die Ergebnisse der Agentur 2026 auf einer Branchenkonferenz. AffHouse fand weder eine Website der Agentur noch eine LinkedIn-Seite oder einen Handelsregistereintrag, der die Agentur oder seine Rolle bestätigt; alles Folgende ist daher seine Darstellung.

Seine Zusammenfassung war unverblümt: Behandeln Sie das Modell als ein Paar Hände, nicht als die Person, die entscheidet.

Was sie gemacht haben

Die Agentur baute ihr System in Schichten auf. Ganz oben verteilte ein Orchestrator auf Basis von Claude Opus von Anthropic die Arbeit an spezialisierte Agenten. Das Team wählte für jede Aufgabe ein eigenes Modell: ChatGPT von OpenAI für Texte, Googles Bildmodell Nano Banana für Visuals und das Workflow-Automatisierungstool n8n, um alles zu verbinden. Innerhalb eines einzelnen Bots übernahm Opus das Reasoning und das günstigere Claude Sonnet die repetitive Datensammlung, um die Token-Rechnung niedrig zu halten.

Fünf Agenten überstanden die Tests:

• App-Builder. Baute Android-Apps und Designs für Progressive Web Apps (PWA) von Anfang bis Ende.

• Facebook/Meta-Account-Bot. Übernahm Beschaffung und Einrichtung von Accounts, ein Grauzonen-Workflow, den die Quelle beschreibt und den dieser Artikel weder erklärt noch befürwortet, und konfigurierte Auto-Regeln auf diesen Accounts.

• Affiliate-Chat-Bot („Alf“). Führte ein durchsuchbares Protokoll darüber, was Partnerprogramme im Chat vereinbart hatten, von KPIs und Budgets bis zu Caps und aktiven Offers, und glich es mit dem Tracker ab.

• In-App-Kampagnen-Bot. Startete Kampagnen, lieferte tägliche Analysen und Reports und lud auf Anweisung eines Buyers Creatives aus der Bibliothek hoch.

• Teamlead-Bot. Gab Teamleads ein Leistungssignal: Er las Notion-Einträge zum Output jedes Buyers, etwa gestartete Kampagnen und übergebene Design-Briefings, und schlug Alarm, wenn jemand nachließ.

Bevor die Agentur etwas baut, stellt sie inzwischen fünf Fragen. Das Raster stammt vom CEO, die Beispiele von uns.

1. Geld. Verdient oder spart der Bot einen Betrag, den Sie beziffern können? Ein Abgleich, der eine Cap-Überschreitung aufdeckt, zählt.

2. Zeit und Häufigkeit. Ist die Aufgabe lang oder kurz, aber ständig wiederkehrend? Beides kann einen Bot rechtfertigen.

3. Kosten der Verzögerung. Kostet das Warten auf einen Menschen Geld, wie bei Overspend, der über Nacht weiterläuft?

4. Prozessstabilität. Wird die Aufgabe jedes Mal gleich erledigt? Arbeit, die sich von Fall zu Fall ändert, bringt Automatisierung oft zum Scheitern.

5. Kosten und Umkehrbarkeit von Fehlern. Was kostet eine falsche Aktion, und lässt sie sich zurücknehmen? Teure oder dauerhafte Fehler bleiben Sache von Menschen.

Ergebnisse

Beide Testarme starteten unter identischen Bedingungen: je 5.000 $, ein gemeinsamer Satz Creatives, die den Test bereits bestanden hatten, und eine einzige Stoppregel, nämlich eine Kampagne zu pausieren, sobald die Kosten pro Installation oder Zielaktion zu hoch wurden. Unterschiedlich war, wer handelte. Im assistierten Arm gab der Bot Empfehlungen und der Buyer entschied; im autonomen Arm startete, pausierte und steuerte der Bot die Kampagnen selbst.

Auf dem Papier war der Bot im Vorteil: Seine Regeln liefen auf Live-Spend von Facebook/Meta und Umsätzen aus Tracker oder Netzwerk, während ein Mensch Dashboards mit Verzögerung liest. Trotzdem blieb der autonome Arm bei etwa 1.000 $ stehen. Der vom Buyer unterstützte Arm gab die vollen 5.000 $ aus. Sein ROI lag unter dem auf dünner Datenbasis beruhenden Wert des Bot-Arms, eine Zahl nannte die Agentur nicht. Der CEO wollte darauf hinaus, dass sich ein Creative-Satz nur auszahlt, wenn er vollständig durchgespielt wird. Ein Buyer, der nach einem guten Tag einen schlechten sieht, gibt der Kampagne meist noch einen Tag, und genau diese Geduld fehlte dem Bot.

Die Agentur hat die Idee eines vollständig autonomen KI-Buyers vorerst aufgegeben; der CEO beschrieb den Bot als Helfer für den Buyer, nicht als Ersatz. Eine Ausnahme bleibt. Nachts darf der Bot eine Kampagne pausieren, die unprofitabel geworden ist, weil eine Verzögerung in diesem Fall Geld kostet. Wie das zu ihrer weiter unten beschriebenen Regel passt, dass Bots keine Entscheidungen treffen, erklärte die Agentur nicht. Wer das Setup übernimmt, sollte vor dem Livegang festlegen, wo diese Grenze liegt.

Die messbaren Gewinne kamen von den Support-Bots. Laut CEO konnte die Agentur dank des App-Builders ihre Entwicklungsabteilung auf einen einzigen Entwickler verkleinern. Den Marktwert der damit produzierten individuellen PWA-Designs bezifferte er auf etwa 30.000 $ im Monat, bei tatsächlichen Kosten von rund 600 $; das ist ein Marktpreis-Äquivalent, kein eingespartes Geld. Durch Alf blieb in der Affiliate-Abteilung nur eine Person übrig, und das Teamlead-Reporting läuft inzwischen von selbst.

Die monatlichen KI-Ausgaben erreichten in der Spitze etwa 3.500 $ und sinken laut CEO weiter. Er sagte, der Großteil der automatisierten Arbeit bestehe aus API-Aufrufen, Tabellen und Berechnungen, die Modelle günstig erledigen. Sobald das Team die Routine kannte, kostete es etwa 20 $ an Tokens, eine einfache, wiederholbare Aufgabe in ein eigenständiges Skript zu verwandeln.

Eine Zahl zur eingesparten Zeit pro Buyer wollte er nicht nennen. Manche Buyer arbeiteten mit der gewonnenen Zeit mehr, andere weniger, daher lehnte er es ab, einen Prozentsatz zu behaupten.

Was nicht funktioniert hat

Der autonome Buyer. Innerhalb von etwa 1.000 $ Spend hatte der Bot den gesamten Creative-Satz abgeschrieben und Anzeige für Anzeige pausiert. Sein ROI von knapp unter 61 % beruhte auf zu wenig Spend, um irgendetwas auszusagen, wie der CEO selbst sagte. Ein Satz von 10 bis 20 von Designern erstellten Creatives kostet echtes Geld, und seiner Ansicht nach spielt ein Bot das allein nicht wieder ein.

Video in großem Volumen. Mit KI-Standbildern war die Agentur zufrieden, wenn das Modell gute Referenzen bekam. Video war schwieriger. Laut CEO konnte KI Clips von mehr als etwa fünf Sekunden, denen Zuschauer so sehr vertrauen wie von Designern erstellten, nicht zuverlässig in dem Volumen produzieren, mit dem die Agentur arbeitet. Ein starker Clip war möglich, aber jedes neue Konzept brauchte frische Referenzen, sodass es in großem Maßstab weder schneller noch günstiger war. Zahlen eines anderen Teams zu KI-Videoanzeigen finden Sie in dieser KI-UGC-Fallstudie.

Ein Bot, der eine Entscheidung traf. Die Regel geht auf einen Vorfall im Tracker zurück: Ein Bot duplizierte bei einer Aufgabe 70 Kampagnen, machte sich dann daran, 100 zu löschen, und riss dabei 30 laufende Kampagnen mit. Die Regel seitdem laut CEO: Bots treffen überhaupt keine Entscheidungen, weder jetzt noch womöglich in den nächsten Jahren.

Zu viel automatisieren. Der CEO erzählte, er habe einmal einen Prozess automatisiert, der etwa 30 Minuten pro Woche dauerte und rund 100 $ kostete, und die Automatisierung habe länger gedauert, als der Prozess je gedauert hätte.

Ein Entwickler als Single Point of Failure. Auf die Frage, was passiert, wenn dieser Entwickler geht, antwortete der CEO, man müsse ihn gut bezahlen. Aus unserer Sicht ist das eine Bindungsstrategie, kein Notfallplan.

Fazit für Affiliates

• Setzen Sie KI im Media Buying als Hände ein, nicht als Urteilsinstanz. Lassen Sie sie sammeln, abgleichen und berichten; Budget- und Creative-Entscheidungen bleiben beim Buyer.

• Erlauben Sie autonome Aktionen nur, wenn sie dringend, vorab definiert und umkehrbar sind, etwa eine nächtliche Pause. Metas eigene Anzeigenregeln können Anzeigen nach Zeitplan prüfen und pausieren; testen Sie diese, bevor Sie einen eigenen Agenten bauen.

• Testen Sie jeden Agenten in einem gedeckelten Arm mit schriftlichem Stop-Loss, bevor er echte Skalierung berührt, und vergleichen Sie ihn mit einem vom Buyer geführten Arm mit denselben Creatives.

• Prüfen Sie jede infrage kommende Aufgabe anhand der fünf Fragen oben, besonders der Kosten und Umkehrbarkeit eines Fehlers.

• Leiten Sie Reasoning an ein stärkeres Modell und Massensammlung an ein günstigeres, und verfolgen Sie die Token-Ausgaben monatlich.

• Bevor Sie einen Agenten mit Ihrem Werbekonto verbinden, lesen Sie, was der Meta Ads MCP kann und was nicht.

Häufige Fragen

Kann KI einen Media Buyer ersetzen?

In diesem Fall nicht. Der autonome Bot gab etwa 1.000 $ seines Budgets von 5.000 $ aus und schaltete alles ab, bevor er genug Daten hatte. Der CEO folgerte, dass der Bot ein Helfer ist, kein Ersatz, und gab ihm eine einzige autonome Aufgabe: unprofitable Kampagnen über Nacht zu pausieren.

Welche Aufgaben kann man einem KI-Agenten im Media Buying gefahrlos übertragen?

Repetitive, umkehrbare und zeitkritische: Reports, Datensammlung aus Partner-Chats, Tracker-Abgleich und nächtliche Pausen. Die Agentur fragt außerdem, ob jede Aufgabe Geld spart, wie oft sie anfällt, ob der Prozess stabil ist und was ein Fehler kosten würde.

Was kostet der Einsatz von KI-Agenten für ein Media-Buying-Team?

Die Agentur meldete in der Spitze etwa 3.500 $ im Monat für KI, mit sinkender Tendenz, und etwa 20 $ an Tokens, um eine einfache Aufgabe in ein Skript zu verwandeln. Das sind ihre eigenen Zahlen, und sie wurden nicht unabhängig geprüft.

Kann KI Werbe-Creatives so gut erstellen wie ein Designer?

Bei Bildern lieferte sie mit guten Referenzen akzeptable Ergebnisse. Bei Videos von mehr als ein paar Sekunden konnte KI laut Agentur von Designern erstellte Clips in großem Volumen nicht erreichen, daher produzieren diese weiterhin Menschen.

Quellen

• Google AI for Developers, Gemini API image generation (Nano Banana)

• Anthropic, Claude models overview

• n8n, n8n documentation

• Meta for Developers, Ad Rules Engine

• Meta for Developers, Ad rules execution spec

Die Zahlen der Fallstudie nannte der CEO von Wildo Agency 2026 auf einer Branchenkonferenz; AffHouse hat sie nicht unabhängig geprüft.