Die eigentliche Arbeit eines Growth-Teams ist selten die Kampagne selbst. Es ist der Kreislauf um die Kampagne herum: die Annahme darüber, wer reagieren wird, der Test, der sie bestätigt oder widerlegt, die Diskussion darüber, welcher Kanal die Conversion erzielt hat, und das Budget, das am Montagmorgen umgeschichtet wird. Der größte Teil dieses Kreislaufs findet noch immer in Tabellen, Dashboards und Meetings statt – langsam und von Hand.
Cohenta ist die Maschine, die Thyn entwickelt, um diesen Kreislauf zu schließen. Es ist ein Ansatz zur KI-Marketingautomatisierung, bei dem Wachstum als kontinuierliches Experiment läuft – betrieben von Agenten unter Policy, nicht von Menschen, die Reports aktualisieren. Cohenta ist früh – in aktiver Entwicklung, noch nicht ausgeliefert – daher ist dies eine Beschreibung dessen, wofür es gebaut wird.
Das Dashboard ist nicht das System
Ein Dashboard zeigt, was passiert ist. Es entscheidet nicht, was als Nächstes zu tun ist, und es handelt nie. So wird das Dashboard zu einem Ort, an dem Menschen Zahlen in Maßnahmen übersetzen – eine manuelle Relaisstation zwischen Beobachtung und Entscheidung.
Die meisten Marketing-Tools befinden sich auf der Beobachtungsseite dieser Lücke. Sie berichten, segmentieren und visualisieren – und geben das Urteil dann an einen Menschen zurück. Das Langsame war nie die Darstellung; es war der Mensch in der Mitte, der Kanäle abglich und Budgets neu entschied.
Die Prämisse hinter Cohenta ist, dass der Kreislauf selbst das Produkt sein sollte. Wahrnehmen, entscheiden und handeln gehören in ein System – mit Menschen, die die Grenzen setzen, statt jeden Schritt auszuführen. Das ist der Unterschied zwischen einer Reporting-Schicht und einer KI-gestützten Marketingautomatisierung, die tatsächlich etwas bewegt.
Marketing ist ein Experiment, das nie endet. Die Arbeit besteht darin, den Kreislauf zu betreiben – nicht das Diagramm zu lesen.
Der Cohenta-Kreislauf
Cohenta ist um einen einzigen Zyklus herum konzipiert, der sich kontinuierlich wiederholt. Jede Runde durchläuft dieselben vier Schritte – und jeder Schritt ist ein Ort, an dem ein Agent Arbeit übernimmt, die ein Team sonst von Hand erledigen würde.
- Hypothetisieren. Eine prüfbare Annahme formulieren – ein Segment, ein Angebot, eine Botschaft, ein Kanal-Mix – mit der Kennzahl, die sie bestätigen oder widerlegen würde.
- Experimentieren. Den Test als kontrolliertes Experiment starten, mit Holdouts und Exposure-Regeln, die vorab definiert statt nachträglich rekonstruiert werden.
- Attribuieren. Ermitteln, welcher Kontaktpunkt das Signal tatsächlich erzeugt hat – die Kanäle, die eine Conversion verdient haben, von denen trennen, die lediglich danebenstanden.
- Optimieren. Budget und Creative in Richtung des Erfolgreichen verschieben, das Erfolglose einstellen und das Ergebnis als nächste Hypothese zurückspeisen.
Der vierte Schritt ist der erste Schritt der nächsten Runde. Diese Geschlossenheit ist der eigentliche Punkt: Das System bleibt nicht bei einer Empfehlung stehen – es handelt danach, misst die Konsequenz und schlägt den nächsten Schritt vor. Autonomes Wachstum ist das, was dieser Kreislauf erzeugt, wenn er läuft, ohne darauf zu warten, dass ein Mensch eine Zahl von einem Tab in einen anderen kopiert.
KI-Marketingautomatisierung, betrieben von Agenten unter Policy
Der Kreislauf wird von KI-Marketing-Agenten betrieben – Komponenten, die einen Schritt verantworten, statt ihn zu kommentieren. Ein Agent schlägt Hypothesen aus früheren Ergebnissen vor. Ein anderer konfiguriert und startet Experimente. Ein weiterer löst die Attribution auf. Ein anderer verteilt das Budget innerhalb definierter Grenzen um.
Was das vor Leichtsinn bewahrt, ist Policy. Policy ist die explizite Grenze, innerhalb derer die Agenten operieren: maximale Tagesausgaben, Marken und Aussagen, die niemals erscheinen dürfen, gesperrte Zielgruppen, die Mindestmenge an Belegen, die vor einer Änderung am Live-Budget erforderlich ist. Menschen schreiben die Policy; die Agenten handeln innerhalb davon.
Das ist die Umkehrung, um die Cohenta gebaut ist. Statt dass ein Mensch jede Maßnahme entscheidet und ein Tool lediglich Tastenanschläge ausführt, entscheiden und handeln die Agenten – während der Mensch die Regeln festlegt. Der Mensch rückt eine Ebene nach oben: vom Operator zum Gesetzgeber – genau dort, wo sein Urteilsvermögen tatsächlich Wirkung entfaltet.
Simulation vor dem Ausgeben
Live-Experimente kosten echtes Geld und echte Aufmerksamkeit – und manche Hypothesen sind es nicht wert, am Markt getestet zu werden. Bevor Cohenta Budget einsetzt, wird es so entwickelt, dass es simuliert: den wahrscheinlichen Ergebnisbereich eines vorgeschlagenen Experiments schätzt und jene aussortiert, die bereits auf dem Papier scheitern.
Simulation leistet zweierlei. Sie reduziert die Menge der Live-Tests auf jene, die es wert sind, durchgeführt zu werden – sodass sich Ausgaben dort konzentrieren, wo echte Unsicherheit besteht. Und sie gibt dem Optimierungsschritt einen Prior: ein Modell des erwarteten Verhaltens, mit dem das reale Ergebnis verglichen wird – sodass ein überraschendes Ergebnis als solches erkannt wird.
Das ist der Unterschied zwischen disziplinierter Automatisierung und einem System, das Budget schlicht schneller verbrennt. Geschwindigkeit ohne ein Modell der erwarteten Kosten ist nur ein teurer Weg, falsch zu liegen. Die Simulationsschicht ist die Korrektheitsprüfung, die das Recht verdient, schnell zu handeln.
Content als System, nicht als Rückstand
Experimente brauchen Material – Botschaften, Varianten, Landingpages, das Creative, das getestet wird. Jedes davon als Einzelaufgabe zu behandeln, ist der Grund, warum Content zum Engpass wird, der den gesamten Kreislauf blockiert.
Cohenta wird so konzipiert, dass es Content als System behandelt. Varianten werden gegen eine Hypothese generiert, durch dieselbe Policy gesteuert, die auch die Ausgaben begrenzt, und in dem Tempo produziert, in dem der Experimentierkreislauf sie verbraucht. Content-Intelligenz bedeutet hier: Der Kreislauf wird kontinuierlich gespeist – und was produziert wird, ist durch das geprägt, was der Attributionsschritt bereits als wirksam erkannt hat.
Das Ziel ist nicht mehr Content. Es ist Content, der schneller schließt – generiert, um eine spezifische Annahme zu testen, ehrlich gemessen und ersetzt, sobald eine bessere Variante bewiesen ist.
Wohin das führt
Cohenta wird noch gebaut – und diese Reihenfolge ist bewusst: Kreislauf, Policy, Simulation und Attribution müssen vertrauenswürdig sein, bevor irgendetwas davon ein Live-Budget berühren sollte. Die ersten Meilensteine zielen darauf ab, jeden Schritt in sich ehrlich zu machen – und dann den Kreislauf unter enger Policy von Anfang bis Ende laufen zu lassen. Mit der Zeit sollte dieselbe Mechanik mehr Kanäle, reichhaltigere Experimente und engere Zyklen unterstützen – der Kreislauf bleibt konstant, während seine Runden schneller werden.
Die Wette ist einfach. Unter den nächsten Generationen von KI-Marketingautomatisierungs-Tools werden die, die zählen, keine besseren Dashboards sein. Es werden Systeme sein, die das Experiment für Sie durchführen – nach Regeln, die Sie festlegen – und ihre Arbeit zeigen. Cohenta ist Thyns Versuch, eines zu bauen.