Agentic AI bei Amazon Ads: Was Ads Agent & Co. wirklich können – und wo die Grenze der Plattform liegt

Amazon treibt seine Ads-Plattform aktuell konsequent in Richtung Agentic AI. Auf der unBoxed-Konferenz im November 2025 stellte Amazon Ads mit dem Ads Agent ein System vor, das Kampagnensteuerung per natürlicher Sprache erlaubt — von der Pacing-Anpassung über hunderte Kampagnen bis zu automatisch generierten SQL-Abfragen für die Amazon Marketing Cloud. Kurz danach folgte der Creative Agent, der komplette Werbemittel von der Idee bis zum fertigen Video produziert.

Die Zahlen dahinter sind kein Marketing-Bluff. Amazon Ads selbst nennt für den Ads Agent, dass 65% der Beta-Werbetreibenden bei Kampagnen-Targeting-Empfehlungen eine verbesserte Ausspielung sahen, mit durchschnittlich 18% niedrigeren CPMs und 16% niedrigeren CPAs. Der Creative Agent wiederum verspricht professionelle Werbemittel in Stunden statt Wochen — und ohne die sonst üblichen Produktionskosten im fünfstelligen Bereich. Das ist ein echter operativer Fortschritt, den man als Agentur oder Seller nicht kleinreden sollte.

Konkret automatisiert der Ads Agent drei Dinge: Pacing- und Bid-Anpassungen über hunderte Kampagnen gleichzeitig, den Aufbau kompletter Kampagnenstrukturen aus hochgeladenen Mediaplänen und die Analyse tausender Zielgruppensegmente zur Targeting-Empfehlung. Anfragen wie „pausiere alle Kampagnen mit einem ROAS unter 2" werden direkt in Aktionen übersetzt, ohne manuelles Klicken durch Kampagnen-Ebenen.

Der Creative Agent übernimmt Produktrecherche, Storyboarding und die Produktion von Video- und Display-Anzeigen inklusive Animation, Musik und Voiceover — Aufgaben, die bislang externe Agenturen und mehrere Wochen Vorlauf brauchten.

Das sind reale operative Zeitersparnisse — Setup und Exekution werden schneller, nicht die strategische Entscheidung dahinter. Wohin ein Produkt skalieren soll, wo bewusst mit Verlust Ranking aufgebaut wird, welches Budget ein neues Produkt gegenüber einem etablierten Cashcow-Produkt verdient: Das entscheidet weiterhin ein Mensch, der Agent führt es nur schneller aus.

ACOS und TACOS sind Umsatz-Metriken, keine Profit-Metriken. Sie messen, wie effizient Werbebudget beworbenen beziehungsweise Gesamtumsatz erzeugt — nicht, ob am Ende Geld verdient wurde. Ein Kanal kann einen starken ACOS ausweisen und trotzdem auf jeder Bestellung Marge verlieren.

Der Grund liegt in der Datenarchitektur, nicht in böser Absicht: FBA-Gebühren, Preisverfall durch nicht autorisierte Verkäufer unterhalb der MAP, COGS-Abweichungen je ASIN und Lagerkosten tauchen in keinem ACOS-Report auf — aber jeden Monat auf der P&L. Der Break-even-ACOS ist letztlich nichts anderes als die Marge vor Werbung; ohne diesen Bezugswert bleibt ACOS eine Zahl ohne wirtschaftlichen Kontext.

Amazon hat diese Margen-Daten strukturell nicht, weil kaum ein Händler Einkaufspreise, Retourenquoten oder Lagerkosten je in ein Amazon-System einpflegt. Das ist keine Unterstellung an die Plattform, sondern eine Beschreibung dessen, was im System überhaupt vorliegt.

Ein Rechenbeispiel macht den Unterschied greifbar: Produkt A und Produkt B erzielen beide 10.000 € Umsatz bei 1.800 € Werbekosten — macht bei beiden exakt 18% ACOS. Produkt A hat eine Marge vor Werbung von 42%, bleibt nach Werbekosten also mit 2.400 € Gewinn deutlich profitabel. Produkt B liegt bei 12% Marge vor Werbung — nach denselben 1.800 € Werbekosten steht ein Minus von 600 €. Gleicher ACOS, entgegengesetzte Handlungsempfehlung.

Solange ein Mensch die Kampagnen steuert, fällt der Unterschied zwischen Produkt A und B irgendwann auf — spätestens beim Blick in die Gewinn-und-Verlust-Rechnung. Ein Agent, der ausschließlich auf ACOS oder CPA optimiert, hat diesen Kontext nicht: Er behandelt beide Produkte identisch, weil sie auf seiner Metrik identisch aussehen.

Das eigentliche Risiko ist Geschwindigkeit und Maßstab. Ein Agent trifft dieselbe Fehlentscheidung nicht einmal pro Woche, sondern kontinuierlich über hunderte Kampagnen und tausende Keywords hinweg. Automatisierung verstärkt eine falsche Metrik nicht neutral — sie skaliert den Fehler.

Für Seller, die ihr PPC selbst steuern oder mit einer Agentur zusammenarbeiten, ist das ein sofort nachvollziehbares technisches Argument: Bevor ein Agent Budget verschieben darf, muss klar sein, auf welcher Zahl er das tut.

Die Antwort ist nicht, KI-Agenten zu meiden — sondern ihre Datengrundlage zu korrigieren. Ein Agent ist nur so gut wie die Zahl, auf die er optimiert.

Das bedeutet konkret: ein Profit-Layer als Fundament, in dem COGS, Gebühren, Retouren und Lagerkosten je SKU beziehungsweise ASIN hinterlegt sind. Regelwerke und Automatisierung setzen dann auf dieser Basis auf — nicht auf Rohumsatz oder ACOS allein.

Strategische Entscheidungen bleiben dabei bewusst menschlich verankert: Wohin darf ein Produkt skalieren, wo wird kurzfristig Verlust für Ranking oder Marktanteil in Kauf genommen, welches neue Produkt bekommt mehr Budgetspielraum, als sein aktueller Profit hergibt. Automatisiert wird die Ausführung dieser Entscheidungen, nicht die Entscheidung selbst.

Amazons Agenten sind exzellent für Exekution und Zeitersparnis auf Auktionsebene — Pacing, Targeting, Kreativproduktion. Das ist kein Widerspruch zu einer profitbasierten Steuerung, sondern deren notwendige Ergänzung.

Die strategische Frage, wohin mehr oder weniger Geld fließen soll, bleibt eine Ebene, die eine echte Profit-Datenbasis braucht — eine Basis, die die Plattform strukturell nicht hat, weil sie dort nie eingepflegt wird. Amazon optimiert die Auktion. Wer das Geschäft steuert, optimiert etwas anderes. Beides zusammen, nicht das eine gegen das andere, ist die eigentliche Zukunft.

Genau an dieser Schnittstelle setzen wir bei unseren Kunden an: Ein Profit-Layer in Sellerflow bildet die Marge je Produkt ab, PPC Butler setzt Regelwerke und Automatisierung erst auf dieser Basis auf. Amazons Agenten und dieser Ansatz schließen sich nicht aus — sie arbeiten auf unterschiedlichen Ebenen desselben Problems.