AIM Agentic-Marketing-Benchmark
Wir stellen den AIM Agentic-Marketing-Benchmark vor, der die Leistung von Agenten in drei Marketing-Workflows misst: Wettbewerbslückenanalyse, Erstellung einer ABM-Zielliste und ein personalisiertes Vertriebsdeck.
Wir haben außerdem ein separates Website-Reputationsaudit durchgeführt, bei dem Agenten die englischsprachigen Inhalte von AIMultiple untersuchten und überprüfbare Probleme in Bezug auf sachliche Genauigkeit, Zitate, Konsistenz, Aktualität, Funktionalität, Grammatik und Formatierung meldeten, die das Vertrauen der Leser untergraben könnten.
Ergebnisse des Agentic-Marketing-Benchmarks
Die Aufgabenbewertungen sind auf eine Skala von 0–100 normalisiert.
- Für die Wettbewerbsanalyse gilt: Punktzahl = 100 × MAX(0, bestätigte gefundene Lücken − falsche Lücken) / 10
- Bei der Account-Listenerstellung entspricht die Punktzahl dem Prozentsatz der 71 verfügbaren Rubrikpunkte, die das Modell erreicht hat.
- Für die Vertriebsdeck-Aufgabe ergibt sich die Punktzahl aus der Summe von 5 Abschnitten mit je 20 Punkten.
- Die Gesamtpunktzahl ist das arithmetische Mittel der Punktzahlen für Wettbewerbsanalyse, Account-Liste und Vertriebsdeck. Das Website-Reputationsaudit fließt nicht in diese Gesamtpunktzahl ein. Das Audit wird stattdessen auf eigenen Achsen berichtet und nicht als einzelne Punktzahl.
Anders als die drei normalisierten Aufgaben hat das Audit keine feste maximale Punktzahl. Daher haben wir die Ergebnisse in eine separate Auswertung aufgenommen und nicht mit dem Gesamtbenchmark kombiniert.
Lesen Sie die Methodik für weitere Informationen zur Aufgabenbewertung.
Die im Benchmark verwendeten realen Aufgaben
Diese agentischen Marketing-Workflows decken Strategie- und Inhaltsabdeckung, Wachstum, Vertriebsrecherche, personalisierte Inhaltserstellung und Qualitätssicherung der Website ab. Jeder erfordert Live-Recherche, Quellenvalidierung, regelbasiertes Urteilsvermögen und ein Ergebnis, das in einen operativen Workflow integriert werden kann.
Aufgabe 1: Wettbewerbslückenanalyse
Das Modell arbeitet als Strategieanalyst bei AIMultiple und vergleicht das Unternehmen mit einer konkurrierenden KI-Benchmarking-Plattform. Der Lauf erlaubt 90 Minuten Laufzeit und Live-Webzugriff über das Bright Data MCP, wobei die Codeausführung deaktiviert ist.
Das Ergebnis ist eine einzelne Datei mit bis zu 10 Zeilen, sortiert nach Priorität. Jede Zeile benennt ein Angebot, das der Wettbewerber veröffentlicht, AIMultiple jedoch nicht, erläutert den Unterschied in ein bis zwei Sätzen, zitiert die vom Modell geöffnete Wettbewerberseite und listet die AIMultiple-Seiten auf, die es vor der Behauptung des Fehlens geprüft hat.
Die Fehlens-Behauptung ist der schwierigere Teil jeder Feststellung. Das Identifizieren einer Funktion auf der Website des Wettbewerbers erfordert eine einzige Seite. Die Feststellung, dass AIMultiple sie nicht anbietet, erfordert die Prüfung der Kategorieseiten, Benchmarks, Artikel und der Sitemap.
Wenn AIMultiple ein benachbartes Angebot veröffentlicht, muss das Modell diese Seite nennen und angeben, was die Version des Wettbewerbers anders macht. Die Abdeckung desselben breiten Themas stellt kein gleichwertiges Angebot dar.
Wie wir die Aufgabe bewertet haben
Die Bewertung erfolgt anhand eines manuell erstellten Lösungsschlüssels: zehn Lücken, die auf beiden Websites verifiziert wurden, zusammen mit den Fehlensbehauptungen, die Live-Seiten von AIMultiple widerlegen.
Jede bestätigte Lücke bringt einen Punkt, und jede falsche Fehlensbehauptung zieht einen ab. Eine falsche Behauptung umfasst jede Zeile, deren URL erfunden, nicht erreichbar ist oder die zugehörige Behauptung nicht stützt.
Der Lösungsschlüssel enthält zehn Lücken, aber ein Modell kann eine echte finden, die nicht darin enthalten ist. Ein Prüfer liest diese Funde manuell und vergibt den Punkt, wenn die zitierte Seite das Angebot zeigt, keine Live-Seite von AIMultiple der Behauptung widerspricht und das Angebot bei AIMultiple tatsächlich fehlt.
Zwei Regeln begrenzen diese Zusatzpunkte:
- Ein Fund, der eine der bestehenden zehn Lücken mit anderen Worten wiederholt, bringt nichts Zusätzliches ein. Er wird stattdessen unter der aufgeführten Lücke angerechnet.
- Ein Fund, der die Überprüfung nicht besteht, kostet einen Punkt. Wenn AIMultiple das Angebot veröffentlicht oder der Wettbewerber es nicht hat, erhält die Zeile null Punkte – dieselbe Strafe wie bei jeder anderen falschen Behauptung.
Dadurch wird verhindert, dass der Lösungsschlüssel einen Fund bestraft, den die Analysten nicht erfasst haben, während spekulativen Behauptungen keine Punkte gutgeschrieben werden.
Als letzten Teil der Bewertung führt der Prüfer Linkprüfungen durch. Linkprüfungen folgen Weiterleitungen und bewerten das endgültige Ziel, sodass ein 301 allein eine Zeile nicht scheitern lässt. Ein falscher Dateiname, fehlende oder neu angeordnete Spalten, eine Zeilenanzahl außerhalb von eins bis zehn, eine Priorität außerhalb von 1 bis 10, eine Beleg-URL auf der falschen Domäne oder in falscher Reihenfolge stehende Zeilen machen den Lauf ungültig, und ein ungültiger Lauf erhält keine numerische Punktzahl.
Aufgabe 2: Erstellung einer Best-Fit-Account-Liste
Das Modell handelt als Growth-Marketer, der eine Account-basierte Marketingliste für AIMultiple erstellt.
Die Arbeit beginnt mit einer Coverage-Map der Live-Seiten von AIMultiple. Der Agent erfasst Kategorieseiten, Benchmarks und Anbietervergleichsseiten sowie Anbieter, die in Artikeltexten und in Sponsorenangaben erwähnt werden.
Anschließend erstellt es eine priorisierte Liste von 100 Accounts. Jedes Unternehmen muss ein B2B-Technologieanbieter mit einem Jahresumsatz zwischen 100 Millionen und 1 Milliarde US-Dollar sein, seinen Hauptsitz in den USA, Europa oder Israel haben und in einer von AIMultiple abgedeckten Kategorie aktiv sein. Das Unternehmen benötigt außerdem ein aktuelles Growth-Marketing-Signal und mindestens eine AIMultiple-Seite, auf der es eine echte kommerzielle Chance darstellt.
Die Account-Datei erfasst die Domain des Unternehmens, die LinkedIn-Seite, den Hauptsitz, die Kategorie, den Umsatz und die Quelle, die Mitarbeiterzahl, das Gründungsjahr, den Finanzierungs- oder Eigentumsstatus, relevante AIMultiple-Seiten, das Marketingsignal und den Fit-Score.
Muttergesellschaften und Tochtergesellschaften können nicht beide für dieselbe Anbieterchance erscheinen. Die Regeln schließen außerdem Dienstleistungsunternehmen, Verbraucherunternehmen, Analysten- oder Bewertungsunternehmen sowie Kandidaten aus, die Umsatz- oder Hauptsitzanforderungen nicht erfüllen.
Wie wir die Aufgabe bewertet haben
Die Rubrik enthält 71 Punkte in sieben Abschnitten. Der Abschnitt zur Coverage-Map prüft, ob das Modell mindestens 30 Live-Seiten von AIMultiple geprüft und jeden erforderlichen Seitentyp einbezogen hat. Prüfer ziehen eine Stichprobe von Zeilen, um zu bestätigen, dass die genannten Anbieter und Sponsorenangaben mit den Live-Seiten übereinstimmen.
Der Abschnitt zur Account-Datei verlangt genau 100 unterschiedliche Domains, die vorgegebenen Spalten, akzeptierte Klassifikationen, absteigende Fit-Scores und vollständige Nachweisfelder. Eine feste Stichprobe von 20 Accounts wird anschließend für detaillierte Prüfungen verwendet, die Umsatz, LinkedIn-Identität, tatsächlichen Hauptsitz, Kategorie-Passung, Growth-Marketing-Nachweise und den Status als B2B-Anbieter umfassen.
Weitere Abschnitte testen, ob die vorgeschlagenen Seiten echte Gelegenheiten sind, bestrafen disqualifizierte oder erfundene Accounts, belohnen die Aufnahme verifizierter Unternehmen mit hohem Fit und prüfen, ob die Modelle bekannte Beinahe-Fehler vermeiden.
Eine fehlende Account-Datei, falsche Spalten oder eine beliebige Zeilenanzahl außer 100 macht den Lauf ungültig.
Aufgabe 3: Personalisiertes Vertriebsdeck
Hinweis: Wir haben Kimi K3 und Gemini 3.5 Flash ausgeschlossen, weil beide Zugriff auf ein Verzeichnis außerhalb ihres Arbeitsordners angefordert haben; die Testumgebung lehnte die Anfrage automatisch ab, und beide Läufe endeten dort. Keiner erzeugte ein Deck, und keiner scheiterte an der Aufgabe, da nichts, was sie erzeugten, bewertet wurde. Eine Null würde ein Infrastrukturproblem in der Bilanz des Modells festhalten, daher sind beide als nicht ausgeführt markiert und vom Durchschnitt ausgeschlossen.
Das Modell arbeitet als Pre-Sales-Analyst bei AIMultiple und erstellt ein Pitch-Deck für eine leitende Produktmarketing-Führungskraft. Der Lauf umfasst 90 Minuten, Live-Webzugriff über das Bright Data MCP, Codeausführung und einen Ordner mit Markenressourcen, der Logos und Schriftarten enthält.
Der größte Teil der Recherche betrifft die Führungskraft und nicht das Unternehmen. Diese Führungskraft leitet das Marketing für eine einzelne Produktlinie und hat öffentlich erklärt, worauf es bei der Beurteilung von Hardware ankommt: wie viele Tokens ein Dollar kauft, ob ein unabhängiger Dritter die Zahlen geprüft hat und ob der Test einer echten Arbeitslast oder einer Demo ähnelte.
Ein weiteres wiederkehrendes Argument ist, dass ein Rack eine fairere Vergleichseinheit ist als ein Chip. Da diese Argumente öffentlich sind und in Interviews, Konferenzvorträgen und Posts zu finden sind, besteht die Aufgabe darin, sie zu lesen und dann die AIMultiple-Benchmarks zu finden, die sie beantworten. Ein Deck kann in Bezug auf AIMultiple korrekt sein und die Person dennoch völlig verfehlen, und das ist die Version, die schlecht abschneidet.
Hier sind einige Ausgaben von Fable 5, Gemini 3-1 Pro-Preview und GPT 5.6 Sol:
Wie wir die Aufgabe bewertet haben
Das Deck wird in fünf Aspekten bewertet, die jeweils 20 Punkte wert sind: ob es der visuellen Identität von AIMultiple folgt, ob es die richtigen Benchmarks zitiert, ob es nützliche nächste Schritte vorschlägt, ob es erklärt, welchen Wert AIMultiple für den Empfänger hat, und ob die Folien klar sind. Jeder der fünf Aspekte gliedert sich in kleine Prüfungen mit festen Antworten.
Die visuelle Identität ist der einzige Teil, den ein Modell ohne Recherche richtig machen kann. Die Logodateien, der Hex-Wert der Akzentfarbe, die Textfarben, die Schriftart und die Schreibweise des Unternehmensnamens sind entweder korrekt oder nicht. Ein Deck in Calibri verliert beispielsweise die Punkte.
Der zweite Teil bewertet, worauf das Deck heute verweist. AIMultiple veröffentlicht viele Artikel über Hardware, und einige davon testen die Art von Chips, die diese Person verkauft. Daher gehen die Punkte an ein Deck, das Studien über Rechenzentrums-GPU-Studien zitiert, und nicht an die Hardware-Seiten, die zuerst auftauchen.
Der dritte Abschnitt betrifft die Arbeit, die AIMultiple als Nächstes tun könnte. Ein Vorschlag zählt hier, wenn er die Studie und die Zahl nennt, die sie hervorbringen würde. Zum Beispiel bringt das erneute Ausführen eines bestehenden Vergleichs auf den diesjährigen Chips oder das Hinzufügen der Hardware des Unternehmens zu einem Benchmark, der sie derzeit ausschließt, einen Punkt. Der Vorschlag, dass sich die beiden Unternehmen gemeinsam die Inference-Leistung ansehen, nennt dagegen weder eine Studie noch eine Messung und bringt daher keine Punkte.
Der vierte Teil betrifft den Wert, den AIMultiple für den Empfänger hat. Punkte werden für drei Aussagen vergeben, nämlich:
- AIMultiple ist unabhängig
- Seine Leserschaft hat eine genannte Größe, die durch eine benannte Quelle belegt ist
- Diese Leserschaft dient einem bestimmten Zweck für das Geschäft des Empfängers, etwa dem Erreichen von Käufern in der Shortlist-Phase
Ein Deck, das auflistet, was AIMultiple veröffentlicht, ohne eine Verbindung zu den Produkten des Empfängers herzustellen, erhält keine Punkte.
Der fünfte Teil betrifft die Lesbarkeit des Decks. Zwei Prüfungen sind wichtiger als die übrigen: Überschriften müssen eine Kernaussage formulieren und nicht nur die Folie beschriften, und Zahlen müssen ausweisen, woher sie stammen, wobei die Zahlen des Unternehmens getrennt von den eigenen Messungen von AIMultiple gehalten werden. Der Rest ist mechanisch, etwa die Bewertung der Folienzahl, von Textüberlauf, Diagrammbeschriftungen und Füllmaterial.
Vier der fünf Teile sind außerdem mit Strafen verbunden. Ein erfundener Benchmark, eine erfundene Zahl, ein toter Link oder die Darstellung einer eigenen Marketingbehauptung des Unternehmens als Messung von AIMultiple kostet Punkte. Das Versprechen günstiger Ergebnisse, einer bevorzugten Platzierung oder einer Überprüfung vor der Veröffentlichung kostet ebenfalls Punkte, da AIMultiple nichts davon anbietet. Das Deck muss überzeugen, ohne Belege zu erfinden und ohne etwas anzubieten, das Unternehmen nicht verkauft.
Aufgabe 4: Website-Reputationsaudit
Das Modell handelt als Prüfer für Website-Qualität und -Reputation für AIMultiple. Der Lauf erlaubt 120 Minuten, Live-Webzugriff über das Bright Data MCP und Codeausführung.
Der Agent beginnt damit, die Beitrags-Sitemap von AIMultiple abzurufen und URLs mit deutschen, spanischen, französischen, italienischen, portugiesischen oder türkischen Sprachpräfixen auszuschließen. Er muss mindestens 100 verbleibende englischsprachige URLs untersuchen.
Für jede Seite sucht der Agent nach Problemen, die Glaubwürdigkeit von AIMultiple beschädigen könnten. Dazu gehören unter anderem inkonsistente Informationen über mehrere Seiten, kaputte Links, veraltete Behauptungen, sachliche Fehler, schlechte Grammatik oder Formatierung, fehlende Zitate, irreführende Behauptungen, fehlerhafte Funktionalität und allgemeiner KI-generierter Fülltext.
Das Ergebnis ist eine Datei Results.csv mit nicht mehr als 50 Zeilen. Jede Zeile muss ein eindeutiges, dedupliziertes Problem beschreiben und alle URLs zusammenfassen, bei denen dieses Problem auftritt.
Jede Zeile enthält:
- die Problem-ID;
- die Priorität;
- den Schweregrad;
- die Anzahl der betroffenen URLs;
- die betroffenen URLs;
- den exakten zitierten Beleg;
- eine Erklärung des Reputationsproblems;
- und eine empfohlene Lösung.
Die Datei muss nach Priorität von der höchsten zur niedrigsten sortiert sein.
Wie wir die Aufgabe bewertet haben
Die Priorität wird berechnet als: Priorität = Schweregrad × Anzahl der betroffenen URLs
Der Schweregrad verwendet vier Stufen:
- 4: Sachliche Fehler, fehlerhafte Funktionalität oder andere Probleme, die einen erheblichen Reputationsschaden verursachen können.
- 3: Seitenübergreifende Inkonsistenzen, veraltete Informationen, fehlende Quellen, kaputte Links oder Fülltext im KI-Stil.
- 2: Größere Grammatik- oder Formatierungsprobleme.
- 1: Kleinere Grammatik-, Formatierungs- oder Stilprobleme, die Lesbarkeit nicht beeinträchtigen.
Eine Zeile zählt, wenn jede zutreffende Prüfung bestanden wird. Deterministische Skripte laufen zuerst. Sie prüfen die Struktur der Datei und die interne Konsistenz jeder Zeile und gleichen jeden Beleg einer Zeile mit der Seite ab, der er zugeordnet ist.
Ein Gremium aus Modellen von drei Anbietern überprüft anschließend die Zeilen, die Skripte behalten haben. Das Gremium arbeitet mit einer datierten Kopie jeder Seite und nicht mit der Live-Website, sodass ein Fehler, den die Website inzwischen behoben hat, nicht dem Modell angelastet wird, das ihn gefunden hat.
Zuletzt wird die gesamte Einreichung auf doppelte Funde und Probleme geprüft, die zu allgemein sind, um überprüft zu werden. Zum Beispiel ist „Zitationsprobleme“ zu allgemein für eine Zeile, während „kaputte Zitationslinks“ ein hinreichend spezifisches Problem ist.
Das Audit berichtet, wie viele Zeilen eines Modells die Überprüfung überstanden haben, zusammen mit dem Anteil der eingereichten Zeilen, die überstanden haben. Ein Modell, das eine ungültige Datei oder keine gültigen Datenzeilen einreicht, wird als „hat nichts geliefert“ erfasst. Unten sehen Sie, wie jedes Modell abgeschnitten hat:
Methodik des Agentic-Marketing-Benchmarks
Wir haben den ursprünglichen Benchmark aus drei Workflows aufgebaut, die von unseren Strategie-, Wachstums- und Vertriebsteams verwendet werden. Anschließend haben wir ein Website-Reputationsaudit hinzugefügt, das die Qualitätssicherung von Inhalten und die redaktionelle Governance abbildet.
Die Wettbewerbsanalyse-Aufgabe unterstützt Entscheidungen über Produktabdeckung, Inhaltsprioritäten und Positionierung. Die Account-Listen-Aufgabe unterstützt Account-basiertes Marketing und Vertriebsrecherche. Das Vertriebsdeck unterstützt die Pre-Sales-Ansprache: Auswahl eines Interessenten, Bestimmung der relevanten veröffentlichten Benchmarks und Erstellung des Dokuments.
Das Website-Reputationsaudit unterstützt die Pflege von Inhalten und Vertrauen. Es identifiziert kaputte Belege, veraltete Informationen, seitenübergreifende Inkonsistenzen, sachliche Probleme, Funktionsausfälle und redaktionelle Mängel.
Für jeden Workflow haben wir eine Aufgabendatei erstellt, die Folgendes definiert:
- die Rolle des Modells
- verfügbare Tools
- Nachweisanforderungen
- Qualifikationsregeln
- erforderliche Ergebnisse
- Zeitlimit
Wir haben die Aufgaben rund um unsere eigenen Seiten und kommerziellen Workflows konzipiert, und unsere Daten sind Teil des Lösungsschlüssels. Dadurch lassen sich die Belege leichter überprüfen, auch wenn dies einschränkt, wie allgemein die Ergebnisse auf andere Unternehmen und Marketingumgebungen übertragbar sind.
Aufgabenanweisungen und Bewertungsrubriken
Für die Wettbewerbsanalyse konnten die Modelle über das Bright Data MCP im Live-Web recherchieren. Wir haben die Codeausführung deaktiviert und ein Limit von 90 Minuten festgelegt.
Für die Erstellung der Account-Liste nutzten die Modelle denselben Webzugriff, wobei die Codeausführung aktiviert war. Wir erlaubten bis zu 240 Minuten, da die Aufgabe zwei Ausgabedateien und 100 qualifizierte Accounts erforderte.
Für die Erstellung des Vertriebsdecks aktivierten wir denselben Webzugriff mit Codeausführung. Die Dauer betrug 90 Minuten, mit einem Ordner mit Markenressourcen im Arbeitsverzeichnis.
Für das Website-Reputationsaudit nutzten die Modelle Live-Webzugriff über das Bright Data MCP mit aktivierter Codeausführung. Wir erlaubten bis zu 120 Minuten, da die Aufgabe das Crawlen und Analysieren von mindestens 100 Seiten erforderte. Das verlangte Ergebnis war eine einzelne CSV-Datei mit nicht mehr als 50 deduplizierten Problemgruppen.
Wir gaben jedem Modell die Aufgabenanweisungen und das Ausgabeschema, hielten die Bewertungsrubrik jedoch verborgen.
Modelle mussten aktuelle Quellen verwenden
Alle vier Workflows hängen von Informationen ab, die sich ändern können. Dazu gehören Website-Angebote, Benchmark-Bestände, Produktseiten, Unternehmensumsätze, Hauptsitze, Eigentumsverhältnisse, Sponsorenangaben, Marketingaktivitäten, öffentliche Aussagen, Artikelinhalte, Zitate und Linkziele.
Wir werteten eine URL, wenn sie auflöste und die mit ihr verbundene Behauptung stützte. Eine Unternehmens-Homepage kann keine bestimmte Umsatzzahl stützen, und eine Seite mit einer ähnlichen Formulierung kann einen Auditfund nicht stützen, es sei denn, das eingereichte Zitat und der beschriebene Mangel sind vorhanden.
Die Lösungsschlüssel für die Wettbewerbsanalyse- und Account-Listen-Aufgaben wurden zuletzt am 7. Juli 2026 überprüft. Die Vertriebsdeck-Rubrik wurde am 25. Juli 2026 überprüft, und die Decks wurden am folgenden Tag bewertet.
Das Website-Reputationsaudit verwendete keine feste Liste erwarteter Probleme. Jeder eingereichte Fund wurde zum Zeitpunkt der Bewertung mit den Live-Seiten von AIMultiple abgeglichen. Dies ist notwendig, da die Website kontinuierlich aktualisiert wird und ein Problem, das während eines Laufs bestand, später behoben sein kann.
Ergebnisse wurden für den operativen Einsatz konzipiert
Die Aufgaben zur Wettbewerbsanalyse, Account-Liste und Website-Reputation erfordern CSV-Dateien mit festen Spalten und atomaren Zellen. Dadurch können wir automatisch auf fehlende Felder, Duplikate, nicht unterstützte Domains, falsche Zeilenanzahlen, fehlerhafte Werte, Rechenfehler und Sortierprobleme prüfen.
Die Vertriebsdeck-Aufgabe erfordert eine PowerPoint-Datei im Format 16:9, die sich ohne Reparaturaufforderung öffnet.
Wettbewerbsanalysen und Account-Listen können in Tabellenkalkulationen, CRM-Workflows und Automatisierungstools übernommen werden. Das Ergebnis des Reputationsaudits kann in einen redaktionellen oder technischen Issue-Tracker übernommen werden. Das Deck kann nach der Prüfung an einen Interessenten gesendet werden.
Eine strukturell ungültige Datei blockiert den nächsten operativen Schritt, selbst wenn ein Teil der darin enthaltenen Recherche nützlich ist. Aus diesem Grund sind Dateiübermittlung und Schema-Konformität Teil des Benchmarks und keine administrativen Anforderungen außerhalb davon.
Wir berichten Einzellauf-Ergebnisse ohne Varianz
Die Ergebnisse enthalten eine gemeldete Punktzahl pro Modell. Wir berichten derzeit keine wiederholten Läufe, Seeds, Konfidenzintervalle oder Fehlerbalken.
Leser sollten daher kleine Punktzahlunterschiede mit Vorsicht behandeln. In der Wettbewerbsanalyse verändert eine zusätzliche netto korrekte Lücke die Punktzahl um zehn Punkte. Bei der Erstellung der Account-Liste können einige wenige Stichprobenzeilen bestimmen, ob ein gesamtes schwellenbasiertes Kriterium bestanden wird.
Wir kombinierten deterministische Prüfungen mit einem LLM-Richter
Deterministische Skripte übernahmen alles, was Software direkt klären kann: Dateiexistenz, CSV-Parsing, Spaltenreihenfolge, Zeilenanzahlen, zulässige Werte, URL-Domains, Duplikate, Sortierung und beim Deck Archivintegrität, Foliengrößen und Schriftartdeklarationen. Die Skripte riefen außerdem jede zitierte URL ab, folgten Weiterleitungen und übergaben den aufgelösten Seiteninhalt an den Richter.
Ein LLM-Richter bewertete die semantischen Kriterien Zeile für Zeile, Lücke für Lücke oder Kriterium für Kriterium anhand von Bestehen-oder-Nichtbestehen-Regeln und vergab niemals eine allgemeine Qualitätsbewertung. Unsere Analysten erstellten die Lösungsschlüssel, und der Richter wandte sie an.
Die Wettbewerbsanalyse umfasst einen zusätzlichen menschlichen Schritt. Ein Modell kann eine echte Lücke melden, die der Schlüssel nicht auflistet; solche Funde gehen an einen Analysten, der sie nach Prüfung beider Websites anrechnet.
Zitieren Sie diesen Benchmark
Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.
@misc{ermut2026,
author = {Ermut, Sıla and Kalelioğlu, Berk},
title = {{AIM Agentic-Marketing-Benchmark}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/agentic-marketing}},
note = {AIMultiple. Abgerufen am 5. August 2026}
}Ergebnisse und Zeitstempel von 22 Datenpunkten. Laden Sie die Zusammenfassungsdaten aus den Diagrammen und Tabellen dieses Artikels als ZIP-Datei herunter, die 2 CSV-Dateien und eine README enthält.
Möchten Sie die granularen Daten dahinter? Premium beitreten
Änderungsprotokoll
4 AktualisierungenEine Website-Reputationsprüfungsaufgabe wurde zum Benchmark hinzugefügt.
Eine Website-Reputationsprüfung wurde der Benchmark-Methodik hinzugefügt.
Eine personalisierte Verkaufspräsentation als Aufgabe zum Benchmark hinzugefügt.
Einen Sales-Deck-Workflow zur Methodik des Agentic-Marketing-Benchmarks hinzugefügt.
Zuvor arbeitete sie als Personalvermittlerin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.