AIM Agentic-Marketing-Benchmark
Wir stellen den AIM Agentic-Marketing-Benchmark vor, der die Agentenleistung in drei Marketing-Workflows misst: Wettbewerbslückenanalyse, ABM-Zielkontenlistenerstellung und personalisierte Verkaufspräsentation.
Wir haben die Leistung von 11 Modellen in drei realen Aufgaben getestet und die End-to-End-Ausführungsleistung gemessen:
Ergebnisse des Agentic-Marketing-Benchmarks
Die Aufgabenergebnisse werden auf eine Skala von 0–100 normalisiert.
- Für die Wettbewerbsanalyse entspricht die Punktzahl: 100 × MAX(0, gefundene verifizierte Lücken − falsche Lücken) / 10
- Für die Erstellung der Kontenliste ist die Punktzahl der Prozentsatz der 71 verfügbaren Rubrikpunkte, die das Modell erreicht hat.
- Für die Verkaufspräsentationsaufgabe ist die Punktzahl die Summe von 5 Abschnitten mit je 20 Punkten.
Die Gesamtpunktzahl ist das arithmetische Mittel der drei Aufgabenergebnisse, wobei jede Aufgabe trotz unterschiedlicher Rubrikumfänge gleich gewichtet wird. Ungültige Einreichungen zählen in der Gesamtberechnung als null, mit zwei Ausnahmen: Kimi K3 und Gemini 3.5 Flash haben keine Gesamtpunktzahl, da beide die Verkaufspräsentationsaufgabe nicht ausgeführt haben.
Lesen Sie die Methodik für weitere Informationen zur Aufgabenbewertung.
Kein Modell war in allen drei Workflows zuverlässig
Fable 5 mit 84,4 % und Sol mit 74 % sind die einzigen Modelle, die bei jeder Aufgabe unter den ersten drei platziert waren. Darunter ist die Reihenfolge praktisch eine Neumischung. GLM 5.2 erzielte 80 % und 76,1 % in den ersten beiden Aufgaben und erstellte dann überhaupt kein Deck. Sonnet 5 versagte bei der Wettbewerbsanalyse völlig und produzierte das drittbeste Deck. MiniMax M3 landete auf dem letzten Platz der neun Modelle mit einer Drei-Aufgaben-Punktzahl, während es die viertbeste Deck-Punktzahl erzielte.
Eine Rangfolge aus einem Marketing-Workflow überträgt sich nicht auf den nächsten. Testen Sie daher ein Modell an dem Workflow, den Sie automatisieren möchten, bevor Sie es auswählen.
Jede Null kam von der Lieferung, nicht von der Recherche
Fünf Durchläufe erzielten null Punkte, und keiner davon wurde inhaltlich schlecht bewertet. Sonnet 5 reichte elf Zeilen gegen eine Begrenzung von zehn Zeilen ein. Kimi K3 und MiniMax M3 erzeugten nie eine gültige Kontendatei. GLM 5.2 und Opus 4.8 beendeten den Deck-Durchlauf, ohne eine Datei zu schreiben.
In jedem Fall wurde die Recherche nie gelesen. Wenn Sie einen Agenten einsetzen, kann dies die Einschränkung sein, die mehr zählt als die Forschungsqualität: Ein Agent, der nicht rechtzeitig eine wohlgeformte Datei erstellen kann, erzielt nichts.
Die Verkaufsdecks verkauften gut und bewiesen nichts
Über die sieben Decks, die Modelle erstellt haben, erzielten sie 83 % der verfügbaren Punkte für die Erklärung, welchen Wert AIMultiple für den Empfänger hat, 36 % für das Zitieren der für diesen Empfänger relevanten Benchmarks und 20 % für den Vorschlag, was als nächstes erforscht werden soll.
Einen überzeugenden Pitch zu schreiben, erwies sich als die leichtere Hälfte. Ihn in veröffentlichter Arbeit zu verankern – das, was ein Forschungsunternehmen verkauft –, ist der Punkt, an dem die Decks versagten.
Die im Benchmark verwendeten realen Aufgaben
Diese agentischen Marketingaufgaben umfassen Strategie- und Inhaltsabdeckung, Wachstum und Vertriebsforschung. Jede erfordert Web-Recherche, Quellenvalidierung, regelbasierte Qualifizierung und strukturierte Ausgabe.
Aufgabe 1: Wettbewerbslückenanalyse
Das Modell arbeitet als Strategieanalyst bei AIMultiple und vergleicht es mit einer konkurrierenden KI-Benchmarking-Plattform. Der Durchlauf erlaubt 90 Minuten und Live-Webzugriff über den Bright Data MCP, wobei die Codeausführung deaktiviert ist.
Die Ausgabe ist eine einzelne Datei und enthält bis zu zehn Zeilen, sortiert nach Priorität. Jede Zeile nennt ein Angebot, das der Wettbewerber veröffentlicht und AIMultiple nicht, erklärt den Unterschied in ein bis zwei Sätzen, zitiert eine Wettbewerberseite, die das Modell geöffnet hat, und listet die AIMultiple-Seiten auf, die es vor der Behauptung des Fehlens geprüft hat.
Die Fehlbehauptung ist die schwierigere Hälfte jeder Feststellung. Ein Merkmal auf der Website des Wettbewerbers zu identifizieren, erfordert eine einzige Seite. Festzustellen, dass AIMultiple es nicht anbietet, erfordert die Überprüfung der Kategorieseiten, Benchmarks, Artikel und der Sitemap.
Wo AIMultiple ein angrenzendes Angebot veröffentlicht, muss das Modell diese Seite nennen und angeben, was die Version des Wettbewerbers anders macht. Die Abdeckung desselben breiten Themas begründet kein gleichwertiges Angebot.
Wie wir die Aufgabe bewertet haben
Die Bewertung erfolgt anhand eines manuell erstellten Lösungsschlüssels: zehn auf beiden Websites verifizierte Lücken, zusammen mit den Fehlbehauptungen, die Live-AIMultiple-Seiten widerlegen.
Jede verifizierte Lücke bringt einen Punkt, und jede falsche Fehlbehauptung zieht einen ab. Eine falsche Behauptung umfasst jede Zeile, deren URL erfunden, nicht erreichbar ist oder die zugehörige Behauptung nicht stützt.
Der Schlüssel enthält zehn Lücken, aber ein Modell kann eine echte finden, die nicht darauf ist. Ein Prüfer liest diese Funde manuell und vergibt den Punkt, wenn die zitierte Seite das Angebot zeigt, keine Live-AIMultiple-Seite der Behauptung widerspricht und das Angebot bei AIMultiple tatsächlich fehlt.
Zwei Regeln begrenzen diese Zusatzpunkte:
- Ein Fund, der eine der vorhandenen zehn mit anderen Worten wiederholt, bringt nichts extra. Er wird stattdessen unter der aufgeführten Lücke angerechnet.
- Ein Fund, der die Prüfung nicht besteht, kostet einen Punkt. Wenn AIMultiple das Angebot bereits veröffentlicht oder der Wettbewerber es nicht hat, erhält die Zeile null Punkte, die gleiche Strafe wie jede andere falsche Behauptung.
Dies verhindert, dass der Schlüssel einen Fund bestraft, den die Analysten nicht erfasst haben, während spekulativen Behauptungen keine Anerkennung zuteilwird.
Als letzten Teil der Bewertung führt der Prüfer Link-Prüfungen durch. Link-Prüfungen folgen Weiterleitungen und bewerten das endgültige Ziel, sodass ein 301 allein keine Zeile ungültig macht. Ein falscher Dateiname, fehlende oder umgestellte Spalten, eine Zeilenanzahl außerhalb von eins bis zehn, eine Priorität außerhalb von 1 bis 10, eine Beleg-URL auf der falschen Domain oder Zeilen außerhalb der Reihenfolge machen den Durchlauf jeweils ungültig, und ein ungültiger Durchlauf erhält keine numerische Punktzahl.
Aufgabe 2: Erstellung der am besten passenden Kontenliste
Das Modell agiert als Growth Marketer, der eine Account-basierte Marketing-Liste für AIMultiple erstellt.
Die Arbeit beginnt mit einer Abdeckungskarte der Live-Seiten von AIMultiple. Der Agent zeichnet Kategorieseiten, Benchmarks und Anbietervergleichsseiten sowie in Artikeltexten und Sponsor-Offenlegungen erwähnte Anbieter auf.
Es erstellt dann eine priorisierte Liste von 100 Konten. Jedes Unternehmen muss ein B2B-Technologieanbieter mit einem Jahresumsatz zwischen $100 Millionen und 1 Milliarde Dollar sein, seinen Hauptsitz in den USA, Europa oder Israel haben und in einer von AIMultiple abgedeckten Kategorie tätig sein. Das Unternehmen benötigt außerdem ein aktuelles Wachstumsmarketing-Signal und mindestens eine AIMultiple-Seite, auf der es eine echte kommerzielle Chance darstellt.
Die Kontendatei 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 auch Dienstleistungsunternehmen, Verbraucherunternehmen, Analysten- oder Bewertungsunternehmen sowie Kandidaten aus, die Umsatz- oder Hauptsitzanforderungen nicht erfüllen.
Wie wir die Aufgabe bewertet haben
Die Bewertungsrubrik enthält 71 Punkte in sieben Abschnitten. Der Abschnitt zur Abdeckungskarte prüft, ob das Modell mindestens 30 Live-AIMultiple-Seiten überprüft und jeden erforderlichen Seitentyp einbezogen hat. Prüfer ziehen Stichproben von Zeilen, um zu bestätigen, dass die genannten Anbieter und Sponsor-Offenlegungen mit den Live-Seiten übereinstimmen.
Der Abschnitt zur Kontendatei erfordert genau 100 unterschiedliche Domains, die angegebenen Spalten, akzeptierte Klassifikationen, absteigende Fit-Scores und vollständige Belegfelder. Eine feste Stichprobe von 20 Konten wird dann für detaillierte Prüfungen zu Umsatz, LinkedIn-Identität, tatsächlichem Hauptsitz, Kategorie-Fit, Wachstumsmarketing-Belegen und dem Status als B2B-Anbieter verwendet.
Weitere Abschnitte testen, ob vorgeschlagene Seiten echte Öffnungen sind, bestrafen disqualifizierte oder erfundene Konten, belohnen die Aufnahme verifizierter Unternehmen mit hoher Passgenauigkeit und prüfen, ob Modelle bekannte Beinahe-Fehler vermeiden.
Eine fehlende Kontendatei, falsche Spalten oder eine andere Zeilenanzahl als 100 machen den Durchlauf ungültig.
Aufgabe 3: Personalisierte Verkaufspräsentation
Anmerkung: Wir haben Kimi K3 und Gemini 3.5 Flash ausgeschlossen, weil jeder Zugriff auf ein Verzeichnis außerhalb seines Arbeitsordners anforderte; das Harness lehnte die Anfrage automatisch ab, und beide Durchläufe endeten dort. Keiner produzierte ein Deck, und keiner scheiterte an der Aufgabe, da nichts, was sie produzierten, bewertet wurde. Eine Null würde ein Infrastrukturproblem in die Bilanz des Modells aufnehmen, 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, das sich an eine leitende Produktmarketing-Führungskraft richtet. Der Durchlauf erlaubt 90 Minuten, Live-Webzugriff über den Bright Data MCP, Codeausführung und einen Ordner mit Marken-Assets, der die Logos und Schriftarten enthält.
Der Großteil der Recherche fließt in die Führungskraft und nicht in das Unternehmen. Diese Führungskraft leitet das Marketing für eine einzelne Produktlinie und hat öffentlich erklärt, was bei der Beurteilung von Hardware zählt: wie viele Tokens ein Dollar kauft, ob jemand Unabhängiges die Zahlen geprüft hat und ob der Test wie eine echte Arbeitslast oder eine Demo aussah.
Ein weiteres wiederkehrendes Argument ist, dass ein Rack eine fairere Vergleichseinheit als ein Chip ist. Da diese Argumente öffentlich sind und in Interviews, Konferenzvorträgen und Beiträgen zu finden sind, besteht die Aufgabe darin, sie zu lesen und dann die AIMultiple-Benchmarks zu finden, die sie beantworten. Ein Deck kann korrekt in Bezug auf AIMultiple sein und dennoch die Person 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 die visuelle Identität von AIMultiple befolgt, ob es die richtigen Benchmarks zitiert, ob es nützliche nächste Studien vorschlägt, ob es erklärt, welchen Wert AIMultiple für den Empfänger hat, und ob die Folien klar sind. Jeder der fünf unterteilt sich in kleine Prüfungen mit festen Antworten.
Die visuelle Identität ist der eine Teil, den ein Modell ohne jegliche Recherche richtig machen kann. Die Logo-Dateien, der Hex-Wert der Akzentfarbe, die Textfarben, die Schriftart und die Schreibweise des Firmennamens sind alle entweder korrekt oder nicht. Zum Beispiel verliert ein Deck, das in Calibri gesetzt ist, die Punkte.
Der zweite Teil bewertet, worauf das Deck heute verweist. AIMultiple veröffentlicht viele Artikel über Hardware, und nur einige davon testen die Art von Chips, die diese Person verkauft. Daher gehen die Punkte an ein Deck, das Rechenzentrum-GPU-Studien zitiert, und nicht an die erstbesten Hardware-Seiten.
Der dritte Abschnitt betrifft die Arbeit, die AIMultiple als nächstes tun könnte. Ein Vorschlag zählt hier, wenn er die Studie und die daraus resultierende Kennzahl nennt. Zum Beispiel bringt die erneute Durchführung eines bestehenden Vergleichs mit den diesjährigen Chips oder die Aufnahme der Hardware des Unternehmens in einen Benchmark, der sie derzeit auslässt, einen Punkt. Der Vorschlag, die Inferenzleistung gemeinsam zu betrachten, nennt hingegen weder eine Studie noch eine Messung und bringt daher keine Punkte.
Der vierte Teil betrifft den Wert von AIMultiple für den Empfänger. Punkte werden für drei Aussagen vergeben, die:
- AIMultiple ist unabhängig
- Die Leserschaft hat eine angegebene, durch eine benannte Quelle belegte Größe
- Diese Leserschaft dient einem spezifischen Zweck für das Geschäft des Empfängers, wie etwa das Erreichen von Käufern in der Shortlist-Phase
Ein Deck, das auflistet, was AIMultiple veröffentlicht, ohne etwas davon mit den eigenen Produkten des Empfängers zu verbinden, erhält keine Punkte.
Der fünfte Teil betrifft, ob das Deck lesbar ist. Zwei Prüfungen sind wichtiger als der Rest: Überschriften müssen eine Kernaussage enthalten, anstatt die Folie nur zu betiteln, und Zahlen müssen angeben, woher sie stammen, wobei die Unternehmenszahlen von den eigenen Messungen von AIMultiple getrennt gehalten werden müssen. Der Rest ist mechanisch, wie die Bewertung der Folienanzahl, Textüberlauf, Diagrammbeschriftungen, Füllmaterial.
Vier der fünf Teile beinhalten auch Strafpunkte. Ein erfundener Benchmark, eine ausgedachte Zahl, ein toter Link oder die Darstellung der eigenen Marketingbehauptung des Unternehmens als AIMultiple-Messung 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 Beweise zu erfinden und ohne etwas anzubieten, was das Unternehmen nicht verkauft.
Methodik des Agentic-Marketing-Benchmarks
Wir haben den Benchmark aus drei Workflows aufgebaut, die unsere Strategie-, Wachstums- und Vertriebsteams ausführen.
Die Wettbewerbsanalyse-Aufgabe unterstützt Entscheidungen über Produktabdeckung, Inhaltsprioritäten und Positionierung. Die Kontenlisten-Aufgabe unterstützt Account-basiertes Marketing und Vertriebsforschung. Die Verkaufspräsentation unterstützt die Pre-Sales-Ansprache: einen Interessenten auswählen, herausfinden, welche veröffentlichten Benchmarks relevant sind, und das Dokument erstellen.
Für jeden Workflow haben wir eine Aufgabendatei erstellt, die Folgendes definiert:
- die Rolle des Modells
- verfügbare Werkzeuge
- Anforderungen an Belege
- Qualifizierungsregeln
- erforderliche Ausgaben
- Zeitlimit
Wir haben die Aufgaben um unsere eigenen Seiten und kommerziellen Workflows herum gestaltet, und unsere Daten sind Teil des Lösungsschlüssels. Dies erleichtert die Überprüfung der Belege, schränkt jedoch auch die breite Anwendbarkeit der Ergebnisse auf andere Unternehmen und Marketingumgebungen ein.
Aufgabenanweisungen und Bewertungsrubriken
Für die Wettbewerbsanalyse konnten Modelle das Live-Web über den Bright Data MCP durchsuchen. Wir deaktivierten die Codeausführung und setzten ein Limit von 90 Minuten.
Für die Erstellung der Kontenliste verwendeten die Modelle denselben Webzugang, mit aktivierter Codeausführung. Wir erlaubten bis zu 240 Minuten, da die Aufgabe zwei Ausgabedateien und 100 qualifizierte Konten erforderte.
Für die Erstellung der Verkaufspräsentation aktivierten wir denselben Webzugang mit Codeausführung. Die Dauer betrug 90 Minuten, mit einem Ordner mit Marken-Assets im Arbeitsverzeichnis.
Wir gaben jedem Modell die Aufgabenanweisungen und das Ausgabeschema, während die Bewertungsrubrik verborgen blieb.
Modelle mussten aktuelle Quellen verwenden
Alle drei Aufgaben hängen von Informationen ab, die sich ändern: Website-Angebote, Benchmark-Inventare, Produktseiten, Unternehmensumsätze, Hauptsitze, Eigentumsverhältnisse, Sponsor-Offenlegungen, Marketingaktivitäten und die öffentlichen Aussagen einer namentlich genannten Person.
Wir zählten eine URL, wenn sie aufgelöst wurde und die damit verbundene Behauptung stützte. Eine Unternehmens-Homepage kann keine bestimmte Umsatzzahl belegen, und eine Marketing-Datenbank kann nicht beweisen, dass eine Plattform ein bestimmtes Benchmark-Format anbietet.
Die Lösungsschlüssel für die ersten beiden Aufgaben wurden zuletzt am 7. Juli 2026 überprüft. Die Rubrik für die Verkaufspräsentation wurde am 25. Juli 2026 überprüft, und die Decks wurden am folgenden Tag bewertet.
Ausgaben wurden für den operativen Einsatz konzipiert
Die ersten beiden Aufgaben erfordern CSV-Dateien mit festen Spalten und atomaren Zellen, was es uns ermöglicht, automatisch auf fehlende Felder, Duplikate, nicht unterstützte Domains, falsche Zeilenanzahlen, fehlerhafte Werte und Sortierfehler zu prüfen. Die dritte erfordert eine PowerPoint-Datei, die ohne Reparaturaufforderung im Format 16:9 geöffnet wird.
Kontenlisten und Wettbewerbsanalysen wandern in Tabellenkalkulationen, CRM-Workflows und Automatisierungstools, und ein Deck geht an einen Kunden. Eine strukturell ungültige Datei blockiert den nächsten Schritt, selbst wenn die darin enthaltene Recherche intakt ist. Deshalb erzielten zwei Modelle bei der Deck-Aufgabe null Punkte, ohne dass jemand ihre Argumente gelesen hätte.
Wir berichten Einzeldurchlauf-Ergebnisse ohne Varianz
Die Ergebnisse enthalten einen berichteten Wert pro Modell. Derzeit berichten wir keine wiederholten Durchläufe, Seeds, Konfidenzintervalle oder Fehlerbalken.
Leser sollten daher kleine Punktzahlunterschiede mit Vorsicht behandeln. In der Wettbewerbsanalyse ändert eine zusätzliche netto korrekte Lücke die Punktzahl um zehn Punkte. Bei der Erstellung der Kontenliste können einige wenige Stichprobenzeilen darüber entscheiden, ob ein gesamtes schwellwertbasiertes Kriterium bestanden wird.
Wir kombinierten deterministische Prüfungen mit einem LLM-Richter
Deterministische Skripte erledigten alles, was Software direkt klären kann: Dateiexistenz, CSV-Parsing, Spaltenreihenfolge, Zeilenanzahl, akzeptierte Werte, URL-Domains, Duplikate, Sortierung und für das Deck die Archivintegrität, Folienabmessungen und Schriftdeklarationen. Skripte riefen auch 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 Bestanden-oder-Nicht-Bestanden-Regeln und vergab nie eine allgemeine Qualitätsbewertung. Unsere Analysten erstellten die Lösungsschlüssel, und der Richter wandte sie an.
Die Wettbewerbsanalyse fügt einen menschlichen Schritt hinzu. Ein Modell kann eine echte Lücke melden, die der Schlüssel nicht auflistet; daher gehen diese Funde an einen Analysten, der sie erst nach Überprüfung beider Websites anrechnet.
FAQs
Agentisches Marketing beinhaltet den Einsatz von KI-gestützten Agenten, um mehrstufige Marketingaufgaben mit minimalem menschlichem Eingriff zu planen und abzuschließen. Diese Agenten nutzen Kundendaten, Geschäftsregeln, Echtzeit-Kontext und Anweisungen in natürlicher Sprache, um Entscheidungen in Marketing-Workflows zu treffen.
Traditionelle Marketing-Automatisierung führt vordefinierte Regeln aus, wie das Senden einer E-Mail nach einem Formularversand oder das Verschieben eines Leads zwischen Zielgruppensegmenten. Agentische Systeme können ein Geschäftsziel interpretieren, die erforderlichen Werkzeuge auswählen, die Kampagneneinrichtung abschließen, die Kampagnenleistung überwachen und Maßnahmen zur Leistungsoptimierung anpassen.
Eine agentische Marketingplattform kann Aufgaben unterstützen wie:
– Analyse des Kundenverhaltens und Identifizierung von Zielgruppensegmenten;
– Anpassung von Customer Journeys auf Basis neuer Signale;
– Zuweisung von Werbebudgets über Marketingkampagnen hinweg;
– Erstellung von Inhalten innerhalb von Markenrichtlinien;
– Koordination kreativer Workflows und Bewahrung der kreativen Richtung;
– Erzeugung KI-generierter Erkenntnisse zur Journey-Optimierung;
– Verschieben von Daten zwischen nicht verbundenen Tools in einer Marketing-Cloud;
– Zuweisung spezifischer Aufgaben an mehrere Agenten.
Die drei Aufgaben testen unterschiedliche Fähigkeiten.
Die Wettbewerbsanalyse belohnt vergleichende Recherche, semantisches Urteilsvermögen und die sorgfältige Überprüfung von Abwesenheit.
Die Erstellung der Kontenliste belohnt nachhaltige Web-Recherche, wiederholte Qualifizierung, Entitätsauflösung und exakte Ausgabekontrolle.
Die Verkaufspräsentation belohnt das Lesen der öffentlichen Positionen einer Person und deren Verknüpfung mit veröffentlichten Arbeiten, in einem Dateiformat, das PowerPoint überstehen muss.
Ein Modell kann einen kurzen Vergleich bewältigen und daran scheitern, eine große strukturierte Datei fertigzustellen. GLM 5.2 erreichte 80 und 76,1 in den ersten beiden Aufgaben und produzierte dann kein Deck. Sonnet 5 tat das Gegenteil: Seine Wettbewerbsanalyse-Datei verstieß gegen eine Formatierungsregel und erzielte null Punkte, und sein Deck landete auf dem dritten Platz.
Als bevorzugte Quelle hinzufügenDiese Forschung zitieren
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}
}
Seien Sie der Erste, der kommentiert
Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.