Vom Keyword zur fertigen Anzeige: Eine Pipeline mit fünf Stufen und sechs Statuswerten, die sie betreibbar machen

„Keyword eingeben, Werbevideo bekommen“: So verkaufen sich derzeit gefühlt alle KI-Tools für Creatives. Genau diese Vereinfachung ist aber auch die schnellste Methode, sich selbst etwas vorzumachen.

Sobald man eine solche Pipeline tatsächlich betreibt, tauchen unter dem Wort „automatisch“ viele ungeklärte Fragen auf. Was passiert bei einem Nischen-Keyword, zu dem die organische Suche nichts findet und auch die kommerzielle Bibliothek leer bleibt? Soll der Ablauf anhalten und „keine Evidenz“ melden – oder trotzdem ein leeres Briefing an die Videogenerierung schicken, obwohl nichts validiert wurde? Und was ist, wenn ein Kanal mitten im Prozess für den eigenen Account nicht verfügbar ist und keine Daten zurückliefert? Ist das „kein Ergebnis“ oder „gar nicht abgefragt“? Die passende Reaktion ist jeweils gegensätzlich. Die meisten One-Click-Tools zeigen für beides denselben drehenden Ladeindikator.

Eine Creative-Pipeline, die sich nicht nur vorführen, sondern auch betreiben lässt, gewinnt ihren Wert nicht mit dem „Generate“-Button am Ende. Entscheidend ist, dass sie auf jeder Stufe offenlegt, in welchem Zustand sie sich befindet. Nur dann ist sie produktionsreif – und nur dann lässt sich nachvollziehen, wo sie gescheitert ist, wenn am Ende nichts herauskommt.

Zunächst zur Abgrenzung: Die Recherchephasen dieser Pipeline nutzen die öffentlichen Anzeigenbibliotheken und Creative Center der jeweiligen Plattformen. Der Zugriff erfolgt mit dem eigenen Account auf Daten, die die Plattform allen Werbetreibenden bereitstellt. Keine Signaturen, keine Umgehungen. Es geht hier darum, diese öffentlichen Daten in Entscheidungen und auslieferbare Assets zu überführen – nicht darum, wie man an die Daten gelangt.

Die fünf Stufen einer belastbaren Creative-Pipeline

Der Weg vom Keyword zum Werbevideo besteht aus fünf aufeinanderfolgenden Stufen. Das sind keine lose aneinandergereihten „Schritte“: Jede Stufe verarbeitet das Ergebnis der vorherigen und liefert die Grundlage für die nächste.

1. Nachfrage erkennen. Den Suchbegriff aus dem Markt in organischen Inhalten prüfen und feststellen, ob das Thema bei realen Nutzern tatsächlich Resonanz erzeugt. Das Ergebnis ist ein Signal aus organischem Content.

2. Kommerziell validieren. Hier kommen zwei kommerzielle Signale zusammen: die Keyword-Chance mit Suchvolumen, Wettbewerb und Daten zur Ausgabenseite – sowie die erfolgreich laufenden Top Ads im Creative Center. Für beide wurde Budget eingesetzt, und beide sind vom Markt validiert. Das unterscheidet sie grundlegend von organischem Content.

3. Creator zuordnen. In der Influencer-Bibliothek nach Creatorn suchen, die thematisch und zum Zielmarkt passen.

4. Creative Brief. Die qualifizierte Evidenz aus den drei vorherigen Stufen zu einer strukturierten Vorgabe verdichten, die direkt in ein Generierungsmodell fließen kann. Hier werden Erzählstruktur, Hook-Form und Zielmarkt festgelegt.

5. Generierung. Das Briefing an ein Modell zur Videogenerierung übergeben und eine native 9:16-Hochkantanzeige erstellen.

Das Gewicht liegt vollständig auf Stufe vier. Die ersten drei Stufen sammeln Evidenz, die fünfte kostet Geld. Erst im Briefing wird aus Evidenz eine Entscheidung. Wird in den ersten drei Stufen schlampig recherchiert, entscheidet das Briefing auf Basis von Rauschen – und das generierte Video baut ebenfalls auf Rauschen auf. Im Ladeindikator sieht man das nicht. Sichtbar wird es erst, wenn der Status jeder einzelnen Stufe offen ausgewiesen wird.

Jede der ersten drei Stufen verdient eigentlich einen eigenen Beitrag. Wie sich eine sekundengenaue Retention-Kurve liest, wie sich aus einer Keyword-Chance eine konkrete Budgetzahl ableiten lässt und wie man die Influencer-Bibliothek mit der Asset-Bibliothek abgleicht, statt Creator nach Followerzahl auszuwählen, behandeln drei andere Artikel. Hier geht es um die zusätzlichen Fragen, die erst entstehen, wenn man alles zu einer durchgängigen Kette verbindet.

Sechs Statuswerte statt eines pauschalen „fehlgeschlagen“

Das ist der wichtigste Abschnitt dieses Beitrags.

Die meisten Pipelines kennen pro Stufe nur zwei Ergebnisse: Erfolg oder Fehler. Bei ein oder zwei Stufen mag das noch funktionieren. Bei fünf bricht dieses Modell zusammen, weil sich hinter „fehlgeschlagen“ vier Situationen mit völlig unterschiedlichen Konsequenzen verbergen.

In dieser Pipeline kann jede Stufe einen von sechs Statuswerten annehmen:

• completed: Die Stufe wurde ausgeführt, hat ein qualifiziertes Ergebnis geliefert und kann weitergegeben werden.

• empty: Die Stufe lief, der Kanal war verfügbar, aber es kamen keine qualifizierten Ergebnisse zurück. Gesucht, aber nichts gefunden.

• skipped: Die Stufe wurde bewusst deaktiviert, indem ihr Kontingent auf 0 gesetzt wurde. Sie ist also nie gelaufen.

• unavailable: Die Stufe sollte laufen, konnte es aber nicht. Der Kanal liegt außerhalb dessen, worauf der Account zugreifen kann – etwa weil Keyword Opportunity nur bestimmte Marktsprachen abdeckt – oder eine Abhängigkeit war vorübergehend nicht verfügbar.

• blocked: Die vorgelagerte Evidenz reicht nicht aus, deshalb stoppt ein Gate die Stufe absichtlich. Die Stufe ist nicht selbst fehlgeschlagen; ihr fehlt nur die Zufuhr aus einer vorherigen Ebene.

• ready: Ein Zwischenstatus ausschließlich für die Generierung. Der Preflight war erfolgreich, aber die Übergabe wurde noch nicht ausgelöst. Das Video kann erstellt werden und wartet auf die Freigabe.

Es geht nicht darum, sechs Bezeichnungen zu sammeln. Sobald empty, skipped, unavailable und blocked zu einem einzigen „fehlgeschlagen“ zusammenfallen, ist die Pipeline nicht mehr betreibbar. Alle vier bedeuten zwar „diesmal kein Video“, verlangen aber jeweils etwas völlig anderes:

• empty ist ein Datenproblem. Entweder hat der Markt kein Volumen, oder das Keyword ist zu eng gewählt. Die richtige Reaktion: Begriff ändern oder Schwelle lockern – ganz ohne Code anzufassen.

• skipped ist eine eigene Entscheidung. Hier muss nichts getan werden. Der Status muss aber von empty getrennt bleiben, sonst verbringt man einen halben Tag damit, eine Stufe zu debuggen, die nie aktiviert war.

• unavailable weist auf ein Kanal- oder Konfigurationsproblem hin. Prüfen Sie die Account-Abdeckung oder versuchen Sie es später erneut, statt am Keyword herumzuschrauben.

• blocked ist ein Upstream-Problem. Diese Ebene selbst ist in Ordnung; eine frühere Stufe hat kein ausreichendes Ergebnis geliefert. Gesucht wird also die Stufe mit empty, nicht nach einem Fehler in der blockierten Ebene.

Ein undurchsichtiges „fehlgeschlagen“ versperrt alle vier Wege und lässt nur Rätselraten übrig. Deshalb hält eine Pipeline, die ein Ergebnis liefert, aber keine Statusinformationen, nicht lange durch. Bei jeder Störung müsste der gesamte Ablauf reproduziert werden, nur um herauszufinden, was passiert ist.

Der Evidenztrichter: Organische und kommerzielle Signale nicht verrechnen

Nachfrage ist nicht schon dann belegt, wenn man „ein paar Treffer“ gefunden hat. Die Rohresultate durchlaufen einen Trichter, der auf jeder Ebene zählt: Wie viele Inhalte kamen zurück? Wie viele lagen außerhalb des Zeitfensters? Wie viele hatten die falsche Sprache? Wie viele waren thematisch unpassend? Wie viele erreichten nicht genug Views, um als Stichprobe zu gelten? Und wie viele qualifizierten sich tatsächlich? Kommt diese Stufe mit empty zurück, zeigt der Trichter genau, auf welcher Ebene die Evidenz verloren ging. Gar nichts gefunden, viele Treffer aber alle veraltet, oder zwar Inhalte vorhanden, aber keiner erfüllt die Mindestgröße der Stichprobe: drei Arten von Leere, drei unterschiedliche nächste Schritte. Ohne Trichter ist empty lediglich ein leeres Array – und man weiß nicht einmal, wie es dazu kam.

Noch wichtiger als das Zählen ist eine Regel: Signale aus organischem Content und kommerzielle Signale werden getrennt bewertet und niemals zu einem gemeinsamen „Evidenz-Score“ addiert. Eine Top Ad ist ein Asset, für das jemand echtes Geld ausgegeben hat und das von der Plattform als erfolgreich eingestuft wurde. Zehn organische Videos, selbst wenn sie noch so viel Aufmerksamkeit erhalten, bedeuten lediglich: Menschen sind bereit, sie kostenlos anzusehen. Eine gewichtete Summe kann zehn organische Videos eine einzelne Top Ad mengenmäßig überstimmen lassen, obwohl diese kommerziell wesentlich aussagekräftiger ist. Der richtige Ansatz lautet: erst kategorisieren, dann ranken. Zuerst die kommerziellen Signale betrachten, bei deren Fehlen auf qualifizierten organischen Content zurückgreifen und nur dann auf Creator ausweichen, wenn auch sonst nichts vorliegt. Die Glaubwürdigkeit der Stufen zählt, nicht ihre Menge.

Diese Regel gilt sogar innerhalb eines einzelnen Videos. Bei der Bewertung eines organischen Inhalts sind Likes plus Kommentare eine Signalart, Shares plus Saves eine andere. Shares und Saves sind die stärker kommerziell ausgerichteten Aktionen: „Das will ich behalten, das will ich weitergeben.“ Deshalb wiegen sie im Ranking schwerer als reine Interaktion. Viel Engagement zeigt, dass ein Inhalt sehenswert ist. Shares und Saves können darauf hindeuten, dass er tatsächlich Produkte bewegt. Selbst beim selben Video sind das zwei unterschiedliche Lesarten.

(Nebenbei: „Korrelation als Ursache behandeln und Häufigkeit mit Wirksamkeit verwechseln“ ist genau der Fehler, den ein Modell im Attribution-Schritt besonders gern macht. Der Prompt muss es daher dazu zwingen, ein Gegenbeispiel zu liefern. Das ist dieselbe Prompt-Disziplin wie in dem Beitrag zur Fingerprint-Erkennung, wo das Modell ein gerade erkanntes Muster weiter kritisch hinterfragen muss. Dort geht es um Gegenbelege beim Reverse Engineering, hier um Gegenbeispiele in der Werbe-Attribution. Der Mechanismus ist derselbe.)

Zwei unterschiedliche Freigaben vor der Generierung

Unmittelbar vor der Generierung gibt es zwei Bewertungen, die leicht zu einer verschmolzen werden – und unbedingt getrennt bleiben müssen: „Kann die Plattform ein Video erzeugen?“ und „Soll dieses konkrete Video erzeugt werden?“

Die erste Freigabe ist der technische Plattform-Preflight: Läuft der Generierungsdienst, ist genug Kontingent vorhanden, ist der Prompt zulässig? Das sind Prüfungen auf Infrastruktur-Ebene. Die zweite Freigabe betrifft die Recherche-Evidenz: Gibt es unter den gesammelten Daten mindestens einen qualifizierten primären Beleg? Das ist eine inhaltliche Prüfung. Beide Gates müssen vor der Übergabe passieren. Scheitert eines davon, lautet der Status blocked.

Die Versuchung, beides zusammenzuführen, ist groß, weil beide Fragen scheinbar um „Können wir generieren?“ kreisen. Genau daraus entsteht aber die teuerste Art von Fehler: Die Plattform funktioniert, das Kontingent reicht, der Prompt ist zulässig, der Preflight besteht – und dennoch wird ein Video auf Basis von null Evidenz generiert. Das kostet mehr als ein sauberer Fehler, weil es wie ein Erfolg aussieht und man dafür womöglich tatsächlich Budget ausgibt. Mit zwei getrennten Gates bleibt dieser Fall zuverlässig bei blocked und zeigt klar: Es fehlt Evidenz, nicht Kontingent. „Kann erzeugen“ ist niemals dasselbe wie „soll erzeugen“. Beides in eine einzige Bedingung zu schreiben, ist der häufigste Designfehler bei solchen Pipelines.

Das Briefing verarbeitet nur qualifizierte Evidenz

Das Creative Brief fordert dem Textmodell in dieser Pipeline am meisten ab. Gleichzeitig gerät hier die Disziplin beim Bereinigen von Wettbewerberinhalten besonders leicht aus dem Ruder.

Seine Aufgabe ist es, aus der qualifizierten Evidenz die validierte Struktur herauszuziehen: Welche Hook wiederholt sich in den Top Ads? In welcher Sekunde erreicht die Retention-Kurve ihren Höchstwert? Welches Grundgerüst nutzen die erfolgreichen organischen Inhalte – etwa „Problem benennen, Ergebnis zeigen, Call to Action“? Anschließend werden diese Strukturen zu einer Vorgabe für die Generierung verdichtet.

Es gibt jedoch eine harte Einschränkung: Der Rohtext von Wettbewerber-Assets dient ausschließlich dazu, Strukturen zu erkennen, und darf nie in den finalen Generierungs-Prompt gelangen. Markennamen, Anbieterzahlen, Kontingente, Preise und Performance-Versprechen in einer Wettbewerber-Hook sind konkrete Behauptungen dieses Wettbewerbers, keine Strukturmerkmale. Sie bleiben in den Rechercheergebnissen erhalten, wo nachvollziehbar ist, welches Asset eine Idee ausgelöst hat. Beim Aufbau des Generierungs-Prompts werden sie jedoch ausdrücklich ausgeschlossen. Das Generierungsmodell erhält also die Vorgabe „Erstelle ein Video für mein eigenes Produkt mit dieser Erzählstruktur und dieser Hook-Form“ – nicht „Kopiere diese Zeile“.

Warum sich dieser Aufwand lohnt: Fließt Wettbewerber-Copy direkt in den Generierungs-Prompt, trägt das resultierende Video womöglich fremde Markennamen und Preisversprechen. Im besten Fall entsteht ein rechtlich riskantes Asset, im schlimmsten Fall schlicht Plagiat. Bekommt das Modell dagegen nur die Struktur mit bereinigten Behauptungen, entsteht ein Video, das eine validierte Struktur nutzt und trotzdem die eigene Geschichte erzählt. Die Recherche bleibt originalgetreu, der Generierungsinput sauber. Dieselbe Evidenz, aber zwei Verwendungszwecke und zwei Arten, sie zu lesen.

„Ziehe aus einem Evidenzstapel nur wirklich validierte Strukturen heraus, schließe Wettbewerber-Behauptungen aktiv aus und liefere für jede ‚wirksame Struktur‘ ein Gegenbeispiel“ prüft genau die Eigenschaften, die solides Denken und die Bereitschaft zur Selbstkritik ausmachen. Das entspricht derselben Arbeitsteilung wie bei den Aufgaben, die ein Modell beim Reverse Engineering übernehmen sollte – und denen, die es nicht übernehmen sollte: Hypothesen kann das Modell gut generieren, Fakten jedoch schlecht verifizieren. Die Verifikation muss auf den eigenen Belegen und Tests beruhen.

Das passende Modell für jede Aufgabe

Das Textmodell übernimmt in dieser Pipeline nicht nur eine Aufgabe. Es gibt vier Tätigkeiten mit völlig unterschiedlichen Anforderungen, dazu am Ende Bild- und Videogenerierung. Setzt man für alles dasselbe Modell ein, verbrennt man entweder Budget in den Batch-Schritten oder verliert Präzision beim Briefing:

Die Briefing-Stufe sollte man separat testen. Sie ist der einzige Schritt, bei dem ein Modellwechsel das Ergebnis sichtbar verändert. Der Test ist konkret – und dies ist die einzige Stelle in diesem Beitrag, an der Sie selbst etwas ausführen müssen:

1. Nehmen Sie aus einem tatsächlich abgeschlossenen Pipeline-Durchlauf ein qualifiziertes Evidenzpaket: Top-Ad-Hooks, Highlights aus Retention-Kurven, Creator-Profile, Keyword-Chance und einige erfolgreiche organische Inhalte.

2. Übergeben Sie denselben Briefing-Prompt – Regeln: nur Asset-Struktur verwenden; Markennamen, Preise, Kontingente und Performance-Claims ausdrücklich ausschließen; für jede „wirksame Struktur“ eine Gegenbeispiel-Hypothese liefern – getrennt an claude-opus-5 und gpt-5.6-sol.

3. Prüfen Sie nur zwei Dinge: Sind konkrete Wettbewerber-Behauptungen in den Generierungs-Prompt durchgesickert? Ein Leak bedeutet Fehlschlag. Und: Liefert das Modell bei der Aussage „Diese Struktur funktioniert“ ein Gegenbeispiel, oder setzt es Häufigkeit mit Wirksamkeit gleich?

4. Das Abschneiden bei diesen beiden Kriterien entscheidet über die Modellauswahl. Es bestimmt direkt, ob das generierte Video „das Skript eines Wettbewerbers kopiert“ oder „eine validierte Struktur wiederverwendet“.

Ein einziger Durchlauf macht den Unterschied unmittelbarer sichtbar als jeder Benchmark. Die Batch-Stufe für Feldextraktion mit Sonnet braucht dagegen kaum Feintuning: Alles, was zuverlässig läuft, reicht aus. Kimi wird für den langen Kontext gewählt, damit keine eigene Retrieval-Logik mit Chunking gebaut werden muss.

Videogenerierung: übergeben, auf Endstatus warten, task_id bei Timeout behalten

Generierung heißt nicht: „API aufrufen, Video erhalten.“ Videogenerierung ist ein langsamer Job. Nach der Übergabe landet der Auftrag in einer Warteschlange. Erst durch Polling bis zu einem Endstatus steht fest, was passiert ist. Dabei gibt es drei verschiedene Endpunkte, die getrennt bleiben müssen:

• Direkt nach der Übergabe zurückkehren. Der Job landet in der Queue, Sie erhalten eine task_id und den Status processing. Statt zu warten, können Sie sich anderen Dingen widmen.

• Auf den Endstatus warten. Polling läuft, bis completed oder failed erreicht ist. Das ist das Ergebnis, auf das Sie gewartet haben.

• Timeout an der Wartegrenze. Für das Polling wurde ein Zeitbudget festgelegt, das vor dem Ergebnis abläuft. Der Auftrag darf dann nicht als fehlgeschlagen verworfen werden. Richtig ist: task_id behalten, als „Timeout, noch nicht abgeschlossen“ markieren und das Warten später mit derselben ID fortsetzen, statt erneut zu übergeben. Eine erneute Übergabe verursacht die Kosten ein zweites Mal.

Der dritte Fall wird besonders häufig falsch behandelt. Viele Implementierungen setzen „Polling-Timeout“ mit „Task fehlgeschlagen“ gleich und verwerfen damit einen Auftrag, der tatsächlich noch rendert, nur eben langsamer als erwartet. „Der Task ist fehlgeschlagen“ und „Ich wollte diesmal nicht länger warten“ auseinanderzuhalten, ist der Kern dieser Stufe. Der erste Fall ist ein Endstatus. Der zweite sagt lediglich, dass das Warten unterbrochen wurde. Der Task und seine ID existieren weiter – also später fortsetzen.

Bei komplett leerer Evidenz nicht generieren

Fasst man alle bisherigen Einschränkungen zusammen, ergibt sich die kontraintuitivste und zugleich wertvollste Regel dieser Pipeline: Sind alle Evidenzquellen leer, wird keine Generierung übergeben.

Nachfrageerkennung empty, kommerzielle Validierung empty, Creator-Matching empty. Über alle drei Wege hinweg existiert kein einziges qualifiziertes primäres Evidenzstück. Das Briefing erhält blocked, das Recherche-Gate im Generierungs-Preflight scheitert, die gesamte Kette endet bei blocked – und kein einziges Frame wird generiert.

Das klingt nach „nichts getan“, ist aber der schwierigste und zugleich kostensparendste Schritt. Eine Pipeline, die nur vorwärtsdrängen kann, fällt bei vollständig leerer Evidenz auf ein generisches Briefing zurück, generiert ein Video, das niemanden erreicht, und meldet anschließend „Erfolg“. Es sieht aus, als wäre der Ablauf gelaufen. Tatsächlich wurde das Budget einer Generierung für null Information ausgegeben und ein falsches Erfolgssignal erzeugt.

Die eine Hälfte des Werts einer Pipeline besteht darin, dass sie generieren kann. Die andere Hälfte darin, dass sie weiß, wann sie es nicht sollte. Das eine ist Fähigkeit, das andere Disziplin. Voraussetzung für diese Disziplin sind die sechs zuvor beschriebenen Statuswerte. Ohne die Trennung zwischen empty und blocked gibt es kein klares „alles leer“-Signal, auf dem die Entscheidung „nicht übergeben“ basieren kann.

Ein Key für Analyse und Generierung

Das Pipeline-Design steht damit. Übrig bleibt ein reines Engineering-Hindernis – und genau daran bleiben die meisten in der Praxis hängen.

Die benötigten Modelle stammen aus zwei Arten von Anbietern. Die Text-Stufen – Evidenz lesen, Felder extrahieren, Briefing schreiben und Attribution erklären – kommen von mehreren Anbietern. Die Generierungsstufe ist ein separater Dienst für Bild und Video. Entweder integriert man für jede Stufe ein eigenes SDK, Authentifizierungsschema und Fehlerformat. Oder man macht es wie die meisten: Ein Modell für alles verwenden, in den Batch-Schritten zu viel Geld ausgeben, beim Briefing Präzision verlieren und zusätzlich eine eigene Videoplattform anbinden. Um Integrationsaufwand zu sparen, wird die gesamte Pipeline qualitativ heruntergestuft.

AIReiter nimmt diese Integrationsschicht ab. Ein Key, eine OpenAI-kompatible Schnittstelle, alle vier Text-Stufen dahinter – der Wechsel erfolgt über das Feld model im Request-Body. Bild- und Videogenerierung liegen unter demselben Key auf derselben Website. Sobald das Briefing fertig ist, lässt sich die Generierung direkt in /chat ausprobieren.

# Write the brief: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<brief prompt + qualified evidence bundle>"}]
  }'

# Extract fields in bulk: change the model field, leave the rest
#   "model": "claude-sonnet-5"
# Stage attribution:      "model": "gpt-5.6-sol"
# Read long evidence at once: "model": "kimi-k3"

Wer bereits das OpenAI SDK nutzt, setzt base_url auf https://aireiter.com/api/v1 und muss sonst nichts ändern. Mit dem Anthropic SDK verwenden Sie POST /api/v1/messages und denselben Key.

Auch preislich passt das zur Kostenstruktur dieser Pipeline. Die aufrufintensivste Stufe ist die Feldextraktion im Batch: Dutzende bis Hunderte Assets, jeweils ein Aufruf, und damit der Großteil der textseitigen Kosten. Claude mit 30% Rabatt trifft genau diesen Bedarf – Sonnet übernimmt den Batch, Opus iteriert das Briefing; beide Claude-Stufen. Die Attribution läuft auf GPT-5.6 zum halben Preis. Lange Evidenzpakete verarbeitet Kimi K3 über denselben Key. Generierung ist eine separate Kostenposition und wird pro Durchlauf abgerechnet, startet aber nur, wenn das Evidenz-Gate passiert wurde und ein Video tatsächlich erstellt werden sollte. Die Regel „bei komplett leerer Evidenz nicht übergeben“ spart somit direkt Generierungskosten.

• API-Key holen

• Ohne Anmeldung ausprobieren: Geben Sie ein qualifiziertes Evidenzpaket manuell in den Briefing-Prompt und prüfen Sie, ob Markennamen und Preise des Wettbewerbers in den Generierungsinput gelangen. Erst wenn das zuverlässig nicht passiert, lohnt sich die Automatisierung.

Fazit

Bei „vom Keyword zur fertigen Anzeige“ steckt die eigentliche Engineering-Arbeit nicht in der „fertigen Anzeige“. Sie liegt im Mittelteil: öffentliche Daten in qualifizierte Evidenz und diese wiederum in ein sauberes Briefing zu überführen.

Ob sich dieser Abschnitt zuverlässig betreiben lässt, hängt von drei Punkten ab. Jede Stufe endet in einem von sechs Statuswerten statt bloß in „Erfolg oder Fehler“, sodass empty, skipped, unavailable und blocked jeweils einen eindeutigen nächsten Schritt vorgeben. Evidenz wird kategorisiert und abgestuft, nicht zusammenaddiert, damit starke Signale nicht in der Menge schwacher Signale untergehen. Und „kann erzeugen“ wird von „soll erzeugen“ durch zwei getrennte Gates abgegrenzt, damit vollständig leere Evidenz die Pipeline sicher vor der Generierung stoppt.

Das Modell ist in dieser Kette ein Werkzeug, nicht der Taktgeber. Es liest Evidenz, extrahiert Felder, schreibt das Briefing, erklärt Attribution – und ein Generierungsmodell erstellt am Ende das Video. Ob es weitergehen soll, entscheiden jedoch immer Statuswerte und Gates, nicht die Zuversicht des Modells. Ist dieses Design umgesetzt und sind alle vier Text-Stufen sowie die On-site-Generierung über einen Key angebunden, kann die Pipeline tatsächlich vom Keyword bis zur fertigen Anzeige durchlaufen.