AI:CAN 2026 in Berlin Recap
Was ist die AI:CAN in Berlin?
Die AI:CAN ist die praxisorientierte KI-Konferenz in Berlin für Marketing, E-Commerce und Kommunikation, als kleinere und intensivere Schwester der Campixx mit Fokus auf KI.Die AI:CAN 2026 in Berlin lieferte geballtes KI-Wissen auf hohem Niveau.
Die Speaker brachten viele Use Cases aus der eigenenen Praxis mit.
Agenten und Automatisierung zogen sich als roter Faden durch die ganze Konferenz. Die Stimmung auf der Konferenz war dicht und inspirierend. Ich werden jede Menge Impulse für die eigene Arbeit mit nehmen. Es war wieder eine tolle Inspiration und kleiner Imposter-Trigger.
Dieser Recap fasst die wichtigsten Inhalte aller Vorträge, die ich besucht habe, zusammen. Es liefen immer drei Vorträge parallel und manchmal fiel die Entscheidung schwer.
Entwicklung eines kompletten SEO-KI-Agenten-Teams – Dominik Wojcek
Dominik Wojcek baut sein Agentensystem für SEO-Workflows komplett selbst, statt auf einen fertigen Prototypen zu setzen. So kennt er jede Stellschraube und muss sich nicht in ein fremdes, komplexes System einarbeiten.
- Jeder Agent im System hat einen eigenen Skill, ein eigenes Modell, ein eigenes Memory. Ein übergeordneter „Brain"-Agent steuert die Kommunikation und verteilt Prioritäten im Team.
- Ohne Freigabe läuft keine Aufgabe: Erst wird geprüft und priorisiert, dann zugewiesen, sonst schieben sich die Agents im Team-Chat gegenseitig Aufgaben zu und es entsteht Chaos.
- Ein eigenes Tool ersetzt MCP-Server bei fehlenden Schnittstellen wie Crawling. MCP-Anbindungen überladen den Kontext schnell und kosten dadurch Effizienz.
- Modell-Matching pro Agent lohnt sich bei über 400 verfügbaren Modellen und Preisunterschieden bis zum 30-Fachen. Nicht jeder Task braucht das teuerste Topmodell wie Opus.
- Von 82 auf 91 Prozent stieg die Leistung des Basismodells durch eigene Trainingsdaten und saubere Qualitätssicherung bei synthetischen Daten. Im SEO-Bereich landet es damit auf Platz drei, hinter Opus.
- Eigenes Hosting und Training kosten ungefähr so viel wie Cloud-Lösungen. Der Vorteil liegt bei der Spezialisierung auf eigene Daten und Workflows, nicht beim Preis.
- Ständige menschliche Prüfung bleibt Pflicht, denn ohne klare Guardrails treffen Agents eigenständig Entscheidungen, etwa im Team-Chat.
- Ein präzise definiertes Ziel mit klaren Tests zählt mehr als ein perfektes Agentensystem. Im finalen Setup schreiben spezialisierte Agents die Prompts für nachgeordnete Agents, das Brain hält die Struktur zusammen.
Wie du mit Bild- & Video-KI 2026 wirklich herausstichst – Georg Neumann
Georg Neumann zeigt, wie man mit KI-generierten Bildern und Videos aus dem Einheitsbrei heraussticht. Wer heute nur technisch korrekte Inhalte produziert, geht im Feed unter – entscheidend sind Design-Prinzipien, Tool-Auswahl und gezielte Prompting-Techniken.
- Mama-Test bestehen: Hoher Detailgrad, glaubhafte Emotionen und keine leeren Blicke. Echte und KI-generierte Inhalte funktionieren am besten gemeinsam.
- Designregeln entscheiden: Weißraum, Drittelregel und Blickrichtung zur offenen Bildseite verbessern die Bildqualität entscheidend.
- Eigener Stil statt Standard: Licht, Farbwelt und Kameramodell bewusst wählen, idealerweise mit fotografischer Einschätzung.
- Qualität durch Varianten: 8 bis 32 Versionen generieren und die beste auswählen. Das ist effizienter als Nachbearbeitung.
- Toolwahl nach Bedarf: Magnific ist meist die beste Allround-Empfehlung. ComfyUI eignet sich für volle Kontrolle und lokale Verarbeitung.
- Bildmodelle im Vergleich: Nano Banana führt aktuell vor Flux 2, das stärker auf spezialisierte Nischenmodelle setzt.
- Englisch promptet besser: Meist liefern englische Prompts bessere Ergebnisse. Bei kulturspezifischen Begriffen hilft der Zusatz „German".
- Prompt-Pyramide nutzen: Erst Medium, dann Subjekt, Aktivität, Umgebung, Details und zum Schluss fotografische Stilmerkmale. JSON-Prompting schafft Klarheit.
- Gutes Video braucht gutes Bild: Die Bildqualität bestimmt das Ergebnis. Sora 2 führt bei Details und Konsistenz, schwächelt aber bei Physik.
- Audio ist weiter als Video-Editing: ElevenLabs eignet sich für Stimmen und Dubbing, Suno für Musik. Bei KI-Videobearbeitung ist Vorsicht bei CapCut geboten.
The Orchestration Shift: Agentenbasierte Content-Automation – Matthias Hotz
Matthias Hotz zeigt, wie agentenbasierte Orchestrierung die Schwächen herkömmlicher KI-Content-Tools überwindet: Statt statischer Prompts arbeitet ein dynamischer Verbund spezialisierter KI-Agenten, der aktuelle Wettbewerbsdaten einbezieht und Qualität systematisch sichert.
- Mehrere LLMs nach Stärken kombinieren: Gemini für Recherche und Grounding, Claude für lange, regeltreue Texte, ChatGPT für kreative Variation.
- Klarer Workflow mit menschlichem Check: Themenanalyse, Briefing, Texterstellung, Faktencheck. Der Mensch bleibt im Loop – ohne Prüfung mehr Fehler.
- Gemini URL-Kontext-Tool nutzt Google-Suche direkt: Liest Wettbewerber-Seiten aus und erstellt eine Gap-Analyse: Welche Fragen beantworten sie, welche bleiben offen?
- Strukturierte Ergebnisse statt Fließtext: Als Datenformat zurück, leichter in Systeme integrierbar und austauschbar.
- Regeln in separaten Markdown-Dateien: Basis-Regeln für HTML & Keywords, kundenspezifische Regeln für Tonalität & Tabuthemen, Referenztexte als Stilvorbild.
- Humanizer + EEAT im Kontextfenster: Entfernt KI-Floskeln, komprimierte EEAT-Regeln integriert, damit Texte diese Kriterien einhalten.
- Strenge Validierung mit kontrolliertem Grounding: Gemini mit 0 % Kreativität prüft Fakten und googelt unsichere Angaben; bestimmte Quellen gezielt ausgeschlossen.
- Große Kostenunterschiede zwischen Modellen: Claude verarbeitete deutlich weniger Content, Gemini war deutlich günstiger.
- LLMs machen SEO-Crawler überflüssig: Bis Mitte 2026 navigieren und analysieren LLMs Seiten selbst – klassische Crawler werden ersetzt.
- No-Code-Workflows mit Google Antigravity: Projektordner füllen, Anweisungen geben – System übernimmt Recherche, Tests und Bugfixing, auch ohne Programmierkenntnisse.
So baust du dein KI-Reporting – Oliver Kuttruff
Oliver Kuttruff erklärt, wie sich die neue Search-Realität mit AI-Overviews, AI-Mode und LLM-Suchen auf die gesamte Customer Journey auswirkt und wie ein KI-Reporting aussehen muss, das nicht nur Prompts trackt, sondern echten Business Impact sichtbar macht.
- Sinkende Klicks ≠ sinkender Erfolg: Bei Traffic-Rückgang stiegen Sichtbarkeit, Rankings und Revenue – klassische Metriken lügen.
- Click-to-Conversion verliert an Aussagekraft: Klicks und Umsatz laufen nicht mehr zusammen.
- Die Buyer Journey ist fragmentiert: Viele Kanäle, kein klarer Zuordnungspfad – der Dark Funnel wächst.
- KPI-Driver-Tree: Sichtbarkeit → Engagement → Revenue. Bricht die Kette, stimmt etwas nicht (z. B. falsche Keywords).
- Prompt-Monitoring braucht Masse: Erkenntnisse erst ab 100–1.000 Prompts über Themen & Journey-Stufen.
- Self-Reported Attribution deckt mehr KI-Einfluss auf: Oft deutlich höhere Werte (z. B. 10 % statt 4 %). Das ändert Prioritäten.
- Agenten-Traffic wächst: Nutzung v. a. auf Produkt- und Vergleichsseiten, kaum auf Checkout.
- Agent Bounce Rate zählt: Kaufagenten brechen bei Problemen ab und wechseln zum Wettbewerber.
- Strukturierte Daten helfen Maschinen verstehen: Keine direkten Zitations-Booster, aber weniger Interpretationsaufwand für LLMs.
- Quellenoptimierung bringt mehr Sichtbarkeit: Eigene Inhalte, Outreach, Bewertungsplattformen, auf häufig zitierte Domains.
- Interaktive & faire Inhalte funktionieren: Kalkulatoren und faire Vergleichsseiten bringen Wirkung – keine Täuschung.
Lokale eigene LLMs aufsetzen – Niels Andersen
Niels Andersen zeigt, wie Unternehmen digitale Souveränität erlangen können, ohne auf KI zu verzichten. Lokale LLMs ermöglichen DSGVO-konformes Arbeiten mit eigenen Daten – von der Hardware-Auswahl bis zur produktiven Nutzung im Alltag.
- DSGVO-Verstöße kosten teuer und Schatten-KI ist riskant: Bußgelder bis 20 Mio. € oder 4 % des Umsatzes. Ohne erlaubte KI-Lösung drohen private Tools und Kundendaten im Klartext.
- European AI Act: 4 Risikoklassen und Kennzeichnungspflicht. Inakzeptabel, hoch, begrenzt, minimal. Ab August 2026 gilt Kennzeichnungspflicht für KI-generierte Inhalte.
- Mistral ist die europäische DSGVO-Alternative: Verpflichtung auf EU AI Act und DSGVO. Im Streitfall Nachweis für ausschließlich rechtskonforme Tools.
- DSGVO-Pflicht greift bei personenbezogenen Daten: Unkritische Anwendungen dürfen frei gewählt werden. Bei Namen, Adressen, Telefonnummern gelten DSGVO und Absicherungen.
- Lokale Open-Source-Modelle laufen schon auf Laptops: 16 GB RAM reichen für 7B-Modelle über Ollama. 3–5 Minuten Antwortzeit sind normal, Daten bleiben vollständig lokal.
- Hardware nach Budget wählen: ab 700 €: 24 GB VRAM für Tests; ab 5.000 €: Mittelklasse (z. B. Mac Studio M4); ab 10.000 €: High-End für mehrere Nutzer.
- Docker-Container schaffen sichere Isolation: LLM-Instanz läuft in einer Sandbox. Bei Kompromittierung bleibt der restliche Server unberührt – zusätzliche Sicherheit.
- Vektordatenbank speichert Verläufe lokal: z. B. mit Postgres für Zugriff auf frühere Kontexte – ohne externe Anbindung und mit voller Datenhoheit.
- Cloud-Tokenkosten können schnell ausufern: 3.000 € für zwei WordPress-Plugins sind real. Eigene Hardware spart laufende Kosten, bindet aber Kapital in der Anschaffung.
- Eigene Skills machen KI zum Experten für deine Aufgaben: Aus Notizen, Bildern & Referenzen. Direkter Serverzugriff beschleunigt Workflows massiv gegenüber manuellem Code-Kopieren.
Vibe Coding – Roland Golla
Roland Golla, bekannter YouTuber und Open-Source-Enthusiast, zeigt live, wie er mit Claude Code ein Social-Media-Marketing-Tool programmiert. Die Session richtet sich an alle, die wissen wollen, was aktuell State of the Art ist – echte Programmierung mit KI auf dem Terminal, kein Browser-Tool.
- Framework statt Vanilla Code ist Pflicht: Astro liefert feste Abhängigkeiten und eine wartbare Codebasis für die nächsten Jahre.
- Planungsmodus vor Bau-Modus nutzen: Vorher nach Details fragen (z. B. Mehrsprachigkeit) statt sofort drauflos bauen.
- Aufgaben in 3–5 Schritte aufteilen und validieren: Jeden Schritt einzeln prüfen, statt alles auf einmal generieren zu lassen.
- Klare Regeln und Quality Gates sind Pflicht: Sonst entsteht Dead Code. Automatisierte Checks fangen Fehler direkt ab.
- KI programmiert nicht automatisch sauber: Entlassungen lagen an Hardware-Kosten, nicht am Ersatz durch KI selbst.
- Automatisierte Tests vor jedem Live-Gang: Ein kaputtes System live zu bringen ist schlimmer als 1 Tag Verzögerung.
- Astro: null Hosting-Kosten, maximale Unabhängigkeit: Reine HTML-, CSS- und JS-Ausgabe ohne Server, z. B. über GitHub Pages.
- JavaScript hat klare Vorteile gegenüber PHP: Eingebaute Asynchronität für APIs & KI-Tools. JS & Python sind besser im KI-Training.
- Sensible Daten gehören geschützt: Datenschutz & Datensicherheit sind keine nachträgliche Aufgabe.
- Einfache, saubere Strukturen schaffen bessere Ergebnisse: KI-Code mitlesen statt blind vertrauen – so entstehen langfristig bessere Produkte.
KI in Digital Analytics – Markus Baersch
Markus Baersch zeigt, wie KI in der Datenanalyse jenseits der Schlagworte wirklich nützlich ist – von Embedded AI in GA4 bis hin zum sinnvollen Einsatz von LLMs mit eigenen Daten. Dabei geht es nicht nur um ChatGPT, sondern um den praktischen Einstieg ohne Stolpersteine.
- KI direkt im Tool ist überlegen: Integrierte KI kennt den vollen Datenkontext und liefert präzisere Ergebnisse.
- KI holt Insights aus ungenutzten Daten: Tools wie Microsoft Clarity werten tausende Sessions aus. 3 von 5 Insights treffen meist zu.
- Drei Risiken immer prüfen: Eingangsdaten, Interpretationsspielraum und Risiko durch personenbezogene oder kritische Daten.
- Aggregierte Daten statt Rohdaten: Dimensionen multiplizieren die Datenmenge. Nur die wirklich benötigten Dimensionen mitgeben.
- Eine Aufgabe pro Prompt: Mehrere Aufgaben in einem Prompt führen zu stark schwankenden Ergebnisqualitäten.
- Vier Kontextschichten nutzen: Datenkontext, Informationsschicht, Business-Kontext und Marktkontext verbessern die Antwortqualität deutlich.
- TSV ist bei Tabellen effizienter: TSV braucht weniger Tokens als CSV und JSON. JSON eignet sich für tief verschachtelte, nicht-tabellarische Daten.
- MCP-Server: gut zur Exploration, nicht für Automatisierung: Zu viele Server bringen Kontext-Overhead und führen zu gekürzten, unbrauchbaren Antworten.
- KI nicht in jeden Prozessschritt: Wo ein Skript reicht, bleibt es deterministisch, günstiger und stabiler. Automatisierung ohne KI ist jetzt für Marketer machbar.
- Relevanz-Gates und Schwellwerte setzen: Verhindert Unsinn-Ergebnisse und sorgt für statistisch sinnvolle Auswertungen.
