Durchgeführt haben die Untersuchung die ETH Juniors, die technische Unternehmensberatung der ETH Zürich. Finanziert wurde sie vom Verband Aussenwerbung Schweiz (AWS), von Goldbach, der Interessengemeinschaft elektronische Medien (IGEM), Leading Swiss Agencies (LSA) und dem Verlegerverband Schweizer Medien (VSM). Media Focus lieferte die Marktdaten. Initiiert hat die Studie Guido Trevisan, Leiter Marketing & Business Development bei APG|SGA.
Für die Studie erhielten 15 kommerzielle und offene Sprachmodelle 9982 standardisierte Briefings aus 46 Teilmärkten. Darunter waren Modelle von OpenAI, Anthropic, Google, Meta, xAI und Mistral sowie das Schweizer Modell Apertus. Die Briefings variierten unter anderem bei Kampagnenziel, Distribution und Budget, das zwischen 100’000 Franken und 3,5 Millionen Franken lag. Die Modelle sollten das Geld auf neun vorgegebene Kanäle verteilen: TV, Radio, Print, Plakat, Kino, Display, Search, YouTube und Social Media. Als Referenz diente die Brutto-Werbedruckstatistik 2024 von Media Focus. Diese bewertet beobachtete Schaltungen zu Listenpreisen und bildet damit nicht die effektiven Ausgaben ab. Weil Media Focus keine Social-Media-Spendings erfasst, wurde dieser Wert über Daten der Stiftung Werbestatistik Schweiz hochgerechnet.
Zielgruppen erkannt, Kanäle nicht angepasst
Am deutlichsten fallen die Unterschiede zwischen den Teilmärkten aus. Die Modelle leiten zwar passende Zielgruppen ab, ändern die Kanalwahl aber kaum. Bei Arzneimitteln und Gesundheitsprodukten liegt die Abweichung vom realen Mix deshalb bei 125,9 Prozentpunkten, bei Gesellschaft und Politik bei 123,4. Am geringsten ist sie bei Neuwagen mit 39,5 Prozentpunkten. Laut Mitteilung liegt das nicht an besserem Wissen über den Teilmarkt. Der reale Mix bei Neuwagen ähnelt zufällig dem Standard-Mix der Modelle. Im Schnitt über alle 46 Teilmärkte beträgt die Abweichung 78,6 Prozentpunkte.
Die Kennzahl ist mit Vorsicht zu lesen. Sie summiert die absoluten Differenzen über alle neun Kanäle, jede Verschiebung zählt also doppelt: als Minus beim abgebenden und als Plus beim gewinnenden Kanal. Deshalb sind Werte über 100 möglich. Auf Ebene des Gesamtmarkts weichen die Modelle im Schnitt um 48,6 Prozentpunkte ab. Das entspricht laut Mitteilung einer Umverteilung von rund einem Viertel des Budgets.
Print und Search verlieren, YouTube gewinnt
Im Durchschnitt der Modelle erhalten Print, TV und Search weniger Budget, als ihnen im Markt zukommt. Bei Print sinkt der Anteil von 18,2 auf 7,9 Prozent, bei Search von 20,1 auf 10,9 Prozent und bei TV von 21,0 auf 17,1 Prozent. YouTube steigt dagegen von 3,0 auf 11,5 Prozent, Display und Radio legen ebenfalls zu. Bei Social Media, Aussenwerbung und Kino liegen die Werte nahe am Markt.
Je nach Modell liegt die Gesamtabweichung zwischen 40,0 Prozentpunkten bei Claude Opus 5 und 61,1 Prozentpunkten bei GPT-5.6 Sol. Mit wachsendem Budget verschieben die Modelle Anteile zu TV und reduzieren Social Media.
In Zusatztests mit dem Modell GPT-5.6 Luna blieb der Mix nahezu gleich, wenn die Sprachregion geändert oder das Budget netto statt brutto angegeben wurde. Auch ohne vorgegebene Kanalliste näherte sich der Mix dem Markt kaum an. Die Experimente wurden pro Modell nicht wiederholt. Warum die Modelle bestimmte Gattungen bevorzugen, untersucht die Studie nicht. Sie bewertet ausdrücklich auch nicht, ob der vorgeschlagene Mix besser oder schlechter ist als der heutige.
«Als vermutlich erster Markt weltweit können wir nun auf breiter Datenbasis zeigen, dass rein KI-generierte Mediapläne deutlich vom Werbemarkt abweichen, vor allem, weil sie für alle Branchen ähnlich planen», lässt sich Initiator Guido Trevisan in der Mitteilung zitieren. Die zentrale Frage sei nun, wie der Schweizer Markt darauf reagiere.
Monica Jäggi, fachliche Begleiterin der Studie und Mitglied der Geschäftsleitung von Konnex, Agentur für Medien-Kommunikation, betont mit Blick auf die Resultate die Rolle menschlicher Planung. «Damit bleibt die Rolle von versierten Mediaplanenden zentral», wird sie in der Mitteilung zitiert. Am 20. November wollen Geldgeber, Datenlieferant und weitere Fachleute die Ergebnisse diskutieren und mögliche Handlungsfelder definieren. Dazu gehört auch die Frage, wie sich Schweizer Mediendaten für KI-Anwendungen besser nutzbar machen lassen. (pd/cbe)