Ein einziger Mensch. Kein Team, keine Agentur, kein externer Dienstleister. Zehn Monate lang hat Austin Lau, nicht-technischer Growth-Marketing-Lead bei Anthropic, die gesamte Performance-Marketing-Maschinerie des KI-Unternehmens allein betrieben. Paid Search, Paid Social, E-Mail-Marketing, SEO, App-Store-Optimierung — alles in Personalunion. Das Werkzeug: Claude Code und ein selbst gebautes System aus Sub-Agenten, Figma-Automatisierung und MCP-Servern.
Die Ergebnisse, die Anthropic in einer internen Case Study veröffentlicht hat, klingen nach Übertreibung — sind aber detailliert dokumentiert: Die Erstellung von Werbeanzeigen schrumpfte von zwei Stunden auf 15 Minuten. Der kreative Output verzehnfachte sich. Die Konversionsraten lagen 41 Prozent über dem Branchendurchschnitt.
Der Workflow: Vier Bausteine, null Programmierung
Laus System besteht aus vier ineinandergreifenden Komponenten, die er ohne Programmierkenntnisse mit Claude Code aufgebaut hat:
Erstens: Ein agentischer Workflow, der CSV-Dateien mit hunderten bestehenden Google-Anzeigen samt Performance-Daten verarbeitet. Zwei spezialisierte Sub-Agenten — einer für Headlines (maximal 30 Zeichen), einer für Descriptions (maximal 90 Zeichen) — generieren automatisch neue Variationen unterperformender Anzeigen. Was früher manuelles Hin-und-Her-Kopieren über dutzende Kampagnen bedeutete, erledigt das System in Minuten.
Zweitens: Ein Figma-Plugin, das Frames identifiziert und programmatisch bis zu 100 Anzeigenvariationen durch automatisches Austauschen von Headlines und Descriptions erzeugt. Die Zeitersparnis: von Stunden auf eine halbe Sekunde pro Batch.
Drittens: Ein MCP-Server (Model Context Protocol), der direkt mit der Meta Ads API verbunden ist. Damit kann Lau Kampagnen-Performance, Ausgaben und Anzeigeneffektivität abfragen, ohne die Claude-Oberfläche verlassen zu müssen.
Viertens: Ein selbst entwickeltes Gedächtnis-System, das Hypothesen und Ergebnisse aus vergangenen Anzeigen-Experimenten protokolliert und in den Kontext neuer Iterationen einspeist — ein sich selbst optimierendes Test-Framework.
Die Bestätigung kommt vom Protagonisten selbst
Austin Lau bestätigte auf X, dass er tatsächlich fast zehn Monate lang als einzige Person im Growth Marketing gearbeitet hat. Seine Klarstellung: „Growth Marketing ist nicht das gesamte Go-to-Market." Anthropic hatte also durchaus andere Marketing-Funktionen besetzt — aber die komplette Performance-Marketing-Maschine lief über einen einzelnen Menschen mit KI-Werkzeugen.
Was das wirklich bedeutet
Der Fall ist aus mehreren Gründen brisant. Erstens kommt die Case Study direkt vom KI-Hersteller — Anthropic dokumentiert, wie das eigene Produkt intern zur Personalreduktion beiträgt. Zweitens zeigt der Fall, dass die Grenze zwischen „KI als Assistenz" und „KI als Teamersatz" fließend geworden ist. Und drittens demonstriert er, dass die stärkste Disruption nicht bei Programmierern beginnt, sondern bei repetitiven Wissensarbeit-Workflows: Anzeigen erstellen, testen, iterieren, optimieren.
Anthropics Case Study umfasst zehn Teams — von Data Infrastructure über Security Engineering bis Legal. In jedem Fall zeigt sich dasselbe Muster: Claude Code ermöglicht es Einzelpersonen, Aufgaben zu bewältigen, die zuvor ganze Abteilungen oder externe Spezialisten erforderten.
🎯 Was das für die Praxis bedeutet
1. Interne Prozesse auditieren: Welche repetitiven Workflows in Marketing, Vertrieb oder Operations lassen sich mit agentischen KI-Workflows automatisieren? Laus Methode — CSV rein, Agenten iterieren, Output automatisch umsetzen — ist auf viele Bereiche übertragbar.
2. Sub-Agenten statt Generalisten: Spezialisierte KI-Agenten für Teilaufgaben (z.B. ein Agent für Headlines, einer für Descriptions) liefern bessere Ergebnisse als ein einziger General-Prompt. Das gilt auch für Teams außerhalb von Marketing.
3. MCP-Integration beschleunigen: Das Model Context Protocol verbindet KI-Agenten mit echten Business-Daten. Wer seine Plattform-APIs (Google Ads, Meta, CRM) über MCP anbindet, schafft sofort messbaren Produktivitätsgewinn.
4. Die Team-Frage neu stellen: Nicht „Wie viele Leute brauche ich?" sondern „Was kann eine Person mit den richtigen KI-Werkzeugen leisten?" wird zur entscheidenden Planungsfrage.
