Vortests von Werbemitteln mit vorhergesagter visueller Aufmerksamkeit und Bewertung der Werbewirkung

Das Testen einer Anzeige, Verpackung oder Landingpage mit einem Eyetracking- oder Befragungspanel dauert Wochen und kostet pro Werbemittel tausende Euro, sodass die meisten Werbemittel ungetestet erscheinen. Auf großen Eyetracking-Datensätzen trainierte Salienzmodelle sagen eine Aufmerksamkeits-Heatmap in Sekunden voraus, messen, ob Logo und Botschaft wahrgenommen werden, und markieren überladene Layouts. Marketingverantwortliche können Varianten vor dem Mitteleinsatz vergleichen, auch KMU ohne Forschungsbudget. Es ist eine Vorhersage der Wahrnehmung, keine Messung des Umsatzes.

Problem & Nutzen

• Heute: Die Qualität von Werbemitteln wird nach Geschmack, Agenturmeinung oder, bei großen Marken, durch panelbasierte Vortests (Eyetracking, Befragungen, Gesichtskodierung, EEG) beurteilt, die Wochen dauern. Mediabudgets fließen dann in Werbemittel, deren Logo übersehen oder deren Überschrift nie gelesen wird.
• KI-Nutzen: Ergebnisse in Sekunden pro Werbemittel, sodass viele Varianten gesichtet und das Design überarbeitet werden kann, bevor die Produktion abgeschlossen ist. Anbieter positionieren das als günstigen ersten Filter und als Weg zu entscheiden, welche wenigen Werbemittel einen vollständigen Paneltest verdienen.
• Belegniveau: Neurons berichtet, sein Aufmerksamkeitsmodell reproduziere Eyetracking-Ergebnisse mit über 95 % Genauigkeit, trainiert auf einer Datenbank mit mehr als 100.000 Teilnehmenden [1]. Diese Zahlen sind vom Anbieter berichtet; ein unabhängiger Benchmark auf realen Werbemitteln wurde nicht gefunden. Akademische Salienz- Benchmarks (MIT/Tübingen) messen die Vorhersage von Fixationen auf Naturbildern und sind der bessere Maßstab für die zugrunde liegende Technik [5][6]. Aufmerksamkeit ist eine notwendige, aber nicht hinreichende Bedingung für Überzeugung, behandeln Sie die Werte daher als Diagnose.
• Abgrenzung: REC-007 optimiert mit Live-Kampagnendaten; dieser Anwendungsfall sagt die menschliche Wahrnehmung voraus ohne Publikumsdaten. GEN-001 / GEN-004 erzeugen Werbemittel, bewerten sie aber nicht.

Varianten

• Werkzeuge zur Aufmerksamkeitsvorhersage (Neurons, Dragonfly AI, Attention Insight, Brainsight, EyeSee): Bild oder Video hochladen, Heatmaps, Anteile je Interessenbereich und Klarheitswerte erhalten; die Kernvariante.
• Bewertung der Werbewirkung auf Markenebene (Kantar LINK AI und ähnliche): Modelle, die auf großen Archiven getesteter Anzeigen trainiert wurden und Ergebnisse wie Markenwirkung allein aus dem Werbemittel vorhersagen [4].
• Vortests von Verpackung und Regal: eine Verpackung im simulierten Regal darstellen und die Auffälligkeit vorhersagen.
• Web- und App-UX: vorhergesagte Aufmerksamkeit auf Landingpages und E-Mail-Vorlagen (zum Vergleich VIS-025 für Video-Tagging).
• Außenwerbung und Retail Media: Lesbarkeit aus der Distanz bei Plakaten, DOOH und Displays im Laden prüfen.
• Self-Service für KMU: eine Prüfung per Canva- oder Figma-Plug-in vor dem Posten; kostenlose oder günstige Tarife.

So funktioniert es

1. Kreativmaterial (Bild / Video / Mock-up)
2. Vorverarbeitung (Skalierung auf Gerät/Betrachtungskontext, Frame-Sampling bei Video)
3. Salienzmodell (CNN/Transformer, auf Fixationen trainiert)
4. Heatmap + Blickverlaufsschätzung
5. AOI-Erkennung (Logo, Gesicht, Text, CTA per Objekterkennung + OCR)
6. Kennzahlen (AOI-Aufmerksamkeitsanteil, Zeit bis zur ersten Wahrnehmung, Klarheit / kognitive Last)
7. Benchmark gegen Kategorienormen und frühere Gewinner
8. Empfehlung + optional VLM-Kritiktext
9. menschliche Kreativprüfung
10. optional Panel-Validierung der in die engere Wahl gekommenen Variante
11. Start

• Salienzmodell: ein tiefes Netz, trainiert auf Eyetracking-Fixationen, das Bottom-up- Merkmale (Kontrast, Farbe, Kanten, Gesichter, Text) mit gelernten Top-down-Vorannahmen kombiniert; die Ausgabe ist eine Wahrscheinlichkeitskarte über dem Bild. Modelle der DeepGaze-Klasse sind die offene Referenz [6].
• Erkennung von Interessenbereichen (AOI) und Marken: Objekterkennung und OCR lokalisieren Logos, Gesichter und Text; Neurons beschreibt eine automatische AOI-Erkennung für Marken, Text und Gesichter [1].
• Bewertungsschicht: gewichtet Aufmerksamkeitskennzahlen zu einem Index (Klarheit, Fokus, Markensichtbarkeit); die Gewichtung ist anbietereigen und sollte an den eigenen Kennzahlen kalibriert werden.
• VLM-Kritik: Ein multimodales LLM kann die Zahlen in Gestaltungsempfehlungen übersetzen. Es sagt den Blick nicht selbst voraus und kann halluzinieren; das Salienzmodell bleibt daher die Grundlage der Zahlen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Kreativleitung und Markenverantwortliche entscheiden; die Werkzeuge schlagen vor. Eine Kalibrierung an einem kleinen Paneltest mit 10-20 früheren Werbemitteln wird empfohlen, bevor Sie einem Schwellenwert vertrauen.

Datenaufbereitung

Die wichtigsten Eingaben sind die Werbemittel selbst (Bilder, Videos, Mock-ups) im DAM, auf Dateifreigaben, in Agentur-E-Mails oder in Designwerkzeugen, dazu zur Kalibrierung die Ergebnisse früherer Kampagnen (Klickraten, Erinnerung, Brand Lift aus Agenturberichten oder Excel) und Markenrichtlinien. Typische Lücken: nur finale Exporte in ungewöhnlichen Größen, keine Verknüpfung zwischen einem Werbemittel und seinem Kampagnenergebnis, mehrere Versionen unter uneinheitlichen Namen, kein Kontext zu Kanal und Format (mobiler Feed, Plakat) und keine abgestimmten Kategorie-Benchmarks.

Vorbereitungsschritte: - Die letzten 10-20 Werbemittel mit gemessenen Ergebnissen als Kalibrierungsdatensatz sammeln (PREP-018, PREP-020). - Werbemittel im DAM mit Kampagne, Kanal, Format und Version benennen und verschlagworten (PREP-010, PREP-009). - Kampagnenergebnisse in eine übersichtliche Tabelle exportieren und über die Werbemittel-ID zusammenführen (PREP-011, PREP-005). - Einmalig mit dem Markenteam festlegen, welche Elemente als Interessenbereiche zählen (Logo, Handlungsaufforderung, Produkt, Überschrift) (PREP-019). - Einen kleinen Goldstandard-Satz gut funktionierender Werbemittel als Referenz führen (PREP-016). - Prüfen, dass Uploads nicht für das Training des Anbieters verwendet werden.

Aufwand: gering, etwa 10-20 Prozent des Projekts; der Kalibrierungsschritt ist der entscheidende. Siehe GUIDE-003 für einen schnellen Check.

Umsetzungswege

Welcher Weg für wen

• smb: A - SaaS zur Aufmerksamkeitsvorhersage von EU-Anbietern liefert Heatmaps und Werte innerhalb von Tagen für einen Standardprozess, ohne ML-Personal.
• enterprise: B - Die Integration der Werte in das DAM und den Creative-Ops-Workflow sowie die Kombination mit einer VLM-Kritik und eigenen Marken-Benchmarks erfordern APIs und Orchestrierung.
• developer: C - Offene Salienzmodelle (DeepGaze-Familie) und offene VLMs laufen auf einer einzelnen HW2-Maschine; die Genauigkeit bei Werbelayouts ist geringer, daher an eigenen Daten kalibrieren.

Weg A — Kaufen (Standardsoftware) (empfohlen)

• SaaS zur Aufmerksamkeitsvorhersage: Neurons Predict (Dänemark, EU), Attention Insight (Litauen, EU), Dragonfly AI (UK), Brainsight (Kanada), EyeSee (Italien/Niederlande, EU; kombiniert Panels mit KI) [1][2][3].
• Benchmarking der Werbewirkung: Kantar LINK AI (UK/global, mit umfangreichen Normen getesteter Anzeigen) [4]; ähnliche Angebote kommen von anderen Forschungsagenturen.
• A wählen, wenn: Sie Ergebnisse noch diese Woche brauchen, kein ML-Team haben und die Werbemittel überwiegend Bilder oder kurze Videos sind. Prüfen: Datenverarbeitung in der EU, ob Uploads für Training genutzt werden, API-Zugang, Markenbibliothek und Team-Lizenzen, mitgelieferte Validierungsbelege.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Anbieter-APIs (Neurons, Attention Insight und andere bieten API oder Massen-Upload) für die Integration in DAM oder Creative-Ops-Werkzeuge.
• Multimodale LLMs (Claude, Gemini, GPT, Mistral Pixtral; EU-Regionen, wo angeboten) für Kritik, Prüfungen der Botschaftsklarheit und Prompts wie „was würde ein Erstbetrachter bemerken“, kombiniert mit einem Salienzmodell für die Zahlen.
• Orchestrierung mit n8n oder einem kleinen Dienst; Werte je Werbemittel-ID im DAM speichern.

Weg C — Selbst betreiben (Open Source)

• Salienz: DeepGaze IIE / III (PyTorch, offener Code), mit SALICON/MIT1003 trainierte Modelle und pysaliency für das Benchmarking; Video-Salienzmodelle wie TASED-Net oder ViNet [5][6].
• AOI: Detektoren der YOLO-Klasse oder Open-Vocabulary-Detektoren (Grounding DINO, OWLv2) plus PaddleOCR für Text; offene VLMs wie Qwen-VL für die Kritik über vLLM.
• Hardware: HW2 reicht reichlich; die Salienz-Inferenz ist leicht, sodass für Bilder sogar HW1 funktioniert.
• Einschränkung: Offene Modelle sind auf Naturszenen trainiert, daher ist das werbespezifische Verhalten (Text, Logos, Layouts) schwächer als bei kommerziellen Modellen, die auf werberelevanten Daten trainiert wurden.

Weg D — Eigenes Training

Lohnt sich nur für Agenturen oder Marken mit eigenen Archiven getesteter Werbemittel: ein Salienzmodell auf den eigenen Eyetracking-Sitzungen feintunen oder ein Ergebnismodell (tabellarische oder CNN-Merkmale → Erinnerung, Brand Lift) auf historischen Vortest- und Kampagnenergebnissen trainieren. Braucht hunderte bis tausende Werbemittel mit gemessenen Ergebnissen und einheitlichen Testprotokollen.

Stand der Technik (2026)

• Salienzvorhersage ist auf Naturbildern ausgereift; Benchmarks wie MIT/Tübingen verfolgen den Fortschritt anhand von Fixationskennzahlen (AUC, NSS, KL) [5]. Kommerzielle Werkzeuge erweitern das auf Anzeigen, Verpackungen, Video und Web, mit Berichten auf AOI-Ebene.
• Trend: Anbieter ergänzen generative Funktionen, etwa von der KI formulierte Verbesserungsvorschläge und Variantenerzeugung im selben Werkzeug, mit Verbindung zu GEN-001 / GEN-004 und Creative-Ops-Plattformen.
• Grenzen und Fehlerbilder: (1) sagt freies Betrachten oder allgemeine Aufgabenaufmerksamkeit voraus; der reale Kontext (Scrollgeschwindigkeit, Ton, Markenvorwissen, Absicht) verändert den Blick; (2) stark bei „was gesehen wird“, schwach bei „was verstanden oder gemocht wird“; (3) Text, Gesichter und starker Kontrast dominieren, daher können ungewöhnliche Designs falsch vorhergesagt werden; (4) kulturelle Unterschiede und Leserichtungen (z. B. rechts-nach-links-Schriften) sind in den Trainingsdaten unterrepräsentiert; (5) Genauigkeitsangaben der Anbieter sind selbst berichtet; (6) auf früheren Anzeigen trainierte Wirksamkeitswerte bevorzugen konventionelle Werbemittel und können Neuartiges abstrafen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Objekterkennung + OCR/Dokumentenanalyse + VLM): VIS-035 Marken- und Logoerkennung, VIS-022 visuelle Suche, VIS-025 Video-Tagging, VIS-018 industrielle OCR.
• Vorgelagert: GEN-001 Marketingbilder, GEN-004 Banner und Layouts, GEN-002 Video: viele Varianten erzeugen, hier sichten.
• Nachgelagert: REC-007 Anzeigenoptimierung, die Vorhersagen mit Live-Ergebnissen validiert; die Ergebnisse von A/B-Tests zurückspielen, um die Bewertung zu kalibrieren.
• Infrastruktur: Ein HW2-GPU-Server kann Salienz, Erkennung und ein VLM gemeinsam bedienen.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden bis Tage; Abonnementpreise (Stufen nach Lizenzen oder Werbemitteln; Anbieterseiten prüfen).
• Weg B: 2-6 Wochen zur Integration in DAM und Prüf-Workflow.
• Weg C: 1-3 Monate inkl. Kalibrierung; geringe GPU-Kosten, Hauptkosten sind Entwicklung und Validierung.
• Kennzahlen: Korrelation zwischen vorhergesagter AOI-Aufmerksamkeit und späteren Panel- oder A/B-Ergebnissen; Anteil der vor dem Start gesichteten Werbemittel; Überarbeitungsschleifen je Werbemittel; Zeit bis zur Freigabe; Erinnerung an die Marke oder CTR-Steigerung nach dem Start im Vergleich zur ungetesteten Basislinie; Quote fälschlich bestandener niedrig bewerteter Werbemittel.

Menschen & Veränderung

Binden Sie die Marketing- oder Markenleitung (Prozessverantwortliche und Sponsor), das Kreativteam und eine externe Agentur (Lieferanten) ein, dazu die IT für den DAM-Zugang und SaaS-Konten. Die Leitung muss nur ein kleines Budget freigeben. Positionieren Sie das Werkzeug als schnelle Zweitmeinung vor teurem Mediaeinsatz, nicht als Richter über kreative Arbeit; Designerinnen und Designer, die den Benchmark mit aufbauen, akzeptieren es leichter.

Betriebsrat: im Regelfall nein; das Werkzeug bewertet Werbemittel, nicht Verhalten oder Leistung von Beschäftigten. Werden die Werte genutzt, um einzelne Designer zu vergleichen, ändert sich das Bild (hängt vom Einzelfall ab) und §87 Abs. 1 Nr. 6 BetrVG sollte geprüft werden; eine kurze Information des Betriebsrats nach §90 Abs. 1 Nr. 3 BetrVG ist gute Praxis (GUIDE-004).

Datenschutz: Die Werbemittel können Personen zeigen, es sind aber in der Regel Models mit unterschriebenen Einverständniserklärungen; es werden keine personenbezogenen Daten von Beschäftigten nach DSGVO verarbeitet. Den AVV des Anbieters prüfen und sicherstellen, dass Uploads nicht für das Training behalten werden (GUIDE-005, GUIDE-010). KI-Kompetenz: Erklären Sie, dass die Heatmap eine Vorhersage und kein gemessener Blick ist und dass eine VLM-Kritik halluzinieren kann; die KI-Verordnung (AI Act) Art. 4 verlangt von Arbeitgebern, die Kompetenz der Beschäftigten zu fördern (GUIDE-006). Führen Sie einen vierwöchigen Piloten mit 10-20 früheren und aktuellen Werbemitteln durch und vergleichen Sie die Werte mit realen Ergebnissen, bevor Sie einen Schwellenwert festlegen (GUIDE-009). Typische Bedenken: „es macht die Kreativität platt“, „die Werte sind willkürlich“; die Kreativleitung bleibt die letzte Entscheidungsinstanz, und Schwellenwerte werden regelmäßig überprüft (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Das Werkzeug analysiert Werbemittel, keine Personen, und keine Kategorie nach Anhang III greift; KI-Kompetenz (Art. 4) gilt für Beschäftigte [7]. Vorsicht bei angrenzenden Varianten: Panel-Zusätze, die Emotionen aus Webcams von Beschäftigten ableiten, sind am Arbeitsplatz nach Art. 5 verboten; Emotionserkennung bei Verbrauchern ist ansonsten hochriskant oder transparenzpflichtig. Vorhergesagte Aufmerksamkeit auf hochgeladenen Werbemitteln tut dies nicht.
• DSGVO: im Allgemeinen keine personenbezogenen Daten, wenn die Werbemittel keine identifizierbaren Personen enthalten; Anzeigen mit echten Models oder nutzergenerierten Inhalten können Gesichter enthalten, daher den AVV des Anbieters, die Hosting- Region und Klauseln zur Trainingsnutzung prüfen. Panel-Zusätze (Webcam-Eyetracking) brauchen eine Einwilligung.
• Werberecht: Die Werte ersetzen keine Compliance-Prüfung (UWG, Regeln zu irreführender Werbung und Kennzeichnung von Influencer-Werbung).
• Geschäftsrisiken: übermäßiges Vertrauen in eine Stellvertreterkennzahl, Optimierung auf „wirkt auffällig“ statt überzeugend, vereinheitlichte Kreation, Abhängigkeit vom Anbieter bei proprietären Werten.
• Gegenmaßnahmen: an eigenen Daten kalibrieren, bei großen Wetten einen Panel- oder A/B-Schritt beibehalten, Schwellenwerte dokumentieren, Werte als einen Input unter mehreren behandeln.

Erste Schritte

1. 20 frühere Werbemittel mit bekannten Ergebnissen (gute und schwache) auswählen und durch die Testversionen von 2 Werkzeugen laufen lassen.
2. Die vorhergesagte Aufmerksamkeit mit dem Bekannten vergleichen: Passt der Logo-Wert zu den Erinnerungsergebnissen?
3. AOIs und eine minimale Checkliste festlegen (Logo in 3 s gesehen, Handlungsaufforderung sichtbar, ein Blickfang).
4. Die Prüfung vor der Freigabe in den Kreativ-Workflow aufnehmen und Werte zusammen mit den Kampagnenergebnissen protokollieren.
5. Nach einem Quartal die Korrelation mit den Kennzahlen prüfen und Schwellenwerte anpassen oder verwerfen.

Quellen

1. Neurons — How Predict (attention AI) works and validation — https://knowledge.neuronsinc.com/how-neurons-ai-works
2. Dragonfly AI — predictive attention platform — https://dragonflyai.co
3. Attention Insight — AI attention heatmaps — https://attentioninsight.com
4. Kantar — LINK AI creative testing — https://www.kantar.com/campaigns/link-ai
5. MIT/Tuebingen Saliency Benchmark — https://saliency.tuebingen.ai
6. DeepGaze (open-source saliency models) — https://github.com/matthias-k/DeepGaze
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. Brainsight — predictive attention tools — https://www.brainsight.app