Warum Belohnungen Kundenbindung schwächen können

In den frühen 1990er Jahren machte der Neurowissenschaftler Wolfram Schultz eine Beobachtung, die das Fundament der Belohnungspsychologie hätte erschüttern sollen: Wenn ein Affe lernte, dass ein bestimmtes akustisches Signal zuverlässig Apfelsaft ankündigte, verschob sich die Dopaminausschüttung vollständig auf den Moment des Signals, nicht auf den Moment des Saftes. Die Belohnung selbst wurde neurobiologisch irrelevant, sobald sie vollständig vorhersagbar war, und was übrig blieb, war ein Dopaminsignal auf die Lücke zwischen Vorhersage und Auflösung, auf den Moment also, in dem das Gehirn noch nicht weiß, ob seine Erwartung bestätigt wird. Was Schultz beschrieb, ist kein Randphänomen der Primatenneurologie, sondern das Organisationsprinzip eines Organs, das die Welt nicht als Abfolge von Erlebnissen verarbeitet, sondern als kontinuierliche Vorhersageaufgabe, bei der Dopamin die Währung des Vorhersagefehlers ist und nicht des Ergebnisses.

Das hat eine Konsequenz, die unbequem ist für jeden, der für die Gestaltung menschlichen Kaufverhaltens bezahlt wird. Wenn das Gehirn eine Vorhersagemaschine ist und kein Belohnungsprozessor, dann ist das operative Modell des modernen Marketings nicht eine vereinfachte Version der richtigen Antwort, sondern die konsequente Umsetzung der falschen Frage. Das Stimulus-Response-Schema, das seit dem frühen Behaviorismus die implizite Grammatik von Marketingentscheidungen bildet, beschreibt den Menschen als ein System, das auf korrekt kalibrierte Anreize mit vorhersagbarem Verhalten antwortet, weshalb die Kernfrage aller Marketing-Disziplinen lautet: Wie bauen wir den richtigen Anreiz, timen ihn präzise und liefern ihn an die richtige Person? Das Vorhersagemodell stellt eine grundlegend andere Frage, nämlich welche Erwartung das Gehirn gerade führt und wie diese Erwartung durch die nächste Erfahrung kalibriert wird, in eine Richtung, die Engagement vertieft oder konsumiert, und wer die erste Frage immer präziser beantwortet, kommt der zweiten nicht näher.

Was die aktuelle Trendumfrage der marketing-BÖRSE unter mehr als 2.500 Marketing-Verantwortlichen dabei besonders aufschlussreich macht, ist nicht nur, welche Themen vorne liegen, sondern die Rangbewegungen der Themen, die in diesem Spannungsfeld investiert sind. Customer Journey verzeichnet mit minus 17 Prozentpunkten den stärksten Relevanzrückgang der gesamten Erhebung. Storytelling fällt von 79 auf 40 Prozent. Gleichzeitig macht Conversational AI mit plus 15,7 Prozentpunkten den größten Relevanzzuwachs, was auffällt, weil Conversational AI von seiner Natur her auf Antizipation und Ungewissheit aufbaut, nicht auf die Lieferung einer vorab definierten Belohnung. Das ist kein zufälliges Muster: Die Themen, die verlieren, sind jene, die im klassischen Belohnungsmodell verankert sind und deren Wirkung messbar nachlässt, während jene gewinnen, die instinktiv in Richtung Vorhersage und Dialog zeigen. Die Branche spürt etwas, das sie noch nicht benennen kann.

Die Technologiearchitektur, die um das bestehende Modell herum gewachsen ist, macht das Problem strukturell stabil. Customer-Data-Platforms aggregieren Verhaltensdaten, um Belohnungsmomente präziser zu timen. Marketing-Automation-Systeme sind darauf ausgelegt, den richtigen Trigger zur richtigen Zeit auszulösen. Demand-Side-Platforms optimieren auf Conversion-Events, auf Momente also, in denen eine Belohnung eine Handlung ausgelöst hat. Das ist nicht fehlerhafte Technologie, sondern korrekt implementierte fehlerhafte Prämisse, und der Markt hat exakt das geliefert, was bestellt wurde. Was er nicht liefert, weil niemand es bestellt hat, ist ein System, das die Vorhersagestruktur gestaltet, die im Kopf eines Kunden läuft, bevor er überhaupt in ein Segment fällt oder mit einem Touchpoint in Berührung kommt.

Das Designmedium ist die Erwartung

Was das Vorhersagemodell als Designprinzip bedeutet, lässt sich präziser fassen, als es zunächst klingt. Es geht nicht darum, Belohnungen abzuschaffen oder Anreize zu verweigern, sondern darum, zu verstehen, an welchem Punkt im Prozess das Gehirn tatsächlich aktiv wird. Schultz' Befund lässt sich so übersetzen: Der Wert einer Erfahrung liegt nicht in ihrer Einlösung, sondern in ihrer Ankündigung, und zwar genau so lange, wie ihre Einlösung noch ungewiss ist. Sobald die Ungewissheit verschwindet, verschwindet das Engagement. Praktisch bedeutet das, dass das eigentliche Designmedium nicht die Belohnung ist, sondern der Raum zwischen Erwartung und Auflösung, und wer diesen Raum gestaltet, statt nur den Einlösungsmoment zu optimieren, arbeitet mit dem Organ, das er ansprechen will, statt an ihm vorbei. Das ist keine philosophische Präferenz, sondern eine operative Konsequenz aus dem, was wir seit drei Jahrzehnten über dopaminerge Aktivität wissen, und sie hat konkrete Implikationen für die drei Marketing-Disziplinen, in die die Branche heute am meisten investiert.

Loyalty-Programme: Kalkulation statt Bindung

Loyalty-Programme verwalten in Deutschland mehrere hundert Millionen aktive Mitgliedschaften, absorbieren in vielen Unternehmen Budgets in zweistelliger Millionenhöhe, und produzieren eine Bindungswirkung, die empirisch kaum über die eines gut gestalteten Rabattsystems hinausgeht. Die Diagnose, die die Branche daraus ableitet, lautet regelmäßig: zu wenig Punkte, zu wenig Exklusivprämien, zu wenig Gamification. Das ist die Logik eines Mechanikers, der auf eine strukturelle Schwäche mit mehr Drehzahl antwortet. Das Problem ist das Designprinzip selbst. Ein Loyalty-Programm, das seinen Mitgliedern vollständig transparent erklärt, wie viele Punkte ein Kauf generiert, wie viele Punkte für welche Prämie einlösbar sind und wann der nächste Statuslevel erreicht wird, hat ein perfekt antizipables System gebaut, in dem das Gehirn keine Vorhersagearbeit mehr leisten muss. Wer weiß, was er bekommt, bevor er kauft, kauft kalkuliert, und Kalkulation ist kein neurologischer Zustand, der emotionale Bindung erzeugt. Das erklärt, warum Mitglieder bei der ersten günstigeren Alternative wechseln: nicht weil sie undankbar sind, sondern weil sie in einem System maximaler Vorhersagbarkeit exakt das tun, was ein kalkulierendes Wesen tun sollte. Dass Loyalty-Programme in der aktuellen Branchenerhebung auf Rang 48 von 80 untersuchten Themen liegen, ist kein Zeichen schwindenden Interesses, sondern ein Zeichen schwindenden Vertrauens in die Wirkung des bestehenden Modells. Die Programme, die tatsächlich emotionale Bindung erzeugen, und man erkennt sie daran, dass ihre Mitglieder sie verteidigen statt nur nutzen, arbeiten mit strukturierter Unvorhersagbarkeit innerhalb eines verlässlichen Rahmens, mit Status-Upgrades, die früher eintreten als das Regelwerk ankündigt, mit Anerkennungen, die nicht im Katalog stehen, mit Überraschungen, die das Belohnungsmodell als ineffiziente Großzügigkeit verbucht und die das Vorhersagemodell als den eigentlichen Wirkstoff identifiziert. Das Gegenteil eines schlechten Loyalty-Programms ist keine bessere Belohnungsstruktur, sondern eine durchdachte Erwartungsarchitektur.

Das Relevanz-Paradox der Personalisierung

Personalisierung ist das zweite Beispiel, und es ist in gewissem Sinn das paradoxeste, weil das Versprechen, das an sie geknüpft ist, genau das beschreibt, was die Schultz-Mechanik ausschaltet. Das Ziel, den richtigen Menschen zur richtigen Zeit mit dem richtigen Angebot zu erreichen, klingt nach Präzision, ist aber operativ die Strategie, den Vorhersagefehler auf null zu reduzieren. Ein perfekt personalisiertes Angebot, so exakt auf die bekannte Präferenzstruktur des Nutzers zugeschnitten, dass es keine Überraschung mehr enthält, hat keinen Antizipationsraum mehr, in dem das Dopaminsystem aktiv wird, weil die Auflösung der Erwartung bereits vor dem Angebot selbst stattgefunden hat. Verlangen ist kein Reflex auf das passende Angebot, sondern ein Zustand erhöhter Aufmerksamkeit im Moment vor der Auflösung einer Erwartungsspannung, und wer diese Spannung systematisch verhindert, verhindert den Zustand, den er herbeiführen will. Dass Personalisierung in der aktuellen Erhebung von Rang 7 auf Rang 14 gefallen ist, obwohl die Investitionen in Personalisierungstechnologie weiter steigen, ist kein Widerspruch, sondern eine Bestätigung dieser Logik: Die Praxis spürt, dass der Ansatz seine Versprechen nicht einlöst, während die Theorie dahinter unverändert bleibt. Die vorgeschlagene Lösung ist fast immer mehr Daten und feinere Segmentierung, eine Intensivierung also der Strategie, die das Problem erzeugt. Eine Personalisierung, die neurologisch funktioniert, würde nicht auf Relevanzmaximierung zielen, sondern auf Entdeckungswahrscheinlichkeit, auf das Angebot, das in der Vorhersagestruktur des Nutzers liegt, aber noch nicht vollständig antizipiert ist, jenen Bereich, in dem das Gehirn aktiv wird, weil die Auflösung noch aussteht. Das ist konzeptionell der Unterschied zwischen einem System, das Nutzer zu Inhalten führt, die sie ohnehin erwartet hätten, und einem System, das sie in einen Bereich führt, der mit ihren bekannten Interessen verwandt ist, aber auf eine Art, die sie nicht vorhergesehen haben: das erste System erfüllt eine Erwartung, während das zweite eine neue aufbaut, und nur das zweite aktiviert die Mechanik, nach der alle Personalisierungsstrategie eigentlich sucht.

CLV: Durchschnitt statt Trajektorie

Customer Lifetime Value ist das dritte Beispiel, und hier liegt der Fehler nicht im Design eines Erlebnisses, sondern in der mathematischen Grundstruktur des Messmodells. CLV wird standardmäßig als Funktion von Transaktionshäufigkeit, Durchschnittswert und Kundendauer berechnet, was bedeutet, dass zwei Kunden mit identischem Gesamtertrag als identisch wertvoll gelten, unabhängig davon, ob ihre Beziehung mit dem Unternehmen wahrnehmbar besser, schlechter oder konstant geblieben ist. Für ein Organ, das Vorhersagen führt und nicht Summen bildet, ist das eine kategoriale Verwechslung. Die Forschung zur Erlebnissequenzierung, insbesondere die Arbeiten von Loewenstein und Prelec zu Trajektorienpräferenzen (Psychological Review, 1993), zeigt konsistent, dass Menschen eine aufsteigende Erlebnissequenz mit niedrigerem Durchschnittswert als bindender erleben als eine gleichbleibend hochwertige Sequenz, weil eine aufsteigende Kurve eine aktive positive Vorhersage erzeugt, eine offene Erwartung gegenüber der Marke, die zukünftiges Verhalten motiviert. Ein Unternehmen, dessen Servicequalität von mittelmäßig auf solide gestiegen ist, erzeugt mehr Folgeengagement als eines, das konstant exzellent ist, sofern der erste Kunde die Steigung wahrnimmt und der zweite das Plateau als selbstverständlichen Referenzpunkt verankert hat. Im Standard-CLV-Modell ist diese Erwartungskurve unsichtbar, weil das Modell Momentaufnahmen aggregiert statt Trajektorien zu messen, weshalb Investitionen in die Stabilisierung bereits hoher Erlebnisqualität häufig mehr interne Rechtfertigung bekommen als Investitionen in eine aufsteigende Erlebnistrajektorie, obwohl die Bindungswirkung der letzteren nach allem, was die Forschung zeigt, die der ersteren übersteigt. Ein CLV-Modell, das Trajektorien statt Durchschnitte misst, würde andere strategische Fragen erzwingen: nicht wie das aktuelle Erlebnislevel gehalten werden kann, sondern in welche Richtung die Erwartungskurve der Kunden gerade zeigt und welche Investition diese Richtung verändert.

Von der Belohnung zur Vorhersage

Was diese drei Inversionen gemeinsam haben, ist eine Designfrage mit direkten Konsequenzen für Budgetallokation und Systemarchitektur. Die gesamte Marketing-Technologie, mit der die Branche heute arbeitet, ist auf die Optimierung des Belohnungsmoments ausgerichtet, auf Angebote, die geliefert werden, auf Punkte, die gutgeschrieben werden, auf Inhalte, die ausgespielt werden. Das ist die konsequente Umsetzung einer falschen Prämisse, und die Systeme funktionieren korrekt: Sie liefern mehr und besser getimte Belohnungsmomente, was erklärt, warum die Investitionen steigen und die Bindungswirkung in den meisten Sektoren trotzdem nicht folgt.

Vorhersagedesign fragt nicht, welche Belohnung einen Kunden zum Wiederkommen bringt, sondern welche offene Erwartung ihn in einem Zustand hält, in dem Wiederkommen die natürliche Auflösung einer Erwartungsspannung ist. Loyalty-Programme, die nach diesem Prinzip gestaltet sind, bauen Erwartungsarchitekturen mit eingebauter strukturierter Unvorhersagbarkeit, die Engagement erzeugt, weil das Gehirn Vorhersagearbeit leisten darf. Personalisierung, die nach diesem Prinzip arbeitet, maximiert nicht Relevanz, sondern Entdeckungswahrscheinlichkeit, weil der Antizipationsraum das eigentliche Medium der Kaufentscheidung ist. CLV-Modelle, die nach diesem Prinzip messen, interessieren sich für die Steigung der Erwartungskurve, nicht für den Durchschnitt der Transaktion, weil die Steigung die Vorhersage des Kunden beschreibt, während der Durchschnitt nur die Vergangenheit aggregiert. Dass Conversational AI in der aktuellen Erhebung den größten Relevanzzuwachs aller untersuchten Themen verzeichnet, passt in dieses Bild: Nicht weil Dialoge effizienter wären als klassische Kampagnen, sondern weil ein echter Dialog von seiner Natur her offen ist, ungewiss in seinem Ausgang, und damit genau das Vorhersageproblem erzeugt, das das Dopaminsystem aktiviert. Der Einwand, dass Vorhersagedesign zu komplex, zu schwer messbar oder zu weit von der bestehenden Infrastruktur entfernt sei, ist derselbe Einwand, mit dem jedes Paradigma die Frage nach seinem eigenen Fundament abwehrt, und er sagt mehr über die Schwierigkeit aus, ein Messmodell zu verlassen, als über die Richtigkeit des Modells, das man verlassen würde. Schultz hat seine Daten in den frühen 1990ern veröffentlicht. Die Zeit, die seitdem vergangen ist, war lang genug für eine Reaktion.

Quellen: Schultz, W. (1997): A Neural Substrate of Prediction and Reward. Science, 275(5306), 1593–1599. Loewenstein, G. & Prelec, D. (1993): Preferences for Sequences of Outcomes. Psychological Review, 100(1), 91–108. marketing-BÖRSE / Horizont / DMEXCO / BVDW (2026): Future Marketing Index, Trendumfrage Marketing Trends 2026, Januar 2026.