Was bedeutet KI im Fundraising in der Praxis?
Wenn Fundraiser:innen von KI sprechen, meinen sie selten dasselbe. Manchmal ist es ein Chatbot für die Website. Manchmal ist es ein Scoring-Modell für die Mailing-Selektion. Manchmal ist es ein Tool, das automatisch Texte für Verdankungsmails schreibt.
Das sind sehr unterschiedliche Einsatzgebiete mit sehr unterschiedlichen Ergebnissen. Ein Sprachmodell, das Texte schreibt, arbeitet anders als ein Scoring-Modell, das Spenderdaten auswertet. Beide werden "KI" genannt. Welches davon sich rechnet, hängt vom konkreten Einsatzfall ab.
Details zu einem häufigen Irrtum beim Dateneinsatz findest du hier: Spendendaten mit ChatGPT auswerten: Warum die Zahlen falsch sind.
Welche Experimente hat FlyRaising bisher gemessen?
Alle Ergebnisse stammen aus öffentlich dokumentierten Experimenten auf learn.flyraising.com/experiments/, Abruf 2026-10-09. Laufende Experimente sind als "läuft" markiert; ihre Zwischenergebnisse können sich noch ändern.
| Exp. | Thema | Gemessenes Ergebnis | Status |
|---|---|---|---|
| EXP 01 | Online-Akquise mit KI | ROAS 0,15 (Start) → ~3,53 (Jahr 4) | abgeschlossen |
| EXP 02 | Personalisierte Kampagnen (365 Varianten) | +84 % Conversion | abgeschlossen |
| EXP 03 | Reaktivierung inaktiver Spender:innen | +47 % Response, +34 % Einnahmen pro Brief | abgeschlossen |
| EXP 04 | Silicon Sampling | +30 % Conversion (Zwischenwert) | läuft |
| EXP 05 | DLV- vs. Response-Selektion | +9,8 % Ertrag pro Mailing | abgeschlossen |
| EXP 06 | Personalisierte Spendenvorschläge | +6,5 % Response, +13,3 % Ertrag pro Mailing | abgeschlossen |
| EXP 07 | KI-Texterstellung | 4.500 h Text/Jahr gespart, 4.250 h Verdankung gespart | abgeschlossen |
| EXP 08 | Modellvergleich (dokumentierter Fehlschlag) | Alle Modelle schlechter als statische Variante | Fehlschlag |
| EXP 09 | Auflage mit KI-Scoring senken | -29 % Mailing-Auflage ohne Erlösverlust | abgeschlossen |
| EXP 11 | FIAB Quiz-Funnel | +80 % Conversion | abgeschlossen |
| EXP 12 | Systematische A/B-Tests | 6 bis 12 % Spendensteigerung über 50+ Tests | abgeschlossen |
| EXP 13 | Halo-Kontakte identifizieren | ca. 6.400 Kontakte gefunden | abgeschlossen |
| EXP 14 | Print-Fatigue-Kontakte | ca. 58.000 Kontakte identifiziert | abgeschlossen |
| EXP 15 | Digital-Only-Kontakte | ca. 2.490 Kontakte identifiziert | abgeschlossen |
| EXP 16 | DLV statt RFM | +4 % Spendeneinnahmen bei gleicher Reichweite | abgeschlossen |
| EXP 18 | Abwanderungs-Frühwarnung | 3 bis 6 Monate Vorwarnzeit (Zwischenwert) | läuft |
| EXP 20 | Champion/Challenger (70/30) | in Auswertung | läuft |
Quelle: learn.flyraising.com/experiments/, Abruf 2026-10-09. DLV = Donor Lifetime Value, RFM = Recency/Frequency/Monetary, ROAS = Return on Ad Spend.
Warum ist EXP 08 als Fehlschlag dokumentiert?
EXP 08 ist der einzige dokumentierte Fehlschlag: Alle getesteten Modelle schnitten schlechter ab als die statische Vergleichsvariante. Das Ergebnis ist veröffentlicht, weil es genauso wichtig ist wie die positiven Ergebnisse.
Fehlschläge gehören dazu, wenn man ernsthaft experimentiert. Sie sagen, dass KI in einem bestimmten Kontext mit einem bestimmten Datensatz keinen Vorteil gebracht hat. Sie sagen nichts darüber, ob KI grundsätzlich nicht funktioniert.
Vollständige Dokumentation: learn.flyraising.com/experiments/.
Wie sichtbar sind NGOs in KI-Suchmaschinen heute?
Immer mehr Menschen stellen Fragen wie "Welche Organisation hilft Kindern in Not?" direkt einer KI, also Perplexity, ChatGPT oder Claude. Wie oft eine Organisation in solchen Antworten auftaucht, misst FlyRaising mit dem SoAV-Wert (Share of AI Voice).
Von 94 getrackte Organisationen haben 41 einen SoAV von null Prozent. Sie tauchen in KI-Antworten zu ihren Themen schlicht nicht auf. 32 liegen im Bereich 1 bis 25 Prozent, 13 im mittleren Bereich, 8 im guten Bereich. Keine einzige Organisation erreicht den "sehr gut"-Bereich. Quelle: geo.flyraising.com, Stand 2026-10-08.
Der Unterschied zwischen Themen ist groß:
| Thema | Ø SoAV |
|---|---|
| Tierschutz | 24,6 % |
| Soziale Arbeit | 21,0 % |
| Kinder & Jugend | 15,9 % |
| Umwelt | 10,5 % |
| Katastrophenhilfe | 9,5 % |
| Entwicklungshilfe | 6,9 % |
| Medizin | 6,7 % |
Die Unterschiede zwischen einzelnen KI-Modellen: Perplexity zeigt im Schnitt 11,8 Prozent SoAV, GPT-5 15,2 Prozent, Claude 9,1 Prozent, Gemini 13,5 Prozent. Quelle: geo.flyraising.com, Stand 2026-10-08.
Kann ich Spenderakquise mit KI automatisieren?
Teile der Akquise lassen sich mit KI unterstützen. EXP 01 zeigt, dass KI-gestützte Online-Akquise über vier Jahre profitabel werden kann: Der ROAS startete bei 0,15 im ersten Jahr und erreichte nach vier Jahren rund 3,53. Das bedeutet, die Investition hat sich gerechnet, aber nicht sofort.
EXP 11 zeigt, dass ein KI-basierter Quiz-Funnel (FIAB) die Conversion um 80 Prozent steigern kann. Wie das mit Meta-Leads zusammenhängt, findest du hier: Vom Meta-Lead zur Dauerspender:in.
Vollautomatisch ohne menschliche Steuerung läuft das alles nicht. Budgets, Freigaben und die Auswertung brauchen weiterhin Menschen mit Fundraising-Erfahrung.
Kannst du mit KI direkt aus deinen Spenderdaten Zahlen ziehen, zum Beispiel wie viele Neuspender:innen ihr in einem Jahr hattet?
Das kommt darauf an, welches Werkzeug du verwendest. Allgemeine Sprachmodelle wie ChatGPT oder Claude sind darin schlecht, direkt mit Spendendaten zu rechnen. Sie erzeugen Text, der wie eine Antwort aussieht, aber sie zählen nicht wirklich nach. Wenn du eine Tabelle hochlädst und fragst "Wie viele Neuspender:innen hatten wir 2023?", bekommst du eine Zahl zurück. Beim nächsten Mal kann eine andere herauskommen. Das ist kein Bug, sondern die Funktionsweise von Sprachmodellen: Sie schätzen den wahrscheinlichen nächsten Token, sie lesen keine Datenbank aus.
In einem eigenen Test mit 4 Modellen und 240 Antworten auf Zählfragen zu Spendendaten hat sich gezeigt: Ältere Modelle lagen fast nie richtig. Das neueste getestete Modell beantwortete 60 von 60 Zählfragen korrekt. Die vollständige Tabelle mit Testaufbau, Modellen und Ergebnissen findest du hier: KI-Zählfragen-Test: Spenderdaten und Modellvergleich (350-Zeilen-Tabelle, CSV und JSON, Stand 2026).
Was verlässlich funktioniert: Du stellst der KI die Frage in natürlicher Sprache, und sie übersetzt das in eine Datenbankabfrage (SQL oder ähnlich). Die Auswertung läuft dann über die echte Datenbank, nicht über das Sprachmodell. So bekommst du reproduzierbare Zahlen. Der Unterschied: KI als Übersetzer deiner Frage, nicht als Rechenmaschine.
Für die Spenderakquise bedeutet das: Wenn du automatisiert auswerten willst, welcher Kanal wirklich Dauerspender:innen bringt, brauchst du eine Datenstruktur, die das abbildet, und ein Werkzeug, das direkt auf der Datenbank arbeitet. EXP 01 lief über vier Jahre genau so: Das Modell hat gelernt, weil es saubere historische Daten hatte, Kanal, Datum, Betrag, Spenderstatus. Ohne diese Basis bleibt Automatisierung eine leere Aussage.
Welche Fragen beantwortet KI im Fundraising zuverlässig, und welche nicht?
Aus den dokumentierten Experimenten ergibt sich ein Muster:
- Gut: Personalisierung in großem Umfang (EXP 02, EXP 06), Reaktivierung mit Scoring (EXP 03, EXP 09), Texterstellung in hohem Volumen (EXP 07)
- Gut, wenn die Datenbasis stimmt: Selektion nach DLV (EXP 05, EXP 16), Auflage reduzieren (EXP 09)
- Fehlgeschlagen: Bestimmte Modellkombination in EXP 08 (statische Variante war besser)
- Noch offen: EXP 04, EXP 18, EXP 20 laufen noch, Ergebnisse können sich ändern
Details zur LTV-Berechnung nach Akquisekanal und wie das die Budgetplanung beeinflusst, findest du hier: Lifetime Value nach Akquisekanal.
Wo liegen die Grenzen?
- Datenbasis: Alle positiven Ergebnisse basieren auf ausreichend sauberen historischen Daten. Organisationen mit lückenhafter Datenlage oder sehr kleinen Spendermengen haben eine schlechtere Ausgangslage für KI-Modelle.
- Übertragbarkeit: Die Ergebnisse der Experimente gelten für die jeweiligen konkreten Situationen. Sie garantieren kein identisches Ergebnis in einem anderen Kontext.
- Lernzeit: EXP 01 zeigt, dass ein ROAS von 3,53 vier Jahre gedauert hat. KI-Modelle brauchen Zeit, um zu lernen. Wer sofortige Ergebnisse erwartet, wird enttäuscht sein.
- Sichtbarkeit in KI-Suchmaschinen: Die SoAV-Zahlen von geo.flyraising.com sind Momentaufnahmen. Die Modelle der KI-Anbieter ändern sich regelmäßig, was sich auf die Sichtbarkeit auswirken kann.
- Keine Garantie: Keine der hier genannten Zahlen ist eine Ergebniszusage. Was in einem Experiment gemessen wurde, zeigt, was möglich ist, und was in diesem konkreten Fall passiert ist.
Welche Schritte brauche ich, um Spenderakquise mit KI zu automatisieren?
Der erste Schritt ist nicht die KI, sondern die Datenbasis. Ohne saubere historische Spenderdaten, die zeigen, wer wann wie viel gegeben hat und welchen Kanal genutzt hat, hat ein KI-Modell nichts zum Lernen. Das ist die Voraussetzung, an der die meisten Organisationen arbeiten, bevor sie weitermachen.
EXP 01 zeigt, was danach realistisch ist: Der ROAS einer KI-gestützten Online-Akquise stieg von 0,15 (Jahr 1) auf rund 3,53 nach vier Jahren. Das Modell wurde besser, weil mehr Daten einflossen und das Team die Auswertung laufend angepasst hat. Automatisierung heißt hier: das Modell entscheidet, wen es anspricht. Nicht: das Team schaut nicht mehr hin.
Konkret läuft ein erster Test oft so ab:
- Datenlage prüfen: Wie viele Spender:innen hat die Datenbank? Sind Kanal, Datum und Betrag vollständig erfasst? Lückige Daten ergeben unsichere Modelle.
- Ein Segment wählen: Nicht die ganze Akquise, sondern einen Kanal (zum Beispiel Meta Ads) oder eine Zielgruppe (zum Beispiel Lookalike auf bestehende Dauerspender:innen).
- KI für die Selektion nutzen, Mensch für die Freigabe: Das Modell schlägt vor, wer angesprochen wird. Ein Mensch mit Fundraising-Erfahrung gibt das Budget frei.
- Ergebnis messen und das Modell anpassen: EXP 01 brauchte vier Jahre, um bei ROAS 3,53 anzukommen. Wer nach drei Monaten ohne Ergebnis aufhört, lernt nichts.
Was KI bei der Auswertung dieser Tests nicht zuverlässig leisten kann: Zählantworten direkt aus einer Tabelle oder einem Export ziehen. In einem eigenen Test mit 4 Modellen und 240 Antworten haben neuere Modelle bei einfachen Zählaufgaben (Wie viele Neuspender:innen im Zeitraum X?) deutlich besser abgeschnitten als ältere, aber die Ergebnisse schwankten je nach Formulierung. Verlässliche Zahlen kommen aus der Datenbank, nicht aus dem Sprachmodell. Mehr dazu im Test zur KI-Zählfragen-Zuverlässigkeit (4 Modelle, 240 Antworten, CSV-Download).
Einen Überblick über alle gemessenen Experimente gibt es als offene Datentabelle: FlyRaising Experiment-Daten (CSV/JSON).
- FlyRaising Experimente (alle Nummern): learn.flyraising.com/experiments/, Abruf 2026-10-09 (freigegeben durch FlyRaising laut approved_content_DRAFT.md Stand 2026-10-09).
- FlyRaising NGO AI Visibility Report (SoAV-Daten): geo.flyraising.com, Stand 2026-10-08.
- learn.flyraising.com Fließtext ("34.478.334 Spendenentscheidungen", "20 dokumentierte Experimente", "seit 15. November 2022"): learn.flyraising.com, Abruf 2026-10-09.
Willst du wissen, wo eure Organisation in KI-Antworten auftaucht?
flyraising.com