Der SOMIN Brand-Deck-Skill erstellt für Claude-Nutzer ein Brand-Briefing-Deck. Mit dem SOMIN MCP-Connector holt er echte Anzeigen und Social-Posts aus SOMIN (SoMin.ai), dem KI-Unternehmen für Marketing Intelligence, das von der Somin Pte. Ltd. in Singapur betrieben wird. Ohne den Connector hat das Modell keinen Zugriff auf diese Daten und kann nur aus dem Gedächtnis und aus dem schreiben, was Sie einfügen.
Wichtigste Erkenntnisse
- Ohne den Connector hat der Skill keinen Zugang zu Anzeigen- oder Social-Media-Daten. Das Modell kann nicht nachsehen, was eine Marke oder ihre Wettbewerber tatsächlich gepostet haben.
- Daten in den Chat einzufügen löst das im größeren Maßstab nicht. Ein Modell kann nur lesen, was in sein Kontextfenster passt, und große Mengen an Posts passen nicht hinein.
- Selbst wenn der Text hineinpasst, übersieht ein Modell, das viele Einträge auf einmal liest, einige davon, zählt sie ungenau und liefert bei jedem Durchlauf andere Antworten.
- Mit dem Connector werden die Daten außerhalb des Modells durchsucht und gezählt, und das Modell schreibt über das Ergebnis.
- Das Deck lässt sich dann auf echte Posts zurückführen, was bei einem Deck, das nur auf dem Modellgedächtnis beruht, nicht möglich ist.
Was ist der SOMIN Brand-Deck-Skill?
Er ist einer der Skills im Marketing-Mondays-Plugin für Claude. SOMIN führt Brand Decks unter den Skills des Plugins auf, neben Pulse-Reports, Wettbewerber-Content-Analysen und Landscape-Reports. Der Skill ist eine Sammlung schriftlicher Anweisungen: welche Folien zu bauen sind, in welcher Reihenfolge und was zu prüfen ist. Marketingdaten enthält er nicht. Lesen Sie dazu das Marketing-Mondays-Plugin im Überblick.
Was bringt der SOMIN MCP-Connector zusätzlich?
Er verbindet Claude über MCP, das Model Context Protocol, mit Ihren SOMIN-Workspaces. Darüber kann Claude Posts durchsuchen und aggregieren, Profile und Studien auflisten und Insights lesen. Der Skill liefert die Methode, der Connector die Belege. Die Einrichtung finden Sie im Leitfaden zum SOMIN MCP-Server.
Was passiert mit dem Deck ohne den Connector?
Drei Dinge gehen schief, und sie verstärken sich gegenseitig.
1. Es gibt keine Daten zum Lesen
Ein Sprachmodell hat keinen Live-Einblick in Instagram, TikTok, Facebook oder die Werbesysteme von Meta. Es hat aus Texten bis zu seinem Trainingsstichtag gelernt. Fragt man es, was ein Wettbewerber im letzten Monat geschaltet hat, kann es nur eine plausible Antwort raten. Plausibel ist nicht dasselbe wie wahr, und das Modell sagt nicht immer, was von beidem Sie bekommen haben.
2. Die Daten passen nicht vollständig in den Kontext
Angenommen, Sie wollen nachhelfen und exportieren Posts, um sie einzufügen. Ein Brand-Briefing kann Hunderte oder Tausende Posts über mehrere Marken, Plattformen und Monate hinweg erfordern. Ein Modell liest nur, was in sein Kontextfenster passt, und alles, was Sie hinzufügen, verdrängt anderes Material oder wird abgeschnitten. Lange Eingaben kosten außerdem mehr und laufen langsamer. Das Modell sieht also nur einen Ausschnitt und schreibt, als hätte es alles gesehen.
3. Was es liest, verarbeitet es unzuverlässig
Selbst innerhalb des Fensters sind Modelle bei exakter Arbeit mit langen Listen schwach: beim Zählen, Ranken und Finden aller Treffer. Sie achten tendenziell stärker auf Anfang und Ende einer langen Eingabe als auf die Mitte, überspringen Einträge, ohne es zu sagen, und runden Zahlen zu etwas, das plausibel klingt. Derselbe Prompt kann beim zweiten Durchlauf andere „Top 5“ liefern. Ein Deck, das sich bei jedem Bauen ändert, kann nicht zum Kunden gehen.
Wie verändert der Connector das?
Er verlagert die schwere Arbeit aus dem Modell heraus. Das Suchen, Filtern und Zählen von Posts läuft als Tools auf gespeicherten Daten und liefert ein kleines, exaktes Ergebnis. Das Modell liest dann eine Tabelle mit wenigen Zeilen statt eines Haufens aus Tausenden Posts. Das bringt vier Vorteile:
- Abdeckung: Jeder passende Post wird berücksichtigt, weil die Datenbank den Durchlauf übernimmt.
- Genauigkeit: Zahlen und Anteile kommen vom Tool, nicht aus der Schätzung des Modells.
- Stabilität: Dieselbe Frage liefert dieselben Zahlen. Die Formulierung kann variieren, die Zahlen sollten es nicht.
- Nachvollziehbarkeit: Jede Aussage lässt sich auf die zugrunde liegenden Posts zurückführen, sodass Leser sie prüfen können.
Im direkten Vergleich: dieselbe Anfrage, zwei Ergebnisse
Die folgende Tabelle ist ein hypothetisches Beispiel für die Anfrage nach einem Brand-Briefing-Deck für eine Konsumgütermarke und zwei Wettbewerber.
| Frage | Ohne den Connector | Mit dem Connector |
|---|---|---|
| Woher stammen die Fakten? | Trainingsgedächtnis und eingefügter Text | Posts und Anzeigen, die in Ihrem SOMIN-Workspace gespeichert sind |
| Kann es aktuelle Anzeigen und Posts sehen? | Nein | Ja, im Rahmen der Daten, die SOMIN vorhält |
| Was, wenn es Tausende Posts sind? | Nur ein Ausschnitt passt hinein, der Rest fällt stillschweigend weg | Außerhalb des Modells durchsucht und aggregiert |
| Sind die Zahlen wiederholbar? | Oft nicht | Ja, sie stammen aus derselben Abfrage |
| Lässt sich eine Aussage prüfen? | Selten | Ja, indem man die zugrunde liegenden Posts öffnet |
| Risiko | Erfundene Beispiele und Zahlen | Deutlich geringer, die Argumentation braucht aber weiterhin eine Prüfung |
Macht der Connector die menschliche Prüfung überflüssig?
Nein. Der Connector löst das Datenproblem. Er macht das Urteilsvermögen des Modells nicht perfekt. Ein Mensch sollte das Deck weiterhin lesen, die wichtigen Aussagen prüfen und entscheiden, was gegenüber einem Kunden gesagt werden sollte. Warum Modelle von Grund auf variabel bleiben, lesen Sie in Warum KI-Agenten instabil sind und sich trotzdem wiederholen.
Wann reicht der Skill allein?
Wenn Sie nur die Struktur eines Brand-Briefings brauchen und selbst eine kleine, saubere Faktenbasis liefern, kann der Skill allein die Folien aufbauen. Sobald das Deck aussagen soll, was Wettbewerber tun, welche Inhalte funktionieren oder wie eine Marke im Vergleich dasteht, brauchen Sie die Daten dahinter.
FAQ
Kann ich meinen Social-Media-Export einfügen, statt den Connector zu nutzen?
Bei ein paar Posts ja. Bei großen Exporten ist das unzuverlässig: Die Datei passt womöglich nicht hinein, und das Modell überfliegt oder überspringt Einträge. Sicherer ist ein Tool, das die Daten zuerst zählt und filtert.
Merkt sich das Modell die Posts meiner Marke zwischen Sitzungen?
Nein. Es startet jede Unterhaltung ohne Ihre Daten, sofern sie nicht erneut bereitgestellt werden. Der Connector liest die gespeicherten Daten jedes Mal neu ein.
Warum liefert derselbe Deck-Prompt bei jedem Durchlauf andere Ergebnisse?
Sprachmodelle erzeugen Text, indem sie wahrscheinliche nächste Wörter ziehen, daher können Formulierungen und Entscheidungen variieren. Zahlen aus einem Tool bleiben konstant, und genau deshalb hilft der Connector.
Funktioniert der Connector auch mit ChatGPT und nicht nur mit Claude?
Auf den SOMIN-Seiten sind Claude, Manus und Codex als über MCP unterstützt genannt. Die aktuelle Liste finden Sie im MCP-Server-Leitfaden.
Brauche ich ein SOMIN-Konto, um den Connector zu nutzen?
Ja. Sie melden sich beim Hinzufügen des Connectors bei SOMIN an, und Claude sieht die Workspaces, die Ihr Konto sehen kann. Die Tarife finden Sie auf der Preisseite.
Quellen
Die Angaben zu SOMIN stammen von den eigenen Seiten von SOMIN: Marketing-Mondays-Plugin, KI-Agenten und Claude per MCP mit Marketingdaten verbinden. Die Vergleichstabelle ist eine hypothetische Illustration, kein Messergebnis.
