Content-Workflows mit KI: Was sich automatisieren lässt – und was nicht

Die Diskussion über KI im Content ist merkwürdig polarisiert. Auf der einen Seite die Erwartung, Textarbeit sei jetzt gelöst. Auf der anderen die Sorge, alles werde beliebig. Beides führt in die Irre, weil beide Lager denselben Fehler machen: Sie behandeln „Content“ als eine Tätigkeit.

Content-Produktion besteht aus sechs bis acht sehr unterschiedlichen Arbeitsschritten. Manche davon lassen sich hervorragend automatisieren, andere überhaupt nicht. Der Nutzen entsteht, wenn man die Schritte trennt — und der Frust entsteht, wenn man es nicht tut.

Die Trennlinie

Eine Faustregel, die sich in der Praxis gehalten hat: KI ist stark, wenn Material vorliegt und umgeformt werden muss. Sie ist schwach, wenn Material erst entstehen muss.

Ein Interviewmitschnitt in eine Gliederung überführen: umformen. Zwölf Produktdatenblätter in einheitliche Beschreibungen bringen: umformen. Eine Position zur eigenen Preisgestaltung entwickeln: entstehen. Entscheiden, welche der drei Kundenaussagen die wichtigste ist: entstehen.

Alles, was in die zweite Kategorie fällt, kann ein Sprachmodell nur simulieren — es erzeugt dann etwas, das plausibel klingt und keine Substanz hat. Genau daraus besteht der Großteil des Textes, der Menschen zu Recht misstrauisch macht.

Was gut funktioniert

Recherche verdichten

Vier PDFs, ein Webinarmitschnitt, ein Normentwurf — und die Frage, was davon für deine Zielgruppe relevant ist. Zusammenfassen, gegenüberstellen, Widersprüche markieren: hier ist der Zeitgewinn erheblich und die Fehlerquote überprüfbar, weil die Quelle vorliegt.

Wichtig: mit den Dokumenten arbeiten, nicht mit dem Gedächtnis des Modells. Frei aus dem Modell beantwortete Faktenfragen sind die häufigste Quelle für falsche Zahlen in fertigen Texten.

Rohmaterial in Struktur bringen

Der unterschätzte Anwendungsfall, und in unserer Arbeit der wertvollste. Ein 40-minütiges Gespräch mit einem Fachexperten enthält alles, was ein guter Artikel braucht. Was fehlt, ist Ordnung.

Transkript, daraus eine Gliederung, die zehn stärksten Aussagen als Zitate markiert, offene Stellen benennen — das ist eine Stunde Arbeit statt einem halben Tag. Und der Inhalt ist echt, weil er von einem Menschen stammt, der die Sache kennt.

Varianten für dieselbe Aussage

Ein fertiger Artikel soll als LinkedIn-Beitrag, Newsletter-Aufmacher und Teasertext erscheinen. Die Aussage steht, die Form ändert sich. Auch hier: umformen, nicht erfinden.

Denselben Nutzen gibt es bei Metadaten. Titel und Beschreibung für die Suche, Alternativtexte als Vorschlag, Vorschläge für interne Verlinkung. Unspektakulär, in Summe aber der Posten, der in Redaktionen am zuverlässigsten liegen bleibt.

Prüfen statt schreiben

Der Anwendungsfall, für den wir am häufigsten werben und der am seltensten eingerichtet wird: KI nicht als Autor, sondern als Korrektiv. Hält der Text die Ansprache ein? Steht ein Handlungsaufruf drin? Sind Behauptungen mit Zahlen belegt? Ist die verbindliche Schreibweise eines Begriffs überall gleich?

Das ist Fließbandarbeit, die Menschen ermüdet und Maschinen nicht. Der Text bleibt menschlich geschrieben, die Qualitätssicherung wird verlässlich.

Übersetzung als Erstfassung

Für die zweite Sprachversion einer Website ist eine maschinelle Erstfassung mit anschließender fachlicher Durchsicht deutlich günstiger als eine Neuübersetzung — sofern die Durchsicht wirklich passiert. Bei Fachbegriffen, Rechtstexten und allem, was Markenklang trägt, ist sie nicht verhandelbar.

Was nicht funktioniert

Fachliche Autorität

Der Text, der dir Kunden bringt, ist der, den nur du schreiben kannst: weil du das Projekt gemacht hast, den Fehler gesehen hast, die Zahl kennst. Ein Modell hat diese Erfahrung nicht und produziert stattdessen den Durchschnitt dessen, was zum Thema schon geschrieben wurde.

Das ist der Grund, warum generierte Fachartikel so eigentümlich glatt wirken. Es fehlt nicht Stil. Es fehlt die Stelle, an der jemand widerspricht.

Zahlen, Preise, Quellen

Sprachmodelle erzeugen plausible Zahlen. Plausibel ist nicht richtig. Jede Zahl in einem Text gehört gegen eine Quelle geprüft, jede Quellenangabe geöffnet — auch die, die es überzeugend gibt und die nicht existiert.

Bei allem mit rechtlicher Wirkung gilt das doppelt: Fristen, Gesetzesbezüge, Gewährleistung, Datenschutz. Wir lassen solche Passagen grundsätzlich fachlich prüfen, unabhängig davon, wer sie geschrieben hat.

Markenstimme aus dem Stand

„Schreib das in unserer Tonalität“ funktioniert nicht, wenn die Tonalität nicht schriftlich existiert. Mit einem echten Styleguide — Ansprache, Satzlänge, verbotene Floskeln, drei Beispieltexte — funktioniert es überraschend gut.

Anders gesagt: Der Aufwand liegt nicht im Prompt, sondern in der Vorarbeit, die man ohnehin hätte machen sollen.

Strategische Auswahl

Welche Themen bearbeiten wir dieses Quartal? Diese Entscheidung hängt an Vertriebsziel, Wettbewerbslage und interner Kapazität. Ein Modell kennt keinen dieser drei Faktoren und liefert die naheliegenden Themen — also die, über die alle schreiben.

Ein Ablauf, der sich bewährt hat

So sieht ein Content-Prozess aus, in dem KI an vier von acht Stellen arbeitet und an vier nicht:

1. Themenauswahl — Mensch. Aus Vertriebsgesprächen, Supportanfragen und Suchdaten. Wer keine Fragen von echten Kunden sammelt, hat keine Themenliste, sondern eine Vermutung.
2. Recherche und Verdichtung — KI mit Quellen. Material zusammenstellen, gegenüberstellen, Lücken markieren.
3. Fachgespräch — Mensch. 30 bis 45 Minuten mit jemandem, der die Sache gemacht hat. Aufzeichnen. Dieser Schritt ist der Kern, alles andere ist Aufbereitung.
4. Gliederung aus dem Transkript — KI. Struktur, Zitate, offene Punkte.
5. Erste Fassung schreiben — Mensch. Ja, wirklich. Mit Gliederung und markierten Zitaten dauert das etwa halb so lang wie ohne, und es ist der Schritt, in dem Haltung entsteht.
6. Prüflauf — KI. Gegen den Styleguide, gegen die Zahlenliste, gegen die Checkliste für Handlungsaufrufe und Metadaten.
7. Fachliche und rechtliche Abnahme — Mensch. Nicht verhandelbar, sobald Zahlen oder Rechtsbezüge drinstehen.
8. Zweitverwertung — KI. Varianten für Kanäle, Metadaten, Verlinkungsvorschläge.

Der Gewinn liegt bei ungefähr einem Drittel bis zur Hälfte der Zeit — nicht bei neunzig Prozent. Wer neunzig verspricht, hat Schritt 3, 5 und 7 gestrichen, und das merkt man am Ergebnis.

Drei Dinge, die vor dem ersten Werkzeug geklärt sein müssen

Datenschutz und Vertragslage. Wo werden Eingaben verarbeitet, werden sie zum Training verwendet, existiert ein Auftragsverarbeitungsvertrag? Ein Fachgespräch mit Kundennamen und Projektdetails ist kein Text, den man ungeprüft in einen beliebigen Dienst kopiert. Es gibt Anbieter mit Verarbeitung in der EU und ohne Trainingsnutzung; sie sind die Antwort auf diese Frage.

Kennzeichnung und Verantwortung. Klärt intern, wer für einen veröffentlichten Text haftet. Die Antwort ist immer ein Mensch mit Namen — nicht ein Werkzeug. Wo entlang der Kette KI beteiligt war, ist eine Frage der Transparenz, die jedes Unternehmen für sich entscheidet; wichtig ist, dass sie einmal entschieden wird.

Ein schriftlicher Styleguide. Ohne ihn ist jeder Prüflauf Geschmackssache. Mit ihm ist er ein Test, der bestanden oder nicht bestanden wird.

Der ehrliche Schluss

KI macht Content-Arbeit nicht billiger, sondern verschiebt, wo die Zeit hingeht. Weniger Zeit für Aufbereitung, Formatierung und Zweitverwertung. Genauso viel oder mehr Zeit für Themenauswahl, Fachgespräche und Abnahme.

Das ist eine gute Verschiebung, weil sie den unangenehmen Teil verkleinert und den wertvollen vergrößert. Aber sie ist eine Verschiebung, keine Einsparung. Wer den Prozess mit halber Redaktion fahren will, bekommt Texte, die aussehen wie die von allen anderen.

Wenn du deinen Content-Prozess daraufhin ansehen lassen willst: In der kostenlosen Potenzialanalyse gehen wir die acht Schritte mit dir durch und benennen die zwei oder drei, an denen sich Automatisierung bei dir wirklich lohnt.