Das KI-Modell kann wechseln, das Wissen muss bleiben

Was KI kann, wissen die meisten Verlage inzwischen ziemlich genau. Sie schreibt Teaser und Zusammenfassungen, übersetzt, entwirft E-Mails. Baier hält diese Debatte für erledigt. Ihn interessiert vielmehr, was mit dem Wissen geschieht, das ein Haus bei jeder Nutzung von KI jener überlässt.

Zum schützenswerten Kapital eines Verlags zählt er weit mehr als Texte und Bilder. Dazu gehören die Rechte und Lizenzen, die Tonalität, mit der ein Haus nach außen spricht, Terminologiespeicher und Glossare. In dieser Gesamtheit steckt für Baier das Geschäftsmodell. Und genau sie wandert Stück für Stück in die KI-Werkzeuge, sobald Redaktionen ernsthaft damit arbeiten.

Der Mechanismus ist banal. Je brauchbarer ein Ergebnis werden soll, desto ausführlicher fällt der Prompt aus. Je ausführlicher der Prompt, desto mehr Hauswissen landet bei einem Anbieter. Dazu kommen die Regelwerke, die man der KI mitgibt. Baiers Beispiel stammt aus dem Alltag. Wer der KI hinterlegt, nie Gedankenstriche zu setzen, damit niemand den Text als maschinell erkennt, lagert bereits ein Stück Hausstil aus.

Noch weniger Kontrolle bleibt dort, wo Mitarbeitende ohne freigegebenes Werkzeug arbeiten und einfach ein KI-Fenster im Browser öffnen. Dann weiß der Verlag weder, was preisgegeben wird, noch, ob sich der Einsatz wirtschaftlich lohnt.

Verlage wissen, wie sich technologische Abhängigkeit anfühlt. Baier erinnert an Googles Panda-Update von 2011, das viele Nischenportale über Nacht in den Suchergebnissen absacken ließ. Damals konnten die Häuser gegensteuern. Sie schrieben Texte um, bauten Anzeigen neu und waren nach einigen Wochen wieder im Spiel.

Bei KI sitzt die Abhängigkeit tiefer. Wer Prompts, Agenten, Kontext und Regelwerke in ein bestimmtes Werkzeug einbaut, schafft nach Baiers Worten eine zusätzliche Ebene der Abhängigkeit, neben der technischen. Wechselt man das Modell, kommen in der Regel andere Ergebnisse heraus. Gefühlt sind diese besser, aber auch anders, und eine Redaktion, die gleichbleibende Tonalität braucht, müsse dies laufend überwachen. Werden mehrere KI-Agenten hintereinander geschaltet, wird diese Überwachung aufwendiger und teurer.

Verschwindet das Werkzeug ganz, weil es übernommen oder abgeschaltet wird, bricht die Prozesskette zusammen. Der KI-Markt ist volatil genug, dass niemand das ausschließen könne.

Dieselbe Mechanik aus Sicht der Datenaufbereitung beschreibt Carsten Schwab, Inhaber der XPS AG in Zürich. Bei jeder Anfrage werde die Antwort eines Sprachmodells „neu ausgewürfelt“. Neue Modellversionen verändern die Ergebnisse auch dann, wenn am eigenen System niemand etwas anfasst. Daraus folgert er, dass eine dauerhafte Lösung kein „Werkstück“ sein darf, an dem ein Jahr programmiert wird und das danach niemand mehr anpassen kann.

Anzeige

Baiers Gegenentwurf zu dieser Abhängigkeit heißt kontrollierte Umgebung. Die Redaktion arbeitet in einem geschützten Raum, in dem die Inhalte liegen, ihre Quellen und Metadaten, die Regeln des Hauses, Rollen, Freigaben und Status. Das Sprachmodell greift auf diesen Raum zu, und zwar nur auf diesen Raum. Der Verlag legt damit fest, was für die KI als Wahrheit gilt.

Drei Anwendungsfälle macht er daran fest. Beim Befragen eigener Inhalte, der Retrieval Augmented Generation (RAG), arbeitet das Modell nur mit definierten und freigegebenen Quellen, und jede Antwort zeigt ihre Fundstelle. Bei Teasern und Social-Media-Texten kommt die Qualität aus festen Regeln für Tonalität, Länge und Terminologie je Kanal, die außerhalb des Modells liegen. So muss nicht jede Redakteurin zur „Promptkünstlerin“ werden, wie Baier es nennt. Bei Übersetzungen schließlich arbeitet die KI innerhalb der vorhandenen XML-Struktur, Glossar und Fachbegriffe bleiben erhalten.

Am Ende jeder dieser Ketten steht ein Mensch, der prüft und freigibt. Quellen, Rechte, Tonalität und die Haftung für das Veröffentlichte bleiben bei der Redaktion. Der gesicherte Raum mit Inhalten, Regeln und Kontext bleibt, das Sprachmodell betrachtet Baier als austauschbaren Motor. Die Grenze verlaufe nicht mehr zwischen Mensch und Maschine, sondern zwischen Effizienz und Verantwortung, beschreibt es Baier.

Welche Fragen ein Verlag dazu klären sollte, trägt Fabasoft Xpublisher im White Paper „10 Schritte zum richtigen Publishing-System“ zusammen [PLATZHALTER: Link White Paper]. Im Kapitel zur integrierten KI stehen sie als Prüfliste. Welche Daten darf die KI verwenden, und wo werden sie verarbeitet? Ist sie in Rollen, Rechte und Freigaben eingebunden? Bleiben die Ergebnisse transparent, prüfbar und unter menschlicher Kontrolle?

Carsten Schwab rückt am ersten Konferenztag die Daten selbst in den Mittelpunkt der gleichen Betrachtung. Wer für einen Verlag ein RAG-System aufbaut, für einen Chatbot oder eine Suche, die Fragen aus den eigenen Inhalten beantwortet, zerlegt diese Inhalte zunächst in kleine Texteinheiten, die sogenannten Chunks. Wie diese zugeschnitten sind, bestimmt die Qualität jeder späteren Antwort.

Verlage sollten deshalb wissen, wie ihre Chunks entstehen, und sich diese ansehen können, rät Schwab. Vor allem müsse ein Verlag seine Chunks „jederzeit einpacken“ und damit weiterziehen können. Gelten sie als Eigentum des Dienstleisters oder als Teil seiner Software, beginnt jeder Wechsel von vorn.

Sein Rat führt über ein neutrales XML-Format, aus dem sich Chunks für jedes Modell und jede Datenbank neu erzeugen lassen. „Wer diese XML in der Hand hat, hat die Datenhoheit“, sagt Schwab. XPS bietet solche Datenaufbereitung selbst an, das gehört zur Einordnung. Seine Forderung deckt sich mit Baiers Kernsatz, dass das Modell wechseln darf und das Wissen bleiben muss.

Manuel Montero, Geschäftsführer der Data to Type GmbH, setzt am zweiten Konferenztag noch einen Schritt früher an. Bevor es überhaupt Chunks gibt, müssen die Inhalte aufbereitet werden, und diese Aufbereitung läuft nach seiner Beobachtung häufig über günstige Konvertierungsdienste großer Tech-Konzerne. Viele Verlage sorgen sich um das Sprachmodell, an das am Ende nur einzelne Textabschnitte gehen, und übersehen diese Stelle.

„Ihr ladet euer ganzes Wissen schön geordnet zu denen hoch“, warnt Montero, der sich seit mehr als zwanzig Jahren mit der automatisierten Verarbeitung strukturierter Inhalte beschäftigt. Wer in einem Auswahlverfahren mehrere Anbieter mit dem eigenen Bestand testen lässt, vervielfältigt diesen Weg. Darunter können auch zitierte Fremdinhalte sein, an denen der Verlag selbst keine Rechte hält.

Aus den drei Vorträgen lassen sich fünf Fragen ableiten, die ein Verlag klären sollte, bevor er Regeln, Prompts oder Bestände einem KI-Werkzeug anvertraut.

1. Wo liegen unsere Regeln? Tonalität, Terminologie und Schreibregeln gehören in eine eigene, versionierte Ablage, aus der jedes Modell liest. Warum es wichtig ist: Nur dann übersteht das Hauswissen einen Modellwechsel.

2. Bekommen wir unsere aufbereiteten Daten? Vor Projektstart klären, ob Chunks und Zwischenformate in einem offenen Format herausgegeben werden. Warum es wichtig ist: Ohne sie fängt jeder Anbieterwechsel bei null an.

3. Wer bereitet unsere Inhalte auf, und wo? Nachfragen, welche Dienste an der Konvertierung beteiligt sind, auch während der Testphase. Warum es wichtig ist: An dieser Stelle verlässt oft der gesamte Bestand das Haus.

4. Merken wir, wenn sich die Qualität verändert? Ein fester Satz von Testfragen mit bekannten Antworten zeigt, was ein neues Modell besser oder schlechter macht. Warum es wichtig ist: Antworten werden bei jeder Anfrage neu erzeugt, und Anbieter aktualisieren ihre Modelle laufend.

5. Wer setzt den Haken? Für jeden KI-gestützten Ablauf ist benannt, wer prüft und freigibt. Warum es wichtig ist: Die Haftung für das Veröffentlichte bleibt beim Verlag, egal welches Modell mitschreibt.

Kurzfristig sperrte Anthropic im Juni 2026 sein Modell Fable, ohne Vorankündigung. Drei Wochen später war es wieder verfügbar. Beim nächsten Modell, beim nächsten Anbieter oder bei der nächsten Übernahme muss das nicht so glimpflich ausgehen. Die drei Vorträge laufen auf denselben Gedanken hinaus. Modelle kommen und gehen, und was ein Verlag über Jahre aufgebaut hat, muss diesen Wechsel überstehen. Dazu zählen seine Regeln, seine aufbereiteten Daten und die Verantwortung für das, was er veröffentlicht.

Für Entscheider:innen heißt das, bei jedem KI-Projekt zuerst die Architektur zu klären und dann das Werkzeug zu wählen. Wo liegen unsere Regeln, wer bereitet unsere Daten auf, und können wir sie mitnehmen? Wer das vor dem Einstieg beantwortet, kann den nächsten Modellwechsel gelassen nehmen.

Wie sich integrierte KI, Datenstandort und Exit-Szenarien bei der Auswahl eines Publishing-Systems prüfen lassen, beschreibt das White Paper „10 Schritte zum richtigen Publishing-System“ von Fabasoft Xpublisher.

Der Artikel ist Teil des Channels Digital Publishing Technologien, der sich mit Content-Strategien und Prozessen beschäftigt.  Der Channel wird gesponsert von Fabasoft Xpublisher.