Die KI-Modelle können – mit etwas Unterstützung – verdammt guten Inhalt bauen. Wer als Publisher, Content-Creator, Journalist:in oder Autor:in auch in Zukunft eine Rolle spielen möchte, muss sich also etwas überlegen. Ein Vorschlag: weg vom fertigen Artikel, hin zu einem Datenkern, aus dem Formate bei Bedarf entstehen.

Webseiten – vor allem die mit durchschnittlichem Inhalt – haben es schwer und werden es in Zukunft noch schwerer haben.

Das erste Loch im Geschäftsmodell:

Traditionelle Publisher produzieren Content, weil Content ihr Produkt ist.

Corporate Publisher, also E-Commerce, Krankenkassen oder Handwerker, produzieren Content, um Produkte, Versicherungen oder eine Solaranlage zu verkaufen. Das klingt nach einer semantischen Spitzfindigkeit, ist aber ein wichtiger ökonomischer Unterschied.

Denn während die „Corporate Publisher“ mit dem Inhalt nur auf sich aufmerksam machen möchten, den Inhalt mit Marketing-Geld bezahlen und ihre Marge in anderen Produkten realisieren, müssen traditionelle Publisher mit ähnlichen Inhalten direkt Geld verdienen.

Und das zweite Loch:

Die LLMs (also ChatGPT, Gemini, Claude, DeepSeek und viele weitere) haben unsere Inhalte längst verarbeitet und werden das auch weiterhin tun. Alle unsere Inhalte stecken längst in ChatGPT und unterstützen die KI-Konzerne dabei, Geld zu verdienen.

Und um es auf die Spitze zu treiben: Selbst dann, wenn alle traditionellen Publisher den LLMs das Nutzen ihrer Inhalte verbieten oder ihre Bots sogar aussperren, ist vermutlich noch genügend Content von den Corporate Publishern da, um eine Weile gute KI-Modelle zu bauen.

Das ist keine Grabrede gegen Journalismus, denn trotz allem stehen Publishern noch gute Zeiten bevor. Gute Reportagen, Kolumnen, Interviews, Kommentare – all das kann KI momentan nicht, und wahrscheinlich auch in Zukunft nicht auf einem Niveau, das mit starkem Handwerk mithält. Was wir aber attestieren müssen: Durchschnittlicher Auftragscontent, der über den Zaun geworfen wird, rechnet sich nicht mehr. Weder für Verlage noch für freie Journalistinnen.

Und ein Element wird „Liquid Content“ sein.

Was ist „Liquid Content“? Einfach aus einem langen Text noch eine Audioversion, ein Video und ein FAQ bauen? Also einfach mehr in andere Kanäle schubsen und hoffen, es passt?

Ich denke, das ist der falsche Ansatz. Oder präziser: Es ist ein Ansatz, der in einer Komplexitätsfalle endet.

Denn in dem Moment, in dem aus einem Artikel fünf Formate werden sollen, braucht man fünf Workflows, fünf Abstimmungsrunden, fünf Qualitätskontrollen. Und was, wenn der Artikel nächste Woche aktualisiert werden muss? Müssen dann alle fünf Formate nachziehen? Das skaliert nicht. Das organisiert sich selbst in die Erschöpfung.

Außerdem können unsere Leser:innen mit wenig Aufwand zum Beispiel eigene Audio-Versionen unserer Artikel machen. Und wer das noch nicht kann, wird das bald können.

Liquid Content heißt also nicht „ein Stoff in vielen Formaten“. Liquid Content heißt: ein Datenkern, aus dem Formate bei Bedarf entstehen.

- Anzeige -

In der Mitte der Architektur stehen keine Artikel mehr vor, sondern ein Datenkern. Die meisten Publisher kennen schon den Begriff RAG (Retrieval Augmented Generation). Aber solche Begriffe und Technologien ändern sich sehr schnell. Deshalb „Datenkern“. In diesen Kern jedenfalls fließt alles, was man weiß und recherchiert hat:

• Bestehende Inhalte (Artikel, Blogposts, Dossiers)

• Recherchen — auch die unveröffentlichten

• Transkripte, Notizen, Expertengespräche

• Feedback, das dir Nutzer gegeben haben

• Externes, frei verfügbares Material (Leitlinien, offene Daten)

Rund um diesen Kern entstehen nun Ausleitungen: eine Webseite, ein Newsletter, ein Podcast, eine Social-Präsenz, ein Chat. Eine dialogische Form des Contents, der nur die Fragen der Leser:innen beantwortet und sie damit auf der Seite hält.

Aber — und das ist der Punkt — die Ausleitungen greifen auf denselben Kern zu. Man schreibt nicht mehr parallel fünfmal dieselbe Geschichte. Es gibt einen gepflegten Kern und daraus entstehen bei Bedarf die Formate, die funktionieren.

Das ist nicht wirklich neu: Als ich damals als freier Journalist für viele große Magazine gearbeitet habe, musste ich zum Beispiel die Mobilfunk-Roaming-Tarife in Europa recherchieren und strukturieren, um den Urlaubern gute Spartipps für den Urlaub zu geben. Dazu kamen noch Interviews mit den Providern und Hardware-Tipps. Mein Trick, wie sich diese sehr langwierige und ätzende Recherche lohnte: Ich schrieb auf dieser Basis für viele große Magazine verschiedene und jeweils passende Artikel mit unterschiedlichen Service-Kästen. Und jetzt kommt der springende Punkt: Jeder dieser einzelnen Beiträge kam aus meinem großen Excel-Sheet voller S-Verweise. Mit diesem Core-Asset-Ansatz blieb die gesamte Arbeit abrufbar und anpassbar und ich verdiente mir jedes Jahr meinen eigenen Urlaub damit.

Vertauschen wir nun die Magazine mit verschiedenen Formaten und Kanälen, und wir haben „Liquid Content“. Die Recherche wird zum Rohstoff für andere Formate, für Chat-Antworten, für einen Follow-up-Artikel, für einen Podcast-Dialog und vielleicht sogar für einen Vortrag. Das ist der eigentliche ökonomische Hebel.

Die Publisher stehen vor einer großen Herausforderung. Gefährdet sind aber vor allem die Routinen, die durchschnittlichen Content produzieren. Also: Auftragsartikel, die nach Schema F heruntergeschrieben werden, Content-Marketing-Texte auf Bestellung, SEO-Füllmaterial. Das kann eine gut gepromptete KI heute schon, und übermorgen noch besser. Wer das heute noch komplett von Hand macht, sollte sich beruflich neu orientieren. Ja, das meine ich ernst.

Weniger gefährdet sind dagegen Tätigkeiten, die besonderen Content produzieren: Kolumnen, Reportagen, Interviews, Kommentare, Streitgespräche. Alles, wo eine Haltung, ein Stil, eine Beobachtungsgabe dranhängt, die aus einem Menschen kommt.

Und es gibt eine neue Spezialisierung: Content-Architektinnen und Content-Architekten. Menschen, die Inhalte nicht mehr nur schreiben, sondern Systeme bauen, in denen Inhalte verwertbar bleiben. Die Kernkompetenzen sind: recherchieren, kuratieren, beraten, Formate entwickeln und testen. Dazu gehört Experimentierbereitschaft — und der Mut, in kleinen, gemischten Teams zu arbeiten statt in großen Stuhlkreisen.

Zum Start braucht es ein strategisches Gerüst. Content bewegt sich immer zwischen drei Eckpunkten eines Feldes – und für jedes Feld braucht es mindestens ein Tool bzw. einen Kanal.

Das Liquid-Content-Dreieck

1. Reichweite aufbauen — Wie werden Menschen überhaupt auf dich aufmerksam? In diesem Fall durch SEO und Reddit.

2. Nutzende binden — Wie baust du zu Besuchern eine Beziehung auf? Das kann ein Newsletter oder ein Podcast sein. Oder einfach ein Login.

3. Monetarisieren — Wie wird daraus Umsatz? Wenn deine Inhalte es schaffen, abonniert zu werden, ist das sehr gut. Anderenfalls sind es vielleicht Workshops oder andere Geschäftsmodelle, die für die Finanzierung sorgen.

Der Reiz liegt in der Zirkularität. Aus Reichweite wird Bindung, aus Bindung wird Umsatz. Und wenn du deine Nutzerinnen gut behandelst, werden sie dir neue Reichweite bringen. Das Dreieck schließt sich zu einem Kreislauf.

Entscheidend ist nicht, welche Tools darin sind, sondern dass alle drei Ecken besetzt sind. Ein reiner Reichweitenkanal ohne Bindung versandet, eine reine Bezahlschranke ohne Reichweite verhungert. Und in der Mitte – da bin ich Traditionalist – steht eine Webseite, vielleicht technisch ein RAG.

Übrigens: Weniger Kanäle sind die Lösung, nicht mehr. Wer 38 Tools oder Kanäle parallel bespielt, verbringt den Tag mit Tool-Pflege statt mit Content. Wenige Kanäle, die sauber ineinandergreifen, schlagen zwanzig, die nebeneinander herlaufen.

Und jetzt eine unbequeme Meinung: Wer in den letzten Monaten umfassende Zielgruppenanalysen beauftragt hat, kann diese vermutlich wieder löschen. Auch dies meine ich ernst.

Nicht, weil Zielgruppenanalysen grundsätzlich schlecht wären. Sondern weil wir uns gerade in einem Technologie-Strom befinden, der reißend schnell ist. Selbst nach hunderten Tiefeninterviews mit richtigen Menschen ist der Wissensgewinn überschaubar: Woher sollen die denn selbst wissen, was sie in sechs Monaten brauchen, wo sie doch noch herausfinden, was ChatGPT überhaupt für sie bedeutet?

Mein Vorschlag als Alternative — und ja, das ist mein Twist, mein bewusst gegen den Strich gebürsteter Punkt: Nicht von der Zielgruppe her denken, sondern von der Schnittmenge aus drei Fragen:

1. Was kannst du richtig gut?

2. Was macht dir maximal Spaß — also: Wofür würdest du auch am Wochenende Zeit aufwenden?

3. Wofür wären Menschen bereit, Geld zu bezahlen?

Die Schnittmenge wird immer eine Nische sein. Und diese muss nicht riesig sein. Im deutschsprachigen Raum leben rund 100 Millionen Menschen. Eine Million Menschen sind, gemessen daran, eine kleine Nische. Aber selbst von dem Interesse von 10.000 Menschen können einige Arbeitsplätze gut bezahlt werden.

Natürlich muss man danach schauen, wofür die Menschen gerne zahlen. Aber das erkennen wir auch bei den Leuten um uns herum: Wofür geben sie Geld aus? Was würden sie kaufen, wenn es das gäbe? Und eines steht fest: Wenn du etwas tust, was du nicht gerne machst oder womöglich gar nicht gut machst, wirst du keinen Erfolg haben.

Kurze Einordnung: Ein RAG (siehe oben) war vor zwei Jahren noch Rocket Science, heute lässt sich ein einfaches RAG mit günstigen Mitteln erstellen. In solch eine semantische Datenbank werden Textinhalte geladen, das System zerlegt sie in kleine Einheiten (sogenannte Chunks) und speichert sie so. Kommt eine Frage an, sucht das System nach den passenden Chunks und lässt ein LLM darauf eine Antwort formulieren; bei Bedarf gleich mit Quellenangabe. Das Entscheidende: Das System antwortet auf der eigenen Faktenbasis, nicht auf dem allgemeinen Internet-Wissen.

Je nach Einstiegslevel ist der Aufwand skalierbar:

1. Einstiegsebene: Notebook LM von Google. Kostenlos, etwa für Freiberufler in zehn Minuten einsatzbereit. Man lädt bis zu mehrere hundert Dokumente hoch und kann sie umfassend befragen. Notebook LM generiert auf Wunsch auch Artikel, FAQ-Listen oder die berühmten Podcast-Dialoge — alles nur auf den hochgeladenen Inhalten, mit Quellenverweis. Wer noch nichts mit RAG gemacht hat: hier anfangen.

2. Mittlere Ebene: Eigenes GPT oder Gemini-Gem. Wem Notebook LM zu klein wird, baut ein oder mehrere GPT (in ChatGPT) oder Gems (in Gemini) oder Wissensdatenbanken in Langdock. Vorteil: Hier können Rolle, Ton und Grenzen präziser definiert werden. Auch hier gilt die Regel: weniger ist mehr. Lieber 20 hochwertige Dokumente reinlegen als 200 durchschnittliche. Die Qualität der Quellen schlägt Menge.

3. Komplexe Ebene: Eigenes RAG. Wer Unabhängigkeit will, baut sein RAG selbst. Das ist technisch anspruchsvoller, aber nicht unmöglich. Bei Spezialanwendungen, etwa wenn es besonders sicher oder gut strukturiert sein muss, helfen gute Agenturen mit guten Lösungen. Wichtig ist: Die Daten gehören dem Publisher, er bestimmt das Modell und kann sein System auch anderen zur Verfügung stellen (etwa für Syndication).

Es gibt auch weitere Möglichkeiten. Wichtig ist, dass im Datenkern gute, fokussierte und aktuelle Inhalte liegen. Denn redundante, unfokussierte und veraltete Inhalte sind wenig hilfreich.

Damit man sich auf das RAG wirklich verlassen kann, muss es getestet werden. Das geht einfach: Dafür werden künstliche Informationen generiert, die sonst nirgendwo sonst im Netz stehen. Erfundene Namen, fiktive Regeln, ausgedachte Preise. Wenn das RAG auf Fragen danach korrekt antwortet, funktioniert der Retrieval-Teil.

Danach muss es auch auf Fragen antworten, deren Antworten ganz sicher nicht im RAG liegen. Wenn es dann ehrlich antwortet: „Weiß ich nicht“, ist das System vertrauenswürdig. Wenn es halluziniert, gibt es ein Problem, das gelöst werden will.

Beantworte diese Fragen – für dich selbst, für dein Team, für deine Redaktion:

1. Worin bin ich (oder sind wir) wirklich Expert:in?

2. Über welche Inhalte verfüge ich schon – inklusive Recherchen, die in Schubladen liegen?

3. Was ist meine Nische? Was ist der Twist, der mich von anderen unterscheidet?

4. Welche drei Ecken hat mein Dreieck – und welche Tools besetzen sie?

5. Womit will ich am Ende Geld verdienen – und wie weit ist der Weg dahin?

Der entscheidende Punkt: Die Bedrohung durch KI wird nicht durch einen heroischen Relaunch geringer. Sie wird kleiner durch eine andere Architektur um den Datenkern herum – und durch die Bereitschaft, Content nicht mehr als Endprodukt zu denken, sondern als Rohstoff, aus dem immer wieder Neues entsteht.

Ich möchte noch kurz den Weg zu diesem Artikel nachzeichnen: Anfang des Jahres wurde ich gebeten, für das Mediennetzwerk Bayern im Mai einen Vortrag zu halten. Da hatte ich gerade auf Vibecoding-Basis ein kleines RAG für meine privaten Gedanken gebaut. Also sammelte ich darin meine Gedanken und mein Recherchematerial und begann im April, die Präsentation zu bauen.

Meinen Vortrag nahm ich mit einer Transkriptionssoftware auf und kopierte auch das Transkript in mein RAG – um für meinen Blog (www.contentman.de) einen Artikel zu schreiben. Diesen las die dpr-Redaktion und bat mich, den Artikel veröffentlichen zu dürfen. Natürlich habe ich ihn für diese Ausgabe angepasst und aktualisiert – auf der Basis meines RAG, in das auch dieser Text wandern wird. Auch die Bilder sahen ursprünglich anders aus, aber ich habe sie (in Keynote) vereinfacht und der dpr-Redaktion zur freien Gestaltung geschickt.

Zum Original-Text

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