Wann sich der KI-Einstieg lohnt und wann nicht

Als Kompetenzzentrum für KI in den Medien teilen wir den Enthusiasmus vieler Medienschaffender. Zum sachgerechten Umgang mit der Technologie gehört aber auch die Einsicht: Nicht jedes Problem benötigt KI. Nur, wie lässt sich das vorab einschätzen?

Wann ist KI die falsche Wahl?

Zwei Konstellationen begegnen uns besonders häufig. In beiden ist die Begeisterung für KI nachvollziehbar, führt aber in die Irre.

Wenn die Datenlage chaotisch ist

Ein intelligentes Archiv, das 50 Jahre Bild- und Textmaterial durchsuchbar macht? Eine hervorragende Idee, denn in Redaktionssammlungen verstaubt viel wertvoller Content. Aber wenn das Material nie einheitlich verschlagwortet wurde und Metadaten Mangelware sind, hilft auch Künstliche Intelligenz nicht weiter. Jedes System ist nur so gut wie die Daten, die ihm zugrunde liegen. 

Dann gilt es, zuerst die Grundlagen zu schaffen: standardisierte Metadatenfelder festlegen, die Bestände nach diesem Schema erfassen, neuen Content konsequent kategorisieren. Viel Arbeit, aber ohne sie baut ein KI-System auf Sand. 

Pragmatisch wird es mit einem Sample: Nimm die vergangenen sechs Monate, bereite sie auf und teste erst dann, ob KI einen Mehrwert bringt. Funktioniert das, geht es schrittweise weiter ins Archiv.

Wenn niemand mehr hinschaut

Die Vorstellung klingt verlockend: Jeden Morgen schreibt KI die News-Teaser für Social Media, erstellt Newsletter-Texte und generiert Bildunterschriften, eine Redakteurin gibt das Ergebnis nur noch frei. In manchen Redaktionen ist das bereits Realität und funktioniert erstaunlich gut. Bis zu dem Moment, in dem es eben nicht mehr funktioniert.

Das Problem ist dabei weniger die KI als der Gewöhnungseffekt. Je länger ein Workflow einwandfrei läuft, desto oberflächlicher wird die Qualitätskontrolle. Wenn ein Prozess 50 Mal funktioniert hat, warum nicht auch beim 51. Mal? Weil trotzdem ein Teaser durchrutschen kann, dessen Formulierung im falschen Kontext eine völlig andere Bedeutung bekommt. Keine KI erfasst jede situative Feinheit zuverlässig, dafür ist die Welt zu komplex.

Geht etwas schief, ist das erste Signal oft die explodierende Kommentarspalte oder der Anruf aus der Rechtsabteilung. Bei klassischen Redaktionsfehlern sprechen wir von menschlichem Versagen. Bei KI-gestützten Workflows kommt die Frage hinzu, ob die Qualitätssicherung angemessen war. Vollautomatisierung ist deshalb kein Ziel, sondern ein Risiko, das bewusst dosiert werden will.

Wann lohnt sich der Einsatz von KI?

Umgekehrt gibt es Merkmale, an denen sich ein tragfähiges Projekt erkennen lässt. Je mehr davon zutreffen, desto belastbarer der Business Case.

Die Aufgabe kehrt wieder und kostet Zeit

Ein Prozess, der zweimal im Jahr läuft, rechtfertigt den Aufwand für Entwicklung, Testing und Wartung selten. Fällt eine automatisierbare Aufgabe dagegen täglich an und kostet die Redaktion zwei Stunden, lohnt sich der KI-Einsatz fast immer. Das sind zehn Stunden pro Woche, über 400 Stunden im Jahr. Selbst wenn ein System nur 70 Prozent der Arbeit übernimmt, bleibt ein massiver Gewinn.

Der Output lässt sich messen

Wer nicht nachvollziehen kann, ob eine KI gut oder schlecht arbeitet, hat ein Problem. Welche Kennzahl passt, hängt vom Einzelfall ab: eingesparte Zeit, Qualität des Produkts, Klickrate. Ohne sie lässt sich weder der Erfolg bewerten noch das System weiterentwickeln.

Die Rechnung geht auf

Gerade in Zeiten sich wandelnder Geschäftsmodelle muss der Return on Investment stimmen. API-Kosten plus Review-Aufwand müssen deutlich kleiner sein als die gesparte Arbeitszeit. Kalkuliere ehrlich und konservativ und rechne versteckte Kosten für Wartung und laufende Anpassungen ein.

Die Fehlertoleranz ist geklärt

Perfekte Ergebnisse gibt es nicht. Für die meisten Aufgaben reichen 95 Prozent Genauigkeit, sofern ein Qualitätscheck eingeplant ist. Entscheidend ist, dass du die Toleranzgrenze vorher definierst und weißt, wie du mit den restlichen fünf Prozent umgehst.

Hinzu kommt die Datengrundlage. Ein Punktesystem zum Abhaken sind diese Kriterien nicht. Aber wenn mehrere nicht zutreffen, ist KI vermutlich nicht die richtige Lösung. Zumindest nicht jetzt.

Wer unsicher ist, muss die Prüfung nicht allein stemmen. In unserem KI-Reallabor entwickeln wir gemeinsam mit bayerischen Medienunternehmen Prototypen, kostenfrei und auf unserer eigenen Infrastruktur. 

Das Wichtigste zum Schluss

KI ist kein Selbstzweck. Die Leitfrage sollte immer lauten: „Ist KI in diesem konkreten Fall die beste Lösung?“ Lautet die Antwort ein ehrliches Ja, spricht das für den Einsatz. Lautet sie, wie häufig, Nein, ist (noch) nicht der richtige Zeitpunkt. Das ist die Voraussetzung dafür, dass die Projekte funktionieren, die wirklich zählen.

Unsere Empfehlung: klein starten. Wähle einen abgegrenzten Anwendungsfall, bei dem die Kriterien zutreffen, und teste ihn. Funktioniert er, skaliere. Wenn nicht, bleibt der Verlust überschaubar und die Erfahrung im Haus.