KI in den Redaktionen: Zwischen Anspruch und Wirklichkeit

Die hohen Erwartungen an KI im Medienumfeld haben sich bislang in kaum einem Bereich vollständig erfüllt.

Das zeigt auch der neue KI-Reifegrad-Report, den Retresco im Oktober 2026 gemeinsam mit dem BDZV veröffentlicht.

Während der grundsätzliche Mehrwert von KI unbestritten ist, belegen einzelne Pilotprojekte, relative Zeitersparnisse oder prozentuale Zuwächse auf niedriger Ausgangsbasis noch keine nachhaltige Transformation. Häufig sind journalistische und wirtschaftliche Erwartungen zu einseitig formuliert, Anwendungen werden isoliert eingeführt und Erfolgskriterien zu stark auf Effizienzgewinne verengt. Hinzu kommt: Fehlen belastbare Daten, klar definierte Ziele und technische Integrationen, lässt sich der tatsächliche Nutzen nur schwer erfassen und gezielt steigern.

Medienhäuser müssen deshalb beginnen, KI konsequent an journalistischen und wirtschaftlichen Zielen auszurichten, Anwendungen in zentrale Prozesse zu integrieren und ihre Wirkung systematisch nachzuweisen. Erst wenn aus strategischen Absichtserklärungen messbare Ergebnisse entstehen, kann KI ihr transformatives Potenzial nachhaltig entfalten.

Künstliche Intelligenz ist überall – doch ihr wirtschaftlicher Nutzen bleibt begrenzt

Die Vergleichszahlen der KI-Reifegrad-Reports 2025 und 2026 zeichnen ein widersprüchliches Bild: Im vergangenen Jahr gaben 60 % der befragten Medienunternehmen an, KI sei fester Bestandteil ihrer Unternehmensstrategie. 2026 liegt dieser Anteil bereits bei 79 % – ein deutlicher Anstieg um 19 Prozentpunkte. Zugleich hat die strategische Einbettung als Herausforderung weiter an Bedeutung gewonnen: 2025 nannten 30 % der Befragten eine fehlende strategische Verankerung als Hindernis für den Einsatz oder Ausbau von KI, 2026 sind es sogar 39 %.

Die messbaren Ergebnisse liegen im Schnitt rund zwei Drittel hinter den Erwartungen zurück (BDZV/Retresco)

Der KI-Reifegrad-Report 2026 zeigt nun, wie weit Anspruch und Wirklichkeit noch auseinanderliegen. Die bereits messbaren Ergebnisse bleiben im Durchschnitt deutlich hinter den Erwartungen zurück. Am ehesten erfüllt sich das Versprechen effizienterer Abläufe: 92 % erwarten schnellere Prozesse und verbesserte Workflows, 80 % haben entsprechende Effekte bereits festgestellt. In nahezu allen anderen Bereichen fällt die Bilanz wesentlich ernüchternder aus.

Besonders groß ist die Lücke bei den Kosteneinsparungen: Einer Erwartung von 63 % stehen lediglich 20 % gegenüber, die solche Einsparungen tatsächlich messen konnten. Neue Formate oder Erlösmodelle erwarten 62 %, umgesetzt oder erreicht wurden diese bislang nur bei 31 %. Eine höhere inhaltliche Qualität erhoffen sich 60 %, festgestellt haben sie 32 %. Bei stärkerer Nutzerbindung durch Personalisierung oder interaktive Angebote beträgt das Verhältnis sogar 53 % zu 14 %, bei einer besseren Datennutzung liegt das Verhältnis bei 53 % zu 18 %.

Auch die Erwartungen selbst verschieben sich. Die Hoffnung auf Prozessoptimierung bleibt unverändert hoch. Zugleich steigen die Erwartungen an Kosteneinsparungen, Qualitätsverbesserungen sowie neue Formate und Erlösmodelle. Deutlich gesunken ist dagegen die Hoffnung, mithilfe von KI zusätzliche Reichweite zu erzielen: Nur noch 23 % rechnen damit, aber tatsächlich erreicht haben dieses Ziel bislang 13 %.

Das Gesamtbild ist damit eindeutig: KI ist in den Medienhäusern strategisch und operativ angekommen. Belastbare Business Cases bleiben bislang jedoch meist unscharf. Effizienzgewinne sind sichtbar, vor allem bei Prozessen und Workflows. Sobald es jedoch um Kosten, Nutzerbindung, Differenzierung oder neue Erlösquellen geht, bleibt die tatsächliche Wirkung weit hinter den Erwartungen zurück. Die zentrale Herausforderung besteht daher nicht darin, KI überhaupt einzusetzen, sondern ihren Beitrag zum journalistischen und wirtschaftlichen Erfolg klar zu definieren, systematisch zu messen und gezielt auszubauen.

Warum Ernüchterung zur KI-Professionalisierung gehört

Der Analyst Benedict Evans beschreibt in seiner Präsentation „AI Eats the World“ ein Muster, das sich auch in der Medienbranche beobachten lässt: „Everyone has a pilot.“ Organisationen erproben KI in immer mehr Bereichen. Zwar wächst auch die Zahl produktiver Anwendungen, sie bleibt jedoch deutlich hinter der Vielzahl an Entwicklungs- und Pilotprojekten zurück.

Denn produktive KI-Anwendungen sind komplex. Sie müssen auf konkrete Ziele im Kerngeschäft einzahlen und verlässlich mit verlagsinternen Daten, Redaktionssystemen, Berechtigungen, Quellen oder Qualitätssicherungsprozessen zusammenspielen.

KI-Adoption vs KI-Nutzen: Kosteneinsparungen und neue Erlöse brauchen länger (Benedict Evans)

Zudem liegt der Mehrwert von KI Benedict Evans zufolge nicht in der reinen Automatisierung bestehender Prozesse – übertragen auf Medien also nicht darin, immer mehr Inhalte in immer kürzerer Zeit zu produzieren. Nachhaltig und wirtschaftlich wertvoll sind vielmehr Anwendungen, die bislang technisch, organisatorisch oder wirtschaftlich kaum realisierbar waren: etwa die automatisierte Aufbereitung strukturierter Daten, die dialogische Erschließung jahrzehntelanger Archive, hyperlokale Informationsangebote, personalisierte Nutzererlebnisse oder Assistenzsysteme für komplexe Fachrecherchen. Solche Anwendungen setzen unmittelbar an der journalistischen Wertschöpfung an und schaffen die Grundlage für neue Produkte, eine stärkere Nutzerbindung und zusätzliche Erlösmodelle.

Die Lücke zwischen Erwartungen und Realität

Überzogene Erwartungen: Was kann KI realistischerweise leisten?

„KI steigert die Effizienz“ ist noch keine belastbare Zielsetzung. Effizienz kann bedeuten, dass eine Transkription schneller vorliegt, ein Artikel schneller für unterschiedliche Kanäle aufbereitet wird oder weniger manuelle Arbeit bei der Verschlagwortung anfällt. Ohne Ausgangswert, messbare Zielgrößen und klar abgegrenzte Prozesse bleibt jedoch offen, wie groß die Verbesserung tatsächlich ist – und ob die gewonnene Zeit an anderer Stelle tatsächlich produktiv genutzt wird.

Hinzu kommt die Erwartung, generalistische LLMs könnten unterschiedlichste redaktionelle Herausforderungen gleichermaßen lösen. Tatsächlich hängt die Qualität einer KI-Anwendung stark vom jeweiligen Use Case ab: von der Verfügbarkeit geeigneter Datenquellen, der Qualität und Aktualität der Daten, den möglichen Folgen fehlerhafter Ergebnisse, der Umsetzbarkeit menschlicher Kontrolle – insbesondere bei großen Datenmengen – sowie der Einbettung in etablierte Arbeitsabläufe.

KI kann nicht jede Aufgabe gleich gut lösen. Maßgeblich ist daher nicht, wo ihr Einsatz technisch möglich ist, sondern wo sie klar definierte und belastbare Mehrwerte schafft.

Der KI-Einsatz wird noch häufig falsch oder gar nicht gemessen

Die Zahl geschulter Mitarbeitender, aktiver Accounts oder geteilter Prompts zeigt zunächst nur, ob eine KI-Anwendung genutzt wird. Auch die erfasste Zeitersparnis greift zu kurz, solange unklar bleibt, wie die frei gewordenen Kapazitäten eingesetzt werden. Wenn Redaktionsleitungen berichten, ihre Mitarbeitenden sparten nun 15 Minuten pro Artikel, stellt sich daher die entscheidende Frage: Fließt diese Zeit in bessere Recherchen, zusätzliche Inhalte oder neue Angebote – oder versickert sie in administrativen Zwischenräumen?

Der KI-Reifegrad-Report 2026 zeigt zwar Fortschritte: 61 % der befragten Medienhäuser geben an, inzwischen KPIs für den KI-Einsatz definiert zu haben. Es wird in verschiedenen Funktionsbereichen gemessen, doch für die Redaktion liegt der Anteil lediglich bei 20 %. Der wirtschaftliche Beitrag vieler Bereiche und Anwendungen bleibt auch mit diesen Messungen unklar, da entscheidende Metriken noch nicht etabliert sind. Verbindliche ROI- oder Impact-KPIs sind weiterhin selten.

KI-Erfolg messen: Ein KPI-Modell für Medienhäuser

Für eine belastbare Bewertung des KI-Einsatzes haben wir bei Retresco einen möglichen Ansatz entwickelt. Demnach könnte es sinnvoll sein, die folgenden vier aufeinander aufbauenden Ebenen heranzuziehen und miteinander zu verknüpfen.

Auf der ersten Ebene stehen Nutzung und Akzeptanz: Wie viele Mitarbeitende verwenden die Anwendung regelmäßig und erzielen damit dauerhaft verlässliche Ergebnisse? Wie hoch sind Aktivierungsrate und Nutzungsfrequenz? Diese Kennzahlen zeigen, ob eine Anwendung im Arbeitsalltag tatsächlich von der Breite der Kolleginnen angenommen und dauerhaft genutzt wird.

Die zweite Ebene betrachtet Prozesse und Qualität. Relevante KPIs sind Bearbeitungs- und Durchlaufzeiten, Automatisierungsgrad, notwendiger Nachbearbeitungsaufwand, Fehlerquoten, Quellenabdeckung und redaktionelle Freigaben. Erst das Zusammenspiel von Geschwindigkeit und Qualität zeigen in der Auswertung echte Effizienzgewinne: Prüf- und Korrekturaufwände sinken, während freiwerdende Kapazitäten planvoll für wertschöpfende Aufgaben eingesetzt werden können.

Auf der dritten Ebene folgt die Wirkung auf die Nutzer:innen: Verweildauer, Interaktionen pro Session, Click-through-Rates, Wiederkehrraten, Registrierungen, Newsletter-Anmeldungen oder App-Nutzung.

Die vierte Ebene bildet den monetären Mehrwert ab: Conversions zu Probeabos oder Abonnements, Paywall-Kennzahlen, Abonnementdauer, geringere Kündigungswahrscheinlichkeit, zusätzliche Werbeerlöse, Erlös pro Nutzer:in oder der Beitrag zu neuen digitalen Produkten und Services. Nicht jeder Use Case muss direkte Umsätze erzielen. Jeder sollte jedoch mindestens nachweisbar auf journalistische Qualität, Nutzerbindung oder sonstige strategische Ziele einzahlen.

KI-Erfolg messen: Wirkungsebenen für journalistischen und wirtschaftlichen Mehrwert (Retresco)

Von der KI-Strategie zum produktiven Einsatz

Technologisch erfolgreiche KI-Projekte benötigen darüber hinaus organisatorische Klarheit. Die Verantwortlichkeiten für Produkt, Redaktion, Daten, IT, Recht und Vermarktung dürfen nicht erst nach dem Pilotbetrieb geklärt werden. Ebenso sollten die konkrete Zielsetzung, die relevanten Zielgruppen, Qualitätsstandards, Datenquellen, redaktionellen Meilensteine und Abbruchkriterien von Beginn an definiert sein.

Zur organisatorischen Klarheit gehört auch eine transparente interne Kommunikation. Aktuell ist die KI-Strategie in vielen Häusern zwar formal aufgesetzt, aber weniger als der Hälfte der Mitarbeitenden bekannt – was zu Unsicherheit, Akzeptanzproblemen und Insellösungen führen kann. Schulungen bleiben daher das A und O, um ein gemeinsames Verständnis der Ziele zu schaffen, konkrete Arbeitsabläufe zu vermitteln, Qualitätsanforderungen zu verdeutlichen und Mitarbeitende dazu zu befähigen, KI-generierte Ergebnisse kritisch zu bewerten.

Erst das Zusammenspiel von Technologie, Organisation und Kompetenz ermöglicht den Übergang von einzelnen Pilotprojekten zu einem produktiven und skalierbaren KI-Einsatz.

Nicht weniger erwarten, sondern robuster agieren

Bislang unerfüllte Erwartungen an KI sprechen nicht gegen die Technologie. Sie sind vielmehr Ausdruck unscharfer Ziele, isolierter Pilotprojekte und unzureichender Erfolgsmessung.

Daher gilt zusammenfassend:

1. Erwartungen neu kalibrieren: Weg von der Vorstellung automatisierter Komplettlösungen, hin zur gezielten Unterstützung relevanter Workflows sowie journalistischer und wirtschaftlicher Kernbereiche.
2. Use Cases schärfen: KI dort einsetzen, wo sie auf Basis strukturierter Daten, durch Personalisierung und Skalierbarkeit dauerhaft konkreten Mehrwert schafft.
3. KPIs konsequent ausrichten: KI-Projekte nicht anhand vager Einzelkennzahlen bewerten, sondern ihre Wirkung auf Nutzung, Qualität, Conversion und Erlöse ganzheitlich und integriert messen.

Mehr dazu erfährst du im KI-Reifegrad-Report 2026, den BDZV und Retresco im Oktober veröffentlichen.

Du hast Fragen, Anmerkungen oder Interesse? Sprich uns an – unsere KI-Expert:innen melden sich gerne bei dir!