Make or Buy? Sollten Medienhäuser interaktive Informationsangebote und KI-Chatbots selbst entwickeln oder auslagern?

Die Entwicklung von KI-Chats für Verlage ist jetzt strategisch wichtig:

Make or Buy? Sollten KI-basierten Informationsangebote intern entwickelt oder mit einem externen Spezialisten umgesetzt werden? Diese zentrale Frage wird immer dringlicher für Medienhäuser.

Die Antwort ist nicht trivial. Denn bei journalistischen KI-Angeboten geht es nicht allein um Technologie. Es geht um redaktionelle Qualität, Datenhoheit, Produktentwicklung, Nutzervertrauen, Geschwindigkeit, Wirtschaftlichkeit und strategische Differenzierung. RAG (Retrieval-Augmented Generation) entwickelt sich dabei zu einer Schlüsseltechnologie für Verlage. RAG-Systeme verbinden große Sprachmodelle mit verifizierten eigenen Inhalten, etwa Archiven, aktuellen News-Feeds, Fachinformationen, Datenbanken oder Serviceinformationen. Dadurch entstehen KI-Chatbots, die Inhalte dialogisch bereitstellen und auf geprüften Quellen basieren.

Die entscheidende Frage lautet deshalb nicht: Können wir einen KI-Chatbot bauen? Stattdessen sollten Medienunternehmen ergründen, wie solche KI-Chats dauerhaft journalistisch, technisch und wirtschaftlich tragfähig betrieben werden können.

KI-Chatbots im Medienumfeld: Die Herausforderung liegt nicht im ersten Prototyp

Die meisten Medienhäuser verfügen bereits über belastbare Erfahrungen mit KI. Häufig entstehen erste Prototypen. Ein Archiv wird angebunden, ein Sprachmodell zur Texterstellung genutzt, eine Oberfläche gebaut – und nach kurzer Zeit kann man scheinbar mit dem eigenen Inhalten sprechen.

Doch genau hier beginnt die eigentliche Arbeit. Die größte Herausforderung liegt weniger in der technischen Erstumsetzung als in der kontinuierlichen Anpassung. KI-Tools, Sprachmodelle, Schnittstellen, Kostenstrukturen und Nutzererwartungen verändern sich in hoher Geschwindigkeit. Was heute als gute Lösung gilt, kann in wenigen Monaten schon wieder überholt sein. Prozesse müssen regelmäßig überprüft, Sprachmodelle neu bewertet, Datenflüsse angepasst und Qualitätskriterien geschärft werden.

Hinzu kommt eine weitere Herausforderung: Wie lässt sich die wirtschaftliche Tragfähigkeit KI-basierter Angebote belastbar bewerten, ohne die Performance bestehender Produkte zu gefährden? Medienhäuser sind gut beraten mit neuen KI-Angeboten zu experimentieren, dürfen dabei aber bestehende Reichweitenangebote, Abonnements, Vermarktungsmaßnahmen und redaktionelle Workflows nicht in Gefahr bringen. Genau deshalb ist die Make-or-Buy-Entscheidung so relevant.

RAG als Kernkompetenz für Medienhäuser

Ein RAG-System auf Basis des eigenen Artikelarchivs ist weit mehr als ein technisches Zusatztool. Es kann zum Herzstück neuer KI-Angebote werden. Denn im Archiv, in den aktuellen Nachrichtenströmen und in spezialisierten Datenquellen liegt ein zentraler Wert von Medienhäusern: geprüfte Information, redaktionelle Einordnung, historischer Kontext und thematische Tiefe.

Wenn Nutzer:innen ein Medienarchiv durchsuchen, Zusammenfassungen und Quellenverweise erhalten oder aktuelle Entwicklungen dialogisch nachvollziehen können, entstehen neue Nutzungserlebnisse. Aus statischen Inhalten werden interaktive Informationsangebote. Aus Archiven werden dialogfähige Wissensräume. Aus redaktionellen Produkten werden Services, die Nutzer:innen regelmäßig in ihre Informationsroutine einbinden.

Die strategische Erkenntnis lautet daher: RAG wird für viele Medienhäuser zu einer Kernkompetenz. Aber Kernkompetenz bedeutet nicht zwingend, alles allein zu entwickeln. Es bedeutet vielmehr, die relevanten Fähigkeiten, Datenflüsse, Qualitätsmaßstäbe und Produktentscheidungen eng zu steuern.

Dynamik der KI-Entwicklung: Stillstand ist keine Option

Zugleich macht die rasante Dynamik im KI-Markt Make-or-Buy-Entscheidungen besonders anspruchsvoll. Neue Sprachmodelle, Frameworks, Schnittstellen, Sicherheitsmechanismen und Produktstandards entstehen in immer kürzeren Zyklen. Für Medienhäuser und Verlage ist es deshalb nicht einfach, technologisch, organisatorisch und redaktionell dauerhaft auf dem neuesten Stand zu bleiben. Zugleich gibt es kaum eine Alternative dazu, sich genau dieser Dynamik aktiv zu stellen.

Wer zu lange wartet, riskiert, dass Wettbewerber schneller lernen, bessere Nutzererlebnisse anbieten und neue Standards für digitale Informationsangebote setzen. Entscheidend ist daher nicht, jede technologische Entwicklung sofort selbst umzusetzen, sondern eine Organisation und Partnerstruktur aufzubauen, die kontinuierliches Lernen ermöglicht.

KI-Entwicklung in Medienhäusern: Reine Eigenentwicklungen sind die Ausnahme – die Mehrheit setzt auf externe Partner (Retresco/BDZV)

Vom Prototyp zum Produkt: Die fünf zentralen Entwicklungsschritte

Aus vielen KI-Projekten im Medienumfeld lässt sich eine typische Lernkurve ableiten.

1. Der erste Schritt ist die API-Anbindung und initiale Datenintegration an die gewünschten Content-Pools. Hier werden Schnittstellen verknüpft, erste Inhalte verarbeitet und grundlegende Antwortfunktionen getestet.
2. Der zweite Schritt ist die Archiv-Erweiterung und das Finetuning. Artikelarchive sind kein homogener Datenblock. Es enthält Nachrichten, Analysen, Kommentare, Interviews, Dossiers, Agenturmeldungen, Liveblog-Elemente, Fachartikel oder Serviceformate. Das RAG-System muss in der Lage sein, diese Vielfalt sinnvoll zu verarbeiten.
3. Der dritte Schritt ist die Einbindung von Echtzeit-Daten. Für journalistische Dialogangebote ist Aktualität ein Qualitätsmerkmal. Neue Nachrichten sollten praktisch in Echtzeit übernommen werden.
4. Der vierte Schritt ist die Produktisierung. Ein KI-Chatbot braucht eine intuitive Benutzeroberfläche, die Antworten verständlich darstellt und transparent mit Quellen verbindet. Feedbackfunktionen wie Daumen-hoch und Daumen-runter helfen, Qualität systematisch zu verbessern.
5. Der fünfte Schritt ist das systematische Testen und Evaluieren. Redakteur:innen aus verschiedenen Ressorts sollten das KI-System von Anfang an prüfen. Dafür braucht es klare Qualitätskriterien: Ist die Antwort korrekt? Ist sie vollständig? Ist sie verständlich? Sind die Quellen passend? Werden Unsicherheiten sauber formuliert? Werden problematische Fragen angemessen behandelt? Aus diesen Tests entstehen Guardrails, die das System journalistisch belastbar machen.

Make: Wann eine interne Entwicklung sinnvoll ist

Eine interne Entwicklung kann sinnvoll sein, wenn ein Medienhaus bereits über starke technische Teams, KI-Kompetenz, Produktmanagement, Dateninfrastruktur und ausreichend Entwicklungsressourcen verfügt. Wer langfristig eigene KI-Plattformen aufbauen will, braucht internes Know-how. Dazu gehören Datenintegration, semantische Suchen, Vektorisierung, Chunking, Prompt- und Antwortlogiken, Evaluationsprozesse, Monitoring, Guardrails, Frontend-Integrationen und eine redaktionelle Qualitätssicherung.

Der größte Vorteil des internen Ansatzes liegt in der Kontrolle. Medienhäuser können Architektur, Datenflüsse, Nutzererlebnisse und Produktlogiken selbst organisieren. Auch sensible Kundendaten, redaktionelle Spezialanforderungen oder interne Workflows lassen sich sehr präzise berücksichtigen. Gerade wenn KI-Chatbots tief in das eigene Redaktionssystem, die Paywall, Nutzerkonten, CRM-Systeme oder Personalisierungslogiken integriert werden, ist eine interne Entwicklung ideal.

Ein weiterer Vorteil: Das Wissen bleibt im Unternehmen. Teams lernen, wie KI-Systeme journalistisch bewertet werden müssen, welche Datenquellen welche Qualität liefern, wie Nutzer:innen mit Antworten interagieren und welche Produktideen tatsächlich funktionieren. Dieses Lernen kann sich auf Dauer als strategisch besonders wertvoll erweisen.

Aber interne Entwicklungen haben auch klare Grenzen.

Die Cons des Make-Ansatzes

Die Entwicklung eigener KI-Chatbots im Medienumfeld sind aufwendiger, als es auf den ersten Blick erscheint. Ein funktionierender Prototyp ist noch kein stabiles Produkt. Medienhäuser müssen nicht nur Sprachmodelle anbinden, sondern ein belastbares Gesamtsystem entwickeln.

Dazu gehören saubere API-Anbindungen, eine kontinuierliche Datenintegration, ein robustes Rechtemanagement, der Umgang mit unterschiedlichen Inhaltsformaten, semantische Suchen, Quellenlogiken, Starterfragen, Antwortqualität, kontextsensitive Folgefragen, Nutzerfeedback, integrierte Insights und Sicherheitsmechanismen. Ebenso wichtig sind ein markenkonformes Chatbot-Design, das zu unterschiedlichen Angeboten passt, sowie eine nutzerfreundliche UX.

Besonders anspruchsvoll ist die Integration aktueller Nachrichten nahezu in Echtzeit. Neue Inhalte sollten innerhalb weniger Minuten verfügbar sein. Zugleich müssen korrigierte, aktualisierte oder zurückgezogene Meldungen sauber verarbeitet werden und in der Nutzeroberfläche transparent abgebildet werden. Nur wenn technische Infrastruktur, redaktionelle Qualitätssicherung und Chat-Interface zusammenspielen, entsteht ein KI-Angebot, das verlässlich, verständlich und akzeptiert ist.

Ein spezielles Risiko liegt in der Geschwindigkeit des Marktes. KI-Modelle, Frameworks und Best Practices verändern sich rasant. Wer alles intern entwickelt, muss diese Dynamik dauerhaft mitgehen. Das bindet Ressourcen, die in vielen Medienhäusern ohnehin knapp sind. Zudem konkurrieren KI-Projekte intern mit anderen wichtigen Vorhaben: CMS-Modernisierung, App-Entwicklung, Datenstrategien, Paid Content, Abo-Optimierung, Newsletter, Audio, Video und Community-Angebote.

Der Make-Ansatz kann deshalb teuer, langsam und riskant werden, wenn Organisationen nicht über die notwendige interne KI-Produktreife verfügen.

Buy: Warum externe Spezialisten ein Beschleuniger sein können

Die Zusammenarbeit mit einem KI-Spezialisten kann sich für Medienhäuser ein entscheidender Beschleuniger erweisen. Ein solcher Ansatz ermöglicht es, mit einem marktfähigen Produkt Erfahrungen zu sammeln, schnell belastbares Kundenfeedback zu erhalten sowie die technischen und redaktionellen Anforderungen an ein journalistisches RAG-System präzise zu erfassen.

Gerade in der Test- und Aufbauphase ist Geschwindigkeit ein zentraler Faktor. Wer zu lange konzipiert, verliert wertvolle Zeit. Medienhäuser sind gut beraten, verlagsinterne Datenquellen einzubinden, die Qualität der Antworten regelmäßig zu verbessern und das Produkt im engen Austausch mit Nutzer:innen weiterzuentwickeln. Genau hier kann ein erfahrener Partner helfen: von der ersten Datenintegration über Chat-Oberflächen bis hin zu Feedbackmechanismen, Evaluation und Guardrails.

Ein typischer Entwicklungsprozess beginnt mit einem Kick-off-Workshop, in dem Use Case, Zielgruppen, Datenquellen, Qualitätsanforderungen und Produktlogik definiert werden. Danach werden Schnittstellen angebunden und erste Antworten auf Basis vorhandener Daten generiert. Anschließend folgt die Integration des Archivs. Dabei geht es nicht allein um Datenmenge, sondern um redaktionelles Finetuning: Das System muss mit unterschiedlichen Meldungstypen umgehen können, auch mit seltenen oder analogen Formaten, speziellen Textstrukturen oder fachlich anspruchsvollen Inhalten.

Besonders wichtig ist die journalistische Qualität. Ein KI-Angebot für Medienhäuser darf keine falschen oder verzerrten Inhalte erzeugen. Es muss transparent machen, auf welchen Quellen eine Antwort basiert. Es muss Unsicherheit abbilden können. Und es muss redaktionelle Standards erfüllen.

Die Cons des Buy-Ansatzes

Auch der Buy-Ansatz hat Nachteile. Wer mit einem externen Dienstleister arbeitet, muss Abhängigkeiten bewusst managen. Medienhäuser sollten vermeiden, zentrale Produkt- und Datenkompetenz vollständig aus der Hand zu geben.

Wichtig ist deshalb, dass das Medienhaus die strategische Kontrolle behält. Dazu gehören Datenhoheit, Hosting, Sicherheit, Transparenz über die Systemarchitektur, Schnittstellen, nachvollziehbare Qualitätsprozesse, Exportmöglichkeiten und die Fähigkeit, Produktentscheidungen selbst zu treffen.

Ein weiteres Risiko liegt in zu standardisierten Lösungen. Medienhäuser unterscheiden sich stark: regionale Tageszeitungen, Fachverlage, Special-Interest-Angebote, überregionale Nachrichtenmarken oder B2B-Informationsdienste haben unterschiedliche Inhalte, Zielgruppen, Erlösmodelle und Qualitätsanforderungen. Ein guter Partner muss diese Unterschiede verstehen und abbilden können.

Buy darf also nicht bedeuten: Wir kaufen einen generalistischen KI-Chatbot und setzen ihn auf unser Archiv. Buy sollte bedeuten: Wir arbeiten mit einem spezialisierten Partner, um schneller ein belastbares und marktfähiges KI-Produkt auf den Weg zu bringen.

Die beste Lösung ist oft: Buy to Learn, Make to Control

In der Praxis ist Make or Buy selten eine reine Entweder-oder-Entscheidung. Gerade für Medienhäuser ist häufig ein hybrider Ansatz sinnvoll – mit einer klaren Gewichtung: Buy to Learn, Make to Control.

1. Externe Expertise beschleunigt den Einstieg:

Das bedeutet: In einer frühen Phase ist der Einkauf externer Expertise meist der schnellere, wirtschaftlichere und risikoärmere Weg. Ein spezialisierter KI-Partner hilft dabei, aus einer Idee zügig ein belastbares Produkt oder einen validen Prototypen zu entwickeln. Medienhäuser können Use Cases testen, Nutzerfeedback sammeln, technische Anforderungen besser verstehen und redaktionelle Bewertungskriterien schärfen – ohne zunächst eigene Teams, Infrastrukturen und Prozesse im größeren Stil aufbauen zu müssen.

2. Lerngewinn als strategischer Vorteil:

Der entscheidende Vorteil liegt nicht nur in der Geschwindigkeit, sondern auch im Lerngewinn. Wer mit erfahrenen Dienstleistern startet, profitiert von erprobten Technologien, Best Practices, bestehenden Sicherheits- und Qualitätsmechanismen sowie Erfahrungen aus vergleichbaren Projekten. Das reduziert typische Anlaufverluste und verhindert, dass interne Ressourcen zu früh in technische Detailfragen gebunden werden, bevor überhaupt klar ist, welche Anwendungen strategisch und wirtschaftlich tragen.

3. Buy heißt nicht Kontrollverlust:

Zugleich bedeutet Buy nicht, strategische Kontrolle abzugeben. Im Gegenteil: Ein guter Buy-Ansatz schafft die Grundlage dafür, intern gezielt Kompetenz aufzubauen. Das Medienhaus definiert Standards, entwickelt eigene Bewertungskriterien, lernt die relevanten Abhängigkeiten kennen und übernimmt Schritt für Schritt mehr Steuerung – etwa bei Produktstrategie, Datenqualität, redaktioneller Governance, Nutzerführung und Erfolgsmessung.

4. Schneller testen, fundierter entscheiden:

So entsteht ein pragmatischer Mittelweg: Die Umsetzung wird beschleunigt, Risiken bleiben überschaubar und die Organisation lernt entlang realer Anwendungen. Gerade in einem dynamischen Feld wie generativer KI ist das unerlässlich. Denn wer alles selbst entwickeln will, läuft Gefahr, wertvolle Zeit zu verlieren. Wer hingegen klug einkauft, kann schneller lernen, früher testen und fundierter entscheiden, welche Kompetenzen langfristig intern aufgebaut werden sollten.

5. Kooperation als Innovationshebel:

Aus der Innovationsforschung lässt sich ableiten: Tradierte Medienhäuser werden oft dann innovativer, wenn sie in der Test- und Skalierungsphase neuer Technologien mit erfahrenen Partnern kooperieren. Nicht, weil sie Innovation auslagern – sondern weil sie schneller ins Handeln kommen, früher Feedback erhalten und interne Ressourcen dort einsetzen, wo sie den größten strategischen Hebel haben.

Dos: Was Medienhäuser bei KI-Chatbots richtig machen sollten

Medienhäuser sollten KI-Chatbots und interaktive Informationsangebote als strategische Produktentwicklung definieren, nicht als isoliertes Technologieexperiment. Entscheidend ist ein klarer Use Case: Soll das Angebot interne Recherchen in der Redaktion verbessern? Soll es Nutzer:innen helfen, Archive zu erschließen? Soll es ein Paid-Service werden? Soll es die Kundenbindung stärken? Oder soll es neue Zielgruppen ansprechen?

Ebenso wichtig ist die Datenstrategie. Ein erfolgreiches RAG-System lebt von hochwertigen und aktuellen Daten. Deshalb sollten Medienhäuser klären, welche Quellen angebunden werden: Archive, News-Feeds, Themenseiten, Dossiers, Datenbanken, Bilder, Metadaten, Nutzerinformationen und verifizierbare externe Echtzeitdaten wie Börsenkurse, Sportergebnisse, Wetter, Verkehr, Events oder Wahldaten.

Zugleich sollten Medienhäuser wirtschaftliche Fragen berücksichtigen. Welche Zielgruppen nutzen interaktive Angebote? Ist es Teil eines Abos? Unterstützt es Conversion, Bindung oder Engagement? Senkt es interne Recherchekosten? Ergänzt oder ersetzt es herkömmliche Suchen? Stärkt es eigene Medienmarken? Nur wenn Produktnutzen und Angebotsstrategie strukturiert konzipiert werden, werden neue, tragfähige Geschäftsmodelle ermöglicht.

Don’ts: Was Medienhäuser vermeiden sollten

Medienhäuser sollten nicht glauben, dass ein KI-Chatbot mit einer einfachen Modellanbindung erledigt ist. Ein KI-System kann Inhalte erschließen, zusammenfassen und dialogfähig machen. Aber redaktionelle Standards, Quellenbewertung und Qualitätskriterien müssen verlagsintern definiert werden.

Ein weiterer Fehler wäre, zu lange im Prototypenmodus zu bleiben. Viele Organisationen entwickeln intern beeindruckende Demos, schaffen aber nicht den Schritt in den stabilen Live-Betrieb. Entscheidend ist, möglichst früh ein nutzbares Produkt zu testen – mit echten Daten, echten Nutzer:innen und klaren Qualitätsmetriken.

Auch die Nutzeroberfläche sollte nicht unterschätzt werden. Ein journalistisches KI-Angebot braucht Transparenz, Quellenverweise, verständliche Antwortstrukturen und klare Interaktionsmöglichkeiten. Ohne ein gutes Interface bleibt selbst ein technisch starkes System schwer nutzbar – und die Akzeptanz bei den Nutzer:innen entsprechend gering.

Gesamtaufwände sind entscheidender als reine Entwicklungskosten

Bei Make-or-Buy-Entscheidungen sollten Medienhäuser nicht allein auf die initialen Entwicklungskosten schauen, sondern die Total Cost of Ownership betrachten – also die Gesamtkosten über den gesamten Lebenszyklus eines KI-Angebots. Ein Prototyp kann auf den ersten Blick günstig wirken, verursacht im laufenden Betrieb aber dauerhaft Aufwand: etwa durch genutzte Sprachmodelle, Hosting, Wartung, Datenbereitstellung, Monitoring, Rechte- und Rollenmanagement, Prompt- und Retrieval-Optimierung, Qualitätssicherung, Frontend-Anpassungen und Support.

Gerade Sprachmodelle können bei „Pay per Use“ schnell teuer werden, wenn aus einzelnen Prompts produktive Anwendungen entstehen. Denn produktive KI-Angebote erzeugen nicht nur Anfragen, sondern auch Volumen, längere Kontexte, Follow-ups, Tool-Aufrufe und steigende Qualitätsanforderungen. Pay per Use ist deshalb bequem für den Einstieg, kann im skalierten Betrieb aber ohne konsequente Kostensteuerung zum Risiko werden.

Ein externer Spezialist kann die Gesamtkosten deutlich planbarer machen, weil Infrastruktur, Chatbot-Module, Betriebserfahrung, Weiterentwicklung und Best Practices bereits vorhanden sind. Entscheidend ist daher nicht, welche Variante kurzfristig günstiger erscheint, sondern welche Lösung über 12, 24 oder 36 Monate schneller lernfähig, stabiler betreibbar und wirtschaftlich tragfähiger ist.

KI in Medienhäusern: Reine Eigenentwicklungen sind die Ausnahme

Wie schaut es bei Medienhäusern und Verlagen in der Praxis aus? Der KI-Reifegrad-Report von Retresco und BDZV zeigt: Die meisten Medienhäuser verfolgen bei der Entwicklung von KI-Lösungen keinen reinen Make-Ansatz. Nur 4 % der Befragten setzen ausschließlich auf interne Ressourcen, während 75 % interne und externe Entwicklung kombinieren. Weitere 21 % greifen vollständig auf externe Anbieter zurück.

Fachverlage kombinieren Standardtools, Speziallösungen und eigene Systeme für KI-Angebote (Deutsche Fachpresse)

Die aktuelle Fachpresse-Statistik der Deutschen Fachpresse besagt, dass Standardlösungen mit 79 % besonders verbreitet sind. Zugleich nutzen jeweils 58 % der Verlage spezielle KI-Toolboxen sowie die Integration von KI in eigene Systeme. 54 % setzen spezialisierte Tools ein, ebenso viele arbeiten mit eigenen KI-Modellen.

Entscheidungsfragen für Medienhäuser: Make, Buy oder Hybrid?

Zusammengefasst: Die richtige Entscheidung hängt von mehreren Faktoren ab. Verfügt das Medienhaus bereits über ein starkes KI- und Data-Team? Gibt es ausreichend Ressourcen für dauerhafte Weiterentwicklung? Sind relevante Content-Pools, Schnittstellen und Datenstrukturen vorhanden? Wie schnell soll ein marktfähiges Angebot entstehen? Wie wichtig ist eine umfassende technische Kontrolle? Und wie hoch ist die Bereitschaft, externe Expertise einzubinden?

Wer sehr spezifische Anforderungen, starke interne Teams und eigene Plattformambitionen hat, sollte interne Kompetenz konsequent aufbauen. Wer schnell lernen, Risiken begrenzen und Nutzerfeedback sammeln will, profitiert von einem externen Partner. Für die meisten Medienhäuser dürfte ein hybrider Ansatz am sinnvollsten sein: gemeinsam mit einem externen Dienstleister starten, intern lernen, strategisch steuern und schrittweise eigene Kompetenzen entwickeln.

KI-Chatbots sind kein Nebenprojekt, sondern Teil der Medienstrategie

Die Frage „Make or Buy?“ bei KI-Chatbots und interaktiven Informationsangeboten ist letztlich eine strategische Frage. Es geht nicht nur darum, wer den ersten Prototypen baut. Es geht darum, wie Medienhäuser ihre Inhalte künftig zugänglich machen, wie sie Nutzerbeziehungen vertiefen und wie sie im Zeitalter generativer KI Vertrauen schaffen.

RAG-Systeme auf Basis eigener Archive, aktueller News-Feeds und verifizierter Datenquellen können für Verlage zu einem zentralen Baustein der digitalen Produktstrategie werden. Sie machen journalistische Inhalte dialogfähig, stärken die Nutzung eigener Angebote und eröffnen neue Möglichkeiten für Recherche, Service, Personalisierung und Kundenbindung.

Mein Rat lautet: Medienhäuser sollten KI nicht blind outsourcen. Verlage sollten schnell ins Doing kommen, mit klaren Use Cases starten, echte Produkte und Inhalte testen, Nutzerfeedback ernst nehmen und internes Know-how gezielt aufbauen. Externe Spezialisten können dabei ein wichtiger Beschleuniger sein – insbesondere, wenn sie nicht nur Technologie liefern, sondern gemeinsam mit Redaktion, Produkt und Technik ein belastbares journalistisches KI-System entwickeln.

Hast du Fragen, Anmerkungen oder Feedback? Sprich uns an – unsere KI-Expert:innen melden sich gerne bei dir!