KI in der Technischen Redaktion einführen: Anwendungen, Datenschutz, Pilotplan

KI in die Technische Redaktion einzuführen ist 2026 keine Pioniertat mehr. Die Frage lautet nicht mehr, ob ein Sprachmodell mitarbeitet, sondern wo es das tut, wer den Output prüft und wessen Daten es dabei sieht. Wer diese drei Punkte nicht klärt, baut sich ein Risiko ein, das später teurer wird als jede Lizenzgebühr.

In den letzten 18 Monaten habe ich viele Redaktionen gesehen, die ein LLM angeschafft haben, weil die Geschäftsleitung „etwas mit KI“ sehen wollte. Was dann passiert ist, hatte mit Effizienz wenig zu tun. Texte wurden generiert, Fehler in den Texten wurden generiert, und weil der Output schneller kam, kam der nächste Output noch schneller. Am Ende stand mehr Material zur Prüfung an, als vorher überhaupt geschrieben worden war. Der Produktivitätsgewinn war negativ.

Die Ursache liegt selten im Modell. Sie liegt im Prozess davor. KI gehört in die Redaktion, das ist nicht mehr ernsthaft strittig. Sie gehört dorthin nach demselben Muster wie ein CCMS oder ein Translation-Memory-System: groß planen, klein starten, am realen Engpass ansetzen.

Warum die meisten KI-Pilotprojekte in Redaktionen scheitern

Wenn ich mir die gescheiterten Pilotprojekte der letzten 18 Monate anschaue, sehe ich vier Muster. In dieser Reihenfolge.

Erstens: keine Datenbasis. Das Modell bekommt Word-Dateien, in denen drei Redaktionsgenerationen ihre Spuren hinterlassen haben. Drei Schreibweisen für dasselbe Bauteil. Zwei Terminologien für denselben Vorgang. Halbe Tabellen, die niemand mehr pflegt. Das LLM tut, was es tun muss: Es übernimmt die Inkonsistenz und produziert sie schneller. Wer hier eine Qualitätsverbesserung erwartet, verwechselt KI mit Magie.

Zweitens: kein Qualitätsmaßstab am Ausgang. Niemand hat je formal definiert, was eine „gute“ Betriebsanleitung im eigenen Haus ausmacht. Vor der KI-Einführung fällt das nicht auf, weil ein erfahrener Redakteur den Maßstab im Kopf hat. Sobald das Modell schreibt, fehlt dieser Maßstab. Dann wird gestritten, ob ein Text „passt“, und am Ende entscheidet die lauteste Meinung, nicht die beste Begründung.

Drittens: Erwartung statt Spezifikation. „KI macht uns Anleitungen“ ist kein Auftrag, das ist ein Wunsch. Konkret werden müsste: welche Dokumenttypen, welche Module, in welcher Sprachstufe, mit welcher Quellenbasis, mit welcher Prüfroutine. Wer ohne diese Festlegung anfängt, arbeitet sechs Monate lang am falschen Problem.

Viertens: das Pilotprojekt darf nicht scheitern. Sobald der Vorstand intern weiß, dass „wir jetzt KI machen“, wird der Pilot zur PR-Veranstaltung. Negative Befunde werden weichgespült, harte Datenpunkte verschwinden, und am Ende heißt es im Lenkungskreis: läuft. Nur produktiv geht damit nichts in den Regelbetrieb. Ein Pilot, der nicht scheitern darf, ist kein Pilot.

Die tekom-Publikation „KI in der Technischen Kommunikation“ ist als Einstieg brauchbar, gerade für Geschäftsleitungen, die noch keinen Überblick haben. Sie ersetzt aber keine eigene Bestandsaufnahme.

Drei Aufgaben, bei denen KI in der Redaktion heute wirklich Aufwand spart

Die produktiven Anwendungsfälle sind weniger spektakulär als die Marketing-Folien, aber sie funktionieren. Diese drei sind in fast jeder Redaktion einsetzbar, sobald die Datenbasis stimmt.

Übersetzung als Rohentwurf, nicht als Endprodukt. Ein modernes LLM produziert eine Vorübersetzung, die ein Lektor in 25 bis 35 % weniger Zeit auf Veröffentlichungsreife bringt, gemessen gegen eine reine TM-Vorbelegung. Voraussetzung ist eine gepflegte Terminologiedatenbank und ein klarer Umgang mit Marken-, Produkt- und Sicherheitsbegriffen, die das Modell nicht „überschreiben“ darf. Ohne diese Vorarbeit verschiebt sich der Aufwand vom Übersetzen ins Korrigieren. Der Effekt im Gesamtbudget liegt dann bei null.

Konsistenzprüfung über große Dokumentenmengen. „Heißt es im Handbuch eigentlich überall Wartungsklappe oder mal Serviceklappe?“ Diese Art von Frage beantwortet ein LLM in Minuten, wo ein Mensch Tage bräuchte. Generiert wird dabei nichts, gemessen wird viel. Die Ergebnisse fließen direkt in die Pflege der Terminologiedatenbank, wo sie systematischen Wert haben.

Strukturvorschläge für Standarddokumente. Wenn Sie schon zwanzig Bedienungsanleitungen für Variantenmaschinen geschrieben haben, kann ein Modell Ihnen die Grundstruktur für die einundzwanzigste vorschlagen, einschließlich aller Pflichtkapitel aus Ihrer Dokumentationsmatrix. Das spart pro Anleitung etwa einen halben Tag, der in die inhaltliche Tiefenarbeit fließt, wo der Mensch wirklich gebraucht wird.

Bei allen drei Anwendungen gilt: Die Prüfung bleibt menschlich. Wer das auslagert oder einspart, verschiebt den Engpass nicht. Er erzeugt einen neuen, weiter hinten in der Kette, an der Stelle „Reklamation“ oder „Haftungsfall“.

Wo KI in der Technischen Redaktion (noch) nicht funktioniert

Genauso wichtig wie diese drei Anwendungen ist ihre Umkehrung: Wo versagt KI heute, und warum? Darüber wird in Beratungsgesprächen viel zu selten gesprochen.

Sicherheitsrelevante Warnhinweise sind kein Anwendungsfall für ein Sprachmodell. Ein Modell wägt Wahrscheinlichkeiten ab. Eine Sicherheitsaussage muss aber wahr sein, nicht wahrscheinlich. Wer hier KI-Outputs ohne fachkundige Prüfung in das Endprodukt übernimmt, riskiert nach Maschinenverordnung 2023/1230 (gilt verbindlich ab 14. Januar 2027) eine Konformitätslücke, die in der Marktaufsicht direkt auffällt.

Die Beurteilung, ob ein Sachverhalt fachlich korrekt beschrieben ist, kann das Modell ebenfalls nicht leisten. Es kann beschreiben, dass eine Kupplung kraftschlüssig ist, auch wenn sie formschlüssig ist, und es wird das tun, sobald die Trainingsdaten oder der Kontext entsprechend verzerrt sind. Diese Prüfung kostet einen erfahrenen Konstrukteur fünf Sekunden. Einem Modell ist sie schlicht unmöglich.

Verständlichkeit für die Zielgruppe ist die dritte Lücke. Ein Modell hat kein Bild davon, wer Ihren Text lesen wird. Es weiß nicht, ob Ihre Endkundin eine Hochschulabsolventin ist oder ein Werkstudent in der zweiten Schicht. Diese Anpassung muss ein Mensch vornehmen, der die Zielgruppe kennt.

Datenschutz und Geheimnisschutz: fünf Fragen, die Sie jedem Anbieter stellen müssen

Hier wird in der Praxis am häufigsten gepatzt. Die Frage „Was passiert mit unseren Daten?“ wird entweder gar nicht gestellt oder mit einer Marketing-Antwort des Anbieters abgehakt. Beides ist Fahrlässigkeit. Konstruktionszeichnungen, Parameterlisten, BOM-Daten und unveröffentlichte Produktinformationen sind Betriebsgeheimnisse. Sie sind durch das Geschäftsgeheimnisgesetz geschützt, aber nur, solange Sie selbst angemessene Geheimhaltungsmaßnahmen treffen. Wer sie ungeprüft in einen externen Dienst gibt, verliert diesen Schutz.

Diese fünf Fragen müssen vor jeder KI-Einführung schriftlich beantwortet sein, idealerweise im Auftragsverarbeitungsvertrag nach Art. 28 DSGVO oder in einer separaten Datenverarbeitungsvereinbarung:

1. Werden meine Eingaben für das Training des Modells verwendet? Die Antwort muss „Nein, nicht ohne explizite Opt-in-Zustimmung“ lauten. Alles andere ist nicht akzeptabel.
2. Wo werden meine Daten verarbeitet? Konkret: in welchem Land, in welchem Rechenzentrum, durch welchen Subdienstleister. EU-Hosting allein bedeutet noch keine DSGVO-Konformität, US-Hosting bedeutet noch keine automatische Unzulässigkeit. Welcher Fall bei Ihnen zutrifft, müssen Sie wissen, bevor Sie ihn bewerten können.
3. Wie lange werden meine Eingaben gespeichert? Eine Speicherung über die Verarbeitung hinaus braucht zwei Dinge: eine schriftliche Begründung und ein konkretes Löschdatum.
4. Wer hat im Ausnahmefall Zugriff auf meine Eingaben? Stichwort Missbrauchsprävention: Viele Anbieter speichern Eingaben für 30 Tage zur Missbrauchskontrolle. Das müssen Sie wissen, bewerten und gegebenenfalls vertraglich ausschließen können.
5. Was passiert bei Vertragsende mit den verarbeiteten Daten? Löschungspflicht, Löschungsfrist, schriftliche Löschungsbestätigung.

„Wir nutzen Ihre Daten nicht für Training“ auf einer Marketing-Folie ist keine Antwort. Die Antwort steht im Vertrag. Wenn der Anbieter das nicht schriftlich liefert, ist er nicht der richtige Anbieter, unabhängig davon, wie gut die Demo aussah.

Der Bitkom-Praxisleitfaden „KI & Datenschutz“ in der zweiten Auflage liefert die ausführliche Vertragsgrundlage zu diesen fünf Punkten und ist als Ausgangspunkt für die eigene Datenschutz-Folgenabschätzung brauchbar.

Strukturierte Inhalte zuerst, KI danach

Hier schließt sich der Kreis zur eigentlichen Frage: Was muss vor der KI-Einführung passieren? Die nüchterne Antwort: das Gleiche wie vor jeder anderen Prozess- oder Werkzeugeinführung. Die Inhalte müssen modular sein, die Terminologie muss gepflegt sein, die Wiederverwendung muss als Prinzip gelebt werden.

Das ist genau die Vorarbeit, die auch eine CCMS-Migration erfolgreich macht. Wer beides parallel angeht, hat einen doppelten Nutzen: Die strukturierte Datenbasis verbessert die Wiederverwendung sofort und präzisiert die KI-Outputs später. Wer KI auf einer unstrukturierten Datenbasis einsetzt, verbrennt das Geld langsamer, aber zuverlässig.

Als Dateiformat für die intelligente Auslieferung hat sich iiRDS in den letzten Jahren als Industriestandard etabliert. Wer heute strukturiert, sollte das mit Blick auf iiRDS tun, sonst wartet in zwei Jahren der nächste Migrationsaufwand.

Was der KI-Einsatz realistisch bringt

Die Frage „wie viel spart uns KI?“ ist die häufigste in meinen Erstgesprächen. Die nüchterne Antwort hängt vom Ausgangszustand ab und sie ist meistens unbequem.

Eine Redaktion ohne strukturierte Inhalte, ohne gepflegte Terminologie und ohne klare Prozesse fängt sich im ersten Jahr Mehraufwand ein. Sortieren, prüfen, strukturieren, korrigieren. Die Einsparung kommt erst, wenn die Datenbasis steht. Das ist keine Verkaufsbotschaft, aber es ist die Wahrheit.

Eine Redaktion mit gepflegtem CCMS, sauberer Terminologie und definierten Dokumenttypen erreicht realistisch 20 bis 35 % Aufwandsreduktion bei Übersetzungen, 30 bis 50 % bei Konsistenzprüfungen und 10 bis 20 % bei Erstentwürfen für Standarddokumente. Diese Zahlen sehe ich konsistent. Sie sind aber das Ergebnis der Vorarbeit, nicht der KI selbst. Die Vorarbeit hat eine eigene Rendite, völlig unabhängig vom späteren KI-Einsatz: Sie senkt die Kosten schlechter Dokumentation.

Ein Einführungsplan in sechs Schritten

Damit Sie nicht mit einem Tool-Vergleich anfangen, sondern mit dem eigentlichen Engpass, hier die Reihenfolge, die in meinen Projekten funktioniert hat:

1. Bestandsaufnahme. Welche Dokumenttypen erstellen Sie, in welchen Mengen, mit welchem aktuellen Aufwand pro Dokument? Ohne diese Basis sind alle späteren Aussagen über „Einsparungen“ Schätzungen ins Blaue.
2. Pilotbereich definieren. Ein Dokumenttyp, eine Produktlinie, eine Sprachrichtung. Nicht das gesamte Portfolio, nicht die Lokalisierung in 14 Sprachen auf einmal. Klein starten.
3. Qualitätskriterien festschreiben. Was unterscheidet einen guten Output von einem mittelmäßigen? Wer entscheidet das, wann und nach welchem Maßstab? Schriftlich.
4. Datenbasis prüfen und nachziehen. Terminologie, Module, Wiederverwendungsregeln. Diese Phase ist unbequem. Ohne sie funktionieren die anderen fünf Schritte nicht.
5. Tool-Auswahl mit Datenschutz-Check. Erst wenn die ersten vier Schritte abgeschlossen sind, lohnt der Vergleich der Anbieter, geführt anhand der fünf oben genannten Fragen.
6. Pilotieren, messen, entscheiden. Drei Monate Laufzeit, klare Metriken, dokumentierte Befunde. Erst dann die Skalierungsentscheidung.

Das klingt nach mehr Aufwand als „einfach ein Tool kaufen“. Das ist es auch. Es ist aber die Reihenfolge, die in zwei Jahren noch tragfähig ist. Die schnelle Variante kommt nach 18 Monaten zum Stillstand, weil dann die Datenbasis-Diskussion neu losgeht, nur unter höherem Druck.

Wo lohnt KI in Ihrer Redaktion, wo nicht?

Bevor Sie ein Werkzeug auswählen, lohnt der nüchterne Blick auf Ihre Datenbasis und auf die Aufgaben, bei denen ein Modell tatsächlich Aufwand abnimmt. Schübeler Consulting nimmt die Bestandsaufnahme mit Ihnen vor, prüft die regulatorischen Implikationen für Ihre Branche und erstellt einen Pilotplan, der zur Größe Ihres Teams passt.

Erstgespräch: info@schuebeler-consulting.de oder über die Website.

Johann Jörgen Schübeler, Schübeler Consulting