Auf den Stellenportalen suchen Unternehmen seit 2 Jahren nach Menschen, die „mit KI umgehen“ können. Gemeint ist meistens: jemand, der einem Sprachmodell so klare Anweisungen gibt, dass am Ende Brauchbares dabei rauskommt. Die Stellenanzeigen nennen das dann Prompt Engineering. Während dafür neue Berufsbilder ausgerufen werden, sitzt in vielen Unternehmen längst eine Berufsgruppe, die genau das seit Jahrzehnten trainiert, und kaum jemand denkt bei der Personalsuche an sie. Die Technischen Redakteure.
Wer eine Wartungsanleitung für eine Verpackungsmaschine schreibt, löst dieselbe Aufgabe wie jemand, der einen guten Prompt baut: Ein Empfänger mit definiertem Vorwissen soll ohne Rückfragen zum richtigen Ergebnis kommen.
Diese Deckung in einem solchen Zukunftsthema ist Zufall, und sie eröffnet dem Berufsstand gerade sehr konkrete neue Aufgabenfelder.
Schreiben für Empfänger, die nicht zurückfragen sollen
Technische Redakteure lernen im ersten Berufsjahr eine unbequeme Wahrheit: Der Leser steht allein an der Maschine. Er kann nicht nachhaken, wenn Schritt 4 zweideutig formuliert ist. Jede Lücke in der Anleitung wird zur Lücke im Ergebnis, im schlimmsten Fall zum Sicherheitsrisiko. Wer unter dieser Bedingung schreiben gelernt hat, prüft Anweisungen auf Eindeutigkeit, bevor sie veröffentlicht werden, ganz gleich, wer die Zielgruppe ist.
Ein Sprachmodell ist auch nur eine Zielgruppe – eine „neue“ eben. Es arbeitet mit dem, was im Prompt steht, und füllt jede Lücke mit Annahmen.
Hierbei hilft die Zielgruppenanalyse, das tägliche Handwerk der Redaktion: Für wen schreibe ich, was weiß diese Person schon, was muss ich voraussetzen, was ausdrücklich sagen? Ein Systemprompt beantwortet exakt diese Fragen, die Zielgruppe heißt jetzt eben „Modell“. Welche Rolle soll es einnehmen, welches Vorwissen bekommt es mitgeliefert, welchen Zweck hat die Ausgabe, welche Grenzen gelten. Redakteure müssen dieses Denken nirgendwo neu lernen, sie wenden es auf einen neuen Empfänger an, und der Unterschied zum bisherigen Alltag ist kleiner, als die Stellenanzeigen vermuten lassen.
Struktur ist die Muttersprache der Modelle
Sprachmodelle folgen strukturierten Eingaben zuverlässiger als Fließtext-Wünschen. Die Anbieter selbst empfehlen das in ihren Leitfäden: Anthropic rät zu XML-Auszeichnungen, OpenAI zu klar getrennten Abschnitten mit Regeln, Beispielen und Ausgabeformaten. Wer seit Jahren in DITA oder einem anderen XML-Rahmenwerk schreibt, denkt ohnehin in ausgezeichneten Informationseinheiten, in Hierarchien, in Gültigkeiten. Ein Prompt mit Rollenbeschreibung, Regelblock, Beispielteil und Ausgabeformat ist strukturell ein sauber aufgebautes Topic.
Genau diese Gliederung verlangen jetzt auch die Modelle.
Auch die Terminologiearbeit gehört in diese Reihe. Redaktionen pflegen kontrollierte Vokabulare, damit ein Bauteil überall gleich heißt und Übersetzungen eindeutig bleiben. In der Arbeit mit Sprachmodellen verhindert dieselbe Disziplin, dass das Modell bei wechselnden Begriffen anfängt zu raten. Ein Glossar im Kontext eines KI-Assistenten wirkt wie eine Terminologiedatenbank im Redaktionssystem: Es legt fest, wovon überhaupt die Rede ist.
Modular denken heißt Kontext beherrschen
Das Kontextfenster eines Sprachmodells ist begrenzt und kostet bei jeder Anfrage Geld. Die Kunst liegt darin, aus einem großen Wissensbestand genau die Bausteine auszuwählen, die der konkrete Fall braucht. Zu wenig Kontext erzeugt Raterei. Zu viel verwässert die Antwort und treibt die Kosten. Diese Auswahl-Denkweise hat in der Redaktion einen alten Namen: topic-basiertes Schreiben. Informationen werden in eigenständige, wiederverwendbare Einheiten zerlegt, mit Metadaten versehen und je nach Produktvariante, Zielgruppe und Ausgabekanal neu zusammengestellt. Wer 10 Jahre lang Bedingungstexte gepflegt hat, versteht ohne Umweg, warum ein KI-Assistent für den Servicetechniker andere Wissensbausteine braucht als derselbe Assistent für den Vertrieb.
Auf dieser Ebene entscheidet sich derzeit die Qualität vieler KI-Systeme. Ob ein Assistent mit Dokumentenzugriff brauchbare Antworten liefert, hängt weniger vom Modell ab als von der Frage, welche Inhalte in welcher Aufbereitung in seinen Kontext gelangen. Wie sehr ein fehlendes Gedächtnis und schlecht kuratierter Kontext die tägliche Arbeit mit KI ausbremsen, habe ich im Beitrag über das fehlende Gedächtnis von KI-Assistenten beschrieben. Die Menschen, die dieses Kuratieren am schnellsten begreifen, kommen nach meiner Beobachtung aus der Dokumentation: Sie haben die Auswahl- und Aufbereitungsfragen schon hundertfach beantwortet, lange bevor ein Kontextfenster sie gestellt hat.
Vom Text zum Informationsprodukt
Zwischen Prompt und Kontext liegt eine dritte Ebene, für die sich der Begriff Content Engineering eingebürgert hat: Inhalte so aufbereiten, dass Maschinen zuverlässig damit arbeiten können. Saubere Quellen statt vier widersprüchlicher Versionen. Metadaten, die sagen, was gilt und für wen. Eine einzige verlässliche Quelle je Information statt verstreuter Kopien auf Netzlaufwerken.
Und das betrifft mehr als Texte. In Anleitungen stecken technische Kennwerte, Grenzwerte, Drehmomente, Ersatzteilnummern, und für diese Angaben gibt es in der Redaktion seit jeher Prüf- und Freigabewege, weil ein falscher Wert Menschen gefährden und Haftung auslösen kann. Ein Sprachmodell übernimmt den veralteten Wert aus einer vergessenen Tabelle genauso bereitwillig wie den freigegebenen und formuliert beide gleich überzeugend. Valide heißt deshalb: geprüft, freigegeben, aktuell, mit bekannter Quelle. Diese Validität entscheidet über die Brauchbarkeit einer KI-Antwort mehr als jede Formulierungskunst.
Das ist wörtlich das Anforderungsprofil eines Redaktionssystems. In meiner Analyse gescheiterter KI-Projekte im Mittelstand war die verstreute, widersprüchliche Datenlage einer der häufigsten Gründe für das Scheitern, und an genau dieser Stelle sitzt die Technische Redaktion an der Quelle. Sie verwaltet die am besten strukturierten Informationsbestände, die es in den meisten Unternehmen überhaupt gibt: versioniert, freigegeben, mit Gültigkeiten versehen.
Was daraus für Redakteurinnen und Redakteure folgt
Aus dieser Ausgangslage ergeben sich konkrete Wege, die ich an vielen Stellen bereits entstehen sehe.
Der naheliegendste führt in die KI-Qualitätssicherung. Maschinell erzeugte Texte brauchen Menschen, die fachliche Richtigkeit, Terminologie und Verständlichkeit prüfen können, mit klaren Kriterien statt Bauchgefühl, und Redaktionen prüfen Texte seit jeher gegen Redaktionsleitfäden. Denselben Prüfblick auf KI-Ausgaben zu richten, verlangt wenig Umgewöhnung und ist nach meiner Beobachtung regelmäßig der Punkt, an dem aus Misstrauen gegenüber KI-Texten ein geregelter Ablauf wird.
Ein zweiter Weg macht den Redaktionsleitfaden selbst zum Produkt. Ich pflege selbst eine solche Bibliothek, eine Prompt-Bibliothek: geprüfte, versionierte, kommentierte Anweisungen für wiederkehrende Aufgaben, jede mit Freigabestand. Solche Bibliotheken zu strukturieren, zu pflegen und aktuell zu halten ist Redaktionsarbeit im neuen Gewand, inklusive Terminologie, Freigaben und Änderungsverfolgung.
Der dritte Weg reicht am weitesten: die Rolle der Wissensarchitektin. Jemand muss entscheiden, welche Unternehmensinformationen in welcher Form für KI-Systeme bereitstehen, wie sie modularisiert, ausgezeichnet und aktuell gehalten werden. Diese Aufgabe verbindet Informationsarchitektur, Metadaten und Prozessverständnis, also genau die Kombination, mit der Redaktionen ohnehin täglich arbeiten.
Für den Einstieg braucht es keinen Kurswechsel. Nehmen Sie einen wiederkehrenden Schreibanlass aus Ihrem Alltag und bauen Sie dafür einen strukturierten Prompt nach den Regeln, nach denen Sie auch ein Topic bauen würden: definierte Zielgruppe, eindeutige Begriffe, klare Gliederung, geprüfte Beispiele. Vergleichen Sie die Ausgabe mit Ihrer bisherigen Arbeit, notieren Sie die Abweichungen und schärfen Sie die Anweisung nach. Nach 10 solcher Durchläufe besitzen Sie den Anfang einer Prompt-Bibliothek und ein belastbares Gefühl dafür, wo die Grenzen liegen.
Die Technische Redaktion hat lange darum gekämpft, im Unternehmen als mehr wahrgenommen zu werden denn als Kostenstelle für Pflichtdokumente. Mit der Verbreitung von Sprachmodellen dreht sich das Bild. Ein guter Prompt ist eine präzise Anweisung an einen Empfänger, der nicht nachfragen kann, und genau solche Anweisungen schreiben Technische Redakteure seit Jahrzehnten. Damit aus Prompt Engineering verlässliche Ergebnisse werden, braucht es außerdem das Fundament, an dem KI-Vorhaben am häufigsten scheitern: strukturierte Inhalte und valide, freigegebene Daten. Beides ist Redaktionshandwerk.
Deshalb zum Schluss ein Appell an die Redakteurinnen und Redakteure: Seid mutig, zeigt euch, lernt und übt, und nutzt euer Talent, um aus der oft unsichtbaren Domäne der Technischen Redaktion auszubrechen. Jetzt ist eure Zeit. Das ist eure Chance.
