Ein KI-Workflow im Kundenprojekt: Zahlen aus der Praxis

Vor dem Umbau lief die Beitragsproduktion klassisch ab. Eine Idee wurde im Team besprochen, eine Person recherchierte und schrieb einen Entwurf, eine zweite redigierte, dann ging der Text durch eine fachliche Freigabe und schließlich ins Redaktionssystem. Niemand hatte je gemessen, wie lange das dauert, weil es nie nötig schien.

Genau das war der erste Schritt, und der unbequemste: zwei Wochen lang pro Beitrag die reine Bearbeitungszeit notieren, getrennt nach Recherche, Schreiben, Redigieren und Einpflegen. Ohne diese Vorher-Messung hätten wir am Ende nur Bauchgefühl gegen Bauchgefühl gestellt. Wer einen Workflow ehrlich bewerten will, kommt um diesen Aufwand nicht herum.

Der neue Workflow ersetzte den Menschen nicht, er verschob seine Arbeit. Die KI übernahm den ersten Entwurf, der Mensch wurde vom Erstautor zum Redakteur und Prüfer.

Drei Bausteine trugen das Ganze. Erstens ein Zugriff auf das eigene Firmenwissen, damit die KI nicht aus dem allgemeinen Internet, sondern aus den freigegebenen Inhalten des Kunden schöpft (das Prinzip dahinter erklären wir im Wissen-Artikel zu RAG). Zweitens ein Satz erprobter Vorlagen für die wiederkehrenden Beitragstypen, damit Struktur und Tonfall nicht jedes Mal neu verhandelt werden mussten; warum die Formulierung der Anweisung so viel ausmacht, behandelt der Beitrag zu Prompt Engineering. Drittens ein fester, nicht verhandelbarer Freigabeschritt durch einen Menschen, bevor irgendetwas veröffentlicht wurde.

Der dritte Baustein klingt selbstverständlich und ist es nicht. Die Versuchung, einen gut aussehenden KI-Entwurf "schnell durchzuwinken", ist real. Genau dagegen war der Schritt gebaut.

Nach acht Wochen Parallelbetrieb hatten wir genug Datenpunkte für einen ehrlichen Vergleich. Die folgende Tabelle zeigt die Größenordnungen pro Standardbeitrag. Es sind, wie gesagt, anonymisierte Werte aus diesem einen Projekt und als Spanne zu lesen, nicht als Versprechen.

Der wichtigste Wert steht in der dritten Zeile, und er geht nach oben. Das Redigieren wurde aufwendiger, nicht einfacher. Wer das in der Rechnung unterschlägt, kommt auf die Traumzahlen aus den Demos. Wer es mitzählt, landet bei einer realen Entlastung von etwa einem Drittel der Durchlaufzeit. Das ist viel weniger spektakulär und viel belastbarer.

Die neue Arbeit beim Redigieren hatte konkrete Gründe. Drei Fehlertypen tauchten regelmäßig auf, und genau auf sie war der Prüfschritt ausgerichtet.

Erstens erfundene Belege. Die KI lieferte gelegentlich plausibel klingende Studien oder Zahlen, die es nicht gab. Selten, aber jedes Mal teuer, wenn man es übersieht. Jede externe Aussage musste deshalb gegen eine echte Quelle geprüft werden.

Zweitens falscher Spezifik-Grad beim Firmenwissen. Trotz des Zugriffs auf die eigenen Inhalte vermischte das System hin und wieder Details aus ähnlichen Produkten. Hier half kein Prompt, sondern nur ein Mensch, der das Sortiment kennt.

Drittens ein glatter, leicht generischer Ton. Die Entwürfe lasen sich sauber, aber austauschbar. Den Charakter, an dem Leser den Absender erkennen, musste der Mensch wieder hineinschreiben. Das ist keine Schwäche des Werkzeugs, sondern eine vernünftige Arbeitsteilung.

Die wichtigste Lehre ist methodisch: Ohne die unbequeme Vorher-Messung hätten wir den Erfolg entweder über- oder unterschätzt, und in beiden Fällen die falsche Entscheidung getroffen. Der gemessene Effekt, rund ein Drittel weniger Durchlaufzeit bei gleichbleibender Qualität, hat den Umbau klar gerechtfertigt. Die Demo-Zahl von 80 Prozent hätte ihn bei der ersten Enttäuschung gekippt.

Inhaltlich bestätigte sich, was wir auch in anderen Projekten sehen und ausführlicher im Beitrag zu KI-Content-Workflows in Drupal beschreiben: Die KI ist im Entwurf stark und in der Verantwortung schwach. Sie verschiebt Arbeit von vorne nach hinten, vom Schreiben zum Prüfen. Wer diesen verschobenen Aufwand einplant und einen Menschen zur Freigabe verpflichtet, bekommt eine solide Entlastung. Wer ihn wegspart, bekommt schnelle Texte und ein langsames Vertrauensproblem.

Bevor ihr über Werkzeuge redet, messt zwei Wochen lang die reine Bearbeitungszeit eines typischen Inhaltsprozesses, getrennt nach Phasen. Diese Startwerte sind die Grundlage für jede spätere Entscheidung, und sie kosten nichts außer Disziplin. Erst danach lohnt die Frage, an welcher Phase ein KI-Entwurf wirklich ansetzt.

Wenn ihr diesen Schritt nicht allein gehen wollt, schauen wir ihn uns gemeinsam an. Ein Zukunfts-Check ordnet ein, wo in euren Abläufen ein gemessener KI-Einsatz tatsächlich trägt, und wo die Nacharbeit den Vorteil auffrisst.