KI-Strategie im Journalismus: Menschliche Expertise bei Finanzfluss

Wie gelingt es, Künstliche Intelligenz nicht nur als Werkzeug zu nutzen, sondern sie strategisch in die DNA eines Teams zu integrieren? Im AI FIRST Podcast spricht Host Felix Schlenther mit Mary Abdelaziz-Ditso, Chefredakteurin für Wirtschaft und News bei Finanzfluss, über genau diese Herausforderung. Statt bestehende Prozesse nachträglich mit KI zu optimieren, baute ihr Team eine neue Wirtschaftsredaktion von Grund auf mit einer klaren Vision für die Zusammenarbeit von Mensch und Maschine auf. Diese Episode liefert dir einen tiefen Einblick in die Praxis und zeigt, wie ein maßgeschneidertes KI-Tool nicht nur die Effizienz steigert, sondern auch hilft, journalistische blinde Flecken zu überwinden. Es geht um die zentrale Frage, die sich Entscheider in allen Branchen stellen: Wo verläuft die Grenze zwischen Automatisierung und unverzichtbarer menschlicher Expertise?

Das Wichtigste auf einen Blick

• Klare Arbeitsteilung: KI übernimmt bei Finanzfluss quantitative Aufgaben wie das Scannen und Aggregieren hunderter internationaler Nachrichtenquellen. Die qualitative Arbeit - Einordnung, Interpretation und das Verfassen der Texte - bleibt bewusst in menschlicher Hand, um Vertrauen und journalistische Sorgfalt zu gewährleisten.
• Strategie von Anfang an: Anstatt KI in bestehende Strukturen zu pressen, wurde die neue Redaktion von Grund auf um eine Mensch-KI-Kollaboration herum konzipiert. Dieser Greenfield-Ansatz ermöglichte es, Prozesse zu schaffen, die die Stärken beider Seiten optimal nutzen.
• Ein eigenes Tool gegen den Tunnelblick: Um dem branchenüblichen Fokus auf westliche Nachrichtenagenturen entgegenzuwirken, entwickelte das Team ein internes KI-Tool. Es speist sich aus über 200 handverlesenen RSS-Feeds aus der ganzen Welt und hilft so, eine globalere und multiperspektivische Berichterstattung zu ermöglichen.
• Der Mensch als unverzichtbare Kontrollinstanz: Trotz der leistungsstarken KI gibt es klare Human in the Loop-Prozesse. Das Redaktionsteam überprüft die von der KI vorgeschlagenen Quellen, diskutiert die Relevanz der Themen in Konferenzen und trifft die finale Auswahl. Die Deutungshoheit wird nie aus der Hand gegeben.
• Schreiben als Denkprozess: Obwohl LLMs exzellent im Texten sind, bleibt das Schreiben Aufgabe der Redakteurinnen und Redakteure. Mary erklärt, dass der Schreibprozess selbst ein entscheidender Teil der gedanklichen Auseinandersetzung und Qualitätssicherung ist, der sich nicht einfach auslagern lässt.
• Die Zukunft ist Vertrauen: In einer Zeit der Informationsflut und KI-generierter Inhalte wird Vertrauen zur wichtigsten Währung. Der Journalismus der Zukunft, so Mary, basiert darauf, dass Menschen hinter der Marke stehen und eine nachvollziehbare, sorgfältige Einordnung liefern.

Mensch und Maschine: Eine bewusste Arbeitsteilung

Die zentrale Philosophie im Newsroom von Finanzfluss ist eine klare Trennung der Aufgaben. Mary betont, dass KI für die Breite und die Quantität zuständig ist, während der Mensch für die Tiefe und die Qualität verantwortlich bleibt. Konkret bedeutet das: Ein eigens entwickeltes KI-Tool durchforstet täglich Hunderte von Nachrichtenquellen weltweit - eine Aufgabe, die für ein kleines Team manuell unmöglich wäre. Es aggregiert Informationen und schlägt relevante Themen vor. Doch hier endet die Rolle der Technologie.

Die eigentliche journalistische Arbeit beginnt erst danach. Die Redakteurinnen und Redakteure sichten die Vorschläge, prüfen die Primärquellen kritisch, diskutieren im Team die Relevanz und den richtigen Blickwinkel und verfassen schließlich die Texte. Diese Deutungshoheit, wie Mary es nennt, bewusst beim Menschen zu belassen, ist eine strategische Entscheidung. Es geht darum, Vertrauen bei der Zielgruppe aufzubauen. In einer Zeit, in der KI-generierte Inhalte zunehmen, wird die menschliche Expertise zur Einordnung und Kontextualisierung zum entscheidenden Qualitätsmerkmal. Der Schreibprozess selbst wird dabei nicht als rein operative Tätigkeit gesehen, sondern als integraler Bestandteil des Denkprozesses, um komplexe Sachverhalte zu durchdringen und eine ausgewogene Perspektive zu finden.

Ein maßgeschneidertes KI-Tool gegen blinde Flecken

Eine der größten Herausforderungen im Journalismus ist die Tendenz, sich auf eine begrenzte Anzahl etablierter, oft westlicher Nachrichtenagenturen zu stützen. Dies führt unweigerlich zu blinden Flecken in der globalen Berichterstattung. Um dieses Problem zu lösen, hat Finanzfluss in enger Zusammenarbeit zwischen Redaktion und einem Entwickler, Johann, ein eigenes KI-Tool von Grund auf gebaut. Die Basis dafür ist keine Blackbox, sondern eine sorgfältig kuratierte Datengrundlage.

Das Team hat manuell über 200 internationale Medienquellen aus verschiedenen Weltregionen - von Asien über den Nahen Osten bis nach Südamerika - identifiziert und analysiert. Dabei wurden auch bewusst staatlich angebundene Medien wie die chinesische Global Times einbezogen, um deren Perspektive zu verstehen. Diese Quellen werden über RSS-Feeds, standardisierte Nachrichtenströme, in das System eingespeist. Ein detaillierter Prompt gibt der KI klare Anweisungen, nach welchen Kriterien sie suchen soll: Wirtschaftsfokus, Aktualität (nicht älter als 24 Stunden) und das Vorkommen einer Nachricht in mindestens zwei voneinander unabhängigen Quellen. Das Ergebnis ist eine breite, vorsortierte Auswahl, die dem Team eine weitaus globalere Sicht ermöglicht, als es mit traditionellen Methoden je möglich wäre.

Die Grenzen der KI und die Notwendigkeit menschlicher Kontrolle

Die Implementierung eines solchen Systems ist kein einmaliges Projekt, sondern ein fortlaufender Prozess. Mary schildert anschaulich die Herausforderungen auf dem Weg. Der anfänglich naive Gedanke, der KI einfach tausend Webseiten zu geben und auf das Beste zu hoffen, scheiterte. Die Lösung über RSS-Feeds war ein technischer Durchbruch, brachte aber neue Hürden mit sich, da nicht jede Webseite einen solchen Feed anbietet. Auch das Prompt Engineering, also das Formulieren der perfekten Anweisung für die KI, erforderte unzählige Schleifen.

Selbst heute ist das System nicht fehlerfrei. Manchmal werden Zeitangaben falsch interpretiert oder relevante Nachrichten übersehen. Deshalb bleibt der Mensch die wichtigste Kontrollinstanz. Jeder Redakteur prüft nicht nur die Ergebnisse des KI-Tools, sondern gleicht sie auch morgens mit einer Handvoll vertrauenswürdiger Leitmedien ab. Dieser Human in the Loop ist entscheidend, um die Qualität zu sichern und sicherzustellen, dass die Technologie dem Menschen dient und nicht umgekehrt. Es zeigt sich, dass selbst hochentwickelte KI-Systeme eine sorgfältige menschliche Überwachung und Feinjustierung benötigen, um ihr volles Potenzial zu entfalten.

Die Zukunft: Ein KI-Korrektiv für die eigene Objektivität

Finanzfluss ruht sich auf dem Erreichten nicht aus. Der nächste innovative Schritt ist bereits in der Entwicklung: ein KI-Tool, das als internes Korrektiv dient. Die Redaktion hat den Anspruch, möglichst objektiv, differenziert und multiperspektivisch zu berichten. Doch wie lässt sich dieser Anspruch überprüfen und sicherstellen, dass man nicht unbewusst in einen eigenen Bias verfällt?

Hier soll die neue KI ansetzen. Sie wird die von der Redaktion verfassten Skripte analysieren und auf mögliche einseitige Formulierungen, Framing oder strukturelle Tendenzen hinweisen. Marys Vision ist es, dieses Tool in den wöchentlichen Feedback-Runden zu nutzen, um die eigene Arbeit kritisch zu reflektieren. Statt einer subjektiven Einschätzung könnte die KI eine datengestützte Analyse liefern und aufzeigen, wo möglicherweise eine Perspektive zu kurz kam. Dies wäre ein faszinierender Einsatz von KI - nicht zur Content-Erstellung, sondern zur Qualitätssicherung und zur Stärkung der eigenen journalistischen Standards.

Praktische Schritte zur Entwicklung eines internen KI-Tools

Der Weg von Finanzfluss bietet eine wertvolle Blaupause für andere Unternehmen, die KI nicht nur oberflächlich, sondern tief in ihre Kernprozesse integrieren wollen. Die folgenden Schritte lassen sich aus ihrer Erfahrung ableiten:

1. Klares Problem definieren: Identifiziere eine konkrete Herausforderung, die durch menschliche Kapazitäten allein schwer zu lösen ist. Im Fall von Finanzfluss war dies das Ziel, Hunderte globaler Quellen zu überblicken, um blinde Flecken zu vermeiden.
2. Die Datenbasis als Fundament sehen: Bevor du an Modelle oder Prompts denkst, baue eine hochwertige und relevante Datengrundlage auf. Die manuelle Recherche und Kuratierung der über 200 RSS-Feeds war der zeitaufwendigste, aber wichtigste Schritt für den Erfolg des Tools.
3. Interdisziplinäre Teams bilden: Bringe Fachexpertinnen (hier: die Journalistinnen) und technische Expertinnen (der Developer) eng zusammen. Eine offene Kommunikation ist entscheidend, damit die technischen Möglichkeiten die fachlichen Bedürfnisse exakt abbilden.
4. Iterativ entwickeln und verfeinern: Betrachte das KI-Tool als ein internes Produkt, das kontinuierlich weiterentwickelt wird. Das Team hat den Prompt immer wieder angepasst und lernt auch heute noch dazu, um die Ergebnisse zu optimieren.
5. Menschliche Kontrollpunkte einbauen: Definiere klare Momente im Prozess, in denen ein Mensch die Ergebnisse der KI überprüft, validiert und anreichert. Die Deutungshoheit und die finale Entscheidung müssen immer bei den Expertinnen und Experten liegen.