Die Zukunft der KI-basierten Medienanalyse – wo die Reise hingeht & wo Du heute stehst

Klassische Medienanalyse: In Print- und Rundfunkmedien erfolgt Monitoring oft über spezialisierte Dienste, die Presseclippings zusammenstellen oder TV/Radio-Mitschnitte durchsuchen. Die Analyse dieser Quellen war traditionell arbeitsintensiv und fokussierte auf Reichweite (Auflage/Zuschauerzahlen) und Inhalt der Berichte. Wichtig sind hier Indikatoren wie Anzahl der Nennungen, Medienreichweite, Platzierung (z. B. Titelseite vs. hintere Seiten) und Tonalität des Beitrags (positiv, neutral, negativ). Eine besondere Herausforderung bei TV und Radio ist die sprachliche Auswertung – moderne Ansätze nutzen inzwischen Spracherkennung und Transkription, um gesprochene Inhalte in Text umzuwandeln und analysierbar zu machen. Insgesamt sind klassische Medien meist qualitätsgeprüfte Inhalte mit relativ überschaubarem Volumen an Beiträgen pro Tag, was eine manuelle oder halb-automatische Analyse ermöglichen konnte.

Digitale Medienanalyse: Demgegenüber explodiert im Online-Bereich die Datenmenge. Auf Twitter/X, Facebook, Instagram, YouTube, TikTok und in Blogs oder Podcasts entsteht ein ununterbrochener Strom an Erwähnungen. Hier stößt rein manuelles Monitoring an Grenzen – automatisierte Tools und künstliche Intelligenz (KI) sind unverzichtbar, um diese Fülle zu bewältigen (Klein, 2025). Social Media Monitoring Tools durchsuchen Millionen von Posts nach Schlüsselbegriffen, erkennen oft sogar Sentiment (Stimmung) und können geografische oder demografische Muster aufzeigen. Ein zentrales Unterscheidungsmerkmal: In sozialen Medien zählen nicht nur ob etwas erwähnt wird, sondern auch Interaktionsmetriken wie Likes, Shares, Kommentare und Views – diese Engagement-Daten zeigen die Wirkungstiefe eines Beitrags. Für Online-News wiederum sind Kennzahlen wie Klickzahlen oder Verweildauer Indikatoren dafür, wie stark ein Artikel rezipiert wurde. Digitale Medienanalyse erfordert somit die Kombination quantitativer Messungen (z. B. Anzahl Mentions, Reichweite in Followern, Engagement-Rate) mit qualitativer Interpretation (z. B. Kontext der Erwähnung, Einfluss des Absenders).

Integration und kanalübergreifende Auswertung: Heutige Medienbeobachtung strebt eine ganzheitliche Sicht an. Moderne Monitoring-Plattformen (sogenannte Media Intelligence-Systeme) bündeln die Daten aus Print, Online, Social Media, TV, Radio in einem Dashboard, um crossmediale Vergleiche zu ermöglichen (Pressrelations, 2025). So können Kommunikatorinnen zum Beispiel sehen, ob ein bestimmtes Thema gleichzeitig in traditionellen Nachrichten und auf Twitter diskutiert wird, und ob die Tonalitäten divergieren. Eine Herausforderung dabei ist die Mehrsprachigkeit: Globale Unternehmen müssen die Medienresonanz in vielen Sprachen verfolgen. Auch hier helfen KI-Technologien, indem sie Artikel sofort übersetzen und sogar zusammenfassen können (Pressrelations, 2025). Eine KI-gestützte Plattform kann etwa auf Knopfdruck eine Management Summary der weltweiten Berichterstattung bereitstellen – inklusive automatisch generierter* Handlungsempfehlungen (Pressrelations, 2025). Dies erhöht die Geschwindigkeit und Qualität der Analyse erheblich.

Kennzahlen und Messgrößen: Im aktuellen Stand der Praxis kommen diverse KPIs zum Einsatz, um Medienresonanz und Kommunikationswirkung zu quantifizieren. Einige der wichtigsten sind:

• Reichweite: Auflage bzw. Zuschauer/Hörerzahl bei klassischen Medien; Follower-Zahlen oder potenzielle Reichweite (Impressions) online. Diese Zahl gibt an, wie viele Personen theoretisch erreicht wurden.
• Anzahl der Erwähnungen: Wie viele Artikel/Beiträge über das Unternehmen oder Thema erschienen sind.
• Tonalität/Sentiment: Bewertung der Haltung der Beiträge (positiv, neutral, negativ). Automatisierte Sentiment-Analyse per KI ist hier zunehmend Standard, insbesondere für Social Media (Pressrelations, 2025).
• Share of Voice (Anteil der Stimme): Wie groß ist der Anteil der eigenen Organisation an der Gesamtdiskussion zu einem Thema, im Vergleich zu Wettbewerbern.
• Engagement: Interaktionen mit Beiträgen (Likes, Shares, Kommentare, Retweets etc.), insbesondere als Erfolgskriterium in sozialen Netzwerken (AG CommTech, 2024). Ein hohes Engagement signalisiert, dass Inhalte relevant und aktivierend für die Zielgruppen sind.
• Themen- und Botschaftsresonanz: Wird die gewünschte Kernbotschaft in den Medien gespiegelt? Welche Narrative dominieren die Berichterstattung? Neue KI-gestützte Tools können erkennen, wie Themen geframet werden und welche Narrative oder Emotionen mit der Marke verbunden sind (Pressrelations, 2025).
• Konversionen/Handlungen: In digitalen Kontexten messbar – z. B. Klicks auf einen im Artikel enthaltenen Link, Downloads eines Whitepapers nach Medienberichten, Anmeldungen zu Events etc. Diese zeigen den direkten Handlungserfolg einer Medienresonanz (z. B. ob Reichweite in gewünschte Handlungen umgemünzt wurde).
• Reputation: Welches Reputationsprofil wird medial transportiert? In welchen Reputationsdimensionen ist das Unternehmen stark und wo besteht Verbesserungsbedarf? Hierfür werden alle Nennungen in der Berichterstattung mit Hilfe von KI einzelnen Reputationsdimensionen zugeordnet und mit den Sentiments (positiv, neutral, negativ) bewertet. Dies ergibt ein aussagekräftiges Reputationsprofil, das unmittelbar Handlungsansätze für die operative Kommunikationsarbeit liefert.
• Brand Value: Welcher Mehrwert der Kommunikation in Euro entsteht? Wie hoch ist der Beitrag zum Unternehmenswert der Kommunikationsarbeit?

Ein besonderes Augenmerk im aktuellen Diskurs liegt auch auf der Qualität der Medienresonanz. Es geht nicht nur darum, möglichst viel Berichterstattung zu generieren, sondern die richtigen Medien und relevante Inhalte zu erreichen. Ein kritischer Punkt früherer Jahre war die verbreitete Nutzung der Anzeigeäquivalenz (AVE) als Erfolgsmetrik (die Berechnung des Gegenwerts von Berichten in Anzeigenkosten). Dieser Ansatz gilt mittlerweile als überholt und irreführend, da er nur quantitativen Raum misst und keine Aussage über tatsächliche Wirkung trifft (Macnamara, 2014). Stattdessen fordern internationale Standards wie die Barcelona-Prinzipien einen Fokus auf Outcome-Kennzahlen und qualitatives Feedback, während AVEs explizit abgelehnt werden (AMEC, 2020; Macnamara, 2014).

Reifegradmodell für Medienanalyse: Stufen der Entwicklung

Angesichts der unterschiedlichen Ausbaustufen, auf denen sich Organisationen beim Thema Medienanalyse befinden, ist es hilfreich, ein Reifegradmodell zu entwickeln. Ein solches Modell beschreibt aufeinander aufbauende Entwicklungsstufen von „anfänglich“ bis „exzellent“ und liefert Kommunikationsverantwortlichen einen Orientierungsrahmen, um den aktuellen Stand ihrer Medienmonitoring- und Analyse-Praxis zu bewerten. Im Folgenden wird auf Basis von Forschung und Best Practices ein fünfstufiges Reifegradmodell für Medienanalyse vorgeschlagen:

• Stufe 1: Ad-hoc Monitoring („Beobachter“) – Reaktive Grundlagen
  In dieser Anfangsphase erfolgt Medienbeobachtung noch unsystematisch und überwiegend manuell. Oft werden nur Pressespiegel mit ausgeschnittenen Zeitungsartikeln oder sporadische Google-Suchen durchgeführt. Social Media wird allenfalls zufällig verfolgt. Es fehlen definierte KPIs und Ziele; Erfolgsmessung ist primär qualitativ (“Wir hatten Pressehits”) oder gar an Einzelanekdoten orientiert. Organisationen auf Stufe 1 sind stark reaktiv: Man nimmt Medienberichte zur Kenntnis, oft erst nachdem sie erschienen sind, und reagiert im Krisenfall ad hoc. Die Analyse beschränkt sich auf einfache Metriken wie Anzahl der Artikel. Ein solches Niveau ist typischerweise in kleineren Unternehmen oder Organisationen zu finden, die (noch) keine Ressourcen in professionelles Monitoring investieren.
• Stufe 2: Systematisches Monitoring („Sammler“) – Struktur und erste Kennzahlen
  Auf dieser Stufe richten Unternehmen strukturierte Monitoring-Prozesse ein. Es werden Media-Monitoring-Dienste oder Tools genutzt, um regelmäßig Clippings zu sammeln – nicht nur Print, sondern zunehmend auch Online-News. Man erstellt Medienresonanzberichte in festem Turnus (z. B. wöchentlich), die grundlegende Kennzahlen enthalten: Anzahl der Beiträge, Reichweiten, einfache Tonalitätsbewertungen. Die gängigen KPIs sind aber noch vorwiegend Output-orientiert (z. B. Medienkontakte). Social Media Monitoring wird eventuell mittels gratis Tools (z. B. Google Alerts, einfache Hashtag-Suchen) betrieben, aber noch nicht tief integriert. Erfolgsmessung beginnt, an Zielen ausgerichtet zu werden, bleibt jedoch häufig auf Output-Ebene stehen (z. B. Ziel: 100 Artikel in Top-Medien erreicht?). Die Daten werden gesammelt, aber eine tiefergehende Interpretation oder Verknüpfung mit Kommunikationszielen ist noch begrenzt.
• Stufe 3: Integrierte Medienanalyse („Analytiker“) – KPI-basiert und zielorientiert
  Ab der dritten Reifegradstufe wird Medienanalyse zu einem steuerungsrelevanten Instrument. Unternehmen definieren klare Kommunikationsziele und messen den Erfolg der Medienarbeit gezielt daran. Es existiert ein KPI-Framework mit Kennzahlen entlang der Kommunikationswirkung (siehe nächster Abschnitt zum DPRG/ICV-Framework). Medienresonanz wird nicht isoliert betrachtet, sondern als Teil des Kommunikations-Controllings verstanden: Man prüft bspw., ob gewünschte Botschaften vermittelt wurden, ob sich Einstellungen der Stakeholder verändern (etwa via Befragungen) etc. Technologisch werden professionelle Monitoring-Plattformen eingesetzt, die alle Mediengattungen abdecken (Print, Online, Social, Broadcast) und Daten in Echtzeit liefern. Social Media wird voll integriert analysiert (Sentiment-Analyse, Influencer-Identifikation, Share-of-Voice in Social vs. klassischen Medien). Dashboards ermöglichen unterschiedlichen Stakeholdern (PR-Team, Management) den Zugang zu aktuellen Medien-Insights. Organisationen auf dieser Stufe verwenden die Medienanalyse-Ergebnisse aktiv zur Optimierung von PR-Maßnahmen und zur internen Berichterstattung. Möglicherweise werden erste Benchmarking-Ansätze genutzt (Vergleich mit Wettbewerbern oder Branchenwerten).
• Stufe 4: Data-driven & Advanced Analytics („Strategist“) – Vorausschauend und handlungsleitend
  Diese Stufe erreichen fortgeschrittene Organisationen, die Medienanalyse datengetrieben betreiben und mit anderen Datenquellen verknüpfen. Die Analyse geht über reine Medienkennzahlen hinaus: Es werden Korrelations- und Ursachenanalysen durchgeführt (z. B. Einfluss von Medienberichten auf Website-Traffic, Stimmungsbilder in Medien vs. Aktienkursentwicklungen). Es kommen Advanced Analytics und Machine Learning zum Einsatz, um in den Daten Muster zu erkennen – etwa Trendanalysen über Zeitreihen hinweg oder die Identifikation von Frühindikatoren für Krisen. Die Medienanalyse wird proaktiv: Man versucht, Entwicklungen vorherzusagen, anstatt nur im Nachhinein zu berichten (MediaWatcher, 2025). Beispielsweise werden „Predictive Communications Intelligence“-Modelle genutzt, um abzuschätzen, ob ein aktuelles Thema an Dynamik gewinnt und sich zu einem Reputationsrisiko ausweiten könnte (MediaWatcher, 2025). Die Ergebnisse der Medienanalyse fließen direkt in strategische Entscheidungen ein – etwa in die Kampagnenplanung (Welche Botschaften haben in der Vergangenheit Resonanz gefunden?), in das Issue Management (Welche kommenden Themen müssen adressiert werden?) oder in die Risikoprävention. Intern zeichnet sich Stufe 4 auch dadurch aus, dass interdisziplinäre Zusammenarbeit stattfindet: Kommunikations-Controlling arbeitet mit Marketing-Analytics, Marktforschung oder Strategy-Units zusammen, um ein umfassendes Bild zu erhalten.
• Stufe 5: Agentic & Predictive Communication Intelligence („Innovator“) – Autonom und voll integriert
  Die höchste Entwicklungsstufe skizziert eine noch visionäre Zukunftsperspektive, die sich jedoch am Horizont bereits abzeichnet. Hier werden Medienmonitoring und -analyse zu einem vollständig integrierten, intelligenten System, das autonom agieren kann. Agentic AI kommt zum Einsatz: KI-basierte Agenten überwachen kontinuierlich die globale Medienlandschaft und ziehen selbständig Schlüsse daraus (Savare et al., 2025). Beispielsweise könnte ein AI-Agent bei aufkommenden negativen Narrativen sofort Warnungen generieren und sogar erste Gegenmaßnahmen vorschlagen oder einleiten – etwa einen vorgeschriebenen Krisenkommunikationsprozess triggern. Predictive-Modelle sind hier so weit verfeinert, dass sie prädiktive Szenarien durchspielen: z. B. „Wie wird sich die Medienresonanz entwickeln, wenn wir heute Statement X veröffentlichen?“ – und entsprechend Handlungsempfehlungen geben. Die Medienanalyse-Datenbank dient als zentraler Daten-Hub für verschiedenste Unternehmensfunktionen: vom Reputationsmanagement über Customer Experience bis zur Produktentwicklung (Trendscouting durch Medienanalyse). Entscheidungsprozesse in der Kommunikation werden zu großen Teilen datengesteuert und teilweise automatisiert. Menschen behalten die Kontrolle, aber sie arbeiten Hand in Hand mit AI-Systemen als Ko-Kreatoren und strategische Kuratorinnen der Kommunikation. Organisationen auf diesem Level zeichnen sich durch eine Kultur der Messbarkeit und Agilität aus – sie können blitzschnell auf Medien-Feedback reagieren und nutzen KI als „verlängerten Arm“ im Kommunikationsmanagement. Auch wenn derzeit nur wenige Organisationen diesem Ideal nahekommen, markiert Stufe 5 die Zielvision, wohin sich Medienanalyse in den nächsten Jahren entwickeln kann.

Zur Einordnung: Viele Unternehmen befinden sich heute zwischen Stufe 2 und 3 – sie haben grundlegendes Monitoring etabliert und erheben Kennzahlen, stehen aber oft noch am Anfang, diese Daten wirklich strategisch zu nutzen (Waddington, 2018). Das vorgestellte Reifegradmodell kann genutzt werden, um per Selbstbewertung den eigenen Status zu bestimmen. Tools wie der Measurement Maturity Mapper (M3) der AMEC bieten hierfür strukturierte Fragebögen, die die Messpraxis in Kategorien wie Reporting, Planung und Impact einordnen (Waddington, 2018). Das Ziel ist, Schritt für Schritt höhere Reifegrade zu erreichen – also von reiner Outputmessung hin zu Outcome-orientierter, vorausschauender Kommunikationssteuerung. Jede Stufe baut auf der vorherigen auf: Ohne solides Monitoring (Stufe 2) keine zielgerichtete Analyse (Stufe 3); ohne diese keine datengestützten Prognosen (Stufe 4) usw. Führungskräfte sollten daher realistisch den eigenen Reifegrad einschätzen, um passende nächste Schritte abzuleiten. Diese könnten beispielsweise sein: Investition in ein Social Listening Tool, Schulung des Teams in Datenanalyse, Einführung eines KPI-Dashboards oder Pilotprojekte mit KI-Analysen. So wird Medienanalyse zum kontinuierlichen Verbesserungsprozess im Kommunikationsmanagement.

Erfolgsmessung der Kommunikation: DPRG/ICV-Wirkungsstufenmodell und KPI-Framework

Ein zentrales Anliegen moderner Kommunikationssteuerung ist die Messung des Erfolgs von Kommunikationsarbeit – also die Frage, inwieweit Kommunikationsmaßnahmen zur Erreichung der Unternehmensziele beitragen. In Deutschland hat der Fachverband DPRG gemeinsam mit dem Internationalen Controller Verein (ICV) bereits 2009 einen Standard etabliert, aus dem das Wirkungsstufenmodell der Kommunikation (DPRG/ICV) entwickelt wurde. International sind vergleichbare Prinzipien unter den Barcelona Principles (erstmals 2010 verabschiedet, zuletzt 2025 aktualisiert) formuliert (AMEC, 2020). Diese Modelle schaffen einen methodischen Rahmen, um Kommunikation auf verschiedenen Ebenen zu planen und zu evaluieren (Zerfass & Volk, 2018). Medienmonitoring und -analyse sind in diese Rahmenkonzepte eingebettet, denn Medienresonanz stellt einen wichtigen Teil der Output-Messung dar und beeinflusst mittelbar die nachfolgenden Wirkungsstufen.

Wirkungsstufenmodell nach DPRG/ICV

Das Wirkungsstufenmodell gliedert die Kommunikationsleistung in sechs Stufen: Input, Output (intern/extern), Outcome (direkt/indirekt) Outflow. Jede Stufe repräsentiert eine Ebene der Wirkungskette – von den Ressourcen, die in Kommunikation fließen, bis zum letztendlichen Beitrag zum Unternehmenserfolg (Pollmann, 2023, S. 284–288):

1. Input: Alle eingesetzten Ressourcen für die Kommunikation – personell, finanziell, zeitlich. Hier wird erfasst, was investiert wird (z. B. Budget, Arbeitsstunden). Diese Stufe fragt: Welche Ressourcen werden aufgewendet? Beispiele: Kommunikationsbudget, Anzahl Mitarbeiter im PR-Team, Kosten für Agenturen (Stobbe et al., 2010).
2. Interner Output: Das Ergebnis der Kommunikationsarbeit innerhalb der Organisation – also produzierte Kommunikationsangebote und deren Qualität/Effizienz. Hier geht es um die Frage: Was wird erstellt? (z. B. Anzahl Presseaussendungen, erstellte Social-Media-Posts, Veranstaltungen) und wie gut/termingerecht dies geschieht. Messgrößen können etwa die Anzahl veröffentlichter Inhalte, Einhaltung von Budgets und Deadlines oder Zufriedenheit interner Auftraggeber sein. Der interne Output bewertet also die Leistungsfähigkeit der Kommunikationsabteilung selbst.
3. Externer Output: Die Reichweite und Präsenz der Kommunikation in den externen Medien und Kanälen. Hier liegt der klassische Ansatzpunkt der Medienresonanzanalyse: Wen und wie viele erreichen wir? (DPRG/ICV, 2009). Gemessen wird z. B. die Anzahl der Veröffentlichungen in externen Medien, die Reichweite dieser Veröffentlichungen, der Anteil eigener Botschaften in der Berichterstattung oder Share of Voice im Wettbewerbsvergleich. Auch Social-Media-Kennzahlen (Impressions, Views) gehören hierher. Medienmonitoring fällt demnach klar in die Kategorie externer Output, denn es erfasst, welches „Kontaktangebot“ die Kommunikation den Zielgruppen gemacht hat (Strobel et al., 2010; Pollmann, 2023). Wichtig: Output-Kennzahlen allein zeigen noch keine Wirkung beim Publikum, sondern nur die Distribution der Kommunikationsinhalte.
4. Direkter Outcome: Die Wirkung auf Wissen und Wahrnehmung der Zielgruppen (Stakeholder) infolge der Kommunikation. Diese Stufe fragt: Was nehmen die Zielgruppen wahr? Was wissen sie? Hier wird es erforderlich, über die reinen Mediendaten hinauszugehen. Typische Messgrößen: Bekanntheitsgrad, Erinnerungswerte (Recall/Recognition), Informationsstand oder Verständnis bestimmter Botschaften bei Stakeholdern (DPRG/ICV, 2009). Medienanalysedaten können indirekt Hinweise liefern (z. B. große Reichweite + neutrale Tonalität könnte auf hohen Bekanntheitsgrad hindeuten), aber oft sind ergänzende Instrumente nötig – z. B. Befragungen oder Marktforschung, um den tatsächlichen Wissensstand oder die Einstellungen der Bezugsgruppen zu erfassen. Outcome auf direkter Ebene bedeutet, dass die Zielgruppe die Inhalte aufgenommen hat und kognitiv verarbeitet (Kenntnis und ggf. erste Meinungsbildung).
5. Indirekter Outcome: Die Auswirkungen auf Einstellung und Verhalten der Zielgruppen sowie letztlich auf den Unternehmenserfolg. Hier lautet die Frage: Welche Handlungen oder Veränderungen resultieren? Das umfasst etwa Image und Reputation (Einstellungen), Vertrauens- oder Zufriedenheitswerte, sowie konkrete Verhaltensweisen: Kaufentscheidungen, Bewerbungen, Investitionsbereitschaft, Unterstützung durch Stakeholder etc. (Buhmann & Likely, 2018). Der indirekte Outcome ist oft am schwersten isoliert messbar, da viele Faktoren neben Kommunikation darauf einwirken. Dennoch lassen sich Indikatoren heranziehen: z. B. Reputationsindex, Net Promoter Score, Zahl der Bewerbungen auf eine Employer-Branding-Kampagne oder Entwicklung des Markenwerts über die Zeit (Pollmann, 2023). Die Wertschöpfung durch Kommunikation manifestiert sich letztlich hier – beispielsweise wenn ein verbessertes Image zu leichterer Kundenakquise führt (finanzieller Erfolg.

Wichtig ist das Verständnis, dass diese Stufen kausal aufeinander aufbauen, aber nicht immer linear und kurzfristig direkt sichtbar sind. Kommunikation bewegt sich von Input über Output zu Outcome – jedoch zeigen sich Outcome-Effekte oft zeitverzögert und indirekt. Das Wirkungsstufenmodell dient als Kompass, um für jede Ebene passende KPIs und Messmethoden zu definieren. So verhindert es eine verkürzte Sicht nur auf z. B. Medienclippings (Output), ohne den Transfer in Wirkung auf Zielgruppen (Outcome) zu betrachten. Es zwingt Kommunikationsverantwortliche, bei der Planung von Maßnahmen schon vom Ende (beabsichtigter Outcome) her zu denken: Was soll am Ende beim Stakeholder erreicht sein, und wie zahlen die Zwischenschritte darauf ein? (DPRG/ICV, 2009; Zerfass & Piwinger, 2015).

KPI-Framework und standardisierte Kennzahlen

Aufbauend auf dem Wirkungsstufenmodell hat eine Initiative der AG CommTech unter der Leitung von Reimer Stobbe im Jahr 2024 ein vereinfachtes KPI-Framework vorgestellt, das die Messung von Kommunikationserfolg mit neun zentralen Kennzahlen standardisiert. Dieses Framework ist „vereinfacht, universell, fokussiert, operationalisiert“ – es soll also praxisnah und für verschiedene Organisationen anwendbar sein. Die Besonderheit: Die neun KPIs decken die verschiedenen Wirkungsstufen ab, stehen aber nicht vollständig in linearer Kausalbeziehung, sondern beleuchten unterschiedliche Facetten der Kommunikationsleistung (Stobbe & Pollmann, 2024).

Die neun Standard-KPIs im Überblick:

• Publishing – „Wie viel veröffentlichen wir?“
  Definition: Anzahl publizierter Beiträge/Content-Stücke.
  Erläuterung: Misst den internen Output an Kommunikationsmaterial (z. B. Pressemitteilungen, Posts). Entspricht der Publikationsleistung der Kommunikationsabteilung.
• Promotion (Media-Budget) – „Wie viel investieren wir in Paid Media?“
  Definition: Eingesetztes Budget für Medien und Promotion (v. a. für bezahlte Platzierungen/Ads).
  Erläuterung: Gehört zur Input-Stufe – zeigt die Investitionshöhe für Medienarbeit (z. B. Anzeigenbudget, Sponsoring für Social Media Posts).
• Visibility (Impressions) – „Wie sichtbar ist unser Content?“
  Definition: Anzahl der Sichtkontakte (Page Impressions, Post Impressions, Ad Impressions).
  Erläuterung: Typische Output-Kennzahl, speziell für digitale Kanäle: Wie oft wurden unsere Inhalte potenziell gesehen? Eine hohe Sichtbarkeit ist Vorbedingung für weitere Wirkung.
• Engagement (Interaktionen) – „Wie relevant ist unser Content?“
  Definition: Summe der Interaktionen mit unseren Inhalten (Likes, Shares, Kommentare, Video-Views etc.).
  Erläuterung: Engagement gilt als Indikator dafür, dass Inhalte beim Publikum Resonanz finden. Es misst ebenfalls Output (extern), aber qualitativ höherwertig als bloße Impressions, da es aktive Reaktionen erfasst.
• Conversion (Click-Outs) – „Wie aktivierend ist unser Content?“
  Definition: Anzahl der Klicks von Kommunikationsinhalten zu einer definierten Zielaktion (z. B. Klick von Social Post auf Website, Downloads, Sign-ups).
  Erläuterung: Diese KPI liegt an der Schnittstelle von Output und Outcome: Sie zeigt, ob die Kommunikation das Publikum zu einer Handlung bewegt hat (z. B. weiteren Infosuche). Im digitalen Marketing entspricht dies oft Conversion-Rates.
• Action (Target Actions) – „Wie viele Zielaktionen erreichen wir?“
  Definition: Anzahl der tatsächlich ausgeführten Zielhandlungen (z. B. Kontaktaufnahmen, Newsletter-Abonnements, Downloads, Anmeldungen) infolge der Kommunikation.
  Erläuterung: Diese Kennzahl geht noch einen Schritt weiter als Conversion, indem sie den Erfolg definierter Kommunikationsziele misst – z. B. wie viele Empfänger einer Kampagne haben den Call-to-Action befolgt. In Kampagnen-Journeys bauen die KPIs oft so auf: von Social Media (Visibility/Engagement) zur Landingpage (Conversion) bis zur Interaktion (Action).
• Resonance (Medienresonanz) – „Was ist das Medienecho?“
  Definition: Medienresonanz-Index bestehend aus Mention Count, Share of Voice, Sentiment etc.
  Erläuterung: Diese KPI aggregiert die Presse- und Social-Media-Resonanz auf höherer Ebene: Anzahl Erwähnungen, Anteil unserer Organisation an der Berichterstattung, Tonalität (Sentiment). Resonance ist eine klassische Output-KPI (extern) und spiegelt die öffentliche Präsenz unseres Unternehmens wider. Sie kann kampagnenbezogen (Medienecho auf Kampagne X) oder generell für die Marke gemessen werden (bspw. monatlicher Medienresonanzindex).
• Reputation (Stakeholder-Meinung) – „Wie ist die Wahrnehmung unserer Organisation?“
  Definition: Reputation Index oder die Ausprägung zentraler Reputationsdimensionen in der Zielgruppe.
  Erläuterung: Dies ist eine Outcome-KPI. Reputation misst die Gesamteinstellung der Stakeholder zum Unternehmen auf wichtigen Dimensionen (Produkte & Services, Nachhaltigkeit, etc..). Sie wird meist über Befragungen oder Indexmodelle erhoben. Im KPI-Framework wird Reputation auf Unternehmensebene betrachtet, da sie über einzelne Kampagnen hinausgeht.
• Brand Value (Markenwert) – „Welchen Wert schafft unsere Marke?“
  Definition: Finanzielle Bewertung der Marke bzw. der durch Kommunikation beeinflussten immateriellen Werte (Brand Equity).
  Erläuterung: Dies entspricht der höchsten Wirkungsstufe (indirekter Outcome, „Outflow“ genannt im Framework). Brand Value kann mittels Methoden wie z. B. Interbrand-Brand-Equity erfasst werden. Er stellt letztlich den wirtschaftlichen Beitrag dar, den langfristig erfolgreiche Kommunikation leistet. Dieser KPI ist schwierig direkt zu beeinflussen, wird aber als strategische Endgröße betrachtet.

Dieses CommTech-KPI-Framework ordnet die oben genannten KPIs auch den Stufen Publication – Performance – Impact – Value zu. Die ersten beiden (Publishing, Promotion) betreffen die Publication (Input/Interner Output), die nächsten vier (Visibility, Engagement, Conversion, Action) markieren die Performance der Kommunikation (Extern Output bis direkter Outcome), und die letzten drei (Resonance, Reputation, Brand Value) repräsentieren Impact bzw. Value (Outcome bis Unternehmenswert). Wichtig ist zu betonen, dass – wie AG CommTech feststellt – nicht alle KPIs kausal linear verkettet sind. Insbesondere die blauen KPIs (Resonanz, Reputation, Brand Value) laufen parallel zur Kampagnenjourney: Man kann z. B. eine starke Medienresonanz insgesamt haben, ohne dass diese direkt aus einer einzelnen Kampagne resultiert (sondern etwa aus allgemeiner Medienpräsenz). Ebenso wirkt Reputation als längerfristige Größe im Hintergrund und wird nicht allein durch einzelne kurzfristige Engagements bestimmt.

Dennoch bietet das Framework Orientierung: Kommunikationsverantwortliche können sich an diesen neun KPIs orientieren, um ihre Erfolgsmessung zu fokussieren. Es verhindert, in der Vielzahl möglicher Kennzahlen den Überblick zu verlieren, und stellt sicher, dass sowohl Output-Kenngrößen (Medienkontakte, Interaktionen) als auch Outcome-Größen (Einstellungen, Wertbeiträge) abgedeckt sind. Zudem betont es die Vergleichbarkeit: AG CommTech empfiehlt, diese KPIs stets im Verhältnis zu Zielen oder Benchmarks zu betrachten (z. B. Soll-Ist-Vergleich oder Benchmarking mit Branche). Nur so lässt sich bewerten, ob z. B. eine Resonanz „gut“ oder „schlecht“ ist.

Die Verknüpfung von Wirkungsstufenmodell und KPI-Framework ermöglicht ein in sich konsistentes Kommunikations-Controlling. Medienanalyse-Daten speisen vor allem die KPIs Visibility und Resonance (Anzahl und Qualität der Erwähnungen, Impressions etc.), wirken aber indirekt auch auf Engagement (sofern Medienbeiträge weitergeteilt werden), auf Reputation (wenn Medien im Zeitverlauf positiv/negativ berichten) und letztlich auf Brand Value. Das Wirkungsstufenmodell hilft dabei, diese Daten richtig einzuordnen – zum Beispiel: Eine hohe Medienresonanz (Output) ist wertvoll, aber erst durch Outcome-Daten (z. B. gestiegene Bekanntheit in Umfragen) lässt sich der Erfolg vollständig belegen. Mit beiden Instrumenten ausgerüstet, können Kommunikationsverantwortliche zielgerichtete Erfolgsmessung betreiben, die sowohl kurzfristige Medien-Outputs als auch langfristige Wirkungen sichtbar macht (DPRG/ICV, 2009; Pollmann, 2023).

Medienanalyse als Datenbasis für Agentic AI und Predictive Intelligence

Die Zukunft der Kommunikationssteuerung wird maßgeblich von Technologieinnovationen geprägt. Zwei Konzepte stehen dabei aktuell im Vordergrund: Agentic AI – also KI-Systeme, die autonom handeln können – und Predictive Intelligence, die aus Daten Vorhersagen und proaktive Handlungsempfehlungen ableitet. Beide Entwicklungen bieten enorme Chancen für das Kommunikationsmanagement. Medienanalysedaten nehmen in diesem Kontext eine Schlüsselrolle ein: Sie könnten zur zentralen Datenbasis werden, auf der AI-Systeme lernen, Entscheidungen treffen und selbstständig kommunikationsrelevante Aktionen durchführen.

Agentic AI in der Kommunikation

Der Begriff Agentic AI bezeichnet KI-Systeme, die über reine Assistenz hinausgehen und eigenständig Aktionen ausführen und Entscheidungen treffen können, um definierte Ziele zu erreichen (Savare et al., 2025). Im Unterschied zu z. B. einem einfachen Chatbot, der nur Antworten gibt, kann ein AI-Agent eigenständig andere Systeme ansteuern, Prozesse auslösen oder Inhalte generieren – ohne menschliche Zwischenschritte. In der Kommunikation könnte dies bedeuten: Ein KI-Agent überwacht kontinuierlich die öffentliche Stimmungslage und handelt autonom, wenn bestimmte Bedingungen eintreten.

Beispiel: Das System erkennt durch Medienanalyse, dass ein kritischer Bericht viral geht und die Marken-Tonalität rapide ins Negative kippt. Ein fortschrittlicher AI-Agent könnte sofort eine Krisenwarnung an Verantwortliche senden, parallel eine erste Stellungnahme entw werfen und diese nach Freigabe automatisiert über passende Kanäle verbreiten. Ein solcher Agent würde die Kommunikationsrichtlinien der Organisation kennen und im Rahmen vordefinierter Leitplanken agieren. Agentic AI kann so die Reaktionsgeschwindigkeit drastisch erhöhen und Routineentscheidungen entlasten. Gerade bei Issue Management und Krisenkommunikation verspricht dies einen Vorteil: Die KI erkennt ein Problem in der Medienlandschaft in Echtzeit und leitet unmittelbar Gegenmaßnahmen ein (z. B. Fact-Checking-Website veröffentlichen, Social-Media-Posts anpassen), während menschliche Teams noch die Lage bewerten.

Medienanalysedaten sind hierfür der essentielle „Treibstoff“. Ein AI-Agent benötigt Zugriff auf umfassende aktuelle und historische Mediendaten, um Muster zu erkennen und die richtigen Schlüsse zu ziehen. Dazu gehören Sentiment-Verläufe, Einfluss-Parameter (welche Quellen lösen erfahrungsgemäß große Wellen aus?), Informationen über wichtige Multiplikatoren etc. Je besser die Datenbasis, desto „intelligenter“ und präziser kann der

Agent handeln. Integriert man zudem weitere Daten – z. B. Suchmaschinentrends, interne Kundendaten oder Stimmungsbilder aus Umfragen – entsteht ein 360°-Lagebild, das AI-Agenten für Entscheidungen nutzen.

Perspektivisch könnten Agentic-AI-Anwendungen in der Kommunikation vielfältige Rollen übernehmen: Sie könnten als automatisierte Medienbeobachter fungieren, die nicht nur melden, sondern auch priorisieren (z. B. “Diese Erwähnung in Medium X hat voraussichtlich hohe Reichweite und sollte Beachtung finden”). Sie könnten Content Creator werden, die basierend auf Lücken in der aktuellen Berichterstattung proaktiv Vorschläge für Pressemitteilungen oder Blogposts liefern, um das Narrativ zu beeinflussen. Einige Experten sagen voraus, dass bis 2028 rund 20 % der Marketing- und Kommunikationsaufgaben von AI-Agenten übernommen werden könnten (Savare et al., 2025) – von Kundenanfragen über Social Media bis zur Optimierung von Kampagnen in Echtzeit.

Dies birgt neben Chancen auch Herausforderungen: Ethik und Kontrolle werden zentral. AI-Agenten dürfen nur im Rahmen definierter Policies operieren, und menschliche Kommunikatoren müssen letztlich die Hoheit über sensibel Botschaften behalten. Dennoch gilt: Agentic AI wird die Kommunikationsarbeit transformieren, und Medienanalyse liefert das dafür benötigte Wissen über die Außenwelt. Unternehmen sollten schon jetzt beginnen, ihre Dateninfrastruktur aufzubauen – sprich, alle Medienresonanzdaten strukturiert zu sammeln und zu archivieren – damit zukünftige KI-Systeme darauf zugreifen können. Auch Pilotprojekte, etwa mit ChatGPT-Plugins für Medienmonitoring oder ersten Automatisierungen (z. B. Bot generiert täglichen Pressespiegel), können den Weg bereiten.

Predictive Intelligence: Vorausschau durch Medienanalysen

Eng verwandt mit Agentic AI ist der Bereich der Predictive Analytics bzw. Predictive Intelligence. Hier geht es darum, aus bestehenden Daten Zukunftstrends und -ereignisse vorherzusagen. Für die Kommunikationsarbeit ist dies hochrelevant: Wer früh erkennen kann, was morgen Thema sein wird, hat einen strategischen Vorsprung. Medienanalysedaten dienen dabei als eine Art Frühwarnsystem.

Aktuelle Entwicklungen zeigen, dass KI-gestützte Analysen bereits in der Lage sind, Themenentwicklungen zu antizipieren und Muster in Echtzeit zu identifizieren (Pressrelations, 2025). So kann z. B. ein starker Anstieg der Diskussion um ein bestimmtes Keyword (etwa den Firmennamen in Verbindung mit einem negativen Begriff) ein Indikator für einen beginnenden Shitstorm sein. Oder konsistente Änderungen im Sentiment können auf einen schwelenden Reputationsverlust hindeuten. Predictive Monitoring nutzt solche Signale, um wertvolle Frühwarnsignale zu liefern (Pressrelations, 2025).

Ein fortgeschrittenes Beispiel ist die Analyse falscher Narrative: Eine Studie des MIT zeigt, dass falsche Gerüchte sich in sozialen Medien bis zu 6-mal schneller verbreiten als echte Informationen (MediaWatcher, 2025). Ein prädiktives System würde hier nicht erst auf den großen Knall warten, sondern versuchen, schon die ersten Anzeichen eines sich ausbreitenden Gerüchts zu erkennen – etwa ungewöhnliche Aktivität in bestimmten Foren – und Alarm schlagen, bevor das Thema Mainstream wird. Die Vision ist also: „Don’t just watch the headlines, predict them.“ (MediaWatcher, 2025).

Wie kann Predictive Intelligence konkret genutzt werden? Einige Anwendungsfälle:

• Krisenprävention: Durch Abgleich mit historischen Krisendaten könnten Algorithmen berechnen, wie hoch die Wahrscheinlichkeit ist, dass ein aktuelles Thema eskaliert. Etwa, wenn bestimmte Muster vorliegen (negatives Sentiment + Influencer greifen es auf + breite Streuung in kurzer Zeit). Die Kommunikationsabteilung könnte so die Eskalationsstufe vorhersagen und entsprechende Gegenmaßnahmen einleiten, noch bevor die Krise voll ausbricht.
• Themenplanung und Agenda Surfing: Predictive Tools können Hinweise geben, welche Themen in naher Zukunft Konjunktur haben werden. Zum Beispiel identifizieren sie inhaltliche Clustering-Effekte: wenn etwa ein Aspekt eines Themas zunehmend mitdiskutiert wird, der bisher unter dem Radar war. Unternehmen könnten solche Insights nutzen, um sich frühzeitig mit eigenen Botschaften zu positionieren oder Content bereitzustellen, der Informationslücken füllt.
• Kampagnen-Prognose: Noch vor dem Start einer Kampagne ließe sich abschätzen, wie diese performen wird. Indem man frühere Medienresonanz auf ähnliche Kampagnen auswertet und aktuelle Stimmungsbilder berücksichtigt, könnten Modelle prognostizieren: “Eine Nachhaltigkeitskampagne in Region X wird voraussichtlich moderate Resonanz erzeugen, da das Thema zwar wichtig ist, aber momentan Medien Y und Z von anderen Themen dominiert werden.” Solche Vorhersagen könnten in der Planungsphase helfen, Ressourcen effektiver einzusetzen oder Kampagnen-Design anzupassen.
• Reputations-Scoring in Echtzeit: Indem fortlaufend Medien-, Social-Media- und ggf. Umfragedaten zusammengeführt werden, könnten Unternehmen einen Reputationsindex in Echtzeit überwachen, der prognostiziert, wohin sich das Image bewegt. Etwa: “Wenn der derzeitige Trend negativer Berichterstattung anhält, wird der Reputation Score in 4 Wochen um X Punkte gesunken sein.” Das erlaubt proaktive Gegensteuerung (z. B. durch positive Medienarbeit, Stakeholder-Dialog).

All dies zeigt: Medienanalysedaten sind ein Schatz an historischen und aktuellen Informationen, aus dem sich Zukunftsprojektionen ableiten lassen. Natürlich bleibt Kommunikation zu einem Teil eine unvorhersehbare Disziplin – menschliches Verhalten und externe Ereignisse lassen sich nie vollständig deterministisch vorhersagen. Aber KI kann helfen, Wahrscheinlichkeiten zu berechnen und Szenarien zu antizipieren, was die Handlungsfähigkeit deutlich erhöht.

Medienanalysedaten als zentraler Daten-Hub

Um das Potenzial von Agentic AI und Predictive Intelligence voll auszuschöpfen, müssen Organisationen jetzt die Grundlage schaffen: Datenintegration. Medienanalysedaten sollten nicht länger isoliert in PR-Abteilungen liegen, sondern Teil eines unternehmensweiten Data Lake sein. Viele Unternehmen haben bereits begonnen, Business Intelligence (BI)-Systeme aufzubauen, in denen Daten aus Marketing, Vertrieb, Kundendienst etc. zusammenfließen. Es ist entscheidend, auch die Kommunikations- und Medienresonanzdaten dort einzuspeisen.

Medienanalysedaten sind besonders wertvoll, weil sie einen externen Blick repräsentieren – die „Stimme des Umfelds“. Sie bilden damit ein Gegenstück zu internen Daten (wie Umsätzen oder Kundenbefragungen) und helfen, die Außenwirkung von Entscheidungen zu antizipieren. In Zukunft könnten Kommunikationsabteilungen sogar zum internen Frühwarnzentrum avancieren, indem sie diese Daten zentral managen. In der Literatur wird das Konzept eines “Decision Support Center” diskutiert, in dem CommTech-Tools Daten auswerten und dem Management simulationsbasiert Handlungsempfehlungen geben (AG CommTech, 2023). Medienanalyse wäre ein Pfeiler davon, insbesondere im Kontext von Reputationsrisikomanagement.

Ein konkreter Ausblick: Man stelle sich ein „Kommunikations-Cockpit“ im Unternehmen vor, betrieben durch AI-Agenten. Dieses Cockpit sammelt kontinuierlich Signale aus Medien, sozialen Netzwerken, Suchtrends etc. und verknüpft sie mit Unternehmensdaten. Der CEO könnte morgens einen automatisierten Report erhalten: “Heute wird Thema X in den Medien an Fahrt gewinnen; empfohlen: Halte-Statement vorbereiten. Die Stimmung der Investorengemeinschaft ist stabil, allerdings beobachten wir in sozialen Medien leichte Unzufriedenheit über Thema Y – ggf. Q&A-Dokument bereitstellen. Außerdem: Wettbewerber Z erhält heute Presse für Produktlaunch, unsere Share of Voice in diesem Kontext liegt nur bei 5%.” – Solche Informationen, automatisch aufbereitet und priorisiert, könnten die Reaktionsfähigkeit und strategische Planung enorm verbessern (Klein, 2025).

Dabei bleibt die Rolle der Menschen unerlässlich: KI liefert Daten und sogar Empfehlungen – die strategischen Entscheidungen (etwa tatsächlich ein Statement zu setzen oder abzuwarten) treffen Kommunikationsmanager weiterhin selbst, basierend auf Erfahrung, Kontextwissen und Fingerspitzengefühl (Pressrelations, 2025). Dieses Konzept der “hybriden Intelligenz” betont die Zusammenarbeit von KI und Mensch: KI bringt Geschwindigkeit und Tiefe der Analyse, der Mensch die letztliche Wertung und kreative Problemlösung (Pressrelations, 2025).

Zusammengefasst: Medienmonitoring und -analyse entwickeln sich vom rückblickenden Berichtstool zum proaktiven Steuerungsinstrument. Die Daten daraus werden zum strategischen Asset, auf dem autonome KI-Agenten und prädiktive Modelle fußen. Unternehmen, die diese Entwicklung frühzeitig aufgreifen, können ihre Kommunikation agiler, evidenzbasierter und resilienter aufstellen. Gerade in einer Welt, in der sich die öffentliche Meinung in Stunden drehen kann, wird dies ein entscheidender Wettbewerbsvorteil sein.

Fazit

Medienmonitoring und Medienanalyse sind in der heutigen globalen Informationsgesellschaft unverzichtbare Werkzeuge für Kommunikationsverantwortliche. Dieses Whitepaper hat die Bandbreite aufgezeigt – von den Grundlagen der Beobachtung klassischer und digitaler Medien über die systematische Erfolgsmessung bis hin zu künftigen Entwicklungen mit KI. Die zentrale Erkenntnis lautet: Kommunikation muss gemessen und gesteuert werden, und zwar mit einem wissenschaftlich fundierten Ansatz, der sowohl quantitative Medienresonanzdaten als auch qualitative Wirkung auf Zielgruppen berücksichtigt.

Wir haben gesehen, dass die Medienanalyse weltweit vor einem Paradigmenwechsel steht. Musste man früher Presseartikel mühsam von Hand ausschneiden, stehen heute Echtzeit-Dashboards bereit, die Tausende von Online-Meldungen und Tweets in Sekunden durchsuchen. Doch gleichzeitig steigt der Anspruch: Es genügt nicht, nur zu zählen – die Kunst der Analyse liegt darin, aus der Datenflut relevante Insights zu destillieren, die das Kommunikationshandeln verbessern. Hierfür bieten Modelle wie das Wirkungsstufenmodell eine wertvolle Orientierung, indem sie jede Kennzahl an ihrem Platz in der Wirkungskette verorten. In Kombination mit dem neuen KPI-Framework wird deutlich, welche Messgrößen besonders im Fokus stehen sollten, um Kommunikationsleistung greifbar zu machen.

Das vorgeschlagene Reifegradmodell ermöglicht es jeder Organisation, sich ehrlich einzuordnen: Stehen wir noch am Anfang, sammeln Daten ad hoc? Oder nutzen wir bereits KI, um proaktiv zu agieren? Diese Selbsteinschätzung ist der erste Schritt zur Verbesserung. Die nächsten Schritte – sei es die Einführung professioneller Monitoring-Tools, der Aufbau eines KPI-Dashboards oder die Integration von Predictive Analytics – lassen sich daran ableiten.

Technologien wie Agentic AI und Predictive Intelligence klingen vielleicht noch futuristisch, doch die Vorboten sind schon da. Organisationen, die ihre Medienanalysedaten heute systematisch aufbereiten, schaffen damit die Grundlagen, um morgen von autonomen KI-Agenten und prädiktiven Modellen zu profitieren. Diese werden nicht die menschliche Expertise ersetzen, aber sie werden sie verstärken. Kommunikationsprofis können sich dadurch von repetitiven Auswertungstätigkeiten entlasten und sich auf strategische Aufgaben fokussieren – etwa die kreative Gestaltung von Botschaften und die Pflege von Beziehungen, die keine KI ersetzen kann.

Abschließend lässt sich festhalten: Weltweites Medienmonitoring und -analyse entwickeln sich von einer reaktiven Dokumentationsaufgabe zu einem strategischen Navigationsinstrument. Sie liefern die Daten, die den Wert von Kommunikation im Unternehmen transparent machen (Müller, 2023) und sind zugleich das Radar, das aufziehende Gewitter am Horizont frühzeitig meldet. Für Kommunikationsverantwortliche bedeutet dies, offen für Neues zu sein: Die Investition in Tools, die Weiterbildung in Data Literacy und die Bereitschaft, KI als Partner zu akzeptieren. Wer diese Reise aktiv gestaltet, wird die Kommunikationsfunktion im eigenen Unternehmen auf die nächste Reifegradstufe heben – hin zu einem erfolgskritischen, zukunftsorientierten CommTech-getriebenen Kompetenzzentrum. Die in diesem Whitepaper präsentierten Konzepte, Modelle und Trends sollen als Kompass dienen. Jedes Unternehmen mag einen etwas anderen Weg gehen, doch die Richtung ist klar: Mehr Datenintelligenz, mehr Integration und mehr Vorausdenken in der Kommunikation. Medienanalyse ist weit mehr als Zahlenakrobatik – richtig eingesetzt, wird sie zum Schlüssel, um den langfristigen Wert der Kommunikation zu sichern und im dynamischen Medienwandel den Überblick zu behalten. Kommunikation wird so vom Bauchgefühl-gesteuerten Kunsthandwerk zu einer tatsächlich messbaren Managementdisziplin, die sich dennoch die Kreativität und Menschlichkeit bewahrt, die ihren Kern ausmachen.

---