Was KI in der Kommunikation nicht ausgleichen kann

KI in der Unternehmenskommunikation: Die Datenbasis zählt

Kommunikationsabteilungen verfügen heute über enorme Informationsmengen. Medienmonitoring, Social Media, Stakeholder-Feedback, Marktinformationen, interne Reports und Kampagnendaten liefern laufend neue Signale. Trotzdem kostet die Antwort auf eine konkrete Frage oft erstaunlich viel Zeit. Wie hat sich ein Thema in den vergangenen Wochen entwickelt? Welche Kritikpunkte treten wiederholt auf? Was wissen wir über die Position eines relevanten Stakeholders? Welche Resonanz lässt sich einer bestimmten Maßnahme zuordnen?

Die Informationen dafür sind häufig vorhanden. Sie liegen nur an unterschiedlichen Stellen, folgen verschiedenen Strukturen und lassen sich nicht ohne Weiteres miteinander verbinden. Mit KI wird dieses Problem nicht kleiner, sondern sichtbarer. Denn KI kann große Informationsmengen sehr schnell verarbeiten. Sie kann aber nicht ausgleichen, was in der Datenbasis fehlt oder ungeklärt ist. Belastbare KI in der Unternehmenskommunikation beginnt deshalb nicht mit dem Modell, sondern mit der fachlichen Frage und einer geeigneten Datenbasis. Das deckt sich mit Marktbeobachtungen: Gartner erwartet, dass bis Ende 2026 rund 60 Prozent der KI-Projekte abgebrochen werden, denen keine KI-taugliche Datenbasis zugrunde liegt. [1]

Die Kommunikationsfrage kommt zuerst

Am Anfang steht eine konkrete Aufgabe. Nehmen wir eine Kommunikationsabteilung, die Entwicklungen rund um ein strategisch wichtiges Thema früher erkennen möchte. Bevor über KI gesprochen wird, muss geklärt werden, wo diese Entwicklungen überhaupt sichtbar werden können. In klassischen Medien? Auf Social Media? In politischen Dokumenten? Im Feedback bestimmter Stakeholder? Erst aus der fachlichen Frage ergibt sich, welche Informationen benötigt werden.

Dasselbe gilt für Reputationsanalysen. Bevor ein System Aussagen zur Entwicklung von Reputation treffen kann, muss geklärt sein, was im jeweiligen Kontext beobachtet werden soll. Themen, Tonalität, Akteure, Reichweite und zeitliche Veränderungen können dabei eine Rolle spielen. Sie sind aber nicht automatisch dasselbe wie Reputation. Technologie kann solche Definitionen abbilden. Festlegen muss sie die Organisation selbst.

Viele Daten ergeben noch keine gemeinsame Datenbasis

Die meisten Organisationen beginnen nicht bei null. Sie haben Monitoring-Systeme, Datenbanken, CRM-Anwendungen, Social-Media-Daten, Dashboards und zahlreiche Dokumente. Das Problem ist häufig die Verbindung zwischen diesen Beständen. Schon bei einfachen Kennzahlen entstehen Unterschiede. Zwei Systeme können von „Reichweite“ sprechen und trotzdem etwas anderes messen. Namen von Organisationen oder Stakeholdern können unterschiedlich geschrieben sein. Themenkategorien verändern sich. Zeiträume sind nicht überall vollständig. Menschen können solche Unterschiede beim Lesen und Interpretieren oft erkennen. Automatisierte Systeme brauchen die Zusammenhänge expliziter. Eine belastbare Datenbasis muss deshalb mehr leisten, als Informationen an einem Ort zu sammeln.

Sie muss beantworten können, woher eine Information stammt, welchen Zeitraum sie beschreibt, welche Definition ihr zugrunde liegt, welche Daten miteinander vergleichbar sind und wer darauf zugreifen darf. Erst dann entsteht aus verteilten Beständen ein Informationsraum, der sich zuverlässig für Monitoring, Analyse und KI nutzen lässt.

Erst jetzt wird KI wirklich interessant

Auf einer solchen Grundlage kann KI ihre Stärken ausspielen. Machine Learning kann große Mengen von Medienbeiträgen oder anderen Texten klassifizieren. Generative KI kann Informationen über natürliche Sprache zugänglich machen. Automatisierte Prozesse können wiederkehrende Recherche- und Sichtungsaufgaben übernehmen. Kommunikationsverantwortliche könnten beispielsweise fragen: „Welche Kritikpunkte zu unserem Thema sind in den vergangenen vier Wochen neu hinzugekommen?“ Das System durchsucht die dafür freigegebenen Bestände, identifiziert relevante Fundstellen und formuliert daraus eine Antwort. Für professionelle Kommunikationsarbeit fehlt dann allerdings noch etwas Entscheidendes: Die Antwort muss überprüfbar sein.

Eine gute Antwort braucht nachvollziehbare Quellen

Sprachmodelle können überzeugend formulieren. Sprachliche Qualität ist aber kein Nachweis für sachliche Belastbarkeit. Spätestens wenn eine Information in ein Briefing, eine Vorstandsvorlage oder eine Kommunikationsentscheidung einfließt, stellt sich deshalb die Frage: Woher wissen wir das? Kommunikationsprofis sehen genau hier das größte Risiko: Im PR-Trendmonitor 2024 nannten 51 Prozent der Befragten die mangelnde Überprüfbarkeit und Kontrolle der Informationen als wichtigstes Bedenken beim KI-Einsatz. [2]

Quellenbindung schafft dafür die technische Grundlage. Das System durchsucht definierte Bestände und stellt dem Sprachmodell relevante Fundstellen für die jeweilige Frage bereit. Die Antwort lässt sich anschließend auf diese Fundstellen zurückführen. Damit lässt sich die zugrunde liegende Information selbst prüfen. Doch auch ein Quellenlink ist noch kein Wahrheitsbeweis. Eine Untersuchung der Stanford University zu quellengebundenen KI-Recherchewerkzeugen im Rechtsbereich zeigt das deutlich: Trotz Quellenbindung lagen die Systeme in 17 bis 33 Prozent der Anfragen falsch, häufig mit Belegen, die zwar existierten, die Aussage aber nicht trugen. [3] Es muss geprüft werden, ob die richtige Quelle gefunden wurde, ob die Fundstelle tatsächlich zur Frage passt und ob sie die formulierte Aussage trägt. Ein einfaches Beispiel: In einer Analyse steht, dass die Zahl kritischer Beiträge im März gestiegen ist. Daraus lässt sich belegen, dass mehr kritische Beiträge erfasst wurden. Daraus folgt aber nicht automatisch, dass sich die Reputation des Unternehmens verschlechtert hat. Diese Aussage enthält bereits eine Interpretation und benötigt weitere Daten oder fachliche Kriterien.

Überprüfbarkeit bedeutet deshalb mehr, als Quellen anzuzeigen. Entscheidend ist die nachvollziehbare Verbindung zwischen Frage, Fundstelle und Aussage. Auch „Das wissen wir nicht“ ist eine gute Antwort. Reichen die verfügbaren Informationen für eine belastbare Antwort nicht aus, sollte das System dies klar kenntlich machen. „Dazu liegen in den freigegebenen Beständen keine ausreichenden Informationen vor“ ist in diesem Fall wertvoller als eine plausible Vermutung. Diese Grenze zeigt gleichzeitig, wo die eigene Datenbasis noch Lücken hat. Ähnliches gilt für Zugriffsrechte. Wenn eine Person bestimmte interne Informationen nicht sehen darf, dürfen diese auch nicht indirekt über eine KI-Antwort sichtbar werden. Berechtigungen müssen deshalb bereits bestimmen, welche Informationen für eine Anfrage überhaupt verwendet werden. Das Bundesamt für Sicherheit in der Informationstechnik zählt den unbeabsichtigten Abfluss vertraulicher Informationen und fehlerhafte Ausgaben zu den zentralen Risiken generativer KI-Modelle und empfiehlt vor dem Einsatz eine Risikoanalyse für den konkreten Anwendungsfall. [4]

Wie der Einstieg in der Praxis gelingt

Ein KI-Projekt muss nicht mit einer umfassenden Plattformentscheidung beginnen. Sinnvoller ist ein klar abgegrenzter Anwendungsfall, dessen Ergebnisse sich fachlich prüfen lassen. Welche Informationen werden dafür benötigt? Sind Qualität und Zugriffsrechte geklärt? Lassen sich Ergebnisse auf ihre Quellen zurückführen? Und woran erkennen die Fachleute, ob das System tatsächlich brauchbare Antworten liefert? Wer diese Fragen zuerst beantwortet, schafft eine belastbare Grundlage für den weiteren Ausbau. Dass hier häufig der Engpass liegt, zeigt der PR-Trendmonitor 2025: 82 Prozent der befragten Kommunikationsprofis haben Zugang zu KI-Werkzeugen, aber nur 25 Prozent verfügen über eine klare Strategie oder Leitlinien für den Einsatz. [5]

KI sollte Arbeit unterstützen, nicht Verantwortung verschieben

Die technische Entwicklung ermöglicht inzwischen weit mehr als einzelne Antworten. KI-Agenten können Informationen aus verschiedenen Quellen abrufen, Ergebnisse strukturieren und mehrere Arbeitsschritte miteinander verbinden. Damit wächst aber auch die Bedeutung von Kontrolle. Je mehr Schritte automatisiert werden, desto wichtiger wird die Nachvollziehbarkeit: Welche Quellen wurden verwendet? Welche Verarbeitungsschritte haben stattgefunden? Wo ist eine menschliche Freigabe erforderlich? Der Communication Management Radar 2026 der Universität Leipzig beschreibt diesen Stand als „Constrained AI Agents“: KI-Agenten werden in Pilotprojekten für Recherche und Monitoring erprobt, brauchen aber klare Grenzen und menschliche Aufsicht. [6]

Deshalb sollte ein Agent nicht mit maximaler Autonomie starten. Sinnvoller ist ein klar begrenzter Arbeitsschritt, der unter realen Bedingungen geprüft wird. Funktioniert er zuverlässig, kann der Ablauf erweitert werden. Die Kommunikationsentscheidung bleibt beim Menschen. KI kann Informationen finden, ordnen und Zusammenhänge sichtbar machen. Ob eine Entwicklung relevant ist, wie sie bewertet wird und welche Reaktion daraus folgt, ist eine fachliche Entscheidung. Die Praxis zieht dieselbe Grenze: Laut PR-Trendmonitor 2026 verzichten 38 Prozent der Kommunikationsprofis bei sensiblen Unternehmensthemen und 34 Prozent in der Krisenkommunikation bewusst auf KI. [7]

Am Ende zählt nicht das Modell allein

Bei KI-Projekten wird viel über Modelle gesprochen. Für die tägliche Kommunikationsarbeit sind andere Fragen oft wichtiger. Sind die richtigen Informationen verfügbar? Sind sie aktuell und vergleichbar? Lassen sich Aussagen überprüfen? Und hilft das Ergebnis tatsächlich dabei, Kommunikation besser zu steuern?

Ein neues Modell kann eine beeindruckendere Antwort formulieren. Eine belastbare Informationsgrundlage kann es nicht ersetzen. Deshalb beginnt sinnvoller KI-Einsatz nicht mit der Frage, welche KI eingesetzt werden soll. Sondern mit der Frage, was wir wissen müssen, um besser entscheiden zu können.

---