Playbook für Kommunikationsabteilungen: KI-Agenten mit klugen Daten füttern

Welche Daten Kommunikationsagenten vorrangig brauchen

„Kluge Daten“ sind für Kommunikationsagenten nicht einfach viele Daten. Kluge Daten sind solche, die relevant, erlaubt, aktuell, strukturiert, versioniert und mit ausreichendem Kontext angereichert sind. Genau daran scheitern viele frühe GenAI-Projekte: Daten liegen zwar vor, aber nicht als durchsuchbares, priorisiertes und governancefähiges Wissenssystem. Für spezifische Kontexte benötigen Modelle Hintergrundwissen; für größere Wissensbestände ist deshalb ein Retrieval-Ansatz oder ein vergleichbares Kontextsystem meist wirksamer als bloßes Hoffen auf Modellallgemeinwissen (Anthropic, 2024b; NIST, 2024; Deloitte, 2026).

Die wichtigste Datenquelle für Kommunikationsagenten sind in vielen Organisationen Medienanalysen zum eigenen Unternehmen und zum Wettbewerb. Dafür gibt es drei gute Gründe. Erstens ist „Media Reputation“ seit Langem als strategische Ressource beschrieben, die mit Leistung und Wettbewerbsfähigkeit verknüpft ist. Zweitens verankern moderne PR-Messrahmen Medienmonitoring, Content-Analyse, Share of Voice, Tonalität, Themen- und Message-Penetration ausdrücklich als zentrale Datenquellen strategischer Kommunikation. Drittens zeigen Praxisfälle wie der vielfach ausgezeichnete ŠKODA-Fall von AMEC, dass historische Medienanalyse und Wettbewerbs-Benchmarks direkt in bessere Kommunikationsentscheidungen übersetzt werden können (Deephouse, 2000; AMEC, n.d.-a, n.d.-b; Ram & Zhang, 2021).

Medien- und Wettbewerbsanalysen. Hier sollte ein Agent nicht nur auf Rohclippings zugreifen, sondern auf angereicherte Medienintelligenz: Themencluster, Tonalität, Sprecheranteile, Share of Voice, Message-Pull-through, Reichweiten- und Relevanzindikatoren, Journalistenmuster, Themen-Historien, Krisensignale, Reputation, Brand Value und Wettbewerbs-Benchmarks. Für Kommunikationsentscheider ist diese Quelle deshalb so wertvoll, weil sie nicht nur „was wir gesagt haben“, sondern „was draußen angekommen ist“ sichtbar macht (AMEC, n.d.-a, n.d.-b; PRCA, 2026).

Korpus der Unternehmenskommunikation. Dazu gehören Pressemitteilungen, Statements, Q&As, Sprachregelungen, Reden, Fact Sheets, Krisenhandbücher, ESG- und Geschäftsberichte, Executive Briefings, Messaging-Architekturen, Corporate Language, Stilrichtlinien und Freigabetexte. Für Agenten ist das die erste Quelle, um markenkonform, regulatorisch sauber und konsistent zu formulieren. Praktisch heißt das: nicht nur Dokumente sammeln, sondern sie als indexierbaren, versionierten Wissensbestand mit Metadaten wie Gültigkeitsdatum, Freigabestatus, Sprecherkreis und Region anlegen (Anthropic, 2024a, 2024b; OpenAI, 2026a).

Stakeholder- und Workflowdaten. Kommunikationsarbeit ist selten nur Inhaltsarbeit; sie ist auch Beziehungs- und Prozessarbeit. Relevante Daten sind deshalb Journalisten- und Influencer-Listen, Schlüsselkontakte, Verteilerlogiken, Redaktionskalender, Sprecherverfügbarkeiten, Genehmigungswege, Freigabestufen, Themen-Owner und Zuständigkeiten. Moderne Agentensysteme werden genau dann stark, wenn sie nicht nur lesen, sondern in erlaubten Grenzen auch suchen, referenzieren, synchronisieren und Workflows anstoßen können (OpenAI, 2025, 2026a).

Feedback- und Signalquellen. Dazu zählen Web- und Newsletter-Analytics, Social Comments, Community-Signale, Mitarbeitenden-Feedback, FAQ-Logs, Service- oder Complaint-Muster und CRM-nahe Rückmeldungen. Solche Daten sind für Kommunikationsagenten besonders wertvoll, weil sie helfen, Botschaften nicht nur zu produzieren, sondern auch auf Wirkung, Verständnis, Vertrauen und Anschlussfähigkeit zu prüfen. AMEC verortet genau diese Datenarten entlang der ganzen Wirkungskette von Outtakes über Outcomes bis zu Impacts (AMEC, n.d.-a; AMEC, n.d.-c).

Markt-, Politik- und Wettbewerbsintelligenz. Für Corporate Affairs, Public Affairs oder CEO-Kommunikation braucht ein Agent zusätzlich regulatorische Entwicklungen, Markttrends, Analysten-Statements, Wettbewerber-Kommunikation, Positionierungen von Verbänden und relevante politische Dokumente. Das ist besonders wichtig, wenn Botschaften schnell an neue Themenlagen angepasst werden müssen. Kommunikationsabteilungen sollten solche Quellen aber nur dann anbinden, wenn Herkunft, Rechte und Aktualität sauber dokumentiert sind (EDPB, 2026; NIST, 2024).

Governance- und Freigabekorpus. Ein Kommunikationsagent sollte immer auch wissen, was er nicht darf. Dazu gehören AI-Policies, Datenschutzregeln, Disclosure-Regeln, Freigabegrenzen, Verbotslisten, Kriseneskalationen, rechtliche Disclaimer, Urheberrechtsvorgaben und menschliche Verantwortlichkeiten. CIPR und PRCA betonen beide, dass verantwortliche AI-Nutzung in PR praktisch mit Checklisten, klarer Ownership, Datenprüfung und menschlicher Letztverantwortung organisiert werden muss (CIPR, 2026; PRCA, 2026).

Wie die Daten verbunden und die Agenten angelernt werden

Für Kommunikationsabteilungen bedeutet „Agenten anlernen“ in der Regel nicht zuerst klassisches Modell-Fine-Tuning. Der praktikablere erste Schritt ist fast immer, einen Agenten mit freigegebenen Wissensquellen, Suchmechanismen, Rollenrechten, zulässigen Aktionen und einem guten Evaluationsset auszustatten. Genau das beschreiben aktuelle Agentenansätze: Der Grundbaustein ist ein LLM plus Retrieval, Tools und Memory; hinzu kommen Connectoren, Sync-Funktionen und kontrollierte Aktionen auf interne Systeme (Anthropic, 2024a; OpenAI, 2025, 2026a).

Der technische Kern sollte sich an der Größe und Art des Korpus orientieren. Ist der freigegebene Wissensbestand klein und stabil, kann es in Einzelfällen sinnvoll sein, ihn direkt in den Prompt-Kontext zu legen. Anthropic nennt als grobe Schwelle Bestände unter etwa 200.000 Tokens, also ungefähr 500 Seiten. Wächst die Wissensbasis darüber hinaus, wird Retrieval typischerweise die robustere Architektur. Wichtig ist dabei: „Alles in den Kontext kippen“ ist gerade kein verlässlicher Qualitätshebel, weil Modelle in langen Kontexten relevante Information im Mittelbereich oft schlechter nutzen – das bekannte „lost in the middle“-Problem (Anthropic, 2024b; Liu et al., 2023).

Für Kommunikationswissen sind besonders zwei technische Prinzipien wertvoll. Erstens sollte das Korpus sauber in sinnvolle Abschnitte zerlegt werden – nicht nur nach Seiten, sondern nach semantischen Einheiten wie Q&A-Blöcken, Statements, Freigaberegeln oder Themenmodulen. Zweitens sollte Retrieval nicht nur mit semantischen Embeddings arbeiten, sondern zusätzlich mit exakten Worttreffern. Anthropic zeigt, dass die Kombination aus Embeddings und BM25 sowie kontextualisierten Chunks die Fehlretrievals deutlich senken kann; mit zusätzlichem Reranking wurden in ihren Tests noch bessere Ergebnisse erzielt (Anthropic, 2024b). Für Kommunikationsabteilungen ist das besonders relevant, weil viele Anfragen exakte Begriffe enthalten – Produktnamen, Vorstandsrollen, Claims, Regularien, Kritikpunkte oder journalistische Framing-Begriffe (Anthropic, 2024b).

Ein Sonderfall sind „globale“ Fragen, die nicht nach einer einzelnen Passage suchen, sondern nach Mustern im Gesamtkorpus. Typische Kommunikationsfragen lauten etwa: „Wie hat sich unser Themenumfeld im letzten Quartal verschoben?“, „Welche Narrative dominieren die Berichterstattung zum Wettbewerb?“ oder „Welche wiederkehrenden Kritikmuster sehen wir in allen Stakeholderkanälen?“ Für solche Fragen reicht Standard-RAG oft nicht. Die GraphRAG-Forschung zeigt, dass graphbasierte Indizes und voraggregierte Community-Zusammenfassungen bei solchen corpusweiten Sensemaking-Fragen deutlich hilfreicher sein können (Edge et al., 2024).

Operativ empfiehlt sich deshalb eine vierstufige Agentenarchitektur: erstens kuratierte Quellsysteme, zweitens ein bereinigtes Datenprodukt mit Metadaten und Rechten, drittens ein Retrieval- und Orchestrierungslayer, viertens ein Agent mit klar begrenzten Rollen und Aktionen. OpenAI beschreibt dafür Such-, Sync- und Action-Fähigkeiten, mit denen externe Daten referenziert, vorab indexiert und in Workflows genutzt werden können. Für Kommunikationsabteilungen ist die wichtigste Designentscheidung nicht „Wie autonom soll der Agent werden?“, sondern „Auf welche Daten und welche Aktionen darf er in welcher Situation zugreifen?“ (OpenAI, 2026a, 2025).

Governance, Sicherheit und Qualität

Je stärker ein Kommunikationsagent an interne und externe Daten angeschlossen ist, desto wichtiger werden Governance und Vertrauensarchitektur. NIST betont in seinem AI RMF und im GenAI-Profil, dass AI-Risiken systematisch mit Governance, Evaluation und organisationsweiten Prozessen verbunden werden müssen. McKinsey zeigt zugleich, dass Risiko- und Daten-Governance gerade zu den am stärksten zentralisierten Elementen erfolgreicher AI-Einführung gehören (NIST, 2023, 2024; McKinsey & Company, 2025b).

Für Kommunikationsabteilungen beginnt Governance bei der Datenauswahl. Wer personenbezogene Daten, Social-Posts, offene Webquellen oder journalistische Inhalte in Agentensysteme bringt, braucht klare Regeln für Rechtsgrundlage, Datenminimierung, Quellenzuverlässigkeit, Aktualität und Aufbewahrung. Der Europäische Datenschutzausschuss empfiehlt beim Web Scraping für GenAI ausdrücklich, nur verlässliche Quellen zu nutzen, Zeitstempel zu dokumentieren und Daten vor dem Training oder der Nutzung zu validieren; der ICO unterstreicht zugleich, dass AI-Projekte Fragen von Security, Fairness und Data Minimisation von Beginn an adressieren müssen (EDPB, 2026; ICO, 2023).

Sicherheitsseitig müssen Kommunikationsagenten gegen typische GenAI-Risiken gehärtet werden. OWASP zählt Prompt Injection und Insecure Output Handling zu den zentralen Gefährdungen von LLM-Anwendungen. OpenAI weist für agentische Systeme zusätzlich darauf hin, dass versteckte Aufforderungen in Webseiten oder verbundenen Systemen dazu führen können, dass ein Agent unbeabsichtigt Daten preisgibt oder falsche Aktionen ausführt. Für Kommunikationsabteilungen heißt das praktisch: Connectoren nur gezielt aktivieren, Rechte knapp halten, externe Quellen whitelisten, Ausgaben validieren und vor kritischen Aktionen immer menschliche Bestätigung verlangen (OWASP Foundation, 2025; OpenAI, 2025).

Auch Transparenzpflichten werden relevanter. Nach dem EU AI Act gelten Offenlegungspflichten insbesondere dann, wenn Menschen direkt mit einem AI-System interagieren, und bei bestimmten Formen KI-generierter Inhalte. Für Kommunikationsarbeit ist besonders wichtig: Chatbots müssen grundsätzlich als solche erkennbar sein; bei Texten, die mit dem Zweck veröffentlicht werden, die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren, können Transparenzpflichten greifen, wobei die Regel Ausnahmen bei menschlicher redaktioneller Kontrolle vorsieht (European Commission, 2025, 2026).

PR-spezifisch ist entscheidend, dass Verantwortung nicht an das System delegiert wird. PRCA formuliert klar, dass AI in PR assistiv und nicht autonom sein soll; CIPR fordert praktische Checklisten dazu, wie Tools bewertet, Daten geprüft, Outputs überprüft und Verantwortlichkeiten festgelegt werden. Für Kommunikationsabteilungen ist daher ein „Human-in-the-Loop“-Modell kein Bremsklotz, sondern die Voraussetzung dafür, dass Geschwindigkeit nicht auf Kosten von Verantwortung, Reputation und Compliance geht (PRCA, 2026; CIPR, 2026).

Der 90-Tage-Umsetzungsplan

Im ersten Monat sollte die Abteilung kein allgemeines „AI-Projekt“ starten, sondern einen geschäftsrelevanten Kommunikations-Use-Case auswählen. Geeignet sind vor allem Prozesse mit hohem Rechercheanteil, hoher Wiederholfrequenz und klarer Datenbasis – etwa ein Media-Intelligence-Copilot, ein Briefing-Agent für Vorstände oder ein Agent für Q&A-Entwürfe und Issue-Backgrounder. Parallel dazu werden Zielbild, Nutzerkreis, Erfolgskriterien, Risiken, Quellrechte und Baselines festgelegt. Dieses Vorgehen entspricht der Logik erfolgreicher Pilotprojekte: klare Vision, fokussierte Use-Case-Priorisierung und messbare Ziele vor breitem Roll-out (Google Cloud, 2024a; AMEC, n.d.-c; McKinsey & Company, 2025a).

Im zweiten Monat wird aus verteilten Quellen ein erstes Datenprodukt gebaut. Praktisch heißt das: Medienanalysen, Corporate Content, Freigaberegeln und ausgewählte Stakeholder-Daten werden bereinigt, klassifiziert, mit Metadaten versehen und in einen Such- oder Retrieval-Layer überführt. Dabei sollten Dokumente nicht nur gesammelt, sondern für den späteren Agenteneinsatz vorbereitet werden: mit Gültigkeitsstatus, Region, Sprache, Sprecherbezug, Vertraulichkeitsniveau und Review-Datum. Für größere Korpora empfiehlt sich ein RAG-Setup mit sauberem Chunking, exakten und semantischen Retrieval-Signalen sowie einem kleinen, realen Evaluationsset typischer Kommunikationsfragen (Anthropic, 2024b; OpenAI, 2026a; Deloitte, 2026).

Im dritten Monat geht das System in einen begrenzten Pilotbetrieb mit klaren Kontrollen. Jetzt werden Antwortqualität, Quellennähe, Freigabequote, Nutzungsintensität und Zeitgewinn gemessen. McKinsey zeigt, dass klar definierte Prozesse für menschliche Validierung sowie gut definierte KPIs stark mit AI-Wertbeiträgen zusammenhängen. Google Cloud empfiehlt ergänzend, neben Geschäftskennzahlen auch Adoptions-, Zuverlässigkeits- und Nutzungsmetriken zu verfolgen. Für Kommunikationsabteilungen sind besonders aussagekräftig: Anteil korrekt belegter Antworten, Retrieval-Trefferqualität, Aktualitätsquote der verwendeten Quellen, durchschnittliche Briefing-Zeit, Zeit bis zur Freigabe, Nutzungsrate im Team und Eskalationsquote wegen Richtlinienverletzungen (McKinsey & Company, 2025a, 2025b; Google Cloud, 2024b).

Der sinnvollste erste Agent für viele Kommunikationsabteilungen ist ein Agent, der aus Medienanalyse, Unternehmenswissen und Freigaberegeln belastbare Briefings erzeugt. Das ist deshalb so wirkungsvoll, weil hier die wichtigsten Datenarten zusammenlaufen: externe Wahrnehmung, interne Positionierung und operative Handlungsfähigkeit. PRCA beschreibt AI bereits als eingebettet in Research, Content, Media Monitoring und Evaluation; AMEC zeigt, dass genau diese Datenarten entlang der ganzen Kommunikationswirkung strukturiert ausgewertet werden können. Wer hier startet, baut nicht nur einen Tool-Demonstrator, sondern einen datengetriebenen Entscheidungshelfer für reale Kommunikationsarbeit (PRCA, 2026; AMEC, n.d.-a, n.d.-c).

---