Wer Content-Produktion mit KI automatisieren will, braucht zuerst kein Tool, sondern ein präzises Verständnis des eigenen Prozesses. Denn KI verstärkt, was da ist: Gute Prozesse werden schneller, schlechte Prozesse produzieren schneller Fehler. Wir zeigen ein kompaktes Vorgehen in fünf Schritten, mit dem Unternehmen das Thema bewusst angehen, statt es vor sich herzuschieben. Außerdem erfahren Sie, in welchen Phasen KI heute schon konkret Wert schafft – und in welchen der Mensch bewusst am Steuer bleibt.
Bei der Skalierung von KI-Use-Cases entscheidet die Liebe zum Detail
Marketing und Kommunikation gehören zu den Bereichen, in denen Unternehmen KI am häufigsten einsetzen – laut Bitkom nutzen 57 Prozent der KI-anwendenden Unternehmen in Deutschland die Technologie dort. Doch zwischen Experiment und Produktion klafft eine Lücke: Der State of Agentic Orchestration and Automation Report 2026 von Camunda zeigt, dass zwar 66 Prozent der befragten Unternehmen KI-Agenten nutzen, aber nur elf Prozent der Use Cases tatsächlich in Produktion gehen. Als zentralen Grund nennen 58 Prozent der Befragten die Sorge, dass unkontrollierte Agenten Probleme in schlecht implementierten Prozessen noch verschärfen.
Genau hier liegt der Denkfehler vieler Automatisierungsvorhaben: Sie starten beim Tool und enden beim Prozess. Erfolgreiche Projekte machen es umgekehrt.
Das Zielbild kommt vor dem Modell
Jede Automatisierung beginnt mit einer scheinbar banalen Frage: Was geht in den Prozess hinein – und was soll herauskommen? Bei einer Content-Migration heißt das etwa: Welche Basisinformationen liegen im alten System, mit welcher Absicht wurden sie gepflegt, und in welchem Format sollen sie im neuen System ankommen? Solange dieses Zielbild unscharf bleibt, produziert jede KI nur schneller Unklarheit.
So naheliegend das klingt: Gestellt wird diese Frage in der Praxis selten. Wir erleben häufig, dass Teams direkt über Prompts und Modelle diskutieren, bevor geklärt ist, woran ein gutes Ergebnis überhaupt erkennbar wäre.
Fünf Schritte vom Prozessverständnis zur KI-Fähigkeit
In unseren Projekten hat sich ein Vorgehen in fünf Schritten bewährt, das den Prozess vollständig sichtbar macht, bevor über Automatisierung entschieden wird.
Zuerst legen wir das Zielbild fest: Ausgangspunkt und Endpunkt des Prozesses, inklusive Basisinformationen, Intention und Output-Format. Darauf aufbauend schlüsseln wir die Phasen auf – der Weg vom Ist zum Soll wird in klar abgegrenzte Prozessschritte zerlegt. Für jede Phase klären wir die Verantwortlichkeiten: Wer macht was? Hier zeigt sich oft, wie viel implizites Wissen in einzelnen Köpfen steckt. Anschließend ordnen wir Hilfsmittel und Quellen zu – welche Systeme, Daten und Dokumente speisen die jeweilige Phase? Zuletzt setzen wir an den Übergängen zwischen den Phasen Input/Output-Gates: Sie definieren, welche Qualität ein Zwischenergebnis haben muss, um weitergereicht zu werden.
Jeder dieser fünf Bausteine ist für sich machbar – zusammen ergeben sie das vollständige Prozessbild.
Erst auf dieser Grundlage lässt sich seriös beantworten, wo KI-Potenziale liegen – und wo der Mensch zwingend in der Schleife bleibt. Die Gates aus dem letzten Schritt werden dabei zu natürlichen Kontrollpunkten: Sie markieren die Stellen, an denen ein Mensch prüft, freigibt oder korrigiert, bevor der Prozess weiterläuft.
Nicht jede Phase muss automatisiert werden
Die Analyse führt regelmäßig zu einem Ergebnis, das dem Hype widerspricht: Nicht jede Phase eines Content-Prozesses eignet sich für Automatisierung. Repetitive Schritte mit klaren Regeln – etwa das Überführen strukturierter Produktdaten in ein Zielformat – sind ideale Kandidaten. Phasen, in denen Markenurteil, strategische Abwägung oder rechtliche Bewertung gefragt sind, bleiben menschliche Aufgaben. Wer das Prozessbild vor sich hat, kann diese Unterscheidung fundiert treffen, statt sie dem Tool-Anbieter oder dem LLM zu überlassen. KI kann sicherlich den Entscheidungsraum fokussieren, die menschliche Abwägung und Einordnung schafft und sichert aber den Wert im Prozess.
Inspire, Create, Scale: Wo im Content-Lebenszyklus KI welchen Wert stiftet
Eine hilfreiche Unterscheidung ergänzt das Fünf-Schritte-Vorgehen um eine horizontale Ebene: In welchem Abschnitt des Content-Lebenszyklus bewegt sich der Prozess überhaupt? Wir unterscheiden drei Streams mit jeweils eigenem Automatisierungsgrad und einer anderen Rolle der KI.
Inspire umfasst Strategie, Konzeption und Ideation – etwa Content-Strategien, Content Design oder Produkt-Taxonomien. Hier ist KI Sparringspartner: Sie liefert Varianten, Recherche und Strukturvorschläge, die Entscheidung bleibt beim Menschen.
Create meint die Produktion einzelner Assets entlang definierter Phasen, zum Beispiel die Landingpage-Erstellung. Hier arbeiten Mensch und KI in Co-Creation: Die KI produziert, der Mensch prüft und gibt an den Gates frei.
Scale beschreibt Skalierung in hoher Stückzahl – Varianten, Kanalableitungen oder Content-Migrationen über automatisierte Pipelines. Hier ist der Automatisierungsgrad am höchsten; der Mensch sitzt fast nur noch an den Input/Output-Gates.
In der Praxis verschwimmen diese drei Streams schneller, als man denkt: Wenn ein Team denselben Automatisierungsanspruch, der in der Skalierung sinnvoll ist, unreflektiert auf einen Ideation-Workshop überträgt, wird die Zusammenarbeit zwischen Mensch und KI an der falschen Stelle kalibriert. Der praktische Nutzen der Unterscheidung liegt genau hier: Sie hilft, für jeden Stream die passende Erwartungshaltung zu setzen, statt mit Scale-Tempo an eine Inspire-Aufgabe heranzugehen oder wertvolle Skalierungspotenziale im Create-Modus ungenutzt zu lassen.
Aus der Praxis: Landingpage-Erstellung und Content-Migration
Wir haben dieses Vorgehen unter anderem bei einem führenden Hersteller von Motorgeräten und einem internationalen Technologiekonzern angewendet – in zwei Streams, die unterschiedlicher kaum sein könnten.
Im Create-Stream ging es um die klassische Landingpage-Erstellung: Aus einem Briefing entsteht über definierte Phasen eine publikationsreife Seite, bei der KI Texterstellung und Strukturvorschläge übernimmt, während Freigaben an den Gates menschlich bleiben.
Im Scale-Stream stand eine Content-Migration an: Produktinformationen aus einem bestehenden PIM-System (Product Information Management) sollten in ein neues System überführt werden – inklusive Anpassung an eine neue Taxonomie. Gerade hier zeigte sich der Wert des Prozessverständnisses: Die eigentliche Herausforderung lag nicht im Übersetzen der Inhalte, sondern im Klären der Frage, mit welcher Absicht Inhalte ursprünglich gepflegt wurden und welche Qualität sie im Zielsystem haben müssen.
In beiden Projekten stand am Anfang dieselbe Überlegung: Was soll am Ende herauskommen, und welche Phasen führen dorthin? Diese Klarheit vorab hat in beiden Fällen dafür gesorgt, dass die Automatisierung genau an der richtigen Stelle ansetzte.
Fazit: Fünf Bausteine, ein vollständiges Bild
Wer bei der Content-Automatisierung alles auf einmal lösen will, verliert sich meist in Grundsatzdiskussionen über Tools und Modelle. Wer stattdessen fünf kompakte Schritte durchgeht – Zielbild, Phasen, Verantwortlichkeiten, Quellen und Gates – schafft mit jedem Schritt sofort Klarheit und hat am Ende alle Optionen offen: den Landingpage Creator für die Content-Produktion, Low-Code-Pipelines für wiederkehrende Abläufe oder eine systematische Content-Migration für den Systemwechsel. Wer diesen Weg überspringt, wählt Werkzeuge für ein Problem, das er noch nicht verstanden hat.
Sie möchten wissen, welche Phasen Ihrer Content-Produktion sich für KI-Unterstützung eignen und in welchem Stream Sie den größten Hebel haben? Sprechen Sie uns an: Wir bringen die Methodik und die Erfahrung aus realen Projekten mit.