Verständlich. Glaubwürdig. Freigegeben. Der Qualitätsprozess für KI-generierte B2B-Texte

Ein KI-Entwurf für die Website eines Bauzulieferers liest sich auf den ersten Blick überzeugend. Er beschreibt eine konkrete Zeitersparnis bei der Montage, nennt eine technische Klassifizierung und stellt eine Referenz als Beleg für die Leistungsfähigkeit des Produkts dar.

Die Argumentation ist klar. Die Sprache wirkt fachlich. Die Vorteile sind verständlich formuliert.

Trotzdem können die Zeitersparnis, die Klassifizierung und die Referenz falsch sein.

Genau darin liegt eines der größten Qualitätsrisiken generativer künstlicher Intelligenz: Ein sprachlich überzeugender Text kann den Eindruck vermitteln, bereits fachlich geprüft worden zu sein. Lesbarkeit, Präzision und ein souveräner Ton sind jedoch keine Nachweise für Wahrheit.

Unternehmen benötigen deshalb mehr als gute Prompts und ein abschließendes Lektorat. Sie brauchen einen Qualitätsprozess für KI-generierte Texte, der zwischen Formulierung, Fakten, Schlussfolgerung, Wirkung und Freigabeverantwortung unterscheidet.

Warum überzeugende KI-Texte besonders sorgfältig geprüft werden müssen

Generative KI kann Texte erzeugen, die konsistent, strukturiert und fachlich plausibel wirken. Das System prüft jedoch nicht automatisch, ob jede erzeugte Aussage durch eine verlässliche Quelle gedeckt ist.

Das US-amerikanische National Institute of Standards and Technology bezeichnet die selbstsichere Erzeugung fehlerhafter oder falscher Inhalte als „Confabulation“, auf Deutsch etwa Konfabulation. Dazu können auch Antworten gehören, die einer Eingabe widersprechen oder innerhalb eines Gesprächs inkonsistent werden. Das Institut empfiehlt deshalb unter anderem, Quellen und Zitate aus generativen KI-Systemen zu überprüfen. (Quelle [1])

Für B2B-Kommunikation ist diese Unterscheidung entscheidend. Einzelne Aussagen können unmittelbar in geschäftliche Entscheidungen einfließen:

• Ein Planungsbüro bewertet ein Produkt aufgrund beschriebener Zulassungen.
• Ein Bauunternehmen übernimmt technische Angaben in eine Projektkommunikation.
• Ein Vertriebsteam verwendet einen vermeintlich belegten Kundenvorteil in einer Präsentation.
• Eine Geschäftsführung veröffentlicht eine Marktzahl, deren Ursprung nicht nachvollziehbar ist.
• Ein Architekturbüro beschreibt ein Projekt mit Leistungen, die nicht zum eigenen Auftragsumfang gehörten.

Je konkreter und professioneller solche Aussagen formuliert sind, desto leichter kann übersehen werden, dass ihre Faktenbasis fehlt.

Verständlichkeit ist kein Wahrheitsnachweis

Verständlichkeit ist ein Qualitätsmerkmal. Sie hilft Lesern, komplexe Produkte, Prozesse und Zusammenhänge einzuordnen. Problematisch wird sie, wenn die leichte Verarbeitung eines Textes mit der Richtigkeit seines Inhalts verwechselt wird.

Verarbeitungsflüssigkeit beeinflusst die Wahrnehmung

In der Psychologie beschreibt Verarbeitungsflüssigkeit, wie leicht eine Information aufgenommen und gedanklich verarbeitet werden kann. Klare Sätze, bekannte Begriffe und eine nachvollziehbare Argumentationsstruktur können diese Verarbeitung erleichtern.

Eine hohe Verarbeitungsflüssigkeit kann zugleich die wahrgenommene Glaubwürdigkeit beeinflussen. Eine Aussage fühlt sich dann möglicherweise stimmig an, weil sie leicht verständlich oder vertraut ist – nicht, weil sie fachlich geprüft wurde.

Das bedeutet nicht, dass verständliche Texte grundsätzlich irreführend sind. Verständlichkeit und inhaltliche Verlässlichkeit müssen lediglich getrennt bewertet werden.

Wiederholung kann die wahrgenommene Wahrheit erhöhen

Der Illusory-Truth-Effekt beschreibt die Tendenz, wiederholt wahrgenommene Aussagen als glaubwürdiger einzuschätzen als neue Aussagen.

Eine 2026 veröffentlichte Meta-Analyse wertete 182 Studien mit 366 Effektgrößen und insgesamt 31.184 Teilnehmenden aus. Nach einer Korrektur möglicher Verzerrungen zeigte sich ein kleiner, aber robuster Effekt der Wiederholung auf die wahrgenommene Wahrheit. Seine Stärke hing unter anderem von der Art der Aussage und den Bedingungen der ersten Begegnung ab. (Quelle [2])

Experimente mit unterschiedlich häufig wiederholten Aussagen zeigen zudem, dass der größte Anstieg der wahrgenommenen Wahrheit häufig zwischen der ersten und der zweiten Begegnung auftritt. Weitere Wiederholungen können den Effekt fortsetzen, allerdings mit abnehmenden Zuwächsen. (Quelle [3])

Für KI-gestützte Redaktionsprozesse ist das relevant. Eine falsche Aussage kann in Entwürfen, Zusammenfassungen, Präsentationen und Social-Media-Posts mehrfach auftauchen. Mitarbeitende begegnen ihr wiederholt und halten sie möglicherweise irgendwann für bekannt oder intern bestätigt.

Wiederholung ersetzt jedoch keine Quelle.

Souveräne Sprache kann eine Prüfung vortäuschen

Formulierungen wie „nachweislich“, „erfüllt sämtliche Anforderungen“, „führt zu einer deutlichen Reduzierung“ oder „ist vollständig kompatibel“ wirken eindeutig. Ohne belastbaren Beleg sind sie lediglich eindeutig formulierte Behauptungen.

Dasselbe gilt für Scheingenauigkeit. Die Aussage „Die Montagezeit sinkt um 27 Prozent“ wirkt präziser als „Die Montage kann schneller erfolgen“. Die Prozentangabe beweist jedoch nicht, dass eine Messung existiert, unter welchen Bedingungen sie vorgenommen wurde oder ob das Ergebnis auf andere Projekte übertragbar ist.

Bei einer konkreten Zahl müssen mindestens vier Fragen beantwortet werden:

1. Woher stammt die Zahl?
2. Auf welchen Zeitraum, Markt oder Anwendungsfall bezieht sie sich?
3. Unter welchen Voraussetzungen wurde sie ermittelt?
4. Darf sie für die aktuelle Aussage verwendet werden?

Kann eine dieser Fragen nicht beantwortet werden, ist die Zahl noch nicht freigabefähig.

Die häufigsten Qualitätsrisiken bei KI-generierten B2B-Texten

Fehler in KI-Texten sind nicht immer offensichtlich. Besonders kritisch sind Aussagen, die sprachlich sauber in eine nachvollziehbare Argumentation eingebettet sind.

Erfundenen Quellen wird reale Autorität zugeschrieben

Ein KI-System kann Studientitel, Institutionen, Autoren oder Links erzeugen, die plausibel klingen, aber nicht existieren. Ebenso kann es eine reale Quelle nennen, die die konkrete Aussage gar nicht unterstützt.

Deshalb reicht es nicht, eine Quellenangabe im Text zu sehen. Die Quelle muss geöffnet, gelesen und mit der Aussage abgeglichen werden.

Zahlen werden ohne Bezugsrahmen übernommen

Prozentwerte, Marktgrößen und Leistungskennzahlen benötigen einen nachvollziehbaren Kontext. Selbst eine reale Zahl kann irreführend werden, wenn Bezugsjahr, Region, Stichprobe oder Definition nicht zur Aussage passen.

Produktfunktionen werden ergänzt oder verallgemeinert

Bei Software, technischen Systemen und Bauprodukten kann KI Funktionen nennen, die nur in einer bestimmten Version, Konfiguration oder Lizenz verfügbar sind. Aus einer optionalen Funktion wird dann eine allgemeine Produkteigenschaft.

Technische Merkmale werden vorschnell in Nutzen übersetzt

Ein Produktmerkmal kann einen Vorteil ermöglichen. Es beweist noch nicht, dass dieser Vorteil in jedem Projekt eintritt.

Ein hypothetisches Beispiel: Ein Bauteil benötigt weniger einzelne Montageschritte. Daraus lässt sich plausibel ableiten, dass sich der Arbeitsaufwand reduzieren kann. Daraus folgt aber keine garantierte Zeit- oder Kostenersparnis. Baustellensituation, Planung, Logistik, Qualifikation und Schnittstellen beeinflussen das Ergebnis.

Eine belastbare Formulierung wäre daher:

Die reduzierte Zahl der Montageschritte kann den Arbeitsaufwand unter geeigneten Projektbedingungen verringern.

Normen, Zulassungen und Rechtsaussagen werden falsch zugeordnet

In der Bau- und Produktkommunikation können falsche Normbezeichnungen, veraltete Fassungen oder unzulässige Verallgemeinerungen erhebliche Folgen haben. Ein Produkt erfüllt möglicherweise eine Klassifizierung nur in einer bestimmten Ausführung oder Systemkombination.

Technische, normative und rechtliche Aussagen benötigen deshalb eine Prüfung durch die jeweils zuständige Fachperson. Ein allgemeines Content-Lektorat reicht dafür nicht aus.

Referenzen und Testimonials werden ausgeschmückt

KI kann aus knappen Projektdaten eine scheinbar vollständige Erfolgsgeschichte entwickeln. Dabei entstehen möglicherweise erfundene Projektziele, Rollen, Ergebnisse oder Kundenaussagen.

Für Referenztexte gilt deshalb: Nur belegbare Informationen verwenden. Fehlende Projektdaten dürfen nicht durch plausible Details ersetzt werden.

Voraussetzungen und Grenzen verschwinden

Werbliche Texte konzentrieren sich häufig auf Vorteile. Bei komplexen B2B-Leistungen hängt der Nutzen jedoch von Voraussetzungen ab: vorhandenen Daten, technischen Schnittstellen, Projektphasen, internen Kompetenzen oder organisatorischen Entscheidungen.

Ein glaubwürdiger Text benennt diese Bedingungen. Er verspricht nicht nur ein Ergebnis, sondern erklärt, unter welchen Umständen es erreichbar werden kann.

Der Qualitätsprozess für KI-generierte Texte umfasst fünf Stufen

Ein belastbarer Qualitätsprozess beginnt nicht beim Korrekturlesen. Er beginnt vor der Texterstellung – mit der Frage, welche Informationen überhaupt verwendet werden dürfen.

Stufe 1: Die Faktenbasis verbindlich festlegen

Die KI sollte nicht selbst entscheiden müssen, welche Unternehmens- und Produktinformationen richtig sind. Diese Entscheidung gehört in eine kontrollierte Faktenbasis.

Je nach Unternehmen kann sie enthalten:

• freigegebene Produktdatenblätter,
• aktuelle Leistungsbeschreibungen,
• geprüfte Referenzinformationen,
• verbindliche Marken- und Sprachregeln,
• freigegebene Zahlen und Claims,
• gültige technische Dokumentationen,
• Quellen mit Versionsstand und Prüfdatum,
• bekannte Grenzen oder Ausschlüsse,
• Zuständigkeiten für einzelne Themengebiete.

Für zentrale Aussagen eignet sich ein Claim-Register. Darin werden die freigegebene Aussage, ihre Quelle, der erlaubte Geltungsbereich, Einschränkungen, das Datum der letzten Prüfung und die verantwortliche Fachperson dokumentiert.

Der wichtigste Grundsatz lautet: Fehlt die Faktenbasis, darf die KI die Lücke nicht eigenständig schließen.

Stufe 2: Den KI-Entwurf mit klaren Grenzen erstellen

Ein guter Prompt beschreibt nicht nur Thema und Tonalität. Er legt auch fest, wie das System mit fehlenden Informationen umgehen soll.

Eine belastbare Aufgabenstellung definiert beispielsweise:

• Zielgruppe und Entscheidungssituation,
• Textart und Veröffentlichungsort,
• gewünschte Argumentationsstruktur,
• zugelassene Quellen,
• verbindliche Produkt- und Unternehmensinformationen,
• Regeln für Zahlen und Belege,
• Kennzeichnung von Annahmen,
• Verbot erfundener Beispiele oder Referenzen,
• Formulierungsregeln für Unsicherheit,
• Aussagen, die einer Fachprüfung bedürfen.

Eine sinnvolle Anweisung lautet nicht nur: „Schreibe einen überzeugenden Produkttext.“

Sie lautet beispielsweise:

Verwende ausschließlich die bereitgestellten Produktinformationen. Ergänze keine Funktionen, Leistungswerte, Normen, Referenzen oder Kundenvorteile. Kennzeichne fehlende Informationen sichtbar und trenne belegte Tatsachen von plausiblen Ableitungen.

Eine solche Vorgabe verhindert Fehler nicht vollständig. Sie reduziert aber den Spielraum für unbelegte Ergänzungen und erleichtert die anschließende Prüfung.

Stufe 3: Relevante Aussagen klassifizieren

Ein Text lässt sich besser prüfen, wenn nicht alle Aussagen gleich behandelt werden. Eine Markenformulierung benötigt einen anderen Nachweis als eine technische Produkteigenschaft.

Relevante Aussagen lassen sich in sechs Klassen einordnen:

Belegte Tatsache:
Die Aussage wird direkt durch eine verlässliche und passende Quelle gestützt.

Logische Ableitung:
Die Aussage folgt nachvollziehbar aus belegten Informationen, steht aber nicht ausdrücklich in der Quelle.

Erfahrungswert:
Die Aussage beruht auf dokumentierter Praxis oder Fachbeobachtung, ohne allgemeingültiger Nachweis zu sein.

Prognose:
Die Aussage beschreibt eine erwartete zukünftige Entwicklung.

Annahme:
Die Aussage dient als Arbeitshypothese und ist noch nicht bestätigt.

Werbliche Bewertung:
Die Aussage ordnet ein Produkt oder eine Leistung positiv ein, etwa als besonders flexibel oder einfach.

Diese Einordnung zeigt, welche Aussage einen Beleg benötigt, welche vorsichtiger formuliert werden muss und welche als subjektive Bewertung erkennbar sein sollte.

Stufe 4: Fachliche und psychologische Qualität getrennt prüfen

Eine fachliche Prüfung fragt, ob der Inhalt stimmt. Eine psychologische und kommunikative Prüfung fragt, wie der Text die Entscheidung beeinflusst.

Die fachliche Prüfung untersucht:

• Stimmen technische Angaben und Produktbezeichnungen?
• Sind Zahlen und Quellen nachvollziehbar?
• Sind Versionen, Zeiträume und Anwendungsbereiche korrekt?
• Werden Normen, Zulassungen und Rechtsbegriffe richtig verwendet?
• Ist der beschriebene Nutzen tatsächlich aus der Funktion ableitbar?
• Sind Voraussetzungen und Einschränkungen vollständig?

Die psychologische und kommunikative Prüfung untersucht:

• Wird mehr Sicherheit vermittelt, als die Beleglage erlaubt?
• Erzeugt der Text unangemessenen Zeit- oder Entscheidungsdruck?
• Werden Risiken oder Alternativen gezielt ausgeblendet?
• Spricht der Text Rollen stereotyp oder pauschal an?
• Unterstützt er eine nachvollziehbare Entscheidung?
• Ist die Vereinfachung hilfreich oder bereits irreführend?
• Werden konkrete Details eingesetzt, um fehlende Belege zu überspielen?

Gute B2B-Kommunikation macht eine Entscheidung verständlicher. Sie versucht nicht, Unsicherheit durch sprachliche Dominanz zu verdecken.

Stufe 5: Verantwortung und Freigabe eindeutig zuweisen

„Der Text wurde noch einmal kontrolliert“ ist keine belastbare Freigabe.

Vor der Veröffentlichung muss geklärt sein:

• Wer prüft fachliche Aussagen?
• Wer prüft Zahlen und Quellen?
• Wer bewertet normative, rechtliche oder regulatorische Risiken?
• Wer verantwortet Tonalität und Markenwirkung?
• Wer prüft Datenschutz, Vertraulichkeit und Rechte Dritter?
• Wer erteilt die endgültige Veröffentlichungsgenehmigung?

Nicht jede Person muss jeden Punkt prüfen. Entscheidend ist, dass für jedes relevante Risiko eine zuständige Rolle benannt ist.

Das Produktmanagement kann technische Funktionen bestätigen. Die Kommunikationsverantwortlichen prüfen Verständlichkeit und Markensprache. Eine qualifizierte Rechtsberatung bewertet rechtlich sensible Aussagen. Die finale Freigabe bestätigt, dass alle erforderlichen Prüfungen abgeschlossen wurden.

Automation Bias ist auch ein organisatorisches Risiko

Ein Mensch im Prozess ist noch keine Garantie für eine sorgfältige Prüfung.

Automation Bias bezeichnet die Tendenz, sich zu stark auf automatisierte Vorschläge zu verlassen und dadurch eigene Prüfhandlungen zu reduzieren. Systematische Übersichtsarbeiten aus dem Bereich automatisierter Entscheidungshilfen zeigen, dass solche Systeme neben Vorteilen neue Fehlertypen erzeugen können. Eine hohe Arbeitsbelastung und eine aufwendige Verifikation können die kritische Kontrolle zusätzlich erschweren. (Quelle [4])

Diese Forschung untersucht nicht speziell B2B-Redaktionen. Für KI-gestützte Content-Prozesse lässt sich daraus jedoch ein plausibles organisatorisches Risiko ableiten:

• Der Text klingt professionell und wird nur oberflächlich gelesen.
• Die Aussage entspricht der eigenen Erwartung und wird nicht hinterfragt.
• Mehrere Überarbeitungen vermitteln den Eindruck, jemand müsse die Fakten bereits geprüft haben.
• Eine Quellenliste wird akzeptiert, ohne die Originalquellen zu öffnen.
• Der Name einer Fachperson im Dokument wird mit einer tatsächlichen Freigabe verwechselt.
• Unter Zeitdruck werden nur Rechtschreibung und Tonalität geprüft.

Eine experimentelle Untersuchung fand in ihrem Entscheidungsszenario geringere Raten von Automation Bias, wenn Teilnehmende für ihre Gesamtleistung oder Entscheidungsgenauigkeit verantwortlich gemacht wurden. Das Ergebnis lässt sich nicht direkt auf jede Redaktion übertragen. Es spricht aber dafür, konkrete Verantwortlichkeit stärker zu gewichten als die allgemeine Bitte, einen Text „noch einmal zu kontrollieren“. (Quelle [5])

Für den Redaktionsprozess ergeben sich daraus vier Regeln:

1. Kritische Aussagen müssen aktiv bestätigt oder abgelehnt werden.
2. Die prüfende Person benötigt Zugriff auf die Originalquelle.
3. Eine Freigabe darf nicht durch ausbleibenden Widerspruch entstehen.
4. Inhaltliche Änderungen nach der Fachfreigabe müssen erneut geprüft werden.

Sechs Dimensionen für die finale Prüfung

Für die abschließende Freigabe kann der Text in sechs Dimensionen geprüft werden.

1. Fakten

Sind Namen, Zahlen, Funktionen, Quellen, Zeitangaben, Normen und Referenzen korrekt und belegbar?

2. Logik

Folgt der beschriebene Nutzen tatsächlich aus der Funktion oder wird eine Möglichkeit als sicheres Ergebnis dargestellt?

3. Psychologie

Hilft der Text bei einer informierten Entscheidung oder nutzt er sprachliche Sicherheit, Verknappung und Druck, um Unsicherheiten zu verdecken?

4. Ethik

Vermeidet der Text Täuschung, erfundene Autorität, manipulatives Framing, diskriminierende Stereotype und das bewusste Verschweigen relevanter Risiken?

5. Sprache

Ist der Text verständlich, konkret, rollengerecht und fachlich präzise? Werden Einschränkungen so erklärt, dass sie nicht im Kleingedruckten verschwinden?

6. Verantwortung

Ist dokumentiert, wer welche Dimension geprüft und wer die endgültige Freigabe erteilt hat?

Diese sechs Dimensionen dürfen nicht zu einer Checkliste ohne Konsequenzen werden. Für jeden nicht erfüllten Punkt braucht es eine Entscheidung: korrigieren, belegen, einschränken, entfernen oder an eine qualifizierte Fachperson weitergeben.

Die Prüftiefe richtet sich nach dem Risiko

Nicht jeder KI-generierte Satz benötigt denselben Freigabeaufwand. Ein interner Gliederungsvorschlag birgt ein anderes Risiko als eine öffentlich verwendete Aussage zu Brandschutz, Gewährleistung oder Wirtschaftlichkeit.

Ein praxistauglicher Prozess unterscheidet deshalb mindestens drei Stufen.

Niedriges Risiko:
Strukturvorschläge, interne Ideen, sprachliche Varianten und Texte ohne konkrete externe Tatsachenbehauptungen.

Mittleres Risiko:
Leistungsseiten, Produktnutzen, Kampagnenclaims, Referenzbeschreibungen und öffentlich verwendete Unternehmensinformationen.

Hohes Risiko:
Technische Leistungswerte, Normen, Sicherheitsangaben, rechtliche Aussagen, sensible personenbezogene Daten, konkrete Wirtschaftlichkeitsversprechen und Informationen mit möglicher Auswirkung auf Planung oder Beschaffung.

Je höher das Risiko, desto stärker sollten Quellenprüfung, Fachfreigabe und dokumentiertes Mehr-Augen-Prinzip ausfallen.

Die MARCIS Governance-Richtlinie für den Einsatz von KI folgt ebenfalls einem risikobasierten Ansatz. Sie sieht für relevante KI-unterstützte Inhalte ein Vier-Augen-Prinzip und für besonders kritische Inhalte, etwa technische Normen, Produktdaten oder Aussagen mit rechtlicher Außenwirkung, ein erweitertes Sechs-Augen-Prinzip vor. (Quelle [6])

Was sich für B2B-, Bau- und Produktkommunikation konkret verändert

Ein belastbarer Freigabeprozess macht Texte nicht nur verlässlicher. Er verbessert häufig auch ihre strategische Qualität.

Bei einem technischen Hersteller oder Bauzulieferer zwingt die Quellenprüfung dazu, zwischen Produkteigenschaft, Systemvoraussetzung und Projektwirkung zu unterscheiden.

Bei einem Unternehmen aus Bau und Immobilien verhindert sie, dass Projektstatus, Termine oder Verantwortungsbereiche zu pauschal dargestellt werden.

Bei einem Architektur- oder Planungsbüro stellt sie sicher, dass Projektrollen, Wettbewerbsergebnisse und Referenzinformationen korrekt zugeordnet sind.

Bei einem Softwareanbieter trennt sie eine vorhandene Schnittstelle von der Behauptung, das Produkt lasse sich in jedes System problemlos integrieren.

Der Text wird dadurch möglicherweise vorsichtiger. Vor allem wird er genauer.

Genauigkeit bedeutet dabei nicht, jeden Satz mit Einschränkungen zu überladen. Gute Redaktion findet die präziseste Aussage, die durch die Faktenbasis gedeckt ist – und erklärt Bedingungen dort, wo sie für die Entscheidung relevant sind.

Häufige Fragen zur Prüfung KI-generierter Texte

Kann eine KI ihren eigenen Text zuverlässig prüfen?

Eine KI kann bei der Strukturierung, Klassifikation und Suche nach möglichen Widersprüchen unterstützen. Sie kann jedoch dieselben falschen Annahmen erneut übernehmen oder neue Fehler ergänzen. Eine Selbstprüfung durch dasselbe oder ein anderes Modell ersetzt deshalb weder den Abgleich mit Originalquellen noch die fachliche Freigabe.

Muss jede Aussage mit einer externen Quelle belegt werden?

Nein. Unternehmenspositionierungen, klar gekennzeichnete Bewertungen und einfache logische Übergänge benötigen nicht automatisch externe Belege. Zahlen, Studienergebnisse, technische Vorgaben, Normen, Rechtsaussagen, Produktfunktionen und konkrete Referenzergebnisse müssen dagegen nachvollziehbar geprüft werden.

Reicht ein Vier-Augen-Prinzip aus?

Nur dann, wenn beide Personen klare Prüfaufgaben haben und über die erforderliche Fachkompetenz verfügen. Zwei oberflächliche Prüfungen sind nicht automatisch besser als eine sorgfältige. Bei technisch, rechtlich oder wirtschaftlich kritischen Aussagen können weitere Fachrollen erforderlich sein.

Wie lässt sich der zusätzliche Prüfaufwand begrenzen?

Durch eine gepflegte Faktenbasis, freigegebene Claims, wiederverwendbare Quellen, definierte Risikoklassen und klare Zuständigkeiten. Der Prüfaufwand sinkt nicht dadurch, dass Risiken ignoriert werden, sondern dadurch, dass dieselben Informationen nicht bei jedem Text neu gesucht und bewertet werden müssen.

Welche Teile des Prozesses lassen sich automatisieren?

Automatisierbar sind unter anderem das Markieren von Zahlen, Quellen, absoluten Versprechen, Produktnamen und potenziell unbelegten Behauptungen. Auch Statuslisten und Freigabeworkflows lassen sich technisch unterstützen. Die Verantwortung für fachliche Richtigkeit, angemessene Kommunikation und Veröffentlichung bleibt jedoch bei benannten Personen.

KI beschleunigt den Entwurf – nicht die Verantwortung

Je überzeugender ein KI-generierter Text klingt, desto wichtiger wird seine systematische Prüfung.

Unternehmen benötigen deshalb nicht nur bessere Prompts. Sie benötigen eine belastbare Faktenbasis, eine Klassifikation der Aussagen, risikobasierte Prüfschritte und eindeutig benannte Verantwortliche.

Der entscheidende Qualitätsnachweis lautet nicht:

Der Text klingt professionell.

Er lautet:

Wir können erklären, welche Aussagen belegt sind, welche Schlussfolgerungen wir daraus ziehen, welche Grenzen gelten und wer den Inhalt freigegeben hat.

Einen Einblick in die dafür geltenden Grundsätze bei MARCIS gibt Dir unsere Governance-Richtlinie für den Einsatz von KI. Sie beschreibt, wie wir menschliche Verantwortung, Transparenz, Risikobewertung und Qualitätskontrolle miteinander verbinden.

Möchtest Du für Dein Unternehmen eine belastbare Faktenbasis, klare Prüfkriterien und einen nachvollziehbaren Freigabeprozess entwickeln, unterstützt MARCIS Dich bei der strategischen und organisatorischen Ausgestaltung. Dabei verbinden wir KI-Governance, redaktionelle Qualität und verständliche B2B-Kommunikation – passend zu Deinen Produkten, Zielgruppen und internen Verantwortlichkeiten.

Sprich mit MARCIS über Deinen Qualitäts- und Freigabeprozess.

Quellen

1. Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, Chloe Autio et al., National Institute of Standards and Technology, 26. Juli 2024; Publikationsseite aktualisiert am 8. April 2026. NIST-Publikation
2. Systematic Review and Meta-analysis of the Evidence for an Illusory Truth Effect and Its Determinants, Steeven Ye et al., Nature Communications, 27. Februar 2026. Originalartikel
3. The Effects of Repetition Frequency on the Illusory Truth Effect, Aumyo Hassan und Sarah J. Barber, Cognitive Research: Principles and Implications, 13. Mai 2021. Originalartikel
4. Automation Bias: A Systematic Review of Frequency, Effect Mediators, and Mitigators, Kate Goddard, Abdul Roudsari und Jeremy C. Wyatt, Journal of the American Medical Informatics Association, online veröffentlicht am 16. Juni 2011, Ausgabe 2012. Originalartikel
5. Accountability and Automation Bias, Linda J. Skitka, Kathleen L. Mosier und Mark D. Burdick, International Journal of Human-Computer Studies, April 2000. Originalartikel
6. Governance-Richtlinie für den Einsatz von Künstlicher Intelligenz, MARCIS GmbH, 2. Dezember 2025. MARCIS Governance-Richtlinie