Kommunikation braucht nicht mehr Daten. Sie braucht bessere Entscheidungen.

Kommunikationsabteilungen verfügen heute über mehr Daten als je zuvor. Sie messen Reichweiten, Interaktionen und Tonalitäten, beobachten Social Media und verdichten Erkenntnisse in Dashboards. Trotzdem bleibt ein grundsätzliches Problem: Die meisten Instrumente erklären, was bereits passiert ist. Wir perfektionieren den Blick in den Rückspiegel.

Für strategische Kommunikation ist eine andere Frage entscheidend: Was sollten wir als Nächstes tun? Genau hier setzt Predictive Intelligence an. Ziel ist nicht, noch mehr Daten zu sammeln, sondern aus vorhandenen Informationen abzuleiten, welche Kommunikationsentscheidung mit welcher Wahrscheinlichkeit die gewünschte Wirkung erzielt. Der entscheidende Output ist nicht die nächste Analyse, sondern die nächste beste Handlung.

Konkret bedeutet das: Eine Kommunikationsverantwortliche kann beispielsweise vor Veröffentlichung einer Botschaft prüfen, welche Argumentation bei unterschiedlichen Stakeholdergruppen voraussichtlich Vertrauen erzeugt, wo Widerstand entstehen könnte und welche Alternative belastbarer erscheint. Aus Analyse wird damit eine Entscheidungsvorbereitung – bevor Budget, Reputation oder Vertrauen riskiert werden.

Der Beitrag wurde verfasst von: Prof. Dr. Uwe Seebacher

Vom Reporting zur strategischen Steuerung

Kommunikationscontrolling beschreibt und bewertet, was geschehen ist. Predictive Analytics prognostiziert, was wahrscheinlich geschehen wird. Predictive Intelligence ergänzt die entscheidende Ebene: Was sollte ich aufgrund dieser Prognose tun?

Damit verändert sich die Rolle der Kommunikation. Statt dem Management nach einer Kampagne zu erklären, was funktioniert hat, können wir vorher abschätzen, welche Botschaft bei welcher Zielgruppe voraussichtlich welche Wirkung entfaltet. Kommunikation dokumentiert nicht mehr nur Vergangenheit, sondern wird zur strategischen Steuerungseinheit.

Gerade gegenüber dem C-Level ist das relevant. Reichweiten und Engagement-Raten beantworten nur begrenzt die Frage nach dem Wertbeitrag. Entscheidend wird, welche Wirkung Kommunikation auf relevante Stakeholder entfaltet und wie sie sich verbessern lässt.

Eine plausible Antwort ist noch keine Wirkung

Können das nicht längst Large Language Models? Generative KI ist beeindruckend darin, Texte zu erstellen, Informationen zusammenzufassen und plausible Antworten zu formulieren. Doch Sprachwahrscheinlichkeit und Kommunikationswirkung sind zwei verschiedene Dinge.

Ein Large Language Model (LLM) erzeugt auf Basis erlernter Sprachmuster eine statistisch wahrscheinliche Antwort. Daraus folgt nicht, dass eine bestimmte Botschaft bei einer bestimmten Zielgruppe die gewünschte Wirkung erzielt.

Predictive Intelligence arbeitet in unserem Ansatz deshalb mit einem „Understanding Model“ (UM) – einem Verstehensmodell. Vereinfacht gesagt wird eine KI-generierte Hypothese nicht als Ergebnis akzeptiert, sondern an Daten, Evidenz, Fachmodellen und alternativen Erklärungspfaden gespiegelt. Je stärker unabhängige Analysepfade übereinstimmen, desto belastbarer wird die Entscheidungsgrundlage. Wo sie auseinanderlaufen, werden Unsicherheit und weiterer Informationsbedarf sichtbar.

Es geht nicht nur um die Antwort, sondern darum, wie sie zustande kommt und wie belastbar sie ist. Deshalb reicht es nicht, einem Sprachmodell einfach eine komplexe Kommunikationsfrage zu stellen.

In unserem seit 2017 entwickelten Methoden- und Strukturmodell wird eine solche Frage zunächst in konkrete, fachlich prüfbare Teilfragen zerlegt. Diese werden den passenden Wissensbereichen zugeordnet und parallel analysiert. Dabei dienen über Jahre ausgewählte und validierte Fachmodelle als Referenzrahmen: Sie helfen, Informationen einzuordnen, Zusammenhänge zu verstehen und daraus mögliche nächste Handlungen abzuleiten.

Anschließend werden die einzelnen Ergebnisse wieder zusammengeführt und miteinander verglichen: Wo stimmen sie überein? Wo widersprechen sie sich? Und wo fehlen noch Informationen?

Das System liefert damit nicht einfach eine Antwort, die plausibel klingt. Es macht sichtbar, warum eine Empfehlung belastbar ist – und wo Unsicherheit bestehen bleibt. Informationslücken werden ebenso transparent aufgezeigt wieUnsicherheiten, die durch abweichende oder widersprüchliche Informationen und Ergebnisse entstehen. 

Von statischen Personas zu dynamischen Zielgruppen

Personas sind nicht grundsätzlich falsch. Ihr Problem ist ihre Statik. Sie werden zu einem bestimmten Zeitpunkt entwickelt, basieren teilweise auf Annahmen und altern schnell. Die Kommunikationsrealität ist dynamischer: Einstellungen verändern sich, Menschen bewegen sich zwischen Gruppen und öffentliche Debatten können Wahrnehmungen kurzfristig verschieben.

Predictive Intelligence kann aus Social Listening, Touchpoints und weiteren Daten dynamische Target Audiences ableiten. Nicht allein demografische Merkmale definieren die Gruppe, sondern Einstellungen, Werte und tatsächliche Kommunikationsreaktionen. So entstehen Zielgruppenbilder, die kontinuierlich aktualisiert werden können.

Personalisierung bedeutet dann nicht, denselben Text mit unterschiedlichen Vornamen auszuspielen, sondern die für eine Gruppe relevante Argumentation zu verstehen.

Der nächste Schritt ist der digitale Zwilling einer Zielgruppe. Die Idee stammt aus der Industrie: Dort werden Maschinen digital modelliert, um ihr Verhalten unter unterschiedlichen Bedingungen zu simulieren, bevor reale Veränderungen vorgenommen werden. Übertragen auf Kommunikation entsteht daraus eine ebenso einfache wie weitreichende Frage: Was wäre, wenn wir mögliche Reaktionen auf eine Botschaft untersuchen könnten, bevor wir sie tatsächlich veröffentlichen?

Nehmen wir eine Restrukturierung mit mehreren tausend Beschäftigten. Statt drei Botschaftsvarianten intern nach Erfahrung oder Bauchgefühl zu diskutieren und erst nach dem Versand zu sehen, was funktioniert, können unterschiedliche Formulierungen vorab gegen verschiedene Zielgruppenmodelle geprüft werden. Welche Argumentation schafft Vertrauen? Welche erzeugt Widerstand? Wo drohen Missverständnisse? Und über welchen Kanal erreicht eine Botschaft die jeweilige Gruppe am wirkungsvollsten?

Dabei geht es ausdrücklich nicht darum, menschliches Verhalten exakt vorherzusagen. Kommunikation bleibt ein komplexes soziales System. Der entscheidende Fortschritt besteht vielmehr darin, mögliche Wirkungen, Risiken und Unterschiede sichtbar zu machen, bevor sie in der Realität entstehen.

Wirkungsmessung verschiebt sich damit nach vorne: vom nachträglichen Erklären zum vorausschauenden Entscheiden.

Keine Gewissheiten, sondern bessere Entscheidungen

Predictive Intelligence bedeutet nicht, dass menschliches Verhalten exakt berechenbar wird. Kommunikation findet in komplexen sozialen Systemen statt. Wir sprechen über Wahrscheinlichkeiten, nicht über Gewissheiten. Die Technologie nimmt Kommunikationsverantwortlichen die Entscheidung nicht ab. Sie verbessert die Evidenzbasis.

Das ist auch eine Antwort auf die „Analysis Paralysis“ vieler Organisationen: noch eine Analyse, noch ein Dashboard, noch mehr Daten – in der Hoffnung auf vollständige Sicherheit. Die wird es nicht geben. Die bessere Frage lautet: Ist unsere Informationsbasis gut genug, um jetzt eine belastbare Entscheidung zu treffen? Eine belastbare Antwort darauf besteht deshalb nicht nur aus einem Score oder Dashboard. Sie sollte zeigen: Welche Evidenz spricht für eine Option? Welche dagegen? Wo bestehen Widersprüche? Welche Annahmen liegen zugrunde? Wie hoch ist die Unsicherheit? Und welche Next Best Action folgt daraus?

Dafür braucht es nicht zwingend den perfekten Datenhaushalt. Unternehmen müssen nicht erst ein jahrelanges Projekt zur Herstellung vollständig „AI-ready“ aufbereiteter Daten abschließen. Verstehensmodelle können darauf ausgelegt werden, Datenlücken, Redundanzen und Unschärfen zu erkennen, Informationen mit Kontext und Semantik einzuordnen und bei Bedarf Rückfragen zu stellen.

Der Einstieg sollte deshalb nicht bei den Daten beginnen, sondern beim Problem: Welche Entscheidung wollen wir verbessern? Erst daraus ergibt sich, welche Daten tatsächlich benötigt werden.

Erst simulieren, dann kommunizieren

Die Einsatzmöglichkeiten sind konkret und vielfältig:

• Kampagne: Welche von drei Botschaften sollten wir veröffentlichen – und für welche Zielgruppe?
• Krise: Welches Statement reduziert Eskalationsrisiken, ohne Glaubwürdigkeit zu verlieren?
• Employer Branding: Welche Argumentation erreicht tatsächlich die Talente, die wir gewinnen wollen?
• Change: Bei welchen Mitarbeitergruppen droht Widerstand – und warum?
• Reputation: Welches Signal erfordert heute eine Reaktion und welches können wir bewusst ignorieren?

Der Wettbewerbsvorteil entsteht damit nicht durch mehr Daten, sondern durch die Fähigkeit, aus ihnen früher bessere Entscheidungen abzuleiten.

Relevant ist zudem der Lernkreislauf. Eine Kommunikationsmaßnahme wird umgesetzt, ihre Ergebnisse fließen zurück in das Modell und werden bei der nächsten Entscheidung berücksichtigt. Damit lernt erstmals nicht nur die Kommunikationsabteilung – sondern das Kommunikationssystem selbst.

Für den Einstieg muss nicht die gesamte Kommunikation umgebaut werden. Sinnvoller ist ein klar abgegrenzter Use Case: eine Kampagne, eine Change-Situation oder eine Reputationsfrage. Je präziser die Frage, desto klarer wird, welche Informationen benötigt werden und welchen zusätzlichen Erkenntniswert Predictive Intelligence liefern kann.

Der eigentliche Paradigmenwechsel liegt damit nicht in einem weiteren KI-Tool. Generative KI kann die Produktion von Kommunikation massiv beschleunigen. Aber Geschwindigkeit allein erzeugt keine Wirkung. Sind Strategie oder Entscheidungsgrundlagen schlecht, skalieren wir im Zweifel nur die falschen Dinge schneller.

Die zentrale Frage sollte deshalb weniger lauten: Was kann die KI für uns formulieren? Sondern: Welche Kommunikationsentscheidung sollten wir treffen – und warum?

Wir brauchen nicht immer mehr Antworten. Wir brauchen bessere Entscheidungen.

Der beste Einstieg ist deshalb keine allgemeine Software-Demo. Bringen Sie eine reale Kommunikationsentscheidung mit, bei der Sie heute nicht sicher sind, welche Option die richtige ist. Eine Botschaft. Eine Kampagne. Eine Change-Situation. Eine Reputationsfrage. Dann lässt sich innerhalb eines konkreten Falls zeigen, ob Predictive Intelligence gegenüber klassischen Analysen, Dashboards und generativer KI tatsächlich zusätzlichen Erkenntniswert erzeugt.

Genau daran sollte sich die Technologie messen lassen. Wenn Sie eine solche Kommunikationsentscheidung gerade beschäftigt, bringen Sie sie mit. Wir zeigen Ihnen anhand Ihres konkreten Falls, welche zusätzlichen Erkenntnisse Predictive Communication Intelligence sichtbar machen kann.

WEITERE BLOGARTIKEL