Vom Regelwerk zur Rückfrage: Wie KI die Media Intelligence neu verkabelt

von: Manuel Wecker (Global Account Manager, UNICEPTA by PRophet) | KI Status Quo in Media Monitoring und Analyse

Wie verändert KI die Arbeit derjenigen, die Medien beobachten und analysieren, ganz konkret? In der Mai-Session der Interessengruppe „Data & Insights Experts“ gab Manuel Wecker (Global Account Manager, UNICEPTA by PRophet) einen Werkstattbericht aus Dienstleisterperspektive, mit Blick unter die Motorhaube der Produktionssysteme statt auf Marketing-Folien.

Das Erkenntnisinteresse bleibt, der Weg ändert sich

Die Leitfrage der Media Intelligence ist alt und stabil. Frei nach Harold D. Lasswell lautet sie: „Who says what about whom, how?“ Was sich radikal gewandelt hat, ist der Weg zu den Antworten. Weckers Zeitachse macht es greifbar: Über 20 Jahre lang galt „Data Rules“, die Ära der Algorithmen. Es folgten rund fünf Jahre „Data Answers“ mit regelbasiertem MachineLearning. Seit etwa zweieinhalb Jahren gilt „Data Questions“, die Ära der Large Language Models, die Texte auf einem neuen Niveau verstehen.

Drei Ebenen, auf denen KI wirkt

Wecker sortierte den KI-Einsatz in drei Bereiche. Erstens die KI unter der Motorhaube, in den Produktionssystemen im Backend. Zweitens die KI in den Kern-Services wie Medienspiegel und Medienanalyse, dort, wo Kund*innen sie unmittelbar erleben. Drittens die KI in den Social-Listening-Tools, die Big-Data-Analysen auf ein neues Level hebt. Die Lasswell-Formel wird dabei zur technischen Landkarte: Who und Whom entstehen aus Named Entity Recognition und Linking, das What aus Key-Message- und Topic-Detection, das How aus Sentiment-Analyse.

Textverständnis ist das Nadelöhr

So mächtig die Werkzeuge wirken, ihr Kern bleibt das maschinelle Textverständnis. Genau hier zahlt Spezialisierung aus: Die NER-Lösungen spezialisierter Media-Intelligence-Anbieter erreichen einen F1-Wert von 0,93 und übertreffen damit Standardmodelle wie BERT (0,77), RoBERTa (0,74) oder spaCy (0,66) deutlich, vor allem bei Sentiment-Erkennung, Entity-Erkennung und Disambiguierung. Präzision entsteht nicht durch das größte Modell, sondern durch das am besten auf die Domäne abgestimmte.

LLM als Autopilot, mit menschlicher Hand am Steuer

Der Umstieg auf LLM-Codierung bringt spürbare Vorteile: hohe Flexibilität über gezieltes Prompt-Management, minimierte Fehlervarianz, ein breiteres Analysespektrum und individuelle Anpassung ohne eigenes Pre-Training. Entscheidend ist jedoch, dass der Mensch im Prozess bleibt. Im LLM-gestützten Medienspiegel klassifiziert und rankt die KI die Artikel, gruppiert rund 65 % korrekt mit 95 % Genauigkeit, und nur etwa 0,34 % ihrer Vorschläge werden von den Fachexpert*innen abgelehnt. Deren Feedback fließt kontinuierlich zurück ins Modell. Der Workflow, von Setup und Dateninput über Anreicherung und Validierung bis zu Analyse und Visualisierung, kombiniert maßgeschneiderte Kundenprompts mit Relevanz- und Vollständigkeitscheck und menschlicher Freigabe.

Was bleibt

Drei Trends nahm die Runde mit. Monitoring und Analyse verschmelzen, weil sich immense Datenmengen via LLM nahezu in Echtzeit hochakkurat auswerten lassen. Projektindividuelle Prompts ohne Trainingsdaten machen Analysen flexibel auf die jeweilige Kommunikationssituation abstimmbar. Und die Steuerung per natürlicher Sprache wird zum Standard in Social-Listening-Tools, lange boolesche Suchbefehle gehören der Vergangenheit an. Dass Microsoft Mitte Mai neue Copilot-Connectoren vorstellte, u. a. UNICEPTA byPRophet, zeigt, wie schnell KI-Agenten in den Arbeitsalltag einziehen.

Fazit

Weckers Bestandsaufnahme entzaubert und ermutigt zugleich. KI ist in der Media Intelligencelängst produktiv, aber nicht als Magic Button, sondern als präzises Werkzeug entlang klar definierter Prozesse. Der Wettbewerbsvorteil liegt weniger im Modell als in der Kombination aus Domänenwissen, sauberem Prompt-Management und menschlicher Qualitätssicherung.
Ihr wollt wissen, wo KI in eurem Monitoring und eurer Analyse konkret Hebel bietet? In der Interessengruppe „Data & Insights Experts“ teilen wir solche Werkstattberichte und Learnings. Seid dabei!