KI ohne Daten bleibt generisch

Kommunikationsabteilungen stehen 2026 vor einem doppelten Erwartungsdruck: KI soll Effizienz, Geschwindigkeit und Qualität steigern – gleichzeitig wachsen die Anforderungen an Nachvollziehbarkeit, Datenschutz und Governance. Der CommTech Index Report 2025/26 bringt es auf den Punkt: KI werde in den allermeisten Fällen eingesetzt, ohne sie mit eigenen Daten zu füttern. Das Ergebnis: generische KI liefert generische Antworten.

Nur 35 % der befragten Kommunikationsabteilungen haben eine klare KI-Strategie. In 39 % der Fälle fehlt eine verantwortliche Person für Data Analytics. Der Digitalisierungsindex liegt 2025/26 bei 38 von 100 Punkten – nicht weil der Einsatzwille fehlt, sondern weil Tool- und KI-Entwicklung schneller voranschreiten als Organisationslernen und Prozessadaption.

Drei Wege, wie Daten an KI angebunden werden

Für Kommunikationsverantwortliche ist die Architektur Mittel zum Zweck. Der Wert entsteht, wenn Daten relevant, aktuell, rechtlich nutzbar und ausreichend strukturiert sind. Drei technische Grundmuster sind in der Praxis relevant:

• RAG (Retrieval-Augmented Generation): Das Modell generiert Antworten auf Basis abgerufener, aktueller Dokumente – kombiniert Modellwissen mit einem dynamischen Wissensspeicher. Ideal, wenn Quellenbezug und Zitierfähigkeit wichtig sind.
• Semantische Suche / Vektorspeicher: Inhalte werden als Embeddings gespeichert, um ähnliche Dokumente schnell zu finden – Grundlage für intelligente Wissensbasen.
• Tool- und API-Anbindung: KI ruft externe Dienste auf (Monitoring-APIs, CMS, Datenbanken). Standards wie das Model Context Protocol (MCP) ermöglichen standardisierte Tool-Anbindungen für agentische Workflows.

8 Quellentypen für Kommunikationsabteilungen

Das Playbook strukturiert die typische Datenbasis in acht praxistaugliche Quellentypen: interne redaktionelle Inhalte, fachliche Hintergrundinformationen, Kommunikations- und Kanaldaten, Monitoring- und Beobachtungsdaten, externe Fach- und Referenzdaten, Organisations- und Kontextdaten, manuell kuratierte Wissensbestände sowie Echtzeit- und API-basierte Daten.

Besonders relevant: Medienanalysedaten. Sie sind in vielen Abteilungen die am schnellsten nutzbare Quelle, weil Anbieter bereits strukturierte Datenpakete liefern, die Aktualität hoch ist und Use-Cases wie Issues-Radar, Stakeholderanalysen oder Krisenmonitoring stark datengetrieben sind. Wichtig: Medienanalyse bedeutet mehr als Clippings – erst qualitative Dimensionen wie Themenentwicklungen, Narrative und Multiplikatorenrollen machen den KI-Mehrwert aus.

Der Schritt-für-Schritt-Leitfaden

Play A – Use-Case-Portfolio: Zuerst 6–10 Kern-Use-Cases definieren (z.B. Executive Briefings, Issues Radar, Content QA, Krisenmonitoring), dann den Datenbedarf ableiten – nie umgekehrt.

Play B – Dateninventar & Priorisierung: Pro Quelle dokumentieren: Owner, Zugriff, Aktualität, Rechte, Format, Risiken. Priorität erhält, was hoch verfügbar, rechtlich klar und für mehrere Use-Cases relevant ist.

Play C – Governance-Setup: Data Owner und Data Steward je Kernquelle benennen, Datenklassen und Nutzungsregeln für KI festlegen. Im EU-Kontext ist das Pflicht: AI Act und DSK-Orientierungshilfe setzen klare Anforderungen.

Play D – Technische Anbindung in drei Stufen: Stufe 1 (taktisch): Upload-Prozesse standardisieren. Stufe 2 (strategisch): Wissensbasis mit RAG aufbauen. Stufe 3 (transformational): API-Anbindung und agentische Prozesse etablieren.

Play E – Qualität & Risiko messen: Output-Qualität (Faktentreue, Tonalität), Prozessmetriken (Durchlaufzeit, Review-Quote) und Risikoindikatoren (Datenschutzvorfälle, Halluzinationsraten) regelmäßig erfassen.