Kennzahlen in der Technischen Redaktion zu erheben, kostet Zeit. Oft so viel, dass es einfach nicht gemacht wird. Künstliche Intelligenz kann hier helfen, aber nicht überall auf die gleiche Art. Denn KI-Einsatz bei Kennzahlen bedeutet zwei unterschiedliche Dinge: Daten erfassen und Daten auswerten. Wer beides in einen Topf wirft, unterschätzt entweder das Potenzial oder überschätzt die Zuverlässigkeit. Zeit, das einmal auseinanderzunehmen.
Eine Hürde, zwei Baustellen
Wer Kennzahlen in der Technischen Redaktion einführen will, stößt schnell auf eine praktische Hürde: Terminologiekonsistenz manuell prüfen, Lesbarkeitsscores stichprobenartig ermitteln, Nutzungsdaten aus verschiedenen Systemen zusammenführen. Das alles ist möglich, aber aufwendig. Und was aufwendig ist, wird in der Praxis häufig nicht gemacht.
Die tekom-Studie „Betriebliche Kennzahlen für die Technische Kommunikation“ (2. Auflage 2025) benennt das Problem explizit: Je automatisierter und standardisierter die Kennzahlenerhebung ist, desto genauer und verlässlicher ist die spätere Kennzahl (systematische Fehler ausgeschlossen). Was die Studie offenlässt: Welche Rolle KI dabei spielen kann. Und genau da wird es unübersichtlich, wenn man nicht zwischen zwei Dimensionen unterscheidet.
Dimension eins ist die Erfassung: Wie kommen Sie überhaupt an belastbare Rohdaten? Dimension zwei ist die Auswertung: Was bedeuten diese Zahlen, welche Muster stecken darin, welche Handlungsempfehlung folgt daraus?
Beide Schritte können von KI unterstützt werden. Aber mit unterschiedlichen Werkzeugen, unterschiedlicher Zuverlässigkeit und unterschiedlichen Voraussetzungen.
Kennzahlen mit KI erfassen
Gleich vorweg: Nicht jede automatisierte Erfassung braucht KI. Ein Abgleich, welche Bausteine welche Metadaten tragen und welche nicht, lässt sich mit klassischer Automatisierung lösen. Ein Skript, eine Datenbankabfrage, fertig. Das ist wichtig zu betonen, denn KI wird gerade in der Technischen Redaktion gerne als Erklärung für alles verwendet. Hier braucht es sie schlicht nicht.
KI wird dann interessant, wenn die Auswertung über einen reinen Abgleich hinausgeht, etwa bei der Sprachqualität. KI-gestützte NLP-Systeme (Natural Language Processing) erkennen Regelverstöße und stilistische Inkonsistenzen oder unklare Referenzen und das über große Textmengen hinweg, statt nur stichprobenartig.
Je besser Ihr Content bereits strukturiert und mit Metadaten versehen ist, desto zuverlässiger und reproduzierbarer sind dabei die Ergebnisse. Fehlt diese Struktur, funktioniert die Erfassung trotzdem, nur eben mit mehr Unsicherheit.
Kennzahlen mit KI auswerten
Erfassung ist der erste Teil der Geschichte. Teil 2 dreht sich darum, was Sie mit den Zahlen machen, wenn Sie sie erfasst haben.
Content-Delivery-Plattformen liefern heute bereits Nutzungsdaten: welche Seiten aufgerufen werden, welche Suchanfragen gestellt werden, wo Nutzer:innen abbrechen. Diese Rohdaten sind wertvoll, aber ihre Interpretation ist eine eigene Disziplin. Welche Abbruchrate ist normal? Welche Suchanfrage deutet auf eine echte Lücke im Content hin, welche ist einfach Rauschen?
Genau hier kann KI als Interpretationsschicht fungieren, indem sie Muster erkennt, Anomalien identifiziert und Handlungsempfehlungen ableitet. Aus rohen Nutzungsdaten werden so aussagekräftige Kennzahlen, und aus Kennzahlen werden konkrete Verbesserungsimpulse für den Content.
Das ist ein anderer KI-Einsatz als bei der Erfassung: Es geht nicht darum, Daten überhaupt zu gewinnen, sondern ihnen eine Bedeutung zu geben. Aber auch hier gilt: Je sauberer die zugrundeliegenden Daten strukturiert sind, desto verlässlicher die Interpretation. Wer nur mit einem allgemeinen Sprachmodell auf unstrukturierte Logdateien schaut, bekommt natürlich Antworten, aber diese fallen bei einem zweiten Durchlauf wahrscheinlich ganz anders aus.
Das braucht Ihr Content für zuverlässige KI-Kennzahlen
KI-gestützte Kennzahlenerhebung und -auswertung klingt verlockend, aber sie setzt etwas voraus, das nicht selbstverständlich ist: einen Content, der für KI zugänglich und verarbeitbar ist. Wer diese Voraussetzungen erfüllt, bekommt die verlässlichsten Ergebnisse. Wer sie nicht erfüllt, kann trotzdem starten, muss aber mit mehr Unsicherheit rechnen.
Konkret geht es um:
- Modularisierung:
KI kann schlechter mit monolithischen PDF‑Dokumenten umgehen. Erst wenn Content in Informationseinheiten aufgeteilt ist, lässt er sich zuverlässig analysieren. Ohne Modularisierung ist eine Analyse trotzdem möglich, nur eben mit geringerer Zuverlässigkeit. - Klassifizierung:
Metadaten sind die Sprache, in der KI mit Content kommuniziert. Ohne sie fehlt oft der Kontext für eine automatische Auswertung, auch wenn manche Analysen, etwa zur Sprachqualität, ohne Metadaten funktionieren. - Digitale Verfügbarkeit:
Der Content muss in Systemen vorliegen, auf die KI-Tools zugreifen können, also in einem Component-Contentmanagement-System (CCMS), einer Content-Delivery-Plattform oder über definierte Schnittstellen.
Wer in unserem Reifegradmodell die Stufen 1 bis 5 solide aufgebaut hat, bringt genau diese Voraussetzungen mit. KI-gestützte Kennzahlenerhebung und -auswertung ist dann die natürliche Weiterentwicklung einer konsequenten Digitalisierungsstrategie – kein Selbstzweck, sondern der nächste logische Schritt.
KI verändert, wie wir Dokumentation erstellen und ebenso, wie wir sie messen und verstehen. Kennzahlen, die bisher zu aufwendig zu erheben waren, werden durch KI-Unterstützung erstmals praktikabel. Das ist eine echte Chance für Technische Redaktionen, die ihre Arbeit im Unternehmen sichtbar machen wollen.
Aber ist das, was technisch möglich ist, heute schon praxisreif oder wirtschaftlich sinnvoll? Die vollständig automatisierte Erfassung und Auswertung von Kennzahlen mittels KI ist für uns Stand heute eher Vision als Alltag. Und automatisiert heißt auch nicht automatisch valide: Eine automatisierte Bewertung muss auch tatsächlich verlässlich funktionieren, bevor Sie sich darauf verlassen.
Ein weiterer Punkt wird oft übersehen: Wie geht Ihre Redaktion damit um, wenn KI-gestützte Kennzahlen als Kontroll- oder Bewertungsinstrument der eigenen Arbeit eingesetzt werden? Wächst dadurch die Skepsis gegenüber KI im Team?
Was ist nun zu tun, wenn Sie mit der KI-gestützten Kennzahlenarbeit anfangen wollen? Der Einstieg muss dafür nicht groß sein. Oft reicht ein erster Schritt: eine unkritische Kennzahl, ein Tool, ein Pilotbereich. Und dann heißt es: erfassen und verstehen.
Mit welcher Kennzahl würden Sie anfangen? Schreiben Sie uns gerne, wir sind neugierig auf Ihre Antworten.
FAQ
Was ist der Unterschied zwischen der Erfassung und der Auswertung von Kennzahlen mit KI?
Die Erfassung liefert belastbare Rohdaten, während die Auswertung deren Bedeutung erschließt, Muster erkennt und Handlungsempfehlungen ableitet. Beide Schritte können durch KI unterstützt werden, erfordern aber unterschiedliche Werkzeuge und Voraussetzungen.
Wann ist der Einsatz von KI zur Kennzahlenerhebung sinnvoll?
KI ist besonders hilfreich, wenn große Textmengen auf Sprachqualität, Regelverstöße, stilistische Inkonsistenzen oder unklare Referenzen untersucht werden sollen. Für einfache Datenabgleiche oder Datenbankabfragen reicht häufig klassische Automatisierung aus.
Welche Voraussetzungen braucht Content für zuverlässige KI-gestützte Kennzahlen?
Modularisierter Content, aussagekräftige Metadaten und eine digitale Verfügbarkeit in Systemen wie CCMS oder Content-Delivery-Plattformen verbessern die Qualität und Reproduzierbarkeit der Ergebnisse. KI kann auch mit unstrukturierten Inhalten arbeiten, die Auswertung ist dann jedoch unsicherer.
Ist die vollständig automatisierte Erfassung und Auswertung von Kennzahlen bereits praxistauglich?
KI-gestützte Kennzahlen sind heute grundsätzlich nutzbar, sollten aber vorerst mit einer kritischen Prüfung und einem klar abgegrenzten Pilotbereich eingeführt werden. Automatisierte Ergebnisse sind nicht automatisch valide und sollten insbesondere dann sorgfältig bewertet werden, wenn sie zur Kontrolle oder Bewertung der Redaktion dienen.
