Redaktionelle Content-Pipeline mit KI-Anreicherung

Problem

Ein Verlag bezog redaktionelle Inhalte aus mehreren Nachrichtenagenturen und internen Systemen, jedes mit eigenem Schema und Metadatenformat. Diese Inhalte ins Web-CMS, ins Print-System und auf Social-Kanäle zu bringen, bedeutete manuelles Umformatieren und Asset-Erstellung. Zwei redaktionelle Vollzeitkräfte verbrachten ihre Tage mit Technik statt mit Journalismus.

Was wir gebaut haben

Eine Ingest-Pipeline, die Inhalte aus jeder Quelle in ein einziges Schema normalisiert, redaktionelle Filterregeln anwendet (nach Thema, Region und Rechten) und dann eine LLM-Verarbeitung ausführt, um Zusammenfassungen und Schlagzeilen für jeden Kanal zu erzeugen. Inhalte ohne Bildmaterial erhalten automatisch generierte Bilder. Das angereicherte Paket wird ohne manuelles Eingreifen an jedes Zielsystem verteilt.

flowchart LR
W1[Agentur 1] --> NORM[Schema<br>normalisieren]
W2[Agentur 2] --> NORM
INT[Internes CMS] --> NORM
NORM --> FILT[Filtern]
FILT --> LLM[LLM-Anreicherung<br>Zusammenfassungen + Schlagzeilen]
LLM --> IMG[Bild-<br>generierung]
IMG --> CMS[Web-CMS]
IMG --> PRINT[Print]
IMG --> SOC[Social]

Was wir verantworten

Wir überwachen jeden Agentur-Feed auf Verfügbarkeit und Schemaänderungen. Wenn ein vorgelagertes Format abweicht, bemerken wir es, bevor es das CMS erreicht. Außerdem betreiben wir Qualitäts-Guardrails für die LLM-Ausgabe, eine Dead Letter Queue für Inhalte, die die Validierung nicht bestehen, und eine tägliche Volumen-Anomalie-Erkennung, die Einbrüche markiert, bevor das Redaktionsteam sie bemerkt.

Geschäftsergebnis

Zwei Vollzeitkräfte kehrten zur redaktionellen Arbeit zurück. Inhalte erreichen alle Kanäle in Minuten statt Stunden. KI-generierte Assets werden vor der Veröffentlichung klar zur redaktionellen Prüfung markiert, sodass das Team die Kontrolle behält - ohne den manuellen Engpass.