DMEXCO 2026: Wann und wo findet die Messe statt?

Auch 2026 wird Köln im September wieder für zwei Tage zum Treffpunkt der Digital-, Marketing- und Tech-Branche. Die DMEXCO 2026 findet am Mittwoch, den 23. September, und Donnerstag, den 24. September 2026, in der Koelnmesse statt.

Am ersten Messetag sind die Hallen von 9:00 bis 18:30 Uhr geöffnet, am zweiten Tag von 9:00 bis 17:30 Uhr. Die DMEXCO verteilt sich auf die Hallen 6 bis 8 sowie das Congress Centre North. Inhaltlich reicht das Spektrum von Marketing und AdTech über Commerce und Medien bis zu künstlicher Intelligenz und neuen digitalen Geschäftsmodellen.

Wer einen Besuch plant, kann inzwischen auf die vollständige Conference Agenda zugreifen und die eigenen Programmpunkte vorab zusammenstellen. Angesichts der zahlreichen Bühnen, Sessions, Panels und Masterclasses lohnt sich diese Vorbereitung.

Scaling Intelligence: Das Motto der DMEXCO 2026

Künstliche Intelligenz war bereits in den vergangenen Jahren eines der bestimmenden Themen der Digitalbranche. 2026 verschiebt sich die Diskussion immer stärker in Richtung praktischer Anwendung. Unternehmen beschäftigen sich mit der Frage, wie sich KI dauerhaft in Marketingprozesse, Commerce, Werbung, Content-Produktion und Unternehmensstrukturen integrieren lässt.

Diesen Wandel greift die DMEXCO mit ihrem diesjährigen Motto Scaling Intelligence auf. Der Schwerpunkt liegt auf der Skalierung intelligenter Technologien und der Frage, wie aus einzelnen Anwendungen tragfähige Prozesse und Geschäftsmodelle entstehen. Für Marketing-Verantwortliche dürfte dabei besonders interessant sein, dass KI auf der DMEXCO in sehr unterschiedlichen Zusammenhängen auftaucht. Es geht beispielsweise um autonome Marketingprozesse, Personalisierung, Agentic Media Buying, AI Commerce und die Auswirkungen generativer KI auf kreative Arbeit.

Diese Speaker:innen erwarten Dich auf der DMEXCO 2026

Ein Blick auf das bisher veröffentlichte Line-up zeigt, dass die DMEXCO erneut viele bekannte Namen aus Marketing, Handel, Medien und Technologie nach Köln holt.

Zu den angekündigten Speaker:innen gehört David Sandström, CMO von Klarna. Seine Keynote trägt den Titel „Everyone’s Talking About AI. Let’s Talk About Brand.“ Kristin Fracchia, CMO von Gamma ist am 23. September gleich in zwei Sessions auf der Center Stage vertreten. In „Scaling Marketing in the Age of AI“ geht es um die Veränderungen, die KI für das Marketing mit sich bringt. Direkt danach diskutiert Fracchia gemeinsam mit Vanessa Stützle von der LUQOM Group und Jay Trestain von IBM Consulting unter dem Titel „When Intelligence Scales: Turning AI into Real Competitive Advantage“, wie Unternehmen aus KI einen dauerhaften Wettbewerbsvorteil entwickeln können.

Der Commerce Summit beginnt am Mittwochvormittag mit einem Blick auf den aktuellen Zustand des digitalen Handels. In der Session „State of Commerce 2026“ spricht Alexander Graf, Founder von Kassenzone, am 23. September auf der Commerce Stage. Direkt im Anschluss folgt das Panel „Trends in Commerce 2027“. Im aktuellen Programm sind unter anderem Nicole Buck von Meta und Florian Jacquier von Nestlé angekündigt.

Auch der Handel bekommt viel Raum. Douglas Lamont, CEO von Tony’s Chocolonely, spricht auf der Commerce Stage in der Session „Purpose, Planet, Profit“ darüber, wie sich unternehmerische Verantwortung und wirtschaftliche Ziele verbinden lassen. Der Vortrag ist für den 23. September von 11:50 bis 12:10 Uhr angesetzt.

Auch für B2B-Unternehmen bietet das Programm mehrere interessante Anknüpfungspunkte. Besonders kompakt fasst Dr. Kai Hudetz, CEO des IFH Köln, die Entwicklung des digitalen B2B-Handels zusammen. Seine Keynote trägt den Titel „Next Gen B2B Commerce: Was kommt. Was bleibt. Was gewinnt.“ Danach diskutieren Georg Mersmann von Soennecken, Raoul Fiedler von GVS und Dr. Kai Hudetz vom IFH Köln im Panel „The Return of Intelligence – Warum die Zukunft des B2B nicht mehr nur digital, sondern intelligent ist“ über den Einfluss von KI, Daten und Automatisierung auf das B2B-Geschäft. Im Zentrum steht die Frage, wie Unternehmen Daten, vorhandenes Wissen und Technologie besser miteinander verbinden können.

Mit Ulrich Klenke, Chief Brand Officer der Deutschen Telekom, ist ein weiterer prominenter Markenverantwortlicher angekündigt. Er soll ebenfalls mit einer Keynote auf der DMEXCO auftreten. Darüber hinaus gehören Tobias Seemann, Chief Digital Officer von adidas, und Dr. Boris Ewenstein, CEO von OTTO, zu den angekündigten Köpfen aus dem Commerce-Umfeld. Für beide ist insbesondere die Commerce Stage relevant, auf der es 2026 um neue Handelsmodelle, KI und die Zukunft digitaler Customer Journeys geht.

Das Panel „B2Besser: Erfindergeist trifft digitale Strahlkraft: Deutsche Industriemarken im Rampenlicht“ widmet sich einer Herausforderung, die viele Industrieunternehmen kennen: technologisch führende Produkte treffen auf eine vergleichsweise geringe digitale Sichtbarkeit. Vertreter des bvik und verschiedener Industrieunternehmen diskutieren, wie B2B-Marken ihre digitale Präsenz ausbauen und Marketing messbarer gestalten können. Mit dabei sind unter anderem Alexa Heinzelmann von igus, Dennis Güth von wob und Manuel Voigt von WIKA.

Einen spannenden Blick auf die nächste Entwicklungsstufe des digitalen Handels bietet das Panel „When AI Curates the Basket: The Future of Retail Visibility and Customer Choice“. Bei dem Panel sitzen Cathrin M. Daniel vom Handelsverband Deutschland, Till Göhre von MediaMarktSaturn, Antje König von Retail AI, Dr. Sabine Schmidt von der Otto Group und Jennifer Kaspar von PwC Deutschland. Das aktuelle Conference-Programm bestätigt diese Besetzung.

Die bisher veröffentlichten Vorträge zeigen bereits recht deutlich, wohin die Reise geht: KI wird weniger als isolierte Technologie betrachtet. Im Mittelpunkt stehen Auswirkungen auf Markenführung, Marketingorganisation, Commerce und konkrete Geschäftsmodelle. Da die Agenda bis zur Veranstaltung noch aktualisiert werden kann, dürften in den kommenden Wochen weitere endgültige Sessiontitel und Programmdetails hinzukommen.

Von Agentic Marketing bis Creator Economy: Diese Themen prägen die Messe

Das Speaker-Line-up gibt bereits einen guten Hinweis darauf, welche Fragen die Digitalbranche 2026 beschäftigen. KI zieht sich durch einen großen Teil des Programms, doch die Diskussion wird konkreter als noch vor einigen Jahren. Im AdTech-Bereich geht es unter anderem um Agentic Media Buying. KI-Systeme können bei solchen Ansätzen immer mehr Schritte innerhalb der Mediaplanung und Kampagnensteuerung übernehmen. Für Werbetreibende wirft das neue Fragen rund um Kontrolle, Datenqualität und Transparenz auf. Im MarTech-Umfeld stehen Hyperpersonalisierung und Autonomous Marketing auf dem Programm. Marketingplattformen entwickeln sich zunehmend von Analyse- und Ausspielwerkzeugen zu Systemen, die selbst Entscheidungen vorbereiten oder einzelne Prozesse automatisieren können.

Weitere Schwerpunkte sind Retail Media, Digital Out of Home, Connected TV, Influencer Marketing und die Veränderungen der Agenturlandschaft. Auch kreative Arbeit wird unter dem Einfluss generativer KI diskutiert. Themen wie AI Filmmaking zeigen, wie weit KI inzwischen in Bereiche vorgedrungen ist, die lange stark von manueller Produktion geprägt waren.

Zehn Summits bündeln zentrale Themen der DMEXCO 2026

Damit Besucher:innen innerhalb des umfangreichen Programms schneller relevante Sessions finden, setzt die DMEXCO 2026 auf zehn thematisch kuratierte Summits.

Dazu gehören unter anderem der Thought Leaders’ Summit und der CMO Summit auf der Center Stage. Hier stehen strategische Fragen rund um KI, Plattformen und Markenführung im Mittelpunkt.

Der AdTech Summit beschäftigt sich unter anderem mit Agentic Media Buying und Identity Solutions. Beim MarTech Summit geht es um Hyperpersonalisierung und autonome Marketingprozesse. Der Retail & Commerce Media Summit widmet sich KI im Handel und internationalen Praxisbeispielen.

Hinzu kommen der DOOH Summit, der Agencies Summit, der Creativity Summit, der Creators’ Summit und der Future TV Summit. Für Marketing-Verantwortliche ergibt sich damit ein breites Programm, das technische Entwicklungen mit konkreten Veränderungen in Kampagnenplanung, Content, Commerce und Medien verbindet.

Commerce bekommt auf der DMEXCO 2026 besonders viel Raum

Einer der auffälligsten Programmschwerpunkte ist in diesem Jahr der digitale Handel. Die World of Commerce soll Unternehmen, Plattformen und Technologieanbieter entlang der gesamten Commerce Journey zusammenbringen.

Nach Angaben der Veranstalter präsentieren dort mehr als 120 Aussteller ihre Lösungen. Dazu zählen Unternehmen aus Bereichen wie Marktplätze, Payment, Logistik, Fulfillment und Commerce-Technologie. Genannt werden beispielsweise Shopware, Awin, FactFinder, idealo und JTL.

Inhaltlich geht es unter anderem um Omnichannel, AI Commerce, Social Commerce, Discovery Commerce und datengetriebene Plattformmodelle. Der zweitägige Commerce Summit ergänzt den Ausstellungsbereich durch Vorträge und Diskussionen zu Plattformdynamiken, Agentic Commerce, Technologie-Stacks und verändertem Konsumverhalten.

Fazit: Die DMEXCO 2026 rückt KI in die Praxis

Viele Unternehmen haben erste Anwendungen getestet und stehen inzwischen vor komplexeren Fragen: Welche Prozesse lassen sich skalieren? Wo entsteht messbarer Nutzen? Welche Aufgaben können KI-Agenten übernehmen? Und wie verändern diese Entwicklungen Marketing, Commerce und kreative Arbeit?

Genau diese Fragen finden sich im Programm der DMEXCO 2026 wieder. Mit Speaker:innen aus Unternehmen wie Klarna, Bosch, Deutsche Telekom, OTTO, adidas, Douglas und Dr. Oetker sowie zahlreichen Sessions zu KI, Commerce, AdTech, MarTech und Creator Economy bietet die Messe einen guten Querschnitt durch die Themen, die Marketing- und Digital-Verantwortliche aktuell beschäftigen.

Der Beitrag DMEXCO 2026: Diese Speaker:innen und Highlights erwarten Dich in Köln erschien zuerst auf contentmanager.de.

Für Marketingteams, Content-Verantwortliche und Social-Media-Manager:innen lohnt sich deshalb ein genauer Blick auf die Regeln. Denn entscheidend ist unter anderem, welche Art von Content veröffentlicht wird, wie realistisch dieser wirkt und ob Menschen den Inhalt redaktionell geprüft haben.

Kennzeichnung von KI-Inhalten: Was gilt seit August 2026?

Artikel 50 des AI Act regelt Transparenzpflichten für verschiedene KI-Anwendungen. Die Vorgaben gelten seit dem 2. August 2026. Dazu gehören unter anderem Regeln für KI-Systeme, die direkt mit Menschen interagieren, Systeme zur Emotionserkennung und biometrischen Kategorisierung sowie generative KI und Deepfakes.

Für die Content-Praxis ist eine Unterscheidung besonders wichtig: Der AI Act stellt unterschiedliche Anforderungen an Anbieter und Betreiber von KI-Systemen.

Anbieter generativer KI-Systeme müssen technische Vorkehrungen treffen, damit künstlich erzeugte oder manipulierte Inhalte in maschinenlesbarer Form gekennzeichnet und als solche erkennbar sind. Das betrifft unter anderem Text, Bild, Audio und Video. Die technische Lösung muss laut Bundesnetzagentur wirksam, interoperabel, belastbar und zuverlässig sein. Ausnahmen gibt es beispielsweise bei bestimmten unterstützenden Standardbearbeitungen, wenn Eingaben oder deren Semantik nicht wesentlich verändert werden. Für Unternehmen, Agenturen oder andere Organisationen, die KI-Systeme einsetzen, gelten eigene Offenlegungspflichten. Im Marketing sind dabei vor allem Deepfakes und bestimmte KI-generierte Texte zu Angelegenheiten von öffentlichem Interesse relevant.

Welche KI-Inhalte müssen gekennzeichnet werden?

Eine sichtbare Kennzeichnungspflicht für Unternehmen greift vor allem bei Deepfakes. Der AI Act versteht darunter KI-generierte oder manipulierte Bild-, Audio- oder Videoinhalte, die bestehenden oder plausibel existierenden Personen, Objekten, Orten, Einrichtungen oder Ereignissen ähneln und fälschlicherweise authentisch oder wahr erscheinen können.

Für das Marketing kann das beispielsweise relevant werden, wenn eine reale Person mithilfe von KI so dargestellt wird, als hätte sie eine Aussage gemacht oder eine Handlung vorgenommen, die nie stattgefunden hat. Auch künstlich erzeugte Aufnahmen von realen Orten oder Ereignissen können unter diese Regel fallen, wenn das Publikum sie für echte Aufnahmen halten könnte.

Ein offensichtlich fantastisches Kampagnenmotiv ist anders zu bewerten. Zeigt ein KI-Bild beispielsweise einen Business-Lunch auf dem Mond oder ein Bürogebäude, das über einer Stadt schwebt, ist der künstliche Charakter für Betrachter:innen meist schnell erkennbar. Für die Einordnung als Deepfake ist gerade der mögliche falsche Eindruck von Authentizität relevant. Die Leitlinien der EU-Kommission liefern hierzu zahlreiche Beispiele und Auslegungshilfen. Das bedeutet für Unternehmen: Nicht jedes KI-generierte Bild braucht aufgrund des AI Act automatisch ein sichtbares KI-Label. Je realistischer ein künstlich erzeugter Inhalt erscheint und je eher Menschen ihn für eine authentische Darstellung halten könnten, desto genauer sollte die Kennzeichnungspflicht geprüft werden.

Müssen KI-generierte Texte gekennzeichnet werden?

Bei Texten sind die Vorgaben enger gefasst. Eine Offenlegungspflicht betrifft KI-generierte oder manipulierte Texte, die veröffentlicht werden, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren. Für klassische Unternehmenskommunikation bedeutet das: Die Nutzung eines KI-Tools zum Entwerfen eines Blogartikels, einer Produktbeschreibung oder eines Social-Media-Posts führt allein noch nicht zu einer Kennzeichnungspflicht nach Artikel 50.

Besonders wichtig ist außerdem die Ausnahme für redaktionell kontrollierte Inhalte. Die Kennzeichnungspflicht für Texte entfällt, wenn die KI-generierten Inhalte einer menschlichen Überprüfung oder redaktionellen Kontrolle unterzogen wurden und eine natürliche oder juristische Person die redaktionelle Verantwortung für die Veröffentlichung übernimmt.

Für professionelle Content-Teams ist das ein entscheidender Punkt. Ein KI-Entwurf kann damit Teil des redaktionellen Workflows sein. Redaktionelle Verantwortung bleibt jedoch wichtig. Inhalte sollten fachlich geprüft, Quellen kontrolliert und Aussagen gegebenenfalls überarbeitet werden. Wer Texte weitgehend automatisiert veröffentlicht, muss genauer hinsehen. Das kann etwa automatisierte News-Angebote, massenhaft generierte Informationsseiten oder KI-basierte Veröffentlichungen zu Politik, Gesundheit, Wirtschaft oder anderen gesellschaftlich relevanten Themen betreffen.

Was bedeutet die Regelung für ChatGPT und andere Text-KIs?

Ein typischer Arbeitsablauf könnte so aussehen: Eine Marketing-Managerin lässt sich von ChatGPT einen ersten Entwurf für einen Fachartikel erstellen. Anschließend prüft die Redaktion die Fakten, ergänzt eigene Erfahrungen, kontrolliert die Quellen, überarbeitet Formulierungen und gibt den Text final frei.

Allein der Einsatz von generativer KI macht diesen Beitrag nach Artikel 50 nicht kennzeichnungspflichtig. Bei Texten über Angelegenheiten von öffentlichem Interesse ist insbesondere die menschliche Überprüfung und redaktionelle Verantwortung relevant. Anders kann die Situation aussehen, wenn ein Unternehmen automatisiert KI-Texte über aktuelle politische, gesellschaftliche oder wirtschaftliche Entwicklungen generiert und ungeprüft veröffentlicht. Hier kann die Transparenzpflicht greifen. Für Unternehmen ist deshalb eine dokumentierte redaktionelle Freigabe sinnvoll. Sie hilft dabei, nachvollziehbar zu machen, dass veröffentlichte Inhalte einer echten menschlichen Kontrolle unterzogen wurden.

Quelle: Generiert mit KI

Was gilt für KI-Bilder im Marketing und in Social Media?

Generative Bild-KI wird inzwischen für Kampagnenvisuals, Blogbilder, Social-Media-Posts, Präsentationen und Werbemittel eingesetzt. Für diese Inhalte muss zwischen der technischen Kennzeichnung durch den Anbieter des KI-Systems und einer sichtbaren Offenlegung durch das veröffentlichende Unternehmen unterschieden werden.

Anbieter generativer KI-Systeme müssen die von ihren Systemen erzeugten oder manipulierten Inhalte grundsätzlich maschinenlesbar markieren. Die Vorgaben umfassen Audio, Bild, Video und Text. Für ein Unternehmen entsteht eine sichtbare Offenlegungspflicht insbesondere bei Deepfakes. Ein klassisches KI-generiertes Stockfoto für einen Blogbeitrag fällt deshalb nicht automatisch unter die gleiche Regel wie ein künstlich erzeugtes Video einer realen Vorstandsvorsitzenden, die scheinbar eine Aussage vor der Kamera trifft.

Für offensichtlich künstlerische, kreative, satirische oder fiktionale Werke sieht der AI Act angepasste Anforderungen vor. Die Offenlegung soll in einer Weise erfolgen, die die Darstellung oder Nutzung des Werks möglichst wenig beeinträchtigt. Marketingteams sollten deshalb bei realistisch wirkenden KI-Inhalten prüfen, ob Menschen das Gezeigte als authentische Aufnahme verstehen könnten. Diese Frage ist insbesondere bei Personen, realen Produkten, Orten und Ereignissen relevant.

Wie muss die Kennzeichnung von KI-Inhalten aussehen?

Wo eine Offenlegungspflicht besteht, muss die Information klar und für Menschen wahrnehmbar sein. Eine technische Markierung im Hintergrund ersetzt eine erforderliche sichtbare Offenlegung nicht. Die Vorgaben verlangen, dass betroffene Personen spätestens bei der ersten Interaktion beziehungsweise ersten Wahrnehmung des entsprechenden Inhalts informiert werden.

Die EU-Kommission hat ergänzend einen Code of Practice on Transparency of AI-generated Content entwickelt. Er soll bei der praktischen Umsetzung der Kennzeichnungs- und Offenlegungspflichten helfen. Die Teilnahme an diesem Verhaltenskodex ist freiwillig, die Anforderungen aus Artikel 50 bleiben verbindlich. Die Bundesnetzagentur verweist ebenfalls auf diesen Praxisrahmen. Der Code sieht unter anderem standardisierte Ansätze für die Kennzeichnung vor. Dazu gehört auch ein EU-Icon für entsprechende KI-Inhalte. Unternehmen können sich daran orientieren, um ihre Kennzeichnung konsistent und verständlich umzusetzen.

Kennzeichnung von KI-Inhalten gehört in den Content-Workflow

Für Content- und Marketingteams ergibt es wenig Sinn, die Prüfung erst unmittelbar vor der Veröffentlichung vorzunehmen. Besser ist ein fester Prozess. Bereits bei der Content-Produktion sollte feststehen, ob generative KI eingesetzt wurde und welche Rolle das Tool gespielt hat. Bei Texten sollte dokumentiert werden, wer die fachliche und redaktionelle Prüfung übernommen hat. Bei Bildern, Videos und Audioinhalten ist zu prüfen, wie realistisch das Ergebnis wirkt und ob reale Personen, Objekte, Orte oder Ereignisse künstlich dargestellt wurden.

Besonders sensible Inhalte sollten eine zusätzliche Prüfung erhalten. Das betrifft etwa synthetische Stimmen realer Personen, KI-Avatare, künstlich erzeugte Interviews, veränderte Videoaufnahmen oder fotorealistische Darstellungen realer Ereignisse.

Auch die jeweiligen Plattformregeln sollten berücksichtigt werden. Social-Media-Netzwerke, Videoportale und Werbeplattformen können eigene Anforderungen an KI-generierte Inhalte festlegen. Diese Vorgaben können über die Anforderungen des AI Act hinausgehen.

KI-Kennzeichnung und Urheberrecht getrennt betrachten

Die Kennzeichnung von KI-Inhalten beantwortet eine Transparenzfrage. Davon getrennt müssen Unternehmen weitere rechtliche Themen beachten. Dazu gehören beispielsweise Urheberrechte, Persönlichkeitsrechte, Markenrechte und Datenschutz. Ein ordnungsgemäß gekennzeichnetes KI-Bild kann trotzdem Rechte Dritter berühren. Umgekehrt bedeutet eine fehlende Kennzeichnungspflicht nicht automatisch, dass ein Inhalt ohne weitere Prüfung verwendet werden kann. Gerade bei realen Personen, bekannten Marken, geschützten Werken oder sensiblen personenbezogenen Daten ist deshalb eine zusätzliche Prüfung sinnvoll.

Quelle: Generiert mit KI

KI und Urheberrecht: Wem gehört KI-generierter Content?

Auch beim Urheberrecht wirft generative KI neue Fragen auf. Nach deutschem Urheberrecht können nur persönliche geistige Schöpfungen als Werke geschützt sein. Ein Inhalt, der vollständig von einer KI erzeugt wurde, ist nach Einschätzung des Deutschen Patent- und Markenamts daher grundsätzlich nicht urheberrechtlich geschützt. Anders kann die Situation aussehen, wenn ein Mensch die KI als Werkzeug einsetzt und das Ergebnis durch eigene kreative Entscheidungen wesentlich prägt. Ob dabei ein urheberrechtlich geschütztes Werk entsteht, hängt vom konkreten Einzelfall und vom menschlichen schöpferischen Beitrag ab. Für Unternehmen ist noch ein zweiter Punkt wichtig: Fehlender Urheberrechtsschutz am KI-Output bedeutet nicht, dass dieser bedenkenlos verwendet werden kann. Ein generiertes Bild, ein Text oder anderer Content kann bestehenden geschützten Werken ähneln oder fremde Rechte berühren. Deshalb sollten Marketing- und Content-Teams gerade bei kommerziell genutzten KI-Inhalten prüfen, ob erkennbare Bestandteile geschützter Werke, Marken oder Personen übernommen wurden. Das Urheberrecht spielt laut DPMA daher neben der Schutzfähigkeit des Outputs auch bei dessen Nutzung und beim Training von KI-Modellen eine Rolle.

Muss ich meine KI-generierten Inhalte kennzeichnen?

Vor der Veröffentlichung von KI-basierten Inhalten sollte man diese zunächst einmal einer Prüfung unterziehen: Sind die Inhalte und Informationen korrekt? Könnte das Material Urheberrecht verletzen? Werden reale oder realistisch wirkende Personen, Ereignisse oder auch Orte gezeigt? Können die ersten beiden Fragen zufriedenstellend beantwortet werden, darf man die Inhalte veröffentlichen. Darüber, ob man die Inhalte kennzeichnen muss, entscheidet aktuell aber vor allem die letztere Frage. Der EU Act und zahlreiche Plattformrichtlinien stellen eine Kennzeichnungspflicht für Content, der sich nicht eindeutig von realen Inhalten unterscheidet, um User:innen zu schützen. Solche KI-generierte Inhalte sollte man also in jedem Fall kennzeichnen. Im Rahmen der transparenten Kommunikation mit Kund:innen und Partnern ist die zuverlässige Kennzeichnung jedoch auch abseits davon sinnvoll:

„Vor allem gegenüber Geschäftspartnern sollte man als Unternehmen, beispielsweise als Kreativagentur, natürlich transparent sein und klar kommunizieren, wenn KI in den Erstellungsprozess involviert ist. Denn wenn diese Partner für die Leistung geschulter Mitarbeiter:innen bezahlen und dann erfahren, dass ihnen KI-generierte Inhalte zugespielt wurden, werden sie sich vor den Kopf gestoßen fühlen. Das kann das Vertrauensverhältnis von Kund:in und Dienstleister ganz erheblich erschüttern.“

Claudia Schlömer, Senior-Beraterin und Team-Lead der PR-Agentur Drunk Octopus Communications.

Was droht bei Verstößen gegen die Transparenzpflichten?

Der AI Act sieht bei Verstößen gegen bestimmte Verpflichtungen erhebliche Geldbußen vor. Für Verstöße gegen andere Pflichten der Verordnung als die besonders streng sanktionierten verbotenen KI-Praktiken können Bußgelder von bis zu 15 Millionen Euro oder bis zu drei Prozent des weltweiten Jahresumsatzes eines Unternehmens vorgesehen sein. Welche Sanktion im Einzelfall verhängt wird, hängt unter anderem von Art, Schwere und Dauer des Verstoßes ab.

In Deutschland regelt seit dem 29. Juli 2026 das KI-Marktüberwachungs- und-Innovationsförderungs-Gesetz, kurz KI-MIG, wichtige Fragen zur nationalen Umsetzung und Zuständigkeit. Das Gesetz benennt unter anderem Marktüberwachungsbehörden, eine zentrale Anlaufstelle und eine zentrale Beschwerdestelle. Die Bundesnetzagentur übernimmt dabei zentrale Aufgaben; für bestimmte Branchen und Anwendungsfälle können andere Behörden zuständig sein.

Fazit: Bei KI-Inhalten kommt es auf den konkreten Einsatz an

Die Kennzeichnung von KI-Inhalten ist seit August 2026 für Unternehmen eine konkrete Compliance-Aufgabe. Eine pauschale Pflicht zur sichtbaren Markierung jedes KI-generierten Textes oder Bildes gibt es im AI Act nicht. Entscheidend sind Inhalt, Kontext und Art des KI-Einsatzes. Besondere Aufmerksamkeit verdienen Deepfakes und KI-generierte Texte über Angelegenheiten von öffentlichem Interesse. Bei Texten spielt eine nachvollziehbare menschliche und redaktionelle Kontrolle eine zentrale Rolle. Anbieter generativer KI müssen zudem technische Lösungen für die maschinenlesbare Erkennung künstlich erzeugter Inhalte bereitstellen.

Für Unternehmen empfiehlt sich deshalb ein klarer KI-Content-Prozess: Einsatz dokumentieren, Inhalte fachlich prüfen, Verantwortlichkeiten festlegen und kennzeichnungspflichtige Inhalte transparent ausweisen. Auf diese Weise wird der Einsatz generativer KI im Marketing nachvollziehbarer und lässt sich besser mit den neuen gesetzlichen Anforderungen verbinden.

Stand: August 2026. Der Beitrag dient der allgemeinen Information und ersetzt keine rechtliche Prüfung des Einzelfalls.

Der Beitrag Kennzeichnung von KI-Inhalten: Pflicht oder Kür? erschien zuerst auf contentmanager.de.

Wer Social Media professionell betreibt, kennt das Problem: Ein Beitrag funktioniert hervorragend, der nächste erreicht trotz ähnlichem Thema nur einen Bruchteil der Nutzer:innen. Schnell fällt dann der Satz: „Der Algorithmus hat den Post wohl nicht gemocht.“ Was genau hinter der Entscheidung steckt, bleibt bei den meisten Plattformen weitgehend verborgen.

X geht derzeit einen anderen Weg. Am 13. August 2026 veröffentlichte die Plattform weitere Bestandteile des Codes hinter ihrem „For You“-Feed. Neben Modellkonfigurationen wurden Informationen zu Filtersystemen, Gewichtungen und dem zentralen Ranking-System zugänglich gemacht. X ergänzt die Offenlegung zudem durch das Transparenzwerkzeug „Under the Hood“, über das ausgewählte Nutzer:innen mehr über Labels erfahren können, die die Sichtbarkeit ihrer Accounts und Posts beeinflussen.

So funktioniert der X Algorithmus

Vereinfacht gesagt versucht X vorherzusagen, was Du mit einem bestimmten Post wahrscheinlich tun wirst. Das System Phoenix analysiert dafür unter anderem Deine bisherige Aktivität und bewertet mögliche Beiträge individuell. Dabei geht es um mehr als Likes. Der veröffentlichte Code nennt beispielsweise Replies, Reposts, Quotes, Shares per Direktnachricht, kopierte Links, Profilklicks, Linkklicks, Videoaufrufe, Verweildauer und neue Follows. Auch negative Aktionen fließen ein. Dazu zählen etwa „Nicht interessiert“, das Stummschalten oder Blockieren eines Accounts sowie Reports.

Aus diesen vorhergesagten Aktionen berechnet das System einen Score für jeden möglichen Beitrag. Posts mit höheren Scores haben bessere Chancen auf eine prominente Position im Feed.

An dieser Stelle entstand nach der Veröffentlichung allerdings schnell ein Missverständnis. Im Code lassen sich unterschiedliche Gewichtungen der Aktionen erkennen. Daraus wurde teilweise abgeleitet, eine negative Aktion könne rechnerisch eine bestimmte Anzahl Likes ausgleichen. X stellte am 14. August klar, dass diese Interpretation falsch ist. Die Gewichtungen werden auf die vorhergesagte Wahrscheinlichkeit einer Handlung angewendet und nicht auf die tatsächliche Zahl der Likes, Reports oder Shares eines Posts.

Deshalb geht es weniger um die Jagd nach einzelnen Zahlen. Wichtiger ist das dahinterstehende Prinzip: Der Feed soll Beiträge nach der Wahrscheinlichkeit sortieren, dass ein bestimmter Mensch mit ihnen interagiert oder sich intensiver damit beschäftigt.

Warum Reichweite mehr bedeutet als möglichst viele Likes

Die Offenlegung zeigt sehr schön, warum eine einzelne Engagement-Kennzahl kaum ausreicht, um die Performance eines Posts zu beurteilen.

Ein Beitrag kann beispielsweise vergleichsweise wenige Likes erhalten und trotzdem interessant für das Empfehlungssystem sein, wenn Menschen länger daran hängen bleiben, das Profil besuchen, den Beitrag per Direktnachricht verschicken oder anschließend dem Account folgen.

Auch die Auswahl der potenziellen Beiträge ist interessant. Der X Feed kombiniert Inhalte von Accounts, denen Nutzer:innen bereits folgen, mit Posts aus dem weiteren Netzwerk. Für diese Empfehlungen analysiert das System unter anderem Ähnlichkeiten zwischen Nutzer:innen, Posts und bisherigen Interaktionen. Bereits gesehene Beiträge, blockierte Accounts, bestimmte ausgefilterte Inhalte sowie Posts, die älter als 48 Stunden sind, können bereits vor der eigentlichen Bewertung herausfallen.

Der X Algorithmus berücksichtigt außerdem Vielfalt im Feed. Folgen mehrere Posts desselben Accounts aufeinander, wird deren Bewertung schrittweise reduziert. Auch Beiträge außerhalb des bestehenden Netzwerks können anders gewichtet werden. Das zeigt: Selbst ein sehr erfolgreicher Account bekommt nicht automatisch unbegrenzt Platz im Feed.

Der Blick auf LinkedIn zeigt eine ähnliche Richtung

Spannend wird die Offenlegung vor allem dann, wenn man sie mit den Entwicklungen anderer Plattformen vergleicht.

LinkedIn hat im März 2026 erklärt, den eigenen Feed verstärkt mit sogenannten Generative Recommenders und Large Language Models zu personalisieren. Die Systeme sollen besser verstehen, worum es in einem Beitrag tatsächlich geht und wie sich die beruflichen Interessen einzelner Nutzer:innen entwickeln. Dabei fließen beispielsweise Branche, Fähigkeiten, berufliche Erfahrung, Standort und bisheriges Nutzungsverhalten ein.

LinkedIn betont außerdem, generische Inhalte, Engagement Bait, automatisierte Kommentare und Engagement Pods stärker begrenzen zu wollen. Die Plattform formuliert ihr Ziel bemerkenswert deutlich: Der Feed soll relevanter für die jeweiligen Interessen werden und weniger wie ein Popularitätswettbewerb funktionieren.

Auch TikTok und Instagram setzen auf individuelle Relevanz

TikTok beschreibt seinen „For You“-Feed schon seit Jahren als stark personalisiertes Empfehlungssystem. Zu den Signalen gehören unter anderem Likes, Shares, Kommentare, gefolgte Accounts und Informationen zum Video. Auch die Betrachtungsdauer spielt eine Rolle. Wer ein Video vollständig ansieht, liefert dem System ein stärkeres Interessenssignal als jemand, der sofort weiterscrollt – klar.

Bei Instagram lässt sich ebenfalls beobachten, wie stark Empfehlungen an individuellen Interessen und der Qualität des Ausgangsmaterials ausgerichtet werden. Meta führte 2026 weitere Möglichkeiten ein, mit denen Nutzer:innen ihre Interessen für Empfehlungen aktiv beeinflussen können. Zudem meldete das Unternehmen Anfang des Jahres, dass in den USA im vierten Quartal 2025 bereits 75 Prozent der Instagram-Empfehlungen aus Original-Posts stammten.

Die Algorithmen der Plattformen funktionieren deshalb keineswegs identisch. Ihre konkreten Gewichtungen lassen sich auch nicht von X auf LinkedIn oder Instagram übertragen. Trotzdem wird eine gemeinsame Entwicklung sichtbar: Empfehlungssysteme versuchen immer genauer zu verstehen, welcher Inhalt zu welcher Person passt und welche Reaktion dieser Inhalt wahrscheinlich auslösen wird.

Was Unternehmen daraus für ihre Social-Media-Strategie lernen können

Statt ausschließlich zu fragen, wie sich mehr Likes erzeugen lassen, lohnt sich eine andere Perspektive. Warum sollte jemand bei diesem Beitrag stoppen? Warum sollte die Person weiterlesen, auf das Profil klicken, den Post teilen oder eine Antwort schreiben?

Ein Fachbeitrag kann beispielsweise durch eine klare These Diskussionen auslösen. Eine kompakte Anleitung wird eher gespeichert oder intern weitergeleitet. Eine gute Grafik verlängert möglicherweise die Betrachtungsdauer. Ein Beitrag mit konkretem Praxiswissen kann dazu führen, dass Nutzer:innen anschließend das Unternehmensprofil besuchen.

Auch künstliche Engagement-Tricks wirken vor diesem Hintergrund immer kurzsichtiger. Wenn Empfehlungssysteme mehr Kontext verstehen, Nutzerverhalten über längere Zeiträume auswerten und negative Signale berücksichtigen, wird es schwieriger, Reichweite mit simplen Mechaniken dauerhaft zu erzwingen.

Fazit: Der X Algorithmus liefert einen Blick auf die Zukunft der Feeds

Die aktuelle Offenlegung des X Algorithmus ist vor allem deshalb spannend, weil sie ein Empfehlungssystem ungewöhnlich detailliert sichtbar macht. Ein Blick auf die dahinterliegende Logik lohnt sich. Social-Media-Feeds entwickeln sich zu immer stärker personalisierten Empfehlungssystemen. Likes bleiben relevant, stehen aber neben vielen anderen Signalen. Verweildauer, Shares, Diskussionen, Profilbesuche, Follows und negative Reaktionen helfen Plattformen dabei einzuschätzen, ob ein Inhalt für eine bestimmte Person interessant ist.

Die wichtigste Frage für Social-Media-Verantwortliche lautet deshalb zunehmend: Ist dieser Beitrag wirklich relevant genug, damit jemand mehr damit macht als kurz auf den Like-Button zu tippen?

Der Beitrag X Algorithmus: Was im Feed gut rankt und was wir daraus über Social Media lernen erschien zuerst auf contentmanager.de.

Was sind strukturierte Daten?

Eine normale Website enthält für Menschen viele verständliche Informationen. Nehmen wir eine Produktseite: Dort stehen beispielsweise Produktname, Preis, Verfügbarkeit, Bewertungen und Hersteller. Der Browser zeigt diese Angaben an, doch ihre genaue Bedeutung ergibt sich zunächst aus dem Kontext. Strukturierte Daten versehen solche Informationen mit einer eindeutigen semantischen Zuordnung. Sie können einer Suchmaschine beispielsweise mitteilen: „Diese Zahl ist der Preis“, „dieser Text ist der Produktname“ oder „diese Person hat den Artikel geschrieben“.

Google beschreibt strukturierte Daten als standardisiertes Format, mit dem Informationen über eine Seite bereitgestellt und deren Inhalte klassifiziert werden können. Die Suchmaschine kann sie verwenden, um Inhalte besser zu verstehen und für bestimmte Rich Results aufzubereiten. Für Besucher:innen der Website sind diese Angaben in der Regel nicht direkt sichtbar. Sie befinden sich im Quellcode der Seite.

Schema.org und Schema Markup: Was steckt dahinter?

Wenn von strukturierten Daten gesprochen wird, fallen schnell Begriffe wie Schema Markup, Schema.org oder JSON-LD. Sie beschreiben unterschiedliche Teile desselben Konzepts.

Schema.org stellt ein gemeinsames Vokabular zur Verfügung, mit dem Inhalte beschrieben werden können. Das System arbeitet mit sogenannten Typen und Eigenschaften. Ein Typ kann beispielsweise Person, Organization, Product, Event oder Article sein. Eigenschaften liefern weitere Informationen zu diesem Typ. Das Vokabular ist inzwischen sehr umfangreich. Schema.org führt aktuell mehr als 800 unterschiedliche Typen und über 1.500 Eigenschaften auf. Für die meisten Unternehmenswebsites ist jedoch nur ein kleiner Teil davon relevant.

Das Schema Markup ist die konkrete Auszeichnung auf der Website. Für die technische Umsetzung gibt es verschiedene Formate. Google empfiehlt für strukturierte Daten nach Möglichkeit JSON-LD.

Warum sind strukturierte Daten für SEO interessant?

Der wichtigste Vorteil liegt darin, Inhalte für Suchmaschinen eindeutiger zu beschreiben. Eine sauber ausgezeichnete Produktseite enthält beispielsweise klare Informationen zu Produkt, Angebot, Preis und Bewertung. Bei einem Artikel können Titel, Autor, Veröffentlichungsdatum und Bild eindeutig gekennzeichnet werden.

Ein weiterer Vorteil betrifft die Darstellung in den Suchergebnissen. Google unterstützt strukturierte Daten für zahlreiche Suchfunktionen. Dazu zählen unter anderem Produkte, Veranstaltungen, Stellenangebote, Rezepte, Videos und verschiedene andere Inhaltstypen.

Aus einer klassischen Darstellung mit Titel, URL und Beschreibung kann dadurch je nach Suchanfrage eine umfangreichere Darstellung entstehen. Google bezeichnet solche Ergebnisse als Rich Results. Wichtig ist jedoch die richtige Erwartungshaltung: Das Einbauen von Schema Markup führt nicht automatisch zu einem Rich Result. Google entscheidet anhand verschiedener Systeme, welche Darstellung zu einer Suchanfrage passt. Auch technisch korrekt ausgezeichnete Inhalte haben daher keinen Anspruch auf eine erweiterte Darstellung.

Strukturierte Daten sollten deshalb als Teil einer sauberen technischen und inhaltlichen SEO-Strategie betrachtet werden.

Welche strukturierten Daten brauchen Unternehmen?

Welche Schema-Typen sinnvoll sind, hängt stark von den angebotenen Inhalten ab. Für die Unternehmenswebsite selbst kann beispielsweise Organization relevant sein. Damit lassen sich Informationen über ein Unternehmen eindeutig beschreiben. Lokale Unternehmen können je nach Anwendungsfall mit LocalBusiness arbeiten.

Für redaktionelle Angebote kommen Typen wie Article, NewsArticle oder BlogPosting infrage. Google unterstützt entsprechende strukturierte Daten für Artikel und nennt beispielsweise Angaben zu Autor, Überschrift, Bildern sowie Veröffentlichungs- und Änderungsdatum.

Online-Shops sollten sich vor allem mit Product und den dazugehörigen Angebotsinformationen beschäftigen. Strukturierte Produktdaten können Google Informationen wie Preis, Verfügbarkeit oder Bewertungen liefern und für umfangreichere Produktdarstellungen in der Suche genutzt werden.

Für andere Websites können Event, Person oder VideoObject relevant sein. Entscheidend ist, dass das verwendete Schema tatsächlich zum Inhalt der Seite passt. Mehr Markup ist daher nicht automatisch besser. Eine präzise Beschreibung der vorhandenen Inhalte ist sinnvoller, als möglichst viele Schema-Typen einzubauen.

JSON-LD: So können strukturierte Daten aussehen

JSON-LD wird häufig als eigener Codeblock im HTML-Dokument eingebunden. Für Besucher:innen verändert sich die sichtbare Seite dadurch nicht.

Ein vereinfachtes Beispiel für einen Blogartikel könnte so aussehen:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "BlogPosting",
  "headline": "Strukturierte Daten einfach erklärt",
  "datePublished": "2026-08-18",
  "dateModified": "2026-08-18",
  "author": {
    "@type": "Person",
    "name": "Max Mustermann"
  },
  "publisher": {
    "@type": "Organization",
    "name": "Beispiel GmbH"
  }
}
</script>

Der entscheidende Punkt steckt in den einzelnen Eigenschaften. headline beschreibt die Überschrift, datePublished das Veröffentlichungsdatum und author die Person, die den Beitrag verfasst hat. In realen Projekten können weitere Angaben sinnvoll sein. Welche Eigenschaften empfohlen oder erforderlich sind, hängt vom jeweiligen Suchfeature und Inhaltstyp ab.

Strukturierte Daten und KI-Suche: Wie groß ist der Einfluss?

Durch AI Overviews, AI Mode und andere KI-basierte Suchangebote ist rund um Schema Markup eine neue Diskussion entstanden. Die naheliegende Frage lautet: Brauchen Unternehmen jetzt spezielle strukturierte Daten für KI?

Für die Google Suche lautet die Antwort derzeit klar: Nein.

Google erklärt ausdrücklich, dass für AI Overviews und den AI Mode keine zusätzlichen technischen Anforderungen und kein spezielles Schema.org-Markup notwendig sind. Seiten müssen grundsätzlich indexierbar und für eine Darstellung in der Google Suche geeignet sein. Strukturierte Daten bleiben trotzdem relevant. Google zählt zu seinen Empfehlungen für KI-Funktionen, dass vorhandene strukturierte Daten mit den sichtbaren Inhalten einer Seite übereinstimmen sollten.

Das ist ein wichtiger Unterschied. Schema Markup ist kein geheimer Schalter, mit dem eine Website automatisch in KI-Antworten erscheint. Es kann Maschinen jedoch dabei unterstützen, Inhalte eindeutig zu beschreiben. Die Basis bleibt eine gut strukturierte, crawlbare Website mit hilfreichen und verständlichen Inhalten. Unternehmen sollten daher vorsichtig sein, wenn Tools oder Dienstleister spezielle „KI-Schemas“ als Voraussetzung für Sichtbarkeit in AI Overviews versprechen. Google verlangt derzeit kein solches Markup.

Häufige Fehler bei strukturierten Daten

Ein typischer Fehler entsteht, wenn Markup Informationen enthält, die auf der eigentlichen Seite gar nicht vorhanden sind. Google verlangt, dass ausgezeichnete Inhalte die Inhalte der Seite korrekt wiedergeben. Strukturierte Daten dürfen Nutzer:innen keine irreführenden oder falschen Angaben vermitteln.

Problematisch sind beispielsweise veraltete Preise, erfundene Bewertungen oder Angaben zu Produkten, die auf der jeweiligen Seite gar nicht behandelt werden.

Auch ein technisch valider Code kann inhaltlich falsch sein. Wenn beispielsweise eine Seite als Product ausgezeichnet wird, obwohl sie gar keine konkrete Produktseite darstellt, hilft die technische Fehlerfreiheit wenig. Ein weiterer häufiger Fehler sind veraltete Implementierungen. Websites entwickeln sich weiter, Templates werden geändert und Plugins ausgetauscht. Strukturierte Daten sollten deshalb regelmäßig kontrolliert werden.

Wie kannst Du strukturierte Daten testen?

Nach der Implementierung solltest Du prüfen, wie Google das Markup interpretiert.

Dafür bietet Google den Rich Results Test an. Das Tool zeigt, ob Google unterstützte strukturierte Daten auf einer Seite erkennt und ob Fehler oder Warnungen vorhanden sind. Google empfiehlt zudem, nach dem Ausrollen von strukturierten Daten die entsprechenden Berichte in der Search Console zu beobachten.

Für das grundlegende Schema.org-Markup kann zusätzlich der Schema Markup Validator hilfreich sein. Tests sollten jedoch kein einmaliger Schritt beim Relaunch sein. Gerade bei automatisiert erzeugten Produkt-, Artikel- oder Eventdaten können spätere Änderungen zu fehlerhaften Angaben führen.

Strukturierte Daten gehören in eine moderne SEO-Strategie

Strukturierte Daten sind kein direkter Weg zu besseren Rankings und keine Garantie für auffälligere Suchergebnisse. Sie geben Suchmaschinen jedoch zusätzliche Informationen über die Bedeutung von Inhalten und schaffen damit eine wichtige technische Grundlage für verschiedene Suchdarstellungen.

Für Unternehmen lohnt sich deshalb zunächst ein Blick auf die eigenen Seitentypen. Gibt es viele Produktseiten? Einen umfangreichen Blog? Veranstaltungen? Videos? Lokale Standorte? Daraus lässt sich ableiten, welche Schema-Typen überhaupt relevant sind.

Anschließend sollte das Markup sauber implementiert, getestet und regelmäßig überprüft werden. Gerade bei größeren Websites ist eine zentrale Umsetzung über Templates oder das Content-Management-System sinnvoller als die manuelle Pflege einzelner Seiten. Auch mit Blick auf die KI-Suche gilt: Spezielle Markups für AI Overviews sind derzeit nicht erforderlich. Saubere strukturierte Daten bleiben dennoch ein sinnvoller Bestandteil einer Website, deren Inhalte von Maschinen möglichst eindeutig verstanden werden sollen.

Der Beitrag Strukturierte Daten: So nutzt Du Schema Markup für SEO und KI-Suche erschien zuerst auf contentmanager.de.

Das ERP-System sorgt nicht nur für den operativen Ablauf von Prozessen wie Einkauf, Produktion oder Buchhaltung. Es ist zugleich die Schaltzentrale, in der Daten zusammenlaufen, verknüpft und gepflegt werden. Damit entscheidet die ERP-Datenqualität unmittelbar über den Erfolg von KI und Automatisierung.

Bevor das ERP-System zur Datenzentrale werden kann, muss man eine passende Software auswählen. Damit Dir das einfacher fällt, haben wir 76 ERP-Lösungen in 17 Kategorien anhand von 284 Kriterien gegenübergestellt. So kannst Du direkt einsehen, welcher Anbieter genau das bietet, was Du brauchst. Hier den Marktüberblick downloaden:

Was bedeutet Datenqualität im ERP-Kontext?

Viele Daten heißen noch lange nicht: gute Daten. Im ERP-Kontext geht es daher um vier zentrale Qualitätsmerkmale:

• Vollständigkeit: Sind alle relevanten Informationen vorhanden?

• Konsistenz: Stimmen Daten in verschiedenen Modulen und Systemen überein?

• Aktualität: Wie schnell werden Änderungen übernommen?

• Eindeutigkeit: Gibt es Duplikate, widersprüchliche Einträge oder Tippfehler?

Schlechte ERP-Daten entstehen meist schleichend. Durch manuelle Eingaben, unterschiedliche Systemversionen, unklare Zuständigkeiten oder fehlerhafte Schnittstellen. Das Ergebnis: Bestellnummern, die nicht stimmen, veraltete Kundenadressen, doppelte Materialstämme oder widersprüchliche Lagerbestände. Für das Tagesgeschäft sind solche Fehler ärgerlich; für KI-Systeme sind sie fatal. Denn Algorithmen ziehen aus diesen Daten Schlussfolgerungen. Sind sie unpräzise oder widersprüchlich, entstehen verzerrte Analysen und falsche Entscheidungen.

Das ERP als „Single Source of Truth“

Der Begriff „Single Source of Truth“ beschreibt ein Ziel, das viele Unternehmen aktuell verfolgen: eine zentrale, konsistente und vertrauenswürdige Datenbasis. Das ERP-System spielt dabei eine Schlüsselrolle. Als Kernsystem eines Unternehmens verbindet es alle wichtigen Funktionsbereiche – vom Einkauf über das Lager bis hin zur Finanzbuchhaltung. Wird das ERP konsequent gepflegt und mit anderen Tools (z. B. CRM, DMS, BI-Systemen) synchronisiert, kann es für viele Stamm- und Transaktionsdaten als führendes System dienen. Über klar definierte Schnittstellen und Datenverantwortlichkeiten werden diese Informationen weiteren Anwendungen, Analyseplattformen und KI-Systemen konsistent zur Verfügung gestellt

Moderne Cloud-ERP-Lösungen unterstützen dieses Prinzip aktiv. Über standardisierte APIs lassen sich Daten automatisiert austauschen, was Medienbrüche reduziert und Datenkonsistenz stärkt. So wird das ERP zur Datenzentrale für intelligente Prozesse: die Basis für Echtzeitentscheidungen, präzise Analysen und automatisierte Workflows.

Datenqualität als Erfolgsfaktor für KI und Automatisierung

Künstliche Intelligenz ist nur so smart wie die Daten, die sie füttern. Im Kontext von ERP-Systemen bedeutet das: Je sauberer, strukturierter und aktueller die Daten, desto besser können KI-Modelle arbeiten. Ein Beispiel: In der Produktion können KI-Systeme mithilfe von ERP-Daten voraussagen, wann eine Maschine gewartet werden sollte (Predictive Maintenance). Voraussetzung ist, dass Sensordaten aus Maschinen und IoT-Systemen zuverlässig mit Anlagen-, Auftrags- und Wartungsdaten aus ERP- oder EAM-Systemen verknüpft werden können.

Oder im Finanzwesen: Automatisierte Buchungsvorschläge und KI-basierte Liquiditätsprognosen funktionieren nur, wenn die zugrunde liegenden Transaktionsdaten verlässlich sind.
Sind die Daten hingegen lückenhaft, entstehen fehlerhafte Prognosen, falsche Bestandsbewertungen oder ineffiziente Automatisierungen.

Kurz gesagt: Ohne Datenqualität keine KI-Qualität.

Strategien zur Sicherung der ERP-Datenqualität

Wer seine ERP-Daten aktiv managen will, braucht klare Strukturen und Prozesse. Fünf zentrale Maßnahmen haben sich in der Praxis bewährt:

1. Data Governance etablieren: Lege unternehmensweite Regeln für Datenerfassung, -pflege und -nutzung fest.

2. Verantwortlichkeiten klären: Definiere Rollen wie Data Owner oder Data Steward, die für bestimmte Datenbereiche zuständig sind.

3. Automatische Prüfungen einführen: Nutze Tools zur Dublettenprüfung, Plausibilitätskontrolle und Stammdatenvalidierung.

4. Regelmäßige Daten-Cleansing-Prozesse: Plane feste Zyklen zur Bereinigung und Aktualisierung der Stammdaten.

5. KI zur Datenbereinigung einsetzen: Immer mehr Anbieter integrieren KI, die inkonsistente Daten erkennt und Vorschläge zur Korrektur liefert.

Langfristig entsteht so eine datengetriebene Unternehmenskultur, in der Qualität kein Zufallsprodukt ist, sondern Teil der DNA. Datenqualität gewinnt auch regulatorisch an Bedeutung: Mit der zunehmenden Regulierung von KI rücken nachvollziehbare Datenquellen, klare Verantwortlichkeiten und dokumentierte Datenprozesse stärker in den Fokus. Gerade Unternehmen, die KI tief in Geschäftsprozesse integrieren, sollten daher nachvollziehen können, welche Daten verwendet werden, woher sie stammen und wer für ihre Qualität verantwortlich ist.

Fazit: Saubere Daten sind kein IT-Thema, sondern eine Wachstumsstrategie

Viele Unternehmen betrachten Datenqualität noch als technisches Detail. Doch in Wahrheit ist sie ein entscheidender Wettbewerbsfaktor. Nur wer seine ERP-Daten konsequent pflegt und auf Konsistenz achtet, schafft die Grundlage für Automatisierung, KI und datenbasierte Geschäftsmodelle. Ein modernes ERP-System ist dabei weit mehr als eine Verwaltungssoftware – es ist der Motor der digitalen Wertschöpfung. Wer hier in Qualität investiert, sichert sich langfristig Effizienz, bessere Entscheidungen und echte Innovationsfähigkeit.

Downloade noch heute unseren Marktüberblick und schaffe durch ein passendes ERP System eine gebündelte Datenzentrale.

Der Beitrag ERP-Systeme als Datenzentrale für KI und Automatisierung erschien zuerst auf contentmanager.de.

Hier den Marketing-Zukunftscheck mit 30 Fragen an Dein Marketing-Setup herunterladen!

Was zukunftsfähiges Marketing wirklich ausmacht

Ein zukunftsfähiges Marketing muss keine Entwicklung vorhersagen können. Es braucht Strukturen, mit denen Dein Unternehmen neue Technologien, veränderte Informationsgewohnheiten und zusätzliche Kanäle kontrolliert aufnehmen kann. Dazu gehören eine nachvollziehbare Strategie, eine verlässliche Datenbasis, miteinander verbundene Systeme und klar geregelte Prozesse. Ebenso wichtig sind Mitarbeiter:innen, die neue Möglichkeiten bewerten und für die eigenen Ziele nutzbar machen können.

Die entscheidende Frage lautet daher: Kann Dein Marketing auf Veränderungen reagieren, ohne dass jede neue Plattform, jedes Tool und jede technische Schnittstelle ein eigenes Großprojekt auslöst?

Viele Unternehmen investieren bereits stark in KI. Laut dem „State of Marketing Report 2026“ nutzen 79 Prozent der befragten deutschen Marketingteams KI. Trotzdem geben 76 Prozent an, überwiegend generische Kampagnen umzusetzen. Das zeigt: Der Einsatz neuer Technologien allein sagt wenig über den Reifegrad des Marketings aus.

1. Gibt es eine Marketingstrategie mit klaren Prioritäten?

Der erste Blick sollte der Strategie gelten. In vielen Unternehmen existieren zahlreiche Einzelmaßnahmen, die über Monate oder Jahre hinzugekommen sind. Newsletter, Suchmaschinenwerbung, Fachbeiträge, Events und Social Media laufen nebeneinander. Häufig bleibt unklar, welchen Beitrag die einzelnen Aktivitäten zu den Unternehmenszielen leisten.

Eine belastbare Marketingstrategie beantwortet, welche Zielgruppen erreicht werden sollen, welche Probleme dieser Zielgruppen im Mittelpunkt stehen und welche Rolle die einzelnen Kanäle übernehmen. Sie legt außerdem fest, welche Themen und Angebote für das Unternehmen besonders wichtig sind.

Prüfe, ob Deine Strategie dokumentiert und den beteiligten Teams bekannt ist. Marketing, Vertrieb, Kundenservice und Geschäftsführung sollten ein gemeinsames Verständnis von Zielgruppen und Prioritäten haben. Andernfalls entstehen parallele Kampagnen, widersprüchliche Botschaften und unnötige Übergaben. Zur Zukunftsfähigkeit gehört außerdem der Mut zur Auswahl. Nicht jede Plattform und jedes neue Format passt zu den eigenen Zielen. Ein klarer Fokus entlastet das Team und schafft Raum, relevante Kanäle professionell zu betreuen.

2. Arbeiten Deine Marketing-Systeme miteinander?

Im Laufe der Zeit wächst der Marketing-Technologiestapel vieler Unternehmen. Ein CRM verwaltet Kontakte, das CMS spielt Website-Inhalte aus, ein Newsletter-Tool versendet E-Mails und mehrere Plattformen liefern Analysedaten. Hinzu kommen Lösungen für Marketing-Automatisierung, Social-Media-Management, Digital Asset Management oder Produktinformationen.

Problematisch wird diese Vielfalt, wenn Daten manuell übertragen werden müssen oder in einzelnen Systemen eingeschlossen bleiben. Dann fehlen vollständige Kundenprofile, Reportings widersprechen sich und Mitarbeiter:innen verbringen viel Zeit mit wiederkehrenden Übertragungen. Ein zukunftsfähiges Marketing-Setup benötigt keine möglichst große Anzahl an Tools. Entscheidend ist, dass jedes System eine klar definierte Aufgabe erfüllt und relevante Informationen über geeignete Schnittstellen weitergibt.

Frage Dich daher: Wo werden Kontaktdaten, Einwilligungen und Interaktionen gespeichert? Gibt es doppelte Datensätze? Welche Systeme gelten als führende Quelle? Wer ist für Datenqualität und Schnittstellen verantwortlich? Eine starke First-Party-Datenbasis verbessert die Möglichkeit, geschäftlich relevante Kennzahlen wie Umsatz oder Profitabilität mit Marketingaktivitäten zu verbinden. Voraussetzung dafür sind eine definierte Datenstrategie und ein Messkonzept, das zu den Unternehmenszielen passt.

3. Werden KI und Automatisierung gezielt eingesetzt?

KI ist inzwischen in vielen Marketinganwendungen integriert. Sie unterstützt bei Recherchen, Textentwürfen, Bildideen, Segmentierungen, Datenanalysen und Kampagnenvarianten. Automatisierungen können Leads weiterleiten, E-Mail-Strecken auslösen, Social-Media-Beiträge planen oder wiederkehrende Reportings erstellen.

HubSpot zufolge nutzen 80 Prozent der für den „State of Marketing Report 2026“ befragten Marketeers KI für die Content-Erstellung. 75 Prozent setzen sie bei der Medienproduktion ein. Der Report weist zugleich darauf hin, dass stark automatisierte Inhalte ohne klare Qualitätssicherung austauschbar wirken können.

Für Dein Unternehmen zählt daher weniger, wie viele KI-Anwendungen bereits genutzt werden. Wichtiger sind konkrete Anwendungsfälle und messbare Verbesserungen. Prüfe, welche Aufgaben besonders viel Zeit beanspruchen, regelmäßig wiederkehren und nach klaren Regeln ablaufen. Dort liegt häufig das größte Potenzial für Automatisierung. Jeder automatisierte Prozess braucht eine verantwortliche Person. Es sollte festgelegt sein, welche Eingaben verwendet werden dürfen, wie Ergebnisse geprüft werden und an welcher Stelle eine menschliche Freigabe erforderlich ist. Besonders bei veröffentlichten Inhalten bleiben fachliche Prüfung, Markenstimme und Quellenkontrolle unverzichtbar.

KI im Content Management sinnvoll skalieren

Mehr KI-Content bedeutet nicht automatisch mehr Effizienz. Entscheidend ist, wie Unternehmen generative KI kontrolliert skalieren, Qualität sichern und den tatsächlichen ROI messbar machen. Das Webinar „The ROI of Controlled AI“ von OMT & contentmanager.de am 01. September 2026 zeigt, warum Governance dabei zum Produktivitätsfaktor wird.

4. Reicht Deine Datenbasis für echte Personalisierung?

Personalisierung beginnt bei der persönlichen Anrede im Newsletter, sollte dort jedoch nicht enden. Relevante Kommunikation berücksichtigt beispielsweise Branche, Unternehmensgröße, Interessen, vorherige Kontakte und die aktuelle Phase der Customer Journey.

Die größte Hürde liegt häufig in den Daten. Vor allem unzureichende Datenqualität und voneinander getrennte Systeme sorgen für Schwierigkeiten in der Personalisierung.

Bevor Dein Unternehmen zahlreiche individuelle Varianten erstellt, sollte es mit wenigen sinnvollen Segmenten beginnen. Ein Softwareanbieter könnte seine Inhalte etwa nach Branche, Anwendungsfall oder Reifegrad der Interessent:innen strukturieren. Ein Beratungsunternehmen kann zwischen neuen Kontakten, aktiven Projekten und Bestandskund:innen unterscheiden. Entscheidend ist der erkennbare Mehrwert für die angesprochene Person. Personalisierung sollte Orientierung geben und passende Informationen schneller zugänglich machen. Eine Ansprache, die zu viele persönliche Daten erkennen lässt, kann dagegen Misstrauen auslösen.

5. Ist Deine Content-Strategie auf neue Suchwege vorbereitet?

Die Website bleibt ein zentraler Bestandteil des digitalen Marketings. Der Weg zu ihren Inhalten verändert sich jedoch. Nutzer:innen informieren sich über klassische Suchmaschinen, KI-Antwortsysteme, soziale Netzwerke, Newsletter, Videos und Fachportale. Zukunftsfähiges Marketing verteilt Inhalte daher nicht nach einem starren Schema. Es entwickelt ein starkes Kernthema und übersetzt dieses anschließend in geeignete Formate. Aus einem ausführlichen Fachbeitrag können beispielsweise ein Newsletter-Teaser, mehrere Social-Media-Beiträge, ein kurzes Video oder ein Webinar entstehen.

Dabei gewinnt die inhaltliche Substanz an Bedeutung. Eigene Erfahrungen, nachvollziehbare Quellen, konkrete Beispiele und eine erkennbare fachliche Haltung helfen dabei, sich von generischen Inhalten abzuheben. Prüfe außerdem, wie abhängig Deine Reichweite von einzelnen Plattformen ist. Eigene Kanäle wie Website und Newsletter geben Dir mehr Kontrolle über Inhalte, Kontaktdaten und Ausspielung. Plattformen können diese Kanäle sinnvoll ergänzen und neue Zielgruppen erschließen.

6. Hat Social Media eine klare Aufgabe im Marketing-Setup?

Ein Redaktionsplan ist noch keine Social-Media-Strategie. Eine tragfähige Strategie definiert, wen das Unternehmen erreichen möchte, welche Themen relevant sind und welche geschäftliche Funktion jeder Kanal erfüllt.

Social Media kann Markenbekanntheit aufbauen, Fachwissen sichtbar machen, Bewerber:innen ansprechen, Kundenfragen beantworten und Gespräche innerhalb einer Branche beobachten. Für B2B-Unternehmen kann außerdem die Positionierung von Führungskräften und Fachexpert:innen eine wichtige Rolle spielen.

Die Plattformen entwickeln sich außerdem zunehmend zu Such- und Informationsräumen. Vor allem bei  jüngeren Nutzer:innen liegen soziale Netzwerke als Suchweg näher an klassischen Suchmaschinen als bei älteren Generationen. Dein Unternehmen sollte daher prüfen, ob Social-Media-Inhalte auch ohne vorherigen Markenkontakt verständlich sind. Werden häufige Fragen beantwortet? Ist die fachliche Positionierung erkennbar? Gibt es einen geregelten Umgang mit Kommentaren, Kritik und Krisen?

7. Besitzt Dein Team die erforderlichen Kompetenzen?

Neue Tools lösen organisatorische Probleme nur selten. Häufig fehlen klare Rollen, Zeit für Weiterbildung oder ein gemeinsames Verständnis der Prozesse.

Ein zukunftsfähiges Marketingteam muss technologische Entwicklungen einordnen können. Es braucht Kompetenzen in Strategie, Content, Datenanalyse, Automatisierung, Kanälen und Qualitätssicherung. Nicht jede Person muss alle Bereiche vollständig beherrschen. Entscheidend ist, dass Verantwortlichkeiten geklärt sind und das benötigte Wissen im Unternehmen verfügbar bleibt. Prüfe auch die Zusammenarbeit mit Agenturen und Dienstleistern. Externe Unterstützung kann fehlende Kapazitäten oder Spezialwissen ergänzen. Strategie, Datenzugang und zentrale Prozesskenntnisse sollten dennoch fest im Unternehmen verankert sein. Weiterbildung darf sich nicht auf einzelne Tool-Schulungen beschränken. Mitarbeiter:innen müssen verstehen, welche Aufgaben eine Anwendung übernimmt, welche Grenzen bestehen und wie Ergebnisse bewertet werden.

8. Misst Dein Unternehmen Wirkung oder nur Aktivität?

Viele Marketingberichte zeigen Klicks, Impressionen, Follower und Öffnungsraten. Diese Kennzahlen helfen bei der operativen Steuerung. Für strategische Entscheidungen reichen sie häufig nicht aus. Ein belastbares Messkonzept verbindet Marketingaktivitäten mit konkreten Zielen. Dazu können qualifizierte Leads, Verkaufschancen, Kundenbindung, Wiederkäufe, Umsatzbeiträge oder eingesparte Arbeitszeit gehören.

Jeder Kanal braucht Kennzahlen, die zu seiner Aufgabe passen. Ein Fachbeitrag kann Sichtbarkeit und Vertrauen aufbauen, während eine automatisierte E-Mail-Strecke Leads weiterqualifiziert. Werden beide Maßnahmen ausschließlich nach direkten Abschlüssen bewertet, entsteht ein verzerrtes Bild. Frage außerdem, ob Auswertungen tatsächlich zu Entscheidungen führen. Ein monatliches Dashboard hat wenig Wert, wenn daraus keine Anpassungen abgeleitet werden. Gute Reportings zeigen Abweichungen, erklären mögliche Ursachen und nennen die nächsten Schritte.

9. Sind Datenschutz, Transparenz und Freigaben geregelt?

Mit der Nutzung von KI, Automatisierung und Kundendaten steigen die Anforderungen an interne Regeln. Unternehmen sollten dokumentieren, welche Anwendungen zugelassen sind, welche Daten verarbeitet werden dürfen und wer Veröffentlichungen freigibt.

Seit dem 2. August 2026 gelten weitere Transparenzpflichten des europäischen AI Acts. Die Europäische Kommission hat dazu Leitlinien für Anbieter und Betreiber bestimmter KI-Systeme veröffentlicht. Für Marketingteams ist dies ein zusätzlicher Anlass, KI-Prozesse, Zuständigkeiten und die Kennzeichnung relevanter Inhalte zu überprüfen. Eine interne KI-Richtlinie sollte im Arbeitsalltag verständlich bleiben. Lange Dokumente helfen wenig, wenn Mitarbeiter:innen darin keine klare Antwort für typische Situationen finden. Praktischer sind konkrete Beispiele, freigegebene Tools, definierte Prüfschritte und gut erreichbare Ansprechpartner.

Zukunftsfähiges Marketing beginnt mit einem ehrlichen Blick auf den aktuellen Stand

Zukunftsfähiges Marketing entsteht durch das Zusammenspiel von Strategie, Daten, Technologien, Kompetenzen und klaren Verantwortlichkeiten. Einzelne neue Tools können Abläufe verbessern. Ihre Wirkung entfalten sie erst, wenn sie in ein durchdachtes Marketing-Setup eingebunden sind.

Unternehmen sollten daher regelmäßig prüfen, welche Prozesse funktionieren, wo manuelle Umwege entstehen und welche Kanäle tatsächlich zu den eigenen Zielen beitragen. Der Fragebogen kann bei der Einschätzung helfen und anschließend genutzt werden, um Prioritäten festzulegen und aus offenen Fragen konkrete Maßnahmen zu entwickeln.

Der Beitrag Ist Dein Marketing-Setup zukunftsfähig? Der Check für Unternehmen erschien zuerst auf contentmanager.de.

Warum KI in der Softwareentwicklung an Bedeutung gewinnt

Softwareprojekte werden komplexer. Anwendungen bestehen aus zahlreichen Komponenten, Bibliotheken, APIs und Cloud-Diensten. Gleichzeitig erwarten Unternehmen kürzere Entwicklungszyklen und regelmäßige neue Funktionen. KI kann Teams dabei unterstützen, einen Teil der wiederkehrenden Entwicklungsarbeit schneller zu erledigen. Dazu zählen beispielsweise die Analyse von Fehlermeldungen oder die Generierung von Tests. Der entscheidende Entwicklungsschritt liegt allerdings darin, dass moderne Systeme nicht mehr nur einzelne Codezeilen ergänzen. Coding Agents kombinieren Sprachmodelle mit Werkzeugen und können dadurch mehrere Arbeitsschritte hintereinander ausführen.

Code generieren und bestehende Funktionen erweitern

Der bekannteste Anwendungsfall bleibt die Codegenerierung. Entwickler:innen beschreiben eine gewünschte Funktion in natürlicher Sprache oder beginnen mit wenigen Zeilen Code. Die KI schlägt anschließend passende Ergänzungen vor.

Das funktioniert gut bei standardisierten Aufgaben. Dazu gehören beispielsweise Datenbankabfragen, API-Aufrufe, Formularvalidierungen oder wiederkehrende Komponenten innerhalb einer Anwendung. KI kann auch bestehende Funktionen erweitern. Ein:e Entwickler:in kann beispielsweise verlangen, eine vorhandene Schnittstelle um eine Fehlerbehandlung zu ergänzen oder eine Funktion für einen weiteren Datentyp anzupassen.

Der Zeitgewinn kann erheblich sein. Dennoch sollte generierter Code nicht ungeprüft übernommen werden. Sprachmodelle erzeugen Ergebnisse auf Basis erlernter Muster. Sie verstehen weder Geschäftsziele noch technische Rahmenbedingungen automatisch vollständig. Entwickler:innen müssen beurteilen, ob der vorgeschlagene Code wirklich zur Architektur, zu den Anforderungen und zu den Qualitätsstandards des Projekts passt.

Debugging: Fehler mit KI schneller finden

Fehlersuche gehört zu den zeitintensivsten Aufgaben in der Softwareentwicklung. KI kann dabei helfen, Fehlermeldungen, Logs und relevanten Code gemeinsam zu analysieren. Statt einzelne Fehlermeldungen manuell zu recherchieren, können Entwickler:innen einer KI beispielsweise einen Stacktrace übergeben und nach möglichen Ursachen fragen. Moderne Coding-Tools berücksichtigen dabei zunehmend den Kontext des gesamten Projekts. Die KI kann anschließend erklären, welche Funktion wahrscheinlich für den Fehler verantwortlich ist und welche Änderungen helfen könnten. Hilfreich ist das bei unbekannten Codebasen. Entwickler:innen müssen sich dann nicht jede Abhängigkeit selbst erschließen. Die KI kann Strukturen erklären und mögliche Zusammenhänge hervorheben.

Auch hier gilt: Ein plausibel formulierter Lösungsvorschlag ist noch keine funktionierende Lösung. Fehler können mehrere Ursachen haben oder nur unter bestimmten Bedingungen auftreten. Änderungen sollten deshalb weiterhin getestet und überprüft werden.

Legacy-Code verstehen und modernisieren

Viele Unternehmen arbeiten mit Anwendungen, die über Jahre oder Jahrzehnte gewachsen sind. Dokumentationen fehlen, ehemalige Entwickler:innen sind nicht mehr im Unternehmen und einzelne Komponenten sind nur schwer nachvollziehbar.

Genau hier kann KI besonders hilfreich sein. Sie kann alten Code analysieren und erklären, welche Aufgaben einzelne Funktionen erfüllen. Auch Abhängigkeiten zwischen Modulen lassen sich schneller nachvollziehen. Bei Modernisierungsprojekten können KI-Systeme zudem Vorschläge für Refactorings erstellen oder Code in eine modernere Programmiersprache übertragen.

Die eigentliche Modernisierungsstrategie sollte trotzdem nicht allein aus KI-Vorschlägen entstehen. Gerade in gewachsenen Systemen existieren häufig versteckte Abhängigkeiten, die erst während des Betriebs sichtbar werden.

Coding Agents: Wenn KI selbst Aufgaben übernimmt

Der größte Entwicklungssprung findet derzeit bei Coding Agents statt. Während klassische Coding-Assistenten hauptsächlich auf Eingaben reagieren, können Agents mehrstufige Aufgaben selbstständig bearbeiten. Sie analysieren eine Aufgabenbeschreibung, durchsuchen das Repository, ändern Dateien, führen Tests aus und passen ihren Lösungsweg anhand der Ergebnisse an. KI-Agenten werden zunehmend zu einem eigenen Akteur innerhalb des Entwicklungsprozesses.

Vibe Coding: Softwareentwicklung per natürlicher Sprache?

Eng verbunden mit generativer KI ist der Begriff Vibe Coding. Dabei beschreiben Nutzer:innen vor allem das gewünschte Ergebnis und lassen große Teile der eigentlichen Implementierung von KI erzeugen.

Die Interaktion ähnelt dann weniger klassischem Programmieren. Statt jede Funktion selbst zu entwickeln, formuliert die Person Anforderungen wie: „Erstelle mir eine Web-App, mit der Kund:innen Termine buchen können.“ Die KI erzeugt daraufhin Code. Anschließend folgen weitere Anweisungen, Fehlerbeschreibungen und Änderungswünsche. Für Prototypen kann dieses Vorgehen sehr effizient sein. Auch Mitarbeiter:innen ohne tiefe Programmierkenntnisse können damit einfache Anwendungen erstellen und Ideen testen.

Skalierbarkeit, Security, Wartbarkeit und Datenschutz lassen sich nicht allein über das sichtbare Ergebnis einer Anwendung beurteilen. Das zentrale Problem entsteht dann, wenn niemand im Team den erzeugten Code wirklich versteht. Fehler werden schwerer erkennbar und technische Schulden können sich unbemerkt ansammeln.

Macht KI Entwickler:innen wirklich produktiver?

Die Produktivitätsfrage ist schwieriger zu beantworten, als es auf den ersten Blick scheint. KI kann eindeutig Zeit bei einzelnen Aufgaben sparen. Codevorschläge erscheinen innerhalb von Sekunden und Fehlermeldungen lassen sich schneller analysieren. So verlagert sich die Arbeit stärker in Richtung Kontrolle, Bewertung und Korrektur von KI-Ergebnissen. Forschende bezeichnen diese Tätigkeit als „supervisory engineering work“.

Neue Sicherheitsrisiken durch KI-generierten Code

Mehr automatisch erzeugter Code bedeutet auch mehr Code, der überprüft werden muss. KI-Systeme können unsichere Funktionen vorschlagen, ungeeignete Bibliotheken verwenden oder Sicherheitsmechanismen unvollständig implementieren. Besonders problematisch wird das, wenn Entwickler:innen Vorschläge übernehmen, ohne sie vollständig zu verstehen.

Hinzu kommt die Frage, welche Informationen an ein KI-System übermittelt werden. Quellcode kann Geschäftslogik, interne Schnittstellen, Zugangsdaten oder andere sensible Informationen enthalten.

Unternehmen sollten deshalb genau definieren, welche KI-Dienste verwendet werden dürfen und welche Daten dort verarbeitet werden können.

Auch Coding Agents benötigen klare Berechtigungen. Ein Agent, der Dateien verändern, Befehle ausführen und auf externe Systeme zugreifen darf, besitzt deutlich mehr Handlungsmöglichkeiten als ein klassischer Chatbot.

Wem gehört KI-generierter Code?

Neben technischen Fragen entstehen organisatorische Herausforderungen. Genauso wie bei der Frage, „wem gehören KI-generierte Bilder?“, stellt sich diese Frage auch beim Coding. Unternehmen müssen festlegen, wie KI in Entwicklungsprojekten eingesetzt werden darf. Dazu gehören beispielsweise Regeln für zugelassene Tools, den Umgang mit vertraulichen Informationen und die Prüfung generierter Ergebnisse.

Auch die Herkunft von generiertem Code sollte berücksichtigt werden. KI-Modelle wurden mit großen Mengen vorhandenen Codes trainiert. Unternehmen sollten deshalb ihre eigenen Compliance- und Lizenzanforderungen bei der Auswahl von Werkzeugen prüfen. Praktisch bedeutet Governance vor allem, klare Verantwortlichkeiten festzulegen:

• Wer prüft den von KI erzeugten Code?
• Wer entscheidet über den Einsatz eines Coding Agents?
• Welche Änderungen benötigen eine zusätzliche Freigabe?

Die Verantwortung für eine Anwendung sollte nicht an das KI-System delegiert werden. Unternehmen benötigen weiterhin klare Zuständigkeiten für Architektur, Qualität, Security und Betrieb.

So gelingt der Einstieg in KI-gestützte Softwareentwicklung

Unternehmen müssen nicht sofort einen vollständig agentischen Entwicklungsprozess aufbauen. Ein sinnvoller Startpunkt sind klar abgegrenzte Aufgaben. Dazu zählen beispielsweise das Erstellen von Tests, die Dokumentation bestehender Funktionen oder Unterstützung bei kleineren Refactorings. Anschließend sollten Teams prüfen, wie sich der Einsatz tatsächlich auswirkt. Geeignete Kennzahlen können Bearbeitungszeiten, Fehlerquoten, Review-Aufwand oder die Dauer bis zur Bereitstellung einer neuen Funktion sein.

Parallel benötigt das Unternehmen klare Regeln für den Umgang mit KI.

• Welche Tools sind freigegeben?
• Welche Daten dürfen verarbeitet werden?
• Welche Änderungen benötigen ein menschliches Review?
• Welche Systeme dürfen Coding Agents erreichen?

Mit zunehmender Erfahrung können weitere Aufgaben ergänzt werden. Gerade bei Agents empfiehlt sich ein schrittweises Vorgehen. Ein Agent sollte zunächst in einer begrenzten Umgebung arbeiten und nur definierte Aufgaben übernehmen. Erst wenn Qualität und Sicherheitsmechanismen überzeugen, lässt sich der Einsatz ausweiten.

Fazit: KI verändert das Programmieren – gute Software bleibt Teamarbeit

KI in der Softwareentwicklung entwickelt sich von der einfachen Codevervollständigung zu einem Werkzeug, das große Teile des Entwicklungsprozesses begleitet. Codegenerierung, Debugging, Testing, Dokumentation und Reviews können bereits heute unterstützt werden.

Coding Agents erweitern diese Möglichkeiten. Sie bearbeiten eigenständig Aufgaben, verändern Dateien und bereiten Pull Requests vor. Damit wächst allerdings auch die Bedeutung menschlicher Kontrolle. Mehr generierter Code erhöht den Bedarf an Reviews, Tests und klaren Qualitätsstandards.

Der Beitrag KI in der Softwareentwicklung erschien zuerst auf contentmanager.de.

Die Liste der offiziellen Jugendwörter des Jahres von 2008 bis 2025

Seit 2008 veröffentlicht der Langenscheidt-Verlag das Jugendwort des Jahres. Zunächst von einer Jury bestimmt, seit 2020 authentischer per Umfrage unter jungen User:innen, geben die Ergebnisse immer wieder ein Bild aktueller gesellschaftlicher Entwicklungen wieder. Bevor wir diese Sprachentwicklungen einordnen, wirf doch einmal einen Blick auf die Jugendwörter des Jahres von 2008 bis 2025.

• 2008: Gammelfleischparty (Ü-30-Party)
• 2009: hartzen (herumhängen)
• 2010: Niveaulimbo (ständiges Absinken des Niveaus, aus dem Ruder laufende Partys und sinnlose Gespräche)
• 2011: Swag (Lässigkeit, Coolness)
• 2012: YOLO (You only live once)
• 2013: Babo (Boss, Chef:in)
• 2014: Läuft bei dir (wenn jemand Erfolg oder Glück hat; „cool“, „krass“; wird auch ironisch genutzt)
• 2015: Smombie (Zusammensetzung aus Smartphone und Zombie)
• 2016: fly sein (etwas oder jemand geht besonders ab)
• 2017: I bims (Ich bin’s)
• 2018: Ehrenmann/Ehrenfrau (guter Mensch)
• 2019: kein Jugendwort
• 2020: lost (ahnungslos, verwirrt)
• 2021: cringe (peinlich, zum Fremdschämen)
• 2022: smash (mit jemandem etwas anfangen, jemanden attraktiv finden)
• 2023: goofy (tollpatschige, alberne Person oder Verhaltensweise)
• 2024: Aura (bezieht sich auf die Ausstrahlung, das Charisma oder den Status einer Person)
• 2025: das crazy (bestätigendes Füllwort im Gespräch, vergleichbar mit „Aha“ oder „Okay“)

1970er und 1980er: Abgrenzung und Subkultur

In den 1970er- und 1980er-Jahren war Jugendsprache vor allem ein Mittel zur Abgrenzung. Sie diente dazu, Gruppenzugehörigkeit zu zeigen und sich bewusst von der Erwachsenenwelt zu distanzieren.

Typische Begriffe dieser Zeit waren:

• „geil“
• „ätzend“
• „cool“
• „abgefahren“
• „knorke“
• „Proll“
• „Schluffi“
• „Kohle“
• „abrocken“

Diese Wörter stammen häufig aus Subkulturen wie der Rock- oder Punk-Szene. Medien spielten eine wichtige Rolle, vor allem Musik und Filme aus den USA. Der Einfluss des Englischen begann hier bereits, deutlich sichtbar zu werden. Sprachlich war diese Phase geprägt von Bedeutungsverschiebungen. Wörter wurden umgedeutet und emotional aufgeladen. Genau diese Dynamik ist bis heute ein zentrales Merkmal von Jugendsprache.

1990er: Globalisierung und Medienkultur

Mit den 1990er-Jahren veränderte sich die Welt rasant. Fernsehen, Popkultur und erste digitale Medien prägten den Alltag. Jugendsprache wurde internationaler und stärker von Trends beeinflusst.

Beispiele aus dieser Zeit:

• „krass“
• „chillen“
• „fett“
• „no way“
• „hammer“
• „mega“
• „peilen“
• „Steil gehen“

Hier zeigt sich deutlich der Einfluss der US-amerikanischen Popkultur. Serien, Hip-Hop und Sender wie MTV lieferten neue Begriffe und Ausdrucksweisen. Gleichzeitig entstanden Mischformen aus Deutsch und Englisch. Ein wichtiger Aspekt: Jugendsprache wurde zunehmend sichtbarer. Sie war nicht mehr nur ein internes Kommunikationsmittel, sondern wurde auch von Medien aufgegriffen und verbreitet.

Die Jugendwörter der 2000er: Internet und erste digitale Sprache

Mit dem Aufkommen des Internets änderte sich die Sprache grundlegend. Chats, Foren und SMS führten zu neuen Formen der Kommunikation.

Typische Jugendwörter:

• „lol“
• „rofl“
• „Noob“
• „fail“
• „gammeln“
• „Pro“

Diese Begriffe stammen direkt aus der digitalen Kommunikation. Sie sind kurz, prägnant und oft international verständlich. Abkürzungen wurden zum Standard, da sie Zeit und Platz sparen.

Gleichzeitig entstand eine neue Form der Schriftlichkeit: informell, schnell und oft ohne klassische Grammatik. Emojis und Zeichenfolgen ergänzten die Sprache und transportierten Emotionen. Diese Entwicklung war ein Wendepunkt. Sprache wurde erstmals massiv durch Technologie geprägt.

2010er: Social Media und Identität

In den 2010er-Jahren dominieren soziale Netzwerke wie Instagram, YouTube und TikTok die Jugendkultur. Sprache wird hier nicht nur genutzt, sondern aktiv inszeniert.

Bekannte Jugendwörter aus dieser Zeit:

• „Yolo“
• „Babo“
• „läuft bei dir“
• „Ehrenmann/Ehrenfrau“

Die Wahl zum „Jugendwort des Jahres“, seit 2008 organisiert vom Langenscheidt-Verlag, macht diese Begriffe besonders sichtbar. Sie zeigt auch, wie stark Jugendsprache inzwischen kommerzialisiert ist.

Inhaltlich geht es oft um Status, Zugehörigkeit und Anerkennung. Begriffe wie „Ehrenmann“ drücken soziale Werte aus, während andere Begriffe ironisch oder humorvoll eingesetzt werden.

Ein weiterer Trend: multikulturelle Einflüsse. Viele Wörter stammen aus verschiedenen Sprachräumen, etwa aus dem Türkischen oder Arabischen, und spiegeln die wachsende Vielfalt der Gesellschaft wider.

2020er: Memes, Ironie und Plattformlogik

Heute entwickelt sich Jugendsprache schneller als je zuvor. Großen Einfluss darauf haben die sozialen Medien und vor allem Plattformen mit jüngerem Publikum wie TikTok beschleunigen Trends massiv. Wörter entstehen, verbreiten sich viral und verschwinden oft genauso schnell wieder.

Aktuelle Beispiele:

• „cringe“
• „slay“
• „sus“
• „Rizz“
• „NPC“

Diese Begriffe sind stark von Internetkultur und Gaming geprägt. Gleichzeitig spielt Ironie eine große Rolle. Viele Wörter werden bewusst übertrieben oder in neuen Kontexten verwendet.

Ein entscheidender Faktor ist die Plattformlogik. Inhalte müssen schnell verständlich und teilbar sein. Sprache wird dadurch kürzer, visueller und oft kontextabhängig.

Was hinter der Entwicklung der Jugendwörter steckt

Wer die Entwicklung der Jugendsprache genauer betrachtet, erkennt schnell, dass sie kein zufälliges Phänomen ist. Sie entsteht im Zusammenspiel verschiedener gesellschaftlicher, technologischer und kultureller Faktoren, die sich über die Jahrzehnte immer wieder verschoben haben. Dabei lassen sich mehrere zentrale Treiber identifizieren, die die Dynamik der letzten 50 Jahre maßgeblich geprägt haben.

Medien als zentraler Einfluss

Medien prägen Jugendsprache seit jeher. Früher waren es Musik, Filme und Fernsehen, die neue Begriffe in Umlauf brachten. Jugendliche griffen diese auf und integrierten sie in ihren Alltag. Mit dem Internet verlagerte sich dieser Einfluss in digitale Räume wie Chats, Foren und Online-Games. Heute übernehmen Plattformen wie TikTok diese Rolle. Trends entstehen dort in kürzester Zeit und verbreiten sich global.

Internationalisierung der Sprache

Englisch hat sich im Laufe der Jahre zur wichtigsten Einflussgröße entwickelt. Viele Jugendwörter stammen direkt aus dem Englischen oder sind davon inspiriert. Gleichzeitig entstehen Mischformen aus verschiedenen Sprachen, die besonders in urbanen Kontexten verbreitet sind. Diese Entwicklung spiegelt die zunehmende kulturelle Vernetzung wider.

Beschleunigung durch Social Media

Ein wesentlicher Unterschied zu früher ist die Geschwindigkeit. Jugendwörter halten sich heute oft nur noch kurze Zeit. Social Media sorgt dafür, dass Trends schnell entstehen und ebenso schnell wieder verschwinden. Sprache wird dadurch dynamischer und stärker an aktuelle Kontexte gebunden.

Identität und Zugehörigkeit

Trotz aller Veränderungen bleibt die Funktion von Jugendsprache gleich. Sie dient dazu, Zugehörigkeit zu zeigen und sich von anderen abzugrenzen. Gerade in digitalen Räumen wird Sprache bewusst eingesetzt, um die eigene Identität zu inszenieren und Teil bestimmter Communities zu sein.

Kreativität und Bedeutungswandel

Jugendsprache lebt von Veränderung. Wörter werden neu kombiniert, ironisch verwendet oder komplett umgedeutet. Bedeutungen können sich schnell verschieben, was die Sprache lebendig und schwer vorhersehbar macht. Genau diese kreative Dynamik sorgt dafür, dass ständig neue Begriffe entstehen.

Jugendsprache als Spiegel der Gesellschaft

Jugendsprache zeigt sehr deutlich, wie sich Gesellschaften verändern. Über die Jahrzehnte hinweg lassen sich klare Entwicklungen erkennen, die eng mit kulturellen und technologischen Umbrüchen verbunden sind.

• Von lokalen Subkulturen hin zu globalen Trends
• Von langsamer Verbreitung hin zu viralen Dynamiken
• Von gesprochener Sprache hin zu multimedialer Kommunikation

Früher war Jugendsprache stark von regionalen Szenen geprägt. Heute entstehen Begriffe oft gleichzeitig weltweit und verbreiten sich über soziale Netzwerke. Digitale Plattformen sorgen dafür, dass Trends keine geografischen Grenzen mehr kennen. Damit findet Jugendsprache längst nicht mehr nur im Gespräch statt. Sie wird in Videos, Memes und Social Media bewusst eingesetzt. Begriffe transportieren dadurch mehr als nur Bedeutung, sie werden Teil von Selbstinszenierung und Kommunikation. Durch Medien und Formate wie das „Jugendwort des Jahres“ wird Jugendsprache öffentlich sichtbar. Das führt dazu, dass Trends schneller im Mainstream ankommen und oft ebenso schnell wieder verschwinden.

Wie Jugendwörter im Marketing eingesetzt werden können

Jugendsprache kann im Marketing ein wirkungsvolles Mittel sein, um Nähe und Relevanz bei jungen Zielgruppen aufzubauen. Wenn Du aktuelle Begriffe und Ausdrucksweisen gezielt einsetzt, wirkt Deine Kommunikation authentischer und anschlussfähiger. Gleichzeitig ist hier Fingerspitzengefühl gefragt. Jugendsprache verändert sich schnell und wirkt unglaubwürdig, wenn sie unreflektiert oder verspätet verwendet wird. Oder von Unternehmen, zu denen solche Wordings einfach nicht passen. Entscheidend ist daher, den Kontext zu verstehen und die Sprache nur dort einzusetzen, wo sie zur Marke und zur Zielgruppe passt. Besonders gut funktioniert das in Social Media, wo Tonalität, Humor und Trends eine zentrale Rolle spielen.

Fazit: Jugendwörter sind mehr als nur Wörter

Jugendwörter sind Momentaufnahmen einer Generation. Sie zeigen, was junge Menschen bewegt und wie sie sich ausdrücken. In den letzten 50 Jahren hat sich dabei vor allem die Geschwindigkeit der Entwicklung verändert. Während früher Musik und Subkulturen dominierten, sind es heute digitale Plattformen und Memes. Die grundlegende Funktion bleibt jedoch gleich: Sprache als Ausdruck von Identität.

Es fällt auch auf: Jugendsprache bleibt nicht immer Jugendsprache. Viele Jugendwörter von früher werden auch heute noch verwendet. Sie wachsen mit der Gesellschaft und etablieren sich im Sprachgebrauch.

Wenn Du Dich intensiver mit Jugendsprache beschäftigst, bekommst Du nicht nur Einblicke in Trends, sondern auch in gesellschaftliche Veränderungen. Genau das macht das Thema so relevant, auch für die Kommunikation, Markenpositionierung und das Zielgruppenverständnis Deines Unternehmens.

Der Beitrag Sprache im Wandel: Die Jugendwörter der letzten 50 Jahre erschien zuerst auf contentmanager.de.

Generative KI hat die Content-Produktion grundlegend verändert. Texte lassen sich schneller erstellen, Varianten automatisiert generieren und Inhalte vergleichsweise einfach für verschiedene Zielgruppen, Märkte und Kanäle anpassen. Gerade für große Unternehmen verspricht das erhebliche Effizienzgewinne.

Doch die höhere Produktionsgeschwindigkeit bringt neue Herausforderungen mit sich. Denn auch KI-generierte Inhalte müssen korrekt, markenkonform, aktuell und verlässlich sein. Je größer ein Unternehmen und je komplexer seine Content-Landschaft, desto wichtiger werden deshalb klare Regeln, Prozesse und Verantwortlichkeiten.

Genau das ist auch Thema im Webinar „The ROI of Controlled AI“ am 01. September 2026 um 15:00 Uhr. Dr. Timo Klattenhoff, Head of Product bei RezolveAI, René Voß, Teamleiter für das FirstSpirit Core Team und Frank Mühlenbeck von contentmanager.de diskutieren gemeinsam, wie sich KI unter realen Enterprise-Bedingungen produktiv einsetzen lässt – ohne Kontrolle über Qualität, Marke und Governance zu verlieren.

Mehr Content ist nicht automatisch mehr Effizienz

Die Stärke generativer KI liegt vor allem in ihrer Skalierbarkeit. Was früher Stunden dauerte, kann heute innerhalb weniger Minuten entstehen. Produktbeschreibungen, Kampagnentexte oder Varianten für unterschiedliche Zielgruppen lassen sich nahezu beliebig vervielfältigen. Doch genau darin liegt auch ein Risiko: Wenn Unternehmen ausschließlich messen, wie viele Inhalte mithilfe von KI erstellt werden, entsteht schnell ein falsches Bild von Produktivität.

Denn zusätzlicher Content erzeugt ebenfalls Aufwand. Texte müssen geprüft, freigegeben, übersetzt, aktualisiert und über verschiedene Systeme hinweg konsistent gehalten werden. Entstehen dabei Fehler oder Abweichungen von Markenrichtlinien, kann die anschließende Korrektur mehr Ressourcen kosten, als durch die automatisierte Erstellung eingespart wurden.

Die entscheidende Frage lautet daher nicht: Wie viel Content kann KI produzieren? Sondern: Welchen messbaren Wert schafft KI entlang des gesamten Content-Prozesses?

Controlled AI: Kontrolle als Voraussetzung für Skalierung

„Controlled AI“ meint den KI-Einsatz innerhalb klar definierter Leitplanken und soll bei der Skalierung und Planung von KI-Prozessen helfen. Dazu gehören beispielsweise Rollen und Berechtigungen, festgelegte Freigabeprozesse, Markenrichtlinien sowie Regeln dafür, welche Aufgaben von KI übernommen werden dürfen und an welchen Stellen eine menschliche Prüfung notwendig bleibt.

Auf den ersten Blick können solche Vorgaben wie zusätzliche Hürden wirken. In der Praxis können sie jedoch genau das Gegenteil bewirken. Wenn Teams wissen, welche Systeme sie einsetzen dürfen, welche Qualitätsstandards gelten und wie Freigaben funktionieren, sinkt der Abstimmungs- und Korrekturaufwand. Kontrolle wird damit nicht zum Gegenspieler von Geschwindigkeit, sondern zu einer Voraussetzung dafür, KI zuverlässig in größerem Maßstab einsetzen zu können.

Wie lässt sich der ROI von KI messen?

Ein zentraler Schwerpunkt des Webinars ist die Frage, anhand welcher Kennzahlen sich der tatsächliche Nutzen von KI bewerten lässt. Die reine Zahl generierter Inhalte reicht dafür kaum aus. Aussagekräftiger sind beispielsweise kürzere Produktions- und Freigabezeiten, geringerer manueller Korrekturaufwand oder eine schnellere Bereitstellung von Inhalten für verschiedene Märkte. Auch die Time-to-Market spielt eine wichtige Rolle. Wie lange dauert es vom ersten Briefing bis zur tatsächlichen Veröffentlichung einer Kampagne oder Produktinformation? Wenn KI einen Text zwar in Sekunden produziert, anschließend jedoch mehrere aufwendige Korrekturschleifen notwendig sind, relativiert sich der vermeintliche Effizienzgewinn schnell.

Weitere relevante Faktoren können die Wiederverwendbarkeit bestehender Inhalte, die Qualität von Übersetzungen oder die Einhaltung von Marken- und Compliance-Vorgaben sein. Der ROI entsteht damit nicht allein beim Generieren eines Textes. Entscheidend ist, ob der gesamte Content Lifecycle effizienter wird.

Besondere Herausforderungen im Enterprise-Umfeld

Gerade große Organisationen stehen beim Einsatz generativer KI vor komplexen Anforderungen. Inhalte werden häufig über mehrere Marken, Länder, Sprachen und Kanäle hinweg ausgespielt. Gleichzeitig müssen unterschiedliche Freigaben, regulatorische Anforderungen und interne Zuständigkeiten berücksichtigt werden.  Je stärker KI in solche Strukturen integriert wird, desto wichtiger wird eine zentrale Steuerung.

Das Webinar richtet sich deshalb insbesondere an Content-, Marketing-, Digital- und IT-Verantwortliche aus Unternehmen mit komplexen Multi-Market- und Multi-Brand-Strukturen. Relevant ist das Thema unter anderem für Branchen wie Retail, Automotive, Manufacturing, Financial Services, Pharma oder den Public Sector. Für diese Unternehmen geht es längst nicht mehr darum, einzelne KI-Experimente zu testen. Die entscheidende Herausforderung besteht darin, aus Pilotprojekten stabile und skalierbare Prozesse zu entwickeln.

Geschwindigkeit durch klare Prozesse

Controlled AI verfolgt dabei einen scheinbar widersprüchlichen Ansatz: Mehr Kontrolle soll letztlich zu mehr Geschwindigkeit führen. Klare Rollen reduzieren Rückfragen. Definierte Freigabewege vermeiden unnötige Abstimmungsschleifen. Automatisierte Prozesse sorgen dafür, dass wiederkehrende Aufgaben nicht jedes Mal neu organisiert werden müssen. Gleichzeitig können menschliche Teams ihre Zeit stärker auf strategische, kreative und qualitative Aufgaben konzentrieren.

Damit verschiebt sich die Diskussion rund um KI im Content Management. Statt ausschließlich über neue Modelle und Funktionen zu sprechen, rücken operative Fragen stärker in den Mittelpunkt: Wie lässt sich KI sinnvoll in bestehende Prozesse integrieren? Wie bleibt die Qualität skalierbar? Und wie kann das Unternehmen nachweisen, dass sich die Investition tatsächlich lohnt?

Diesen Fragen widmet sich das OMT-Webinar „The ROI of Controlled AI“ am 1. September 2026 um 15:00 Uhr.

Für Unternehmen, die generative KI bereits einsetzen und nun den nächsten Schritt von einzelnen Experimenten hin zu kontrollierbarer Skalierung gehen möchten, dürfte vor allem eine Erkenntnis entscheidend sein: Der größte wirtschaftliche Nutzen entsteht nicht durch möglichst viel KI-generierten Content, sondern durch Prozesse, in denen Geschwindigkeit, Qualität und Kontrolle zusammenspielen.

Der Beitrag The ROI of Controlled AI: KI im Content Management sinnvoll skalieren erschien zuerst auf contentmanager.de.

Die KI News der Woche führen durch fünf sehr unterschiedliche Themenfelder. Ein Urteil gegen den Musikgenerator Suno könnte die Diskussion über urheberrechtlich geschützte Trainingsdaten prägen. Google DeepMind arbeitet an Robotern, die komplexe Bewegungen planen, Gegenstände greifen und alltägliche Aufgaben erledigen können. LinkedIn möchte austauschbare KI-Beiträge im Feed reduzieren. Mehr als 1.000 Fachleute aus führenden KI-Unternehmen fordern außerdem internationale Instrumente, mit denen sich die Entwicklung besonders leistungsfähiger Systeme bei Bedarf verlangsamen lässt. Dazu kommen Transparenzregeln aus dem AI Act, die seit dem 2. August 2026 in der Europäischen Union gelten. Die KI News der Woche sind vielfältig – wir fassen sie übersichtlich für Dich zusammen.

Die KI News der Woche

Mehr als 1.000 KI-Fachleute warnen vor einem möglichen Kontrollverlust

Mehr als 1.000 Beschäftigte und Führungskräfte aus führenden KI-Unternehmen haben die US-Regierung in einer Petition aufgefordert, internationale Maßnahmen zur Steuerung besonders leistungsfähiger KI-Systeme zu unterstützen. Zu den Unterzeichner:innen gehören Fachleute von OpenAI, Anthropic, Meta und Google DeepMind. Auch Anthropic-CEO Dario Amodei unterstützt den Appell. Im Mittelpunkt steht die Sorge, dass KI-Systeme schon bald Teile der KI-Forschung automatisieren und dadurch die weitere Entwicklung stark beschleunigen könnten. Nach Einschätzung der Unterzeichner:innen besteht das Risiko, dass neue Fähigkeiten schneller entstehen, als Menschen sie verstehen, prüfen und kontrollieren können. Sie fordern daher technische und regulatorische Instrumente, mit denen sich die Entwicklung an der Spitze der Branche gezielt steuern oder bei erkennbaren Gefahren verlangsamen lässt. Der Appell zielt auf eine internationale Abstimmung, da einzelne Unternehmen und Staaten aufgrund des hohen Wettbewerbsdrucks kaum eigenständig auf eine langsamere Entwicklung setzen dürften.

Zusätzliche Aufmerksamkeit erhält die Petition durch einen Sicherheitsvorfall, den OpenAI im Juli 2026 öffentlich gemacht hat. Während einer internen Evaluation sollten Forschungsmodelle komplexe Cyberangriffe ausführen, um ihre Fähigkeiten zu messen. Die üblichen Schutzmechanismen gegen riskante Anfragen waren für diesen Test reduziert. Den Modellen gelang es, eine bislang unbekannte Schwachstelle in einer intern eingesetzten Software auszunutzen, Internetzugriff zu erlangen und Teile der Infrastruktur von Hugging Face zu kompromittieren. Die Aktivitäten wurden von den Sicherheitsteams erkannt und gestoppt. OpenAI deaktivierte den beteiligten Forschungsprototyp, verschärfte seine Sicherheitsvorkehrungen und leitete mit Hugging Face eine Untersuchung ein. Der Vorfall zeigt, wie wichtig isolierte Testumgebungen, laufendes Monitoring und klar definierte Abbruchmechanismen bei autonomen KI-Agenten sind. Unternehmen, die solche Systeme einsetzen oder entwickeln, sollten Berechtigungen begrenzen, Aktionen protokollieren und für kritische Prozesse menschliche Freigaben vorsehen.

GEMA erzielt juristischen Erfolg gegen den KI-Musikgenerator Suno

Das Landgericht München I hat der Klage der GEMA gegen den US-amerikanischen Anbieter Suno am 31. Juli 2026 überwiegend stattgegeben. Das Verfahren betrifft sechs bekannte Musikwerke, darunter „Atemlos durch die Nacht“, „Rasputin“, „Big in Japan“, „Forever Young“, „Mambo No. 5“ und „Daddy Cool“. Nach Auffassung des Gerichts wurden die Werke während des Trainings vervielfältigt, im zugrunde liegenden KI-Modell gespeichert und durch generierte Ausgaben erneut urheberrechtlich relevant wiedergegeben.

Besonders bedeutsam ist dabei, dass die von der GEMA verwendeten Prompts keine Vorgaben zu Melodie, Harmonie, Rhythmus oder Arrangement enthielten. Dennoch erzeugte Suno Ergebnisse, in denen das Gericht geschützte Bestandteile der Originalwerke erkannte. Laut Gericht enthielt der Trainingsdatensatz von Suno die betroffenen Titel. Für ihre Beschaffung soll das Unternehmen Stream-Ripping-Techniken eingesetzt und eine technische Schutzmaßnahme von YouTube umgangen haben. Der GEMA wurden daraufhin Ansprüche auf Unterlassung, Auskunft und Schadensersatz zugesprochen.

Die Höhe des möglichen Schadensersatzes steht noch nicht fest. Das Urteil ist zudem noch nicht rechtskräftig, Suno prüft nach Medienberichten eine Berufung. Für Anbieter generativer Modelle ist die Entscheidung dennoch relevant: Sie macht deutlich, dass Trainingsdaten, eine mögliche Speicherung geschützter Inhalte im Modell und die Nähe der Ausgaben zu bestehenden Werken getrennt betrachtet werden können. Unternehmen, die KI für Musik, Bilder oder Texte nutzen, sollten daher genauer prüfen, welche Lizenzbedingungen gelten und wie Anbieter den Umgang mit Trainingsmaterial dokumentieren.

Google DeepMind stellt Gemini Robotics 2 vor

Google DeepMind hat mit Gemini Robotics 2 eine neue Modellfamilie vorgestellt, die Robotern eine flexiblere Steuerung ihres gesamten Körpers ermöglichen soll. Klassische Industrieroboter sind häufig auf festgelegte Bewegungsabläufe und klar definierte Arbeitsbereiche ausgerichtet. Die neuen Modelle sollen visuelle Eindrücke und sprachliche Anweisungen verarbeiten, daraus mehrstufige Handlungen planen und die passenden Bewegungen ausführen. Ein humanoider Roboter kann damit laut Google DeepMind unter anderem laufen, sich bücken, Gegenstände greifen und diese an einem vorgegebenen Ort ablegen. Auch anspruchsvollere Handbewegungen wie das Verschließen eines Beutels oder der Umgang mit Werkzeugen werden erprobt.

Die Modellfamilie besteht aus drei Komponenten: Gemini Robotics 2 übersetzt Bild- und Spracheingaben in motorische Aktionen. Gemini Robotics ER 2 übernimmt die Planung längerer Aufgaben, beobachtet den Fortschritt und koordiniert einzelne Handlungsschritte. Gemini Robotics On-Device 2 ist für die lokale Ausführung auf der Roboterhardware optimiert. Dadurch kann das Modell in Umgebungen mit eingeschränkter Netzwerkverbindung eingesetzt werden. Eine weitere Neuerung ist die Zusammenarbeit mehrerer Roboter. Verschiedene Systeme sollen Informationen austauschen und gemeinsam Aufgaben bearbeiten können, die für eine einzelne Maschine zu komplex wären.

Bis zu einem breiten Einsatz bleiben jedoch technische Hürden. DeepMind weist selbst darauf hin, dass feinmotorische Tätigkeiten mit mehreren Fingern je nach Aufgabe weiterhin vergleichsweise hohe Fehlerquoten aufweisen. Für Logistik, Produktion und Servicebereiche zeigt die Entwicklung trotzdem, wohin sich Robotik bewegt: weg von starren Einzelabläufen und hin zu Systemen, die wechselnde Situationen erfassen und ihre Handlungen anpassen können.

Quelle: Generiert mit KI

LinkedIn will austauschbare KI-Beiträge im Feed reduzieren

LinkedIn reagiert auf die wachsende Menge generisch wirkender KI-Inhalte und führt schrittweise eine neue Meldefunktion ein. Nutzer:innen können Beiträge über das Drei-Punkte-Menü als mutmaßlich minderwertigen KI-Content kennzeichnen. LinkedIn bezeichnet solche Inhalte als „AI Slop“. Gemeint sind Beiträge, die sprachlich sauber wirken, inhaltlich jedoch wenig eigene Erfahrung, konkrete Erkenntnisse oder individuelle Perspektiven enthalten. Das Feedback der Mitglieder soll LinkedIn dabei helfen, seine Erkennungsmodelle zu verbessern und entsprechende Inhalte in den Empfehlungen seltener auszuspielen.

Wann die Funktion flächendeckend in Deutschland verfügbar sein wird, war zum Zeitpunkt der Ankündigung noch offen. Der Schritt ist besonders interessant, da LinkedIn bisher selbst KI-Funktionen zum Umschreiben von Beiträgen angeboten hat. Die Funktion „Enhance your post“ soll durch ein zurückhaltenderes Werkzeug zum Korrekturlesen ersetzt werden. Dieses soll Rechtschreibung und sprachliche Fehler verbessern, ohne den persönlichen Stil umfassend zu verändern. Für Content– und Social-Media-Teams ist die Entwicklung ein Hinweis darauf, dass reine Veröffentlichungsmenge auf LinkedIn an Bedeutung verliert. Unternehmen sollten KI-Texte daher redaktionell überarbeiten, Fachwissen ergänzen und konkrete Erfahrungen einbauen. Eine klare Haltung, nachvollziehbare Beispiele und ein:e erkennbare:r Autor:in helfen dabei, Beiträge von austauschbaren Standardtexten abzugrenzen. KI kann bei Recherche, Struktur und sprachlicher Überarbeitung unterstützen. Die Verantwortung für Aussage, Qualität und Tonalität bleibt bei der veröffentlichenden Person oder dem Unternehmen.

Neue Transparenzpflichten für KI-Inhalte gelten in der EU

Seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50 des europäischen AI Acts. Die Regeln betreffen Anbieter von KI-Systemen sowie Unternehmen und andere professionelle Organisationen, die solche Systeme einsetzen. Anbieter generativer KI müssen ihre Systeme so entwickeln, dass erzeugte oder manipulierte Texte, Bilder, Videos und Audiodateien in einem maschinenlesbaren Format als KI-Inhalte erkannt werden können. Auch bei Chatbots, KI-Agenten und Avataren muss für Nutzer:innen erkennbar sein, dass sie mit einem KI-System interagieren, sofern dies aus der Situation nicht bereits eindeutig hervorgeht. Für professionelle Anwender:innen gelten weitere Vorgaben. Deepfakes müssen bei der ersten Wahrnehmung klar und verständlich gekennzeichnet werden.

Eine Kennzeichnungspflicht kann außerdem für KI-generierte oder manipulierte Texte gelten, die die Öffentlichkeit über Themen von öffentlichem Interesse informieren. Dazu zählen beispielsweise politische, wirtschaftliche, wissenschaftliche, kulturelle oder gesundheitsbezogene Entwicklungen. Wurde ein solcher Text von fachkundigen Menschen inhaltlich geprüft und unterliegt er einer verantwortlichen redaktionellen Kontrolle, kann die sichtbare Kennzeichnung entfallen. Eine reine Rechtschreibprüfung reicht dafür laut den Leitlinien der EU-Kommission nicht aus. Für KI-Systeme, die bereits vor dem 2. August 2026 auf dem Markt waren, besteht bei der technischen Markierung generierter Inhalte eine begrenzte Übergangsfrist bis zum 2. Dezember 2026.

Inhalte, die vor dem Stichtag erstellt wurden, müssen nicht rückwirkend gekennzeichnet werden. Unternehmen sollten nun erfassen, in welchen Abteilungen KI-Inhalte entstehen, wer die redaktionelle Prüfung übernimmt und wie Kennzeichnungen dokumentiert werden. Besonders relevant ist dies für Marketing, Unternehmenskommunikation, Social Media, Kundenservice und redaktionelle Angebote.

KI News der Woche: Was Unternehmen mitnehmen sollten

Die fünf KI News verdeutlichen, dass sich der professionelle Einsatz künstlicher Intelligenz zunehmend an Qualität, Kontrolle und klaren Verantwortlichkeiten entscheidet. Der Fall Suno rückt die Herkunft und Lizenzierung von Trainingsmaterial in den Mittelpunkt. Gemini Robotics 2 zeigt, wie KI schrittweise in die physische Arbeitswelt vordringt und dort komplexere Alltagsaufgaben übernehmen kann. LinkedIns Maßnahmen unterstreichen den Wert eigenständiger Inhalte und glaubwürdiger Autor:innen. Der Appell aus der KI-Branche lenkt den Blick auf Sicherheitsmechanismen für Systeme, die über längere Zeiträume autonom handeln oder an ihrer eigenen Weiterentwicklung mitwirken können. Der AI Act verlangt ergänzend nachvollziehbare Prozesse für Kennzeichnung und redaktionelle Kontrolle.

Für Unternehmen reicht es daher kaum aus, lediglich neue Tools einzuführen. Sie brauchen nachvollziehbare Regeln für Auswahl, Nutzung, Prüfung und Veröffentlichung. Dazu gehören dokumentierte Freigabeprozesse, begrenzte Systemrechte und feste Zuständigkeiten. Bei autonomen Agenten gewinnen technische Schutzmaßnahmen an Bedeutung: Zugriffe sollten nach dem Prinzip der geringsten Berechtigung vergeben, ungewöhnliche Aktionen automatisch erkannt und sensible Schritte von Menschen bestätigt werden. Wer diese Grundlagen schafft, kann neue KI-Anwendungen gezielter einsetzen und mögliche Risiken früher erkennen.

Der Beitrag KI News: zwischen Robotik, Entwicklungsstopp & Urheberrecht erschien zuerst auf contentmanager.de.