Das Problem: Derselbe Inhalt, funfmal von Hand

Ein Ingenieur schreibt einen Blogartikel uber ein technisches Problem, das das Team gerade gelost hat — sagen wir, predictive maintenance in einer Produktionslinie mit heterogenen Maschinendaten. Der Artikel ist gut. Jetzt beginnt die eigentliche Arbeit:

  • Der LinkedIn-Post braucht eine starke Eroffnungszeile, drei Abschnitte, einen Call-to-Action — maximal 1.200 Zeichen.
  • Der Hacker-News-Kommentar soll technisch dicht sein, auf Implementierungsdetails eingehen, keinen Marketing-Ton haben.
  • Der Newsletter-Eintrag muss auf drei Satze verdichtet werden, mit direktem Nutzenversprechen fur den Leser.
  • Die PDF-Zusammenfassung braucht strukturierte Abschnitte, eine Executive Summary, einen Methoden-Abschnitt.
  • Das Video-Skript muss in gesprochener Sprache funktionieren — keine Stichpunkte, keine Passivkonstruktionen.
  • Die Meta-Tags fur Suchmaschinen folgen eigenen Regeln: Zeichenanzahl, Keywords, Struktur.

Realistisch dauert das pro Artikel zwei bis vier Stunden. Wer taglich oder mehrmals pro Woche publiziert, verliert einen erheblichen Teil der Kapazitat an reine Konvertierungsarbeit — ohne inhaltlichen Mehrwert.

Wie die Pipeline funktioniert

Der Ansatz ist direkt: Ein strukturierter Prompt-Stack nimmt den Quelltext entgegen und erzeugt fur jeden Zielkanal eine separate Ausgabe. Das ist kein generischer Zusammenfassung-Befehl. Jeder Kanal hat ein eigenes Prompt-Template, das Ton, Lange, Struktur und Plattformkonventionen kodiert.

Die KI kennt nicht nur die Inhalte — sie kennt die Erwartungen des Publikums auf jedem Kanal. LinkedIn-Leser scannen vertikal. HN-Leser springen direkt zu technischen Details. Newsletter-Abonnenten haben wenig Zeit. Jedes Template reflektiert das.

Die technische Umsetzung besteht aus drei Schichten:

  1. Inhaltsextraktion: Der Quelltext wird in semantische Einheiten zerlegt — Kernaussage, technische Details, Kontext, Ergebnis, Handlungsempfehlung.
  2. Kanal-spezifische Transformation: Fur jeden Zielkanal wird aus diesen Einheiten eine Ausgabe generiert, die den Formatierungsregeln und dem Erwartungshorizont des jeweiligen Formats entspricht.
  3. Qualitats-Gate: Jede Ausgabe wird gegen ein Regelwerk gepruft: Zeichenanzahl, Tonalitat, Pflichtfelder. Ausgaben, die nicht den Vorgaben entsprechen, werden zuruckgewiesen und neu generiert.

Das System kann lokal betrieben werden — kein externer API-Aufruf, keine Cloud-Abhangigkeit. Fur Teams in regulierten Umgebungen bedeutet das: Inhalte verlassen das eigene Netz nicht.

Konkret: Ein Blogartikel, sechs Ausgaben

Eingabe (Quelltext)
Quelle — Technischer Blogartikel "Predictive Maintenance in heterogenen Maschinenparks: Wie wir Anomalieerkennung uber OPC-UA-Daten mit einem lokalen ML-Modell realisiert haben, ohne Cloud-Anbindung. Herausforderung: Sensordaten aus sechs verschiedenen Steuerungssystemen, unterschiedliche Abtastraten, kein einheitliches Datenmodell. Ergebnis: Reduktion ungeplanter Stillstande um 34% in vier Monaten."
LinkedIn
Professionelle Eroffnung mit konkretem Outcome, drei kurze Abschnitte, abschliessende Frage an die Community. Kein Fachjargon im ersten Satz.
Ton: Narrativ, direkt, sachlich optimistisch
Hacker News
Beschreibt das technische Problem zuerst: heterogene Zeitreihen, OPC-UA-Eigenheiten, Modellwahl. Verweist auf konkrete Implementierungsentscheidungen.
Ton: Technisch, ohne Marketing, skeptikerfreundlich
Newsletter
Drei Satze: Problem, Losung, Zahl. Direktlink zum Artikel. Kein Vorwissen vorausgesetzt.
Ton: Kompakt, wertorientiert, kein Fulltext
PDF-Zusammenfassung
Executive Summary (150 Worter), Methodenabschnitt, Ergebnistabelle, Kontaktblock. Druckfertig strukturiert.
Ton: Formal, dokumentgerecht, referenzierbar
Video-Skript
Gesprochene Sprache, aktive Satze, Pausen markiert. Laufzeit: 90 Sekunden. Kein Bullet-Point-Stil.
Ton: Erklarend, nah, keine Passivkonstruktionen
Meta-Tags
Title-Tag (60 Zeichen), Meta-Description (155 Zeichen), OG-Tags, strukturierte Keywords aus dem Quelltext extrahiert.
Ton: Suchmaschinengerecht, prazise, keine Fullworter

Die sechs Ausgaben entstehen in weniger als zwei Minuten. Die Redaktionszeit verschiebt sich: Statt Formatierungsarbeit pruft der Autor nur noch Ton und Korrektheit der Inhalte — ein Review-Schritt statt sechs Schreibschritte.

Was sich in der Praxis andert

Teams, die bisher einen Artikel pro Tag veroffentlicht haben, schaffen mit demselben Aufwand mehr Frequenz oder nutzen die freigewordene Zeit fur tiefere Inhalte. Der Engpass verschiebt sich vom Aufbereiten zum Denken.

In einem Projekt mit einem mittelstandischen Maschinenbauer haben wir den Content-Ops-Aufwand von rund 3,5 Stunden pro Artikel auf unter 45 Minuten reduziert. Die Ausgabequalitat war vergleichbar — bei gleichbleibendem Tonprofil uber alle Kanale.

Ein weiterer Effekt: Konsistenz. Wenn mehrere Personen an Inhalten arbeiten, driftet der Ton zwischen Kanalen auseinander. Das Pipeline-System erzwingt ein einheitliches Profil — definiert uber Prompt-Templates, die versioniert und gepruft werden konnen.

Technische Voraussetzungen

Die Pipeline benotigt kein spezialisiertes Infrastruktur-Setup. Sie lauft auf Standard-Hardware, kann in bestehende Redaktions- oder CMS-Workflows eingebunden werden und ist uber einfache API-Schnittstellen erweiterbar. Der Betrieb on-premise ist vollstandig unterstuzt — die Inhalte verlassen das eigene Netz nicht.

Die Prompt-Templates sind konfigurierbar. Wer ein eigenes Tonprofil, spezifische Branchensprache oder interne Formatierungsregeln hat, kann das direkt in die Templates kodieren. Das Ergebnis ist ein System, das sich an das Unternehmen anpasst — nicht umgekehrt.

Der Einstieg in die Konfiguration dauert typischerweise einen halben Tag. Wer einen bestehenden Blogartikel als Testfall mitbringt, sieht die erste Ausgabe innerhalb einer Stunde.

Weitere Anwendungsfalle, die in vergleichbarer Architektur umgesetzt werden konnen, finden Sie auf der Ubersichtsseite fur Anwendungsfalle.