Warum Frameworks? Orientierungswissen statt Tool-Partys

Die Debatte über KI im Journalismus wird bislang vor allem als Tool-Debatte geführt. Welche Anwendungen sind erlaubt? Welche Instrumente sind effizient? Welche sparen Zeit, Kosten, Personalstellen? Diese Fragen sind verständlich – und legitim. Aber sie greifen zu kurz. Denn sie verkennen, dass KI längst mehr ist als ein weiteres Tool im redaktionellen Werkzeugkasten. Sie ist zur strukturellen Bedingung journalistischer Arbeit geworden – oder wird es zumindest immer mehr.

Und zwar nicht nur im Offensichtlichen (z.B. Text- und Bildgenerierung, KI-Avatare), sondern auch im Verborgenen: bei Priorisierung, Zusammenfassung, Übersetzung, Moderation, SEO-Optimierung, Personalisierung, Recherchen und Workflow-Automatisierung. Damit wandert KI aus der Nische einiger ‚KI-Nerds‘ in die Schaltzentralen redaktioneller Entscheidungen. Wer hier weiterhin nur nach ‚erlaubt vs. verboten‘ ‚fragt, übersieht die eigentliche (stille) Verschiebung: von der Bedienungskompetenz zur Organisationsverantwortung.

Genau deshalb braucht es, so glauben wir, einen Perspektivwechsel auf das Thema KI: Nicht das nächste Toolkit entscheidet darüber, ob KI den Journalismus stärkt oder aushöhlt – sondern die Frage, wie Redaktionen unter Zeit-, Verantwortungs- und Technologiedruck noch verlässlich urteilen, prüfen und begründen können. Im Kern geht es um die Stabilisierung redaktioneller Entscheidungsqualität unter neuen Bedingungen: mehr Output-Dynamik, mehr synthetische Inhalte, mehr Unsicherheit über Herkunft und Validität von Inhalten. 

Hinzu kommt eine strukturelle Bedingung, die in Kapitel 5 analysiert wurde: Redaktionen operieren in einem Umfeld fragmentierter Infrastrukturen. Während proprietäre Systeme dominieren, fehlen offene KI-Modelle, die dem Gemeinwohl verschrieben werden. Public-Interest-KI könnte diese Lücke vermutlich irgendwann schließen – bis dahin scheint es aber noch ein weiter Weg zu sein. Frameworks müssen daher bis auf Weiteres unter Bedingungen struktureller Abhängigkeit funktionieren können. Denn sie werden diese Abhängigkeit nicht auflösen, können aber Redaktionen befähigen, innerhalb dieser Grenzen verantwortungsvoller zu handeln.

Hier setzt unser Gedanke eines KI-Resilienz-Frameworks an. Frameworks sind keine KI-Toolkits, keine Bedienungsanleitungen und keine Best-Practice-Sammlungen im eigentlichen Sinn. Sie sind auch keine ‚Innovationsfolie‘ für Präsentationen, sondern ein konkretes Arbeitsinstrument, das Streitfragen im Alltag belastbar und umsetzbar macht. Und sie beantworten nicht die naheliegende Frage Welches Tool sollen wir nutzen?, sondern adressiert die wesentlich anspruchsvolleren Herausforderungen: 

• Wie wollen wir entscheiden, wenn sich technische Gelegenheiten und eine Nachrichtenlage unter Berichterstattungsdruck überlagern? 

• Welche Mindeststandards gelten in solchen Situationen – auch im Ausnahme- oder Krisenzustand?

• Und wie sichern wir dabei journalistische Urteilskraft, Verantwortlichkeiten und Rechenschaft – gerade dann, wenn KI-Ergebnisse plausibel wirken?

Diese Entscheidungsarchitekturen müssen zweierlei leisten: Sie müssen robust (resilient) genug sein, um auch beim nächsten Tool-Shift tragfähig zu sein, und konkret genug, um im Tagesgeschäft nicht als bloße ‚Haltungsangelegenheit‘ zu verpuffen. Der Prüfstein ist nicht das gut gemeinte Strategiepapier, sondern sozusagen die Nachtschicht unter realen Bedingungen, also: Was gilt, wenn es schnell gehen muss, wenn niemand ‚zuständig‘ sein will oder wenn das KI-Ergebnis verdächtig gut klingt?

Der Reiz vieler KI-Tools liegt dabei in ihrer scheinbaren Einfachheit: ein Prompt, ein Klick, ein plausibel klingendes Ergebnis. Diese Niedrigschwelligkeit verführt dazu, Entscheidungen zu individualisieren und zu entpolitisieren: Jede und jeder probiert ein wenig herum, passt sich an, findet eigene Workarounds. Doch genau darin liegt das Risiko: Die Redaktion verliert das, was sie – zumindest noch – selbst gegenüber Plattformlogiken auszeichnet: gemeinsame Standards, kollektive Verantwortung und überprüfbare Entscheidungen. Als besonders ambivalent sind die positiven und negativen psychologischen Effekte einzustufen, die zunehmend die Bequemlichkeit in den Redaktionen fördern und deren Urteilskraft allmählich schwinden lassen.¹²⁷

Im Ergebnis entsteht ein semiprofessioneller Schattenbetrieb: viele kleinere, intransparente Praktiken – aber kein gemeinsames Regelwerk dafür, was ,sicher‘, ,vertretbar‘ und ,journalistisch sauber‘ ist. Und dieser Schattenbetrieb ist nicht nur ein Compliance-Thema, sondern entlarvt auch ein Qualitätsproblem: Er erzeugt inkonsistente Tonalitäten, unterschiedliche Prüfintensitäten, unklare Befehlsketten und im Zweifel eine neue, zuweilen opake Fehlerklasse, die niemand mehr nachvollziehen kann.

Was fehlt, ist ein gemeinsamer praktischer Bezugsrahmen: ein KI-Resilienz-Framework, das Entscheidungen nach innen wie nach außen anschlussfähig macht. Anschlussfähig meint mehr als interne Abstimmung: Entscheidungen müssen erklärbar, verteidigungsfähig und wiederholbar sein – gegenüber Kolleg:innen, der redaktionellen Führungsebene, dem Publikum und im Zweifel auch gegenüber externen Prüfungen (Redaktionsbeirat, Ethikkommission, Medienkritik). Abbildung 15 markiert diesen Übergang von individueller und organisationaler Resilienz zu digitaler Souveränität als institutionelle Leistung.

Ein KI-Resilienz-Framework zielt somit nicht auf Effizienzversprechen, sondern primär auf redaktionelle Verlässlichkeit unter volatiler werdenden Bedingungen. Es immunisiert die Redaktionen nicht gegenüber handwerklichen oder berufsethischen Fehlern im Umgang mit KI, kann sie aber weniger anfällig dafür machen.

Was ein KI-Resilienz-Framework leistet 

Ein solches KI-Resilienz-Framework leistet folgendes: Es übersetzt abstrakte Prinzipien wie Transparenz, Verantwortung oder Human-in-the-Loop in strukturierte und gut nachvollziehbare Entscheidungslogiken und übersetzt diese in konkrete Handlungsketten: Wer entscheidet was, zu welchem Zeitpunkt, mit welcher Eskalationslogik? Es hilft Redaktionen, wiederkehrende Situationen einzuordnen: Wann ist KI-Unterstützung überhaupt sinnvoll? Welches Problem kann ich identifizieren – und wie hilft mir die KI bei der Lösungsfindung? Wo sind im Umgang mit KI klare Grenzen nötig? Wer trägt welche Verantwortung bei welchem Schritt? Und wie lassen sich Effizienzgewinne realisieren, ohne journalistische Kernwerte zu beschädigen? 

Kurzum: Frameworks haben das Potenzial, aus KI-Nutzung eine konsistente organisierte Praxis zu machen – statt einer Ansammlung individueller Routinen. Entscheidend dabei ist, dass diese Praxis nicht auf Einzelfälle zielt, sondern auf wiederkehrende Muster. Frameworks schaffen Wiedererkennbarkeit im Redaktionsalltag, der aus unzähligen Einzelentscheidungen besteht. Sie entlasten damit nicht nur einzelne Akteur:innen wie etwa das redaktionelle Führungspersonal, sondern die Redaktion als Ganzes – ganz einfach, weil nicht jede Entscheidung neu ausgehandelt werden muss. 

Wichtig ist dabei eine klare Abgrenzung: Dieses Whitepaper verfolgt bewusst keinen tool-zentrierten Ansatz – nicht etwa aus Technikaversion, sondern aus professionell-empirischer Nüchternheit. Es geht also nicht darum, konkrete Anwendungen zu empfehlen oder zu verteufeln – oder technische Normen für immer festzuschreiben. Solche Empfehlungen sind ohnehin kurzlebig und folgen Marktzyklen, die sich schneller ändern, als redaktionelle Strukturen reagieren können. Sie werden auch der journalistischen Arbeit nicht gerecht. Denn wer KI ausschließlich über Tools definiert, hinkt zwangsläufig immer hinterher. 

Unser Framework-Ansatz setzt erheblich tiefer an. Er fragt nicht nach dem Was, sondern nach dem Wie und Wer: Wie kommen Entscheidungen zustande? Wer verantwortet sie? Und wie bleiben sie überprüfbar, auch wenn sich technische Voraussetzungen verändern? Diese Fragen sind nicht technischer Natur, sondern organisatorischer – und damit genuin redaktionell. Unser Resilienz-Ansatz zielt also auf etwas Dauerhafteres: auf organisationale Urteilskraft, redaktionelle Verantwortung und eine belastbare Fehlerkultur – nicht als Idealzustand, sondern als kontinuierliche Medienpraxis unter den aktuellen dynamischen Veränderungen.

Strategische Entlastung statt technischer Überforderung

Genau hier zeigt sich der Unterschied zwischen kurzfristiger Anpassung und nachhaltiger Resilienz: Während Tool-Wissen schnell altert, bleibt die von uns gemeinte Antizipations- und Entscheidungskompetenz auch längerfristig anschlussfähig. Das KI-Resilienz-Framework schafft eine gewollte normative Distanz zur Technik, ohne Innovationsfähigkeit zu blockieren. Sie erkennen außerdem an, dass KI weder neutral noch autonom ist, sondern immer in soziale, ökonomische und institutionelle Kontexte eingebettet bleibt.

Frameworks verschieben den Fokus von technischer Sicherheit zu institutioneller Verlässlichkeit und helfen Redaktionen, technologische Veränderungen nicht jedes Mal als Ausnahmezustand zu erleben, sondern als wiederkehrende Herausforderung mit erprobten Entscheidungslogiken. Genau deshalb kann ihr Einsatz auch nicht rein operativ geregelt werden, sondern verlangt nach gezielter redaktioneller Steuerung (Governance). Für Redaktionen bedeutet das: KI-Nutzung wird zur strategisch-operativen Größe. Sie betrifft Führungskultur ebenso wie Arbeitsprozesse, die journalistische Aus- und Weiterbildung ebenso das Verhältnis zum Publikum. 

Jede Entscheidung über KI ist damit auch eine Entscheidung darüber, wie Verantwortung umverteilt, Konflikte definiert und Öffentlichkeit hergestellt wird. Wer Frameworks etablieren möchte, muss zunächst eine Aussage darüber treffen, wie sich Journalismus per se positioniert – als bloßer Produktionsbetrieb oder als verantwortliche Institution im öffentlichen Raum. Frameworks sind daher nicht neutral, sondern normativ wirksam: Sie codieren ein bestimmtes Verständnis von Professionalität.

Ein weiterer Gedanke: Gerade unter Bedingungen knapper Ressourcen entfalten Frameworks ihre besondere Stärke. Sie schaffen Orientierung, ohne starre Regeln vorzugeben. Und sie verhindern, dass Redaktionen bei jeder neuen technologischen Welle in den reaktiven Modus der Überforderung (oder des Hypes) geraten. In diesem Sinne sind sie auch ein Instrument strategischer Entlastung, weil sie es ermöglichen, Entscheidungen zu bündeln, Prioritäten zu klären und begrenzte Ressourcen dort einzusetzen, wo sie journalistisch den größten Effekt erzielen. Effizienz entsteht hier aber nicht durch Beschleunigung und Masse um jeden Preis, sondern durch Klarheit darüber, was nicht ‚KI-fiziert‘ werden soll und darf.

Wichtig erscheint uns dabei: KI-Resilienz ist keine individuelle Kompetenz einzelner besonders technikaffiner Mitarbeitender, sondern eine organisationale Fähigkeit, die ganze Teams, Arbeitsgruppen und die Redaktion als Ganzes betrifft. Sie zeigt sich gerade nicht nur im Ausnahmefall, sondern im Regelbetrieb – also auch dort, wo Routinen greifen und Aufmerksamkeit knapp ist: Wenn Redaktionen Entscheidungen gemeinsam treffen, Verantwortung klar zuordnen und ihre Praxis transparent reflektieren, entsteht auch Widerstandskraft gegen externe Abhängigkeiten und die Erosion innerhalb der Redaktion. Frameworks sind aus unserer Sicht deshalb das ideale Instrument, mit dem diese Fähigkeit am ehesten operationalisiert wird, indem sie abstrakte Werte in belastbare Entscheidungsabläufe übersetzen.

Mit diesem Anspruch führen wir im folgenden Unterkapitel die Idee eines KI-Resilienz-Framework für Redaktionen ein. Es versteht sich als flexible Ordnungs- und Orientierungsinstanz für unterschiedliche redaktionelle Kontexte, von der Lokalredaktion bis zum datenjournalistischen Tech-Team. Sein Zweck ist damit nicht Vereinheitlichung, sondern – im Gegenteil – eine Anschlussfähigkeit zwischen den vielgestaltigen Verhältnissen von Technik, Verantwortung und journalistischer Praxis zueinander. KI ist – wie zuvor diskutiert – in erster Linie eine Infrastrukturfrage, aus unserer Sicht aber auch eine Haltungsfrage – und diese beiden verlangen nach Orientierung, Governance und Berufsethik. Genau hier setzt das KI-Resilienz-Framework als strukturierte, offene Entscheidungsarchitektur für Redaktionen an.

Das KI-Resilienz-Framework für Redaktionen

Die bisherigen Kapitel haben gezeigt: Die Debatte über KI im Journalismus oszilliert bislang zwischen zwei verkürzten Perspektiven. Entweder wird KI als technisches Werkzeug behandelt, das mit Regeln, Schulungen und Tool-Listen unter Kontrolle gebracht werden soll und Auswege für allerlei Zwänge und Probleme verspricht. Oder sie erscheint als übermächtige Struktur, der sich die redaktionelle Arbeit entziehen oder zwangsläufig unterordnen muss. Beide Sichtweisen greifen nach unserer Erfahrung zu kurz. Sie unterschätzen entweder die kulturelle und organisationale Tiefe des Wandels – oder sie konterkarieren die Gestaltungsverantwortung. In beiden Fällen bleibt Journalismus lediglich reaktiv. 

Was bislang fehlt, ist ein Ordnungs- und Orientierungsrahmen, der den Umgang mit KI in der journalistischen Praxis in seiner tatsächlichen Komplexität ernst nimmt. 

Genau hier setzt das Verständnis von KI als infrastruktureller Herausforderung an. Der Begriff des ‚Frameworks‘ ist dabei bewusst gewählt: Ein Framework ist kein starres Regelwerk, sondern eine Denkanleitung und Handlungsarchitektur. Sie hilft Redaktionen, Entscheidungen besser zu strukturieren, Friktionen sichtbar zu machen und Verantwortung systematisch zu verorten – gerade dort, wo der Einsatz von KI nicht eindeutig als richtig oder falsch einzustufen ist. Frameworks dienen damit nicht der Kontrolle von oben, sondern der professionellen Selbstwirksamkeit im redaktionellen Alltag. Sie beantworten nicht abschließend, was zu tun ist, sondern strukturieren für Redaktionen entscheidende Fragen vor: 

• Wo stehen wir? 

• Nach welchen Kriterien entscheiden wir? 

• Und wo entstehen neue Abhängigkeiten, ohne dass wir sie bewusst reflektieren? 

Das vorgestellte KI-Resilienz-Framework verfolgt damit ein klares Ziel: Redaktionen sollen in die Lage versetzt werden, KI nicht nur effizient, sondern verantwortungsvoll, transparent und beziehungsorientiert einzusetzen. Es geht ausdrücklich nicht um technologische Prozessoptimierung, sondern um organisationale Handlungsfähigkeit. KI-Resilienz entsteht – siehe Kapitel 3 – wiederum dort, wo Verantwortung nicht an Systeme delegiert wird, Transparenz nicht zur Pflichtübung verkommt und menschliche Beziehungspflege als journalistische Kernaufgabe verstanden wird.

Um diese Anforderungen in den redaktionellen Alltag zu übersetzen, gliedert sich das Framework in sieben zentrale Handlungsfelder. Diese Felder sind nicht additiv, sondern systemisch angelegt. Sie bündeln jene Bereiche, in denen sich die Verantwortlichkeiten, aber auch die Verwundbarkeiten des Journalismus im KI-Zeitalter besonders deutlich zeigen: im Verhältnis zum Publikum, in der Zuordnung von Haftung, im Schutz von Quellen, im Umgang mit Wahrheit und Fälschungen, in der Kompetenzverteilung innerhalb von Redaktionen und in der demokratischen Aufgabe des Journalismus insgesamt. Jedes Handlungsfeld adressiert einen eigenen Risikoraum – gemeinsam bilden sie jedoch ein zusammenhängendes System mit ineinandergreifenden Handlungsfeldern:

Transparenz ohne Verantwortung bleibt folgenlos. Human-in-the-Loop wird ohne Kompetenzaufbau zur bloßen Formalie. Technische Sicherheit ohne Beziehung untergräbt Vertrauen. Genau deshalb ist dieses Framework keine Checkliste im Sinne technischer Compliance. Es geht ausdrücklich nicht darum, Maßnahmen abzuhaken, sondern Zusammenhänge zu verstehen. 

Unser Abgleich mit bestehenden KI-Leitlinien führender Medienhäuser zeigt (vgl. Kap. 4): Die hier vorgeschlagenen Handlungsfelder sind keine theoretische Neuerfindung, sondern eine systematische Verdichtung realer Praxis. Während viele Redaktionen einzelne Aspekte – etwa Transparenz, Human-in-the-Loop oder Schulungen/ Weiterbildungen – bereits aktiv adressieren, fehlt bislang ein integrierender Rahmen, der diese Maßnahmen miteinander verbindet. 

Das KI-Resilienz-Framework setzt hier an: Die folgende Tabelle 1 überführt diesen systemischen Anspruch in eine praxisnahe Struktur. Entscheidend ist nicht, ob Redaktionen exakt diese Praktiken übernehmen, sondern wie sie diese in ihre jeweiligen Kontexte, Kulturen und Entscheidungsabläufe integrieren. Ziel ist es, fragmentierte Leitlinien zu einer konsistenten redaktionellen Strategie zusammenzuführen – jenseits von Toolkits, vereinzelten Ethikpapieren oder punktuellen Trainings. Vor diesem Hintergrund interessiert die Tabelle als zentrales Arbeitsinstrument: Sie markiert jene Stellen im redaktionellen Alltag, an denen sich entscheiden lässt, ob KI wirklich als Entlastung wirkt – oder als wiederkehrendes Reputationsrisiko. Auffällig ist, dass kaum eines der bislang veröffentlichten KI-Regelwerke großer Medienhäuser diese Entscheidungspunkte explizit miteinander verschränkt.

Das hier vorgeschlagene Framework schließt daher eine Lücke, indem es disparate Regeln und Maßnahmen in ein kohärentes Orientierungsmodell überführt. KI-Nutzung erscheint in dieser Perspektive nicht länger als Abfolge technischer Einzelfragen, sondern als dynamische organisationale Gestaltungsaufgabe.

Jede Entscheidung über Transparenz, Kontrolle, Datennutzung oder Automatisierung wirkt dabei auf mehreren Ebenen gleichzeitig: interne Arbeitskulturen, professionelle Selbstverständnisse und die Beziehung zum Publikum. Das Framework macht diese Wechselwirkungen nicht nur sichtbar, es schafft auch erst die Voraussetzung für eine reflektierte, souveräne und lernfähige KI-Praxis im Journalismus.

Die Tabelle erhebt dabei keinen Anspruch auf Vollständigkeit oder universelle Gültigkeit. Sie ist so gesehen keine Blaupause, sondern eine Denk- und Orientierungsstruktur, die größtenteils universellen Charakter hat, aber auch auf Bedürfnisse einzelner Medienhäuser oder Redaktionen zugeschnitten und individualisiert werden kann. Entscheidend ist es nicht einzelne Punkte zu befolgen, sondern sich bewusst mit den dahinterliegenden übergreifenden Fragen auseinanderzusetzen. Die entsprechenden Maßnahmen sind insoweit exemplarisch gewählt und sollen Redaktionen dabei unterstützen, eigene Lösungen zu entwickeln, Prioritäten zu setzen und implizite Entscheidungen explizit nach außen zu tragen.

Die Tabelle verbindet vier Dimensionen, die im Redaktionsalltag häufig getrennt behandelt werden: Zielsetzung, Entscheidungslogik, empfohlene praktische Maßnahmen und Resilienz-Effekte. Sie macht sichtbar, wie organisationale Resilienz unter KI-Bedingungen nicht via Einzelmaßnahmen, sondern durch deren systemisches Zusammenspiel gedeiht, und markiert damit den Übergang von der Analyse zur Gestaltung: von der Beschreibung bekannter Probleme hin zu einer strukturierenden Praxis, ohne deren systemische Komplexität zu verleugnen. 

Die nachfolgend beschriebenen sieben Handlungsfelder markieren unterschiedliche Entscheidungsebenen, auf denen sich im KI-Zeitalter journalistische Verantwortung konkretisiert – auf denen jedoch zugleich neue Vulnerabilitäten aufscheinen. Sie adressieren technische Risiken, aber auch organisationale, kulturelle und gesellschaftliche Leitplanken. Sie lassen sich dabei jeweils als spezifische Lesart von KI-Resilienz verstehen (vgl. auch Abb. 16):

1. Transparenz & Kennzeichnung: Erwartungssicherheit und Vertrauensarbeit gegenüber dem Publikum.

2. Human-in-the-Loop: personalisierte Verantwortung unter automatisierten Bedingungen.

3. Quellen- & Datenvertrauen: journalistische Unabhängigkeit und digitale Souveränität.

4. Forensik & Verifikation: institutionalisierte Wahrheitsprüfung in einer synthetischen Öffentlichkeit.

5. Ethik & Accountability: Governance gegen Verantwortungsdiffusion.

6. Kompetenzaufbau & Organisationslernen: kollektive Urteilskraft statt individuelles Expertenwissen.

7. Publikumsdialog & Beziehungsarbeit: demokratische Legitimität über die Redaktion hinaus – hin zur demokratischen Funktion des Journalismus (‚Demokratie-Resilienz‘).

 

Handlungsfeld 1: Transparenz & Kennzeichnung:Warum Sichtbarkeit von KI-Einsatz zur neuen Vertrauensfrage wird

Transparenz war im Journalismus stets ein zentrales Vertrauensversprechen: Quellen offenlegen, Interessen benennen, Arbeitsweisen erklären, Fehler korrigieren. Mit dem Einsatz von KI verschiebt sich dieses Versprechen grundlegend. Denn KI wirkt häufig dort, wo sie nicht unmittelbar sichtbar ist – im Hintergrund von Recherche, Textproduktion, Bildbearbeitung, Datenanalyse oder Themenpriorisierung. Genau darin liegt das Problem: Was unsichtbar bleibt, entzieht sich der Beziehung zwischen Redaktion und Publikum.

Viele Redaktionen reagieren darauf mit Zurückhaltung. Sie fürchten, dass die Kennzeichnung von KI-Einsatz den Zweifel an journalistischer Qualität nähren oder Vertrauen untergraben könnte. Diese Sorge ist nachvollziehbar, greift jedoch zu kurz. Denn empirisch wie normativ gilt: Das eigentliche Vertrauensrisiko entsteht nicht durch Offenlegung, sondern durch Intransparenz. In einer Medienumgebung, die zunehmend von synthetischen Inhalten, automatisierten Prozessen und schwer unterscheidbaren Quellen geprägt ist, wird Nachvollziehbarkeit selbst zur zentralen Währung.

Transparenz bedeutet dabei nicht, jede technische Detailfrage offenzulegen oder interne Workflows vollständig zu dokumentieren. Es geht nicht um Tool-Listen, Prompt-Archive oder Code-Offenlegungen im Artikel. Entscheidend ist vielmehr, dass das Publikum versteht, ob, wo und in welcher Rolle KI im journalistischen Prozess eingesetzt wurde – und wo nicht. Transparenz ist damit eine Frage der Einordnung, nicht der technischen Plausibilität.

Einheitliche Kennzeichnungen für KI-unterstützte Inhalte, kurze Disclosure-Boxen oder öffentlich zugängliche Transparenzseiten schaffen genau diese Orientierung. Sie ermöglichen es dem Publikum, redaktionelle Entscheidungen besser einzuordnen, ohne Inhalte zu relativieren oder zu delegitimieren. Entscheidend ist dabei die Verlässlichkeit: Transparenz darf nicht situativ oder defensiv eingesetzt werden, sondern muss als konsistenter Standard erkennbar werden.

Wichtig ist es zudem, Transparenz nicht als reaktive Schadensbegrenzung zu begreifen, sondern als aktive Beziehungsarbeit. Wer offenlegt, signalisiert: Wir reflektieren unseren Technologieeinsatz, wir machen Entscheidungen sichtbar, und wir übernehmen Verantwortung – auch dort, wo Prozesse komplexer werden. Gerade in einer Phase, in der KI-Systeme zunehmend autoritativ wirken, wird diese Haltung zu einem zentralen Differenzierungsmerkmal journalistischer Glaubwürdigkeit.

Der Resilienz-Effekt von Transparenz liegt darin, Unsicherheit vorwegzunehmen, statt auf Vertrauenskrisen zu reagieren. Redaktionen, die ihren KI-Einsatz systematisch kenntlich machen, verschieben die Deutungshoheit zurück zu sich selbst. Sie definieren, was KI im eigenen journalistischen Kontext bedeutet, bevor diese Deutung von außen zugeschrieben wird. Transparenz verbindet technische Praxis mit normativer Verantwortung und öffnet den Raum für Dialog. Ohne Transparenz bleiben alle weiteren Handlungsfelder – Verantwortung, Verifikation, Ethik oder Kompetenzaufbau – für das Publikum nebulös. KI-Resilienz beginnt daher dort, wo Redaktionen bereit sind, ihre eigene Praxis – und auch ihre Fehler – nachvollziehbar zu machen.

Der hier vorgeschlagene Ansatz geht bewusst darüber hinaus. Regelmäßige, etwa jährliche Transparenzberichte zum KI-Einsatz machen sichtbar, wie sich Nutzung, Risiken und Routinen über die Zeit verändern. Transparenz wird so nicht reaktiv, sondern strukturell eingesetzt. Genau darin liegt ein zentrales Profilmerkmal dieses Frameworks: Es versteht Offenlegung nicht als Ausnahme, sondern als Teil redaktioneller Selbstverpflichtung.

 

Handlungsfeld 2: Human-in-the-Loop und Verantwortungszuordnung:
Warum Verantwortung nicht automatisiert werden darf

Der Begriff ,Human-in-the-Loop‘ wird in der KI-Debatte häufig technisch verkürzt verstanden: als letzter Kontrollblick eines Menschen auf ein maschinell erzeugtes Ergebnis. Für journalistische Praxis ist diese Terminologie jedoch missverständlich. Denn im Journalismus geht es nicht primär um Kontrolle, sondern um Verantwortung – und um die Frage, wer entscheidet, wofür einsteht und wer im Zweifel rechenschaftspflichtig ist.

KI-Systeme sind darauf ausgelegt, Prozesse zu beschleunigen, Vorschläge zu generieren und Entscheidungen vorzustrukturieren. Genau darin liegt ihr praktischer Nutzen. Gleichzeitig entsteht ein strukturelles Risiko: Je plausibler, konsistenter und souveräner KI-Ergebnisse erscheinen, desto größer ist die Versuchung, menschliche Urteilskraft auf eine bloße Abnahmerolle zu reduzieren. Zustimmung wird zur Routine, Zweifel eher die Ausnahme. Human-in-the-Loop darf deshalb nicht als formaler Kontrollhaken am Ende des Produktionsprozesses ausgedeutet werden, sondern als institutionalisierte Entscheidungspraxis.

Für Redaktionen bedeutet das: Es braucht klar definierte Review-Pfade. Wer prüft KI-gestützte Inhalte? In welcher Phase des redaktionellen Workflows? Mit welcher Entscheidungsbefugnis? Und mit welcher Verantwortung bei Fehlern? Ohne solche Klärungen droht die Verantwortung zwischen Mensch und Maschine zu oszillieren – oder stillschweigend doch an das System delegiert zu werden.

Instrumente wie das Vier-Augen-Prinzip, verbindliche Freigaberegeln oder explizit definierte Rollenprofile – etwa KI-Editor:innen oder Review-Verantwortliche – sind in diesem Zusammenhang keine Bürokratie, sondern organisationale Sicherheitsnetze. Sie schaffen Klarheit darüber, dass KI zweifellos (gute) Vorschläge liefern kann, Entscheidungen, sie zu veröffentlichen, jedoch immer menschlich getroffen werden. Wegweisend ist nicht die formale Existenz solcher Rollen, sondern ihre tatsächliche Anwendung im redaktionellen Alltag.

Human-in-the-Loop ist also nicht nur eine Frage von Prozessen, sondern vor allem einer gefestigten Redaktionskultur. Das Prinzip funktioniert nur dort, wo Widerspruch ausdrücklich erlaubt – ja erwartet – ist. Journalist:innen müssen das Recht und die Pflicht haben, maschinelle Vorschläge zu hinterfragen, zu verwerfen oder zu überschreiben, ohne dies rechtfertigen zu müssen. Resiliente Redaktionen fördern genau diese Haltung: KI ist Assistenz, kein Menschenersatz.

Ein zentrales Risiko besteht jedoch darin, dass menschliche Kontrolle zwar formal vorgesehen ist, faktisch aber unter Zeitdruck, Ressourcenknappheit oder Routine ausgehöhlt werden kann. Wo Review-Schritte zur bloßen Formsache werden, verliert der Human-in-the-Loop seine Schutzfunktion. Deshalb ist es zielführend, Verantwortungsdiffusion nicht nur zu dokumentieren, sondern regelmäßig zu reflektieren: Wo wird KI tatsächlich nachgeprüft? Wo wird sie nur noch abgenickt?

Der zentrale Resilienz-Effekt dieses Handlungsfelds liegt deshalb in der Re-Personalisierung von Verantwortung: Operativ sichern klare Human-in-the-Loop-Strukturen journalistische Sorgfaltspflichten ab und reduzieren Fehlerrisiken. Kulturell stärken sie das professionelle Selbstverständnis und die Bereitschaft zum kritischen Urteil. Institutionell machen sie Verantwortung überprüfbar – nach innen wie nach außen. Sie signalisieren: Auch im KI-Zeitalter bleibt Journalismus eine menschliche Entscheidungspraxis, unterstützt durch Technologie, aber nicht von ihr maßgeblich gesteuert. 

Innerhalb des Gesamtframeworks fungiert Human-in-the-Loop somit als Scharnier zwischen Technik und Ethik. Ohne klare Verantwortungszuordnung bleiben Transparenzmaßnahmen hohl und eine redaktionelle Fehlerkultur wirkungslos. Erst dort, wo menschliche Entscheidungsmacht explizit verankert ist, können Effizienzgewinne mit journalistischer Integrität verbunden werden. Human-in-the-Loop ist, im Ganzen gesehen, keine technische Option, sondern eine demokratische Mindestbedingung des professionellen Journalismus.

Die explizite Rollenklärung, wie sie das Framework mit der Idee eines ,KI-Editors‘ oder vergleichbarer Verantwortlichkeiten vorschlägt, stellt daher einen qualitativen Fortschritt dar. Verantwortung wird hier eben nicht nur behauptet, sondern personell verortet – womit der Human-in-the-Loop von einer abstrakten Kontrollidee zu einer integrierten organisationalen Rolle wird.

 

Handlungsfeld 3: Quellen- & Datenvertrauen:Warum digitale Souveränität bei sensiblen Informationen beginnt

Quellenschutz ist kein Nebenprodukt journalistischer Arbeit, sondern ihr Fundament. Anders gesagt: Ohne das Vertrauen von Informant:innen gäbe es keine investigativen Recherchen, ohne Datensicherheit keine glaubwürdige Redaktion. Mit dem Einsatz von KI geraten genau diese Grundlagen unter Druck – oft leise, indirekt und deshalb besonders gefährlich. Denn KI-Systeme verändern nicht nur, was verarbeitet wird, sondern wo und wie Informationen zirkulieren.

Viele heute verbreitete KI-Anwendungen arbeiten cloudbasiert, greifen auf externe Infrastrukturen zu und speichern Eingaben zumindest temporär. Für journalistische Arbeit ist das hochproblematisch. Recherchematerial, Interviewnotizen, vertrauliche Dokumente oder interne Analysen sollten nicht unkontrolliert in externe Systeme eingespeist werden – weder absichtlich noch aus Unachtsamkeit. Quellenvertrauen ist binär: Es besteht oder es wird – mitunter irreversibel – beschädigt. 

KI-Resilienz beginnt deshalb bei der bewussten Gestaltung von Datenflüssen. Redaktionen müssen wissen, welche Informationen in welche Systeme gelangen, wer Zugriff hat und was mit diesen Daten geschieht – technisch wie organisatorisch. On-Premise-Modelle, abgeschottete Datenräume, klare Regeln zur Prompt-Hygiene und verbindliche Klassifikationen sensibler Inhalte sind keine optionalen Sicherheitsmaßnahmen, sondern Voraussetzungen journalistischer Integrität im KI-Zeitalter.

Dabei geht es nicht nur um IT-Sicherheit im engen Sinn, sondern um digitale Souveränität. Wer sich vollständig auf proprietäre Systeme verlässt, gibt Kontrolle ab – über Daten, über Arbeitsprozesse und über die eigene Unabhängigkeit. Die in Kapitel 5 diskutierten Ansätze für gemeinwohlorientierte Infrastrukturen – etwa GAIA-X oder Public-Interest-KI-Initiativen – könnten diese Abhängigkeit idealiter reduzieren. Doch die Umsetzungen zeigen: Solche Infrastrukturen sind fragmentiert, unterfinanziert und bieten bislang keine einsatzfertigen journalistischen Anwendungen. 

Besonders heikel ist es allerdings dort, wo KI-Systeme implizit ‚lernen‘ oder journalistische Inputs für deren Trainings- oder Optimierungszwecke verwendet werden. Selbst wenn Anbieter versichern, keine Trainingsdaten zu speichern, bleibt für Redaktionen ein strukturelles Restrisiko bestehen. Quellen- und Datenvertrauen ist daher nicht nur eine juristische oder technische, sondern eine politische Frage. Sie berührt das Machtverhältnis zwischen Redaktion und Technologieanbietern ebenso wie das Verhältnis zwischen Redaktion und Quelle. Wer nicht garantieren kann, dass sensible Informationen geschützt bleiben, verliert seine Fähigkeit zur kritischen Berichterstattung – unabhängig von formalen Zusicherungen.

Ein oft unterschätzter Aspekt ist dabei die Rolle von Routinen. Viele Datenschutzverletzungen entstehen nicht durch böse Absicht, sondern durch Alltagspraxis: das schnelle Kopieren von Texten in ein KI-Tool, das beiläufige Zusammenfassen eines Interviews, das Hochladen eines Dokuments ‚nur zur Strukturierung‘. Ohne klare Regeln zur Prompt-Hygiene und entsprechende Schulungen entstehen so schleichende Risiken, die sich der individuellen Kontrolle entziehen.

Deshalb gehört Quellen- und Datenvertrauen untrennbar mit Kompetenzaufbau und Governance verknüpft. Technische Schutzmaßnahmen allein reichen nicht aus, wenn Redaktionen nicht wissen, wie KI-Systeme ihre Daten verarbeiten – und wo die Grenzen liegen. Umgekehrt bleiben Schulungen wirkungslos, wenn organisatorische Schutzräume fehlen. Resiliente Redaktionen denken Schutz und Kompetenz demnach zusammen. Der Resilienz-Effekt dieses Handlungsfelds liegt im Schutz des journalistischen Wesenskerns. Redaktionen, die Daten- und Quellensicherheit konsequent mitdenken, sichern ihre Fähigkeit zu investigativer, kritischer und unabhängiger Berichterstattung auch unter KI-Bedingungen. Sie signalisieren nach innen wie nach außen: Effizienz darf niemals auf Kosten von Vertrauen gehen.

Im Gesamtframework fungiert Quellen- und Datenvertrauen als Schutzschild gegen strukturelle Abhängigkeiten. Ohne dieses Handlungsfeld verlieren Transparenz, Human-in-the-Loop und Ethik ihre Substanz. Denn wo Datenflüsse unkontrolliert sind, wird Verantwortung faktisch entkoppelt. KI-Resilienz bedeutet hier: Kontrolle über die sensibelsten Informationen behalten – auch dann, wenn technologische Lösungen verlockend einfach erscheinen.

Die hier vorgeschlagenen Maßnahmen – von strikter Prompt-Hygiene über abgeschottete Datenräume bis hin zu On-Premise-Modellen – übersetzen klassische Prinzipien des Quellenschutzes erstmals konsequent in KI-Architekturen. Genau darin liegt ein zentrales Unterscheidungsmerkmal dieses Frameworks: Digitale Souveränität wird nicht postuliert, sondern praktisch gestaltet.

 

Handlungsfeld 4: Forensik & Verifikation:Warum Wahrheitsprüfung zur Infrastrukturfrage wird

Forensik und Verifikation gehörten immer zum journalistischen Handwerkszeug. Quellen prüfen, Aussagen gegenrecherchieren, Material kontextualisieren – all das ist kein neues Geschäft. Doch mit dem Aufkommen generativer KI verschiebt sich die Bedeutung dieser Praktiken grundlegend. Was früher primär eine Frage von Sorgfalt, Erfahrung und Gegenchecks war, wird heute zu einer permanenten infrastrukturellen Herausforderung.

Denn KI produziert nicht nur falsche Informationen. Sie produziert plausible Fälschungen. Deepfakes, synthetische Stimmen, KI-generierte Bilder, Texte und Videos unterlaufen klassische Plausibilitätsmarker. Fehler sind nicht mehr grob oder leicht erkennbar, sondern sprachlich sauber, visuell überzeugend und kontextuell anschlussfähig. Genau darin liegt ihre besondere Perfidie. Die Grenze zwischen authentischem Material und Simulation wird systematisch porös.

Für Redaktionen bedeutet das: Verifikation darf nicht länger als nachgelagerter Prüfschritt verstanden werden, der unter Zeitdruck möglichst schnell ‚mitläuft‘. Sie muss integraler Bestandteil redaktioneller Prozesse werden. Die zentrale Frage lautet nicht mehr nur: Stimmt diese Information? Sondern: Unter welchen technischen, visuellen und datenbezogenen Bedingungen ist sie entstanden? KI verschiebt diese Beweislast: Nicht mehr die Fälschung muss außergewöhnlich gut sein – die Prüfung muss außergewöhnlich präzise werden.

Damit wächst der Bedarf an forensischer Kompetenz auf mehreren Ebenen zugleich: technisch, organisatorisch und edukativ. Es reicht nicht aus, einzelne Tools oder Verfahren zu beherrschen. Redaktionen müssen verstehen, wie KI-generierte Inhalte gemacht und in Umlauf gebracht werden, wo ihre Schwächen liegen und welche neuen Manipulationslogiken sich daraus ergeben. Forensik wird damit zur Voraussetzung journalistischer Arbeit im KI-Zeitalter.

Ein zentraler Baustein ist der systematische Einsatz von OSINT-Methoden (Open Source Intelligence) und Verifikations-Toolkits. Dazu gehören klassische Verfahren wie Reverse Image Search, Metadatenanalyse oder Quellenhistorien ebenso wie neuere Instrumente zur Erkennung synthetischer Inhalte. Deepfake Detection, Audio-Forensik oder Bildartefakt-Analysen sind keine Spezialthemen mehr für Ausnahmefälle, sondern zunehmend Teil des Alltagsgeschäfts.

Entscheidend ist jedoch nicht das einzelne Werkzeug, sondern seine institutionelle Verankerung. Verifikation darf nicht an einzelne Spezialist:innen delegiert werden, während der Rest der Redaktion unter Produktionsdruck darauf verzichtet. Sie muss als kollektive Kompetenz verstanden werden. Nur so lässt sich verhindern, dass forensisches Wissen lediglich punktuell vorhanden, nicht aber alltagstauglich ist .

Hinzu kommt eine zweite Ebene, die in vielen Redaktionen bislang unterbelichtet ist: die proaktive Auseinandersetzung mit Manipulationsszenarien. Einige Medienhäuser experimentieren bereits mit so genannten Red Teams, die gezielt Desinformationskampagnen, Deepfake-Szenarien oder KI-Missbrauch simulieren.¹²⁸ Solche Übungen sind mehr als technische Tests oder Sicherheitsexperimente: Sie schärfen das organisationale Problembewusstsein und machen sichtbar, wo Prozesse anfällig sind, wo Zuständigkeiten unklar bleiben und wo redaktionelle Routinen ausgenutzt werden könnten.

Gleichzeitig berührt Forensik eine kommunikative Dimension: In einer Öffentlichkeit, die zunehmend von Unsicherheit geprägt ist, reicht es nicht aus, Fälschungen intern zu erkennen. Redaktionen müssen ihre Prüfprozesse auch nach außen hin erklärbar machen. Transparente Verifikation, nachvollziehbare Korrekturen und offene Kommunikation über Unsicherheiten werden selbst zu Vertrauenssignalen. Forensik ist damit nicht nur ein Schutzschild gegen Desinformation, sondern Bestandteil journalistischer Beziehungsarbeit.

Der Resilienz-Effekt dieses Handlungsfelds liegt daher nicht in der Illusion vollständiger Sicherheit als in der Fähigkeit, mit Unsicherheit professionell und agil umzugehen. Redaktionen, die forensische Kompetenz systematisch aufbauen, stärken ihre Abwehrfähigkeit gegen Manipulation – und zugleich ihre Glaubwürdigkeit als Institutionen, die Wahrheit nicht behaupten, sondern begründen. In einer KI-geprägten Öffentlichkeit wird Verifikation damit zur Kernkompetenz demokratischer Öffentlichkeitspflege.

Internationale Best Practices – etwa spezialisierte Verifikationseinheiten wie AFP Fact Check oder BBC Verify – zeigen, dass einzelne Werkzeuge allein nicht ausreichen. Der Stand von Forschung und Praxis verweist vielmehr auf die Kombination aus OSINT-Methoden, technischer Deepfake-Erkennung und simulationsbasierten Red-Team-Ansätzen. Genau diese Kombination entspricht auch den Empfehlungen aktueller Desinformations- und Sicherheitsforschung.

Hier greift das Framework systematisch ein. Forensik wird nicht als Spezialdisziplin für Ausnahmefälle behandelt, sondern als organisatorische Infrastruktur. Sie reagiert direkt auf jene strukturellen Brüche, die in den vorherigen Kapiteln beschrieben wurden: den Übergang von offensichtlicher Fälschung zu plausibler Simulation, von klaren Lügen zu probabilistisch erzeugten Wirklichkeiten.

Im Zusammenspiel mit Transparenz, Human-in-the-Loop und Ethik wird Forensik zu einem stabilisierenden Element redaktioneller KI-Resilienz. Sie sichert nicht nur Inhalte ab, sondern schützt die Fähigkeit des Journalismus, Öffentlichkeit als Raum recherchierter und überprüfter Wahrheit aufrechtzuerhalten – auch unter Bedingungen technologischer Unsicherheit.

 

Handlungsfeld 5: Ethik & Accountability: Warum Verantwortung im KI-Zeitalter neu verankert werden muss

Ethik im Journalismus war nie verhandelbar. Sie war stets gebunden an konkrete Personen, Rollen und Entscheidungen: Wer recherchiert? Wer entscheidet über Veröffentlichung? Wer korrigiert Fehler – und wer steht öffentlich dafür ein? Diese klare Zuordenbarkeit von Verantwortung gehörte lange zu den stillen Voraussetzungen journalistischer Glaubwürdigkeit. Mit dem Einsatz von KI gerät genau dieses Gefüge unter Druck.

Wenn KI-Systeme Themen vorschlagen, Informationen gewichten, Texte formulieren, Sprache glätten, entstehen Entscheidungen nicht mehr ausschließlich im bewussten Urteil einzelner Journalist:innen, sondern werden technisch vorbereitet. Verantwortung wird dadurch tendenziell diffus. Und in dieser Diffusion steckt eines der größten Risiken für die journalistische Integrität unter KI-Vorzeichen.

Viele aktuelle KI-Leitlinien reagieren darauf mit ethischen Grundsätzen: Fairness, Transparenz, Nichtdiskriminierung, menschliche Aufsicht. Diese Prinzipien sind wichtig, aber sie bleiben oft folgenlos, solange sie nicht institutionell verankert werden. Die zentrale Frage lautet daher nicht, welche Werte vertreten werden, sondern: Wer trägt wann wofür Verantwortung – auch dann, wenn die KI beteiligt ist? Genau an diesem Punkt setzt das Resilienz-Framework an: Es verschiebt den Fokus von abstrakter Ethik hin zu Accountability – also zu überprüfbarer, sichtbarer Verantwortung innerhalb der Organisation.

Ein zentraler Hebel dafür ist die explizite Benennung von Zuständigkeiten. Einige Redaktionen experimentieren bereits mit neuen Rollenmodellen – etwa KI-Editor:innen, Review-Verantwortlichen oder internen Governance-Gremien. Entscheidend ist dabei nicht die Jobbezeichnung, sondern die dahinterliegende Logik: Verantwortung darf nicht implizit bleiben. Sie muss benannt, dokumentiert und überprüfbar sein. Nur so lässt sich verhindern, dass sich Entscheidungen hinter Technik, Prozessen oder kollektiver Unschärfe verstecken.

Eng damit verbunden ist die Frage der Fehlerkultur. KI-Systeme produzieren keine Fehler im klassischen Sinn. Sie liefern Ergebnisse, die statistisch plausibel, aber faktisch falsch sein können. Wenn solche Fehler auftreten, entsteht schnell eine neue Das-hat-die-KI-gemacht-Ausrede. Diese schleichende Verschiebung ist strukturell gefährlich. Sie entlastet kurzfristig, untergräbt aber langfristig die Grundlage journalistischer Glaubwürdigkeit: die Bereitschaft, für eigene Entscheidungen einzustehen.

Resiliente Redaktionen brauchen deshalb explizite Regeln für den Umgang mit KI-Fehlern. Wie werden sie erkannt? Wie werden sie korrigiert? Und wie werden sie kommuniziert? Transparente Korrekturmechanismen, klare Eskalationspfade und offene Fehlerkommunikation sind in diesem Kontext kein Makel, sondern ein Ausdruck institutioneller Stärke. Sie zeigen dem Publikum: Verantwortung wird nicht delegiert – weder an Maschinen noch an anonymisierte Prozesse.

Ethik im KI-Zeitalter bedeutet darüber hinaus, Entscheidungen nicht nur retrospektiv zu rechtfertigen, sondern prospektiv zu reflektieren. Interne Ethik-Boards, Redaktionskonferenzen zu Grenzfällen oder regelmäßige Reflexionsformate schaffen Räume, in denen Unsicherheit zirkulieren darf. Sie ermöglichen es, Spannungen frühzeitig zu erkennen: Wo verzerrt KI journalistische Perspektiven? Wo verstärkt sie Machtasymmetrien? Wo kollidiert Effizienz mit öffentlicher Verantwortung?

Der Resilienz-Effekt dieses Handlungsfelds liegt in der Rückbindung von Technik an Verantwortung. Redaktionen, die Ethik und Accountability systematisch verankern, stärken nicht nur ihre interne Klarheit, sondern auch ihre öffentliche Legitimität. Sie machen sichtbar, dass KI-Einsatz kein Selbstzweck ist, sondern Teil einer professionellen, rechenschaftspflichtigen Praxis. In einer Zeit, in der immer mehr Entscheidungen technisch vorbereitet werden, wird diese Sichtbarkeit von Verantwortung zur zentralen Währung des Vertrauens.

Handlungsfeld 6: Kompetenzaufbau, Weiterbildung und Organisationslernen: Warum KI-Resilienz ohne Lernen nicht zu haben ist

KI-Resilienz ist kein Zustand, den Redaktionen einmal erreichen und anschließend abhaken können. Sie ist ein fortlaufender Prozess. Und dieser Prozess ist ohne systematischen Kompetenzaufbau nicht denkbar. Gerade hier zeigt sich eine der größten Schwächen vieler gegenwärtiger KI-Strategien im Medienbereich: Sie setzen auf Tools, Pilotprojekte und punktuelle Trainings, ohne Lernen als dauerhafte redaktionelle Kernaufgabe zu projektieren.

Die Ausgangslage ist dabei paradox. Einerseits wächst der Erwartungsdruck, KI produktiv einzusetzen, rapide – aus ökonomischen Gründen, aus Effizienzerwägungen, aus Konkurrenzangst. Andererseits fühlen sich viele Journalist:innen unzureichend vorbereitet. Die Folge ist ein gefährliches Kompetenzgefälle: Einige wenige werden zu informellen KI-Expert:innen, während andere KI entweder meiden oder unkritisch nutzen. Beides untergräbt die organisationale Resilienz. Denn resiliente Organisationen zeichnen sich durch verteilte, anschlussfähige Kompetenz aus.

Kompetenzaufbau im KI-Zeitalter darf deshalb nicht auf Tool-Einweisungen reduziert werden. Es reicht nicht, zu erklären, wie man Prompts formuliert oder welche Software wofür geeignet ist. Entscheidend ist ein grundlegendes Verständnis davon, wie KI-Systeme funktionieren, wo ihre Grenzen liegen und welche strukturellen Risiken mit ihrem Einsatz verbunden sind. Wer nicht versteht, dass KI probabilistisch arbeitet, dass sie keine Wahrheit kennt und dass sie systematisch verzerren kann, wird ihre Ergebnisse entweder überschätzen – oder reflexhaft ablehnen.

Für Redaktionen bedeutet das: KI-Kompetenz ist heute Teil journalistischer Grundbildung. Ähnlich wie Recherchemethoden, Quellenkritik oder Presserecht muss auch KI-Resilienz strukturell verankert werden. Dazu gehören Basismodule, die technisches Grundverständnis, rechtliche Rahmenbedingungen – etwa den EU AI Act – sowie ethische und organisationale Fragen miteinander verbinden. Ziel ist ausdrücklich nicht, Journalist:innen zu Informatiker:innen zu machen (obwohl es diesen Ansatz in einigen journalistischen Ausbildungen schon gibt oder gegeben hat), sondern zu mündigen Anwender:innen mit Urteilskraft.

Ein zweiter zentraler Baustein ist die Organisation von Lernräumen. KI verändert sich schnell, feste Curricula veralten rasch. Deshalb braucht es Formate, die experimentelles, iteratives Lernen ermöglichen: interne KI-Wikis, Learning Sprints, Redaktionslabs oder temporäre Pilotprojekte mit klarer Auswertungslogik. Entscheidend ist dabei weniger das einzelne Format als die institutionelle Absicherung: Lernen darf nicht als Zusatzbelastung ‚on top‘ organisiert werden, sondern muss Teil der regulären Arbeitszeit sein. 

Ein weiterer kritischer Punkt ist die Übersetzung individuellen Lernens in organisationale Kompetenz. Schulungen entfalten nur dann nachhaltige Wirkung, wenn Wissen dokumentiert, geteilt und aktualisiert wird. Gute Praxis entsteht dort, wo Lernerfahrungen nicht an einzelne Personen gebunden bleiben, sondern in Prozesse, Leitlinien und Routinen überführt werden. Andernfalls entsteht Abhängigkeit von Einzelpersonen – ein klassisches Risiko organisationaler Fragilität.

Organisationslernen bedeutet in diesem Zusammenhang auch, Fehler als Lernanlässe zu begreifen. KI-Experimente werden scheitern. Tools werden falsche Ergebnisse liefern. Prozesse werden angepasst werden müssen. Entscheidend ist nicht, ob Fehler passieren, sondern wie Redaktionen mit ihnen umgehen. Lernende Organisationen schaffen Feedbackschleifen, Reflexionsräume und Möglichkeiten zur Korrektur – ohne Schuldzuweisungen, aber mit klarer Verantwortlichkeit.

Der Resilienz-Effekt dieses Handlungsfelds liegt auf mehreren Ebenen. Kontinuierlicher Kompetenzaufbau reduziert Abhängigkeiten von externen Anbietern, verhindert interne Spaltungen und stärkt die Fähigkeit von Redaktionen, KI souverän einzusetzen – auch unter Zeitdruck. Vor allem wirkt er präventiv gegen Überforderung, Unsicherheit, Ängste und Abwehrreaktionen. KI-Resilienz bedeutet in diesem Sinne also: lernfähig bleiben. Nicht nur individuell, sondern als Organisation. Redaktionen, die Lernen als strategische Ressource begreifen, erhöhen ihre Anpassungsfähigkeit – und sichern damit ihre Handlungsfähigkeit in einem Umfeld, das sich schneller verändert als jede einzelne Technologie.

 

Handlungsfeld 7: Publikumsdialog & Beziehungsarbeit: Warum KI-Resilienz ohne Beziehung nicht funktioniert

Während die vorherigen Handlungsfelder vor allem auf interne Strukturen zielen, öffnet sich hier der Blick nach außen. KI-Resilienz entscheidet sich nicht allein im Maschinenraum der Redaktion, sondern im Verhältnis zum Publikum. Denn Journalismus existiert nicht für sich selbst. Seine Legitimität entsteht dort, wo Menschen ihm Vertrauen schenken, ihn verstehen – oder ihm widersprechen können. Genau dieses Verhältnis wird durch KI tiefgreifend verändert.

Für das Publikum ist KI meist unsichtbar präsent. Texte erscheinen schneller, Antworten wirken glatter, Zusammenfassungen präziser, manchmal auch austauschbarer. Gleichzeitig wächst die Unsicherheit: Wer spricht hier eigentlich? Ein Mensch, ein System oder eine hybride Konstellation? Wird KI eingesetzt, um zu helfen – oder um Arbeit zu verstecken? Schweigen Redaktionen zu diesen Fragen, entsteht Misstrauen. Erklären sie ihren Umgang mit KI, entsteht Anschlussfähigkeit. Publikumsdialog wird damit nicht zur Kür, sondern zur Voraussetzung journalistischer Glaubwürdigkeit.

Entscheidend ist, Dialog nicht mit Transparenz zu verwechseln. Transparenz informiert, Dialog verbindet. Beziehung entsteht dort, wo Redaktionen bereit sind, ihren Einsatz von KI zu erklären, Kritik aufzunehmen und Unsicherheiten auszuhalten. Gerade im KI-Kontext ist das entscheidend: Viele Fragen lassen sich nicht abschließend beantworten. Resilienz entsteht deshalb auch nicht durch perfekte Antworten, sondern durch Gesprächsbereitschaft.

Konkret heißt das: KI-Einsatz muss explizit Teil redaktioneller Dialogformate werden. Ask-Me-Anything-Sessions, Redaktionsgespräche, Publikumskonferenzen oder Newsletter können genutzt werden, um offenzulegen, wo KI hilft, wo sie begrenzt ist und wo Menschen entscheiden. Nicht jede Redaktion braucht neue Formate; oft reicht es, bestehende redaktionelle Beteiligungsformate um die KI-Frage zu erweitern. Entscheidend ist, dass KI nicht als technisches Detail behandelt wird, sondern als Thema bewusster öffentlicher Aushandlung.

Gleichzeitig eröffnet KI neue Möglichkeiten partizipativer Formate. Community-orientierte KI-Projekte – etwa bei Datenrecherchen, Themenclustern oder der Auswertung großer Dokumentensätze – können genutzt werden, um Publikum aktiv einzubeziehen. Wichtig ist dabei die Gestaltung: KI darf nicht zum Ersatz für Beteiligung werden, sondern zum Anlass für sie. Resiliente Redaktionen nutzen Technologie, um Dialog zu vertiefen – nicht, um Distinktion oder Distanz zu begründen.

Ein besonders sensibler Punkt ist der Umgang mit Publikumsfeedback. KI kann helfen, Rückmeldungen zu sortieren, Muster zu erkennen oder Themen zu priorisieren. Doch Automatisierung darf hier nicht das Zuhören ersetzen. Beziehung ist kein Datensatz, sondern ein Prozess. Wer Feedback nur noch algorithmisch verarbeitet, riskiert, die emotionale Dimension von Öffentlichkeit zu verlieren – und damit genau jene Vertrauensbasis, auf die Journalismus angewiesen ist.

Der Resilienz-Effekt dieses Handlungsfelds liegt in der Rückbindung journalistischer Arbeit an ihre soziale Funktion. Redaktionen, die ihren KI-Einsatz erklärbar machen und Dialog aktiv gestalten, schaffen eine Pufferzone gegen Vertrauensverluste und stärken im gleichen Schritt die Medienkompetenz des Publikums.

Hier zeigt sich die größte Leerstelle bestehender KI-Leitlinien. Während Transparenz vielfach adressiert wird, bleibt der systematische Dialog mit dem Publikum meist außen vor – oder wird nicht als Gegengewicht zur technischen Hypertrophie verstanden. Nur wenige Ausnahmen – etwa erklärende KI-Formate im KI-Kontext von Q&A-Formaten mit Leserfragen wie bei „LeMonde“, einem KI-gestützten Publikums-Interface wie bei der Washington Post oder bei eher traditionellen dialogischen Redaktionsansätzen wie bei „ProPublica“ oder beim „Guardian“¹²⁹– deuten an, welches Potenzial hier gehoben werden kann. Indem dieses Framework jedoch den Publikumsdialog als eigenständiges Handlungsfeld definiert, verlängert es KI-Resilienz konsequent über die Redaktion hinaus in die Öffentlichkeit. KI wird nicht nur erklärt, sondern gemeinsam mit den Mediennutzenden verhandelt. Genau darin liegt seine demokratische Qualität.

Die Stärke dieses Frameworks zeigt sich gerade hier besonders deutlich: KI-Resilienz bedeutet dann nicht nur, Technik zu kontrollieren, sondern Vertrauen aktiv zu pflegen. Nicht durch Inszenierung oder Perfektion, sondern durch Gesprächsbereitschaft, Erklärbarkeit und Präsenz. In einer zunehmend synthetischen Öffentlichkeit wird genau diese Fähigkeit der Beziehungspflege zur knappen Ressource – und in der Vertrauensökonomie damit zur eigentlichen Zukunftskompetenz des Journalismus.

 

*****

 

In der Zusammenschau wird deutlich: Die hier entwickelten Handlungsfelder bilden kein loses Nebeneinander einzelner Maßnahmen, sondern ein integriertes Modell. Sie ordnen fragmentierte Leitlinien neu, schließen institutionelle Lücken und machen KI-Resilienz erstmals als organisationsweite Kernkompetenz sichtbar. 

Die folgenden Praxisbeispiele aus internationalen Redaktionen illustrieren daher nicht nur gelungene Ansätze, sondern auch typische Bruchstellen und Warnsignale bei der KI-Integration. Sie machen sichtbar, wo einzelne Handlungsfelder bereits greifen – und wo fehlende Verzahnungen zu Vertrauensverlust, Verantwortungsdiffusion oder institutionellen Krisen führt. Gerade im Vergleich von Best Practices und Fehlentwicklungen zeigt sich, warum KI-Resilienz keine Frage des guten Willens ist, sondern eine Frage organisatorischer Gestaltung.

Das Framework im Praxistest: Best Practices und Warnzeichen

Die zuvor beschriebenen sieben Handlungsfelder bilden den Kern des KI‑Resilienz‑Frameworks. In Kapitel 3 wurde gezeigt, wie sich entlang von zwei Achsen – aktiver KI‑Gestaltung und redaktioneller Souveränität – idealtypische Muster journalistischer KI‑Resilienz ausbilden. Dort stand die Organisation als Ganze im Mittelpunkt: governance‑orientiert, kompetenzgetrieben, ökonomisch motiviert, vorsorgeorientiert oder experimentell.

Dieses Kapitel verfolgt eine andere Perspektive. Es fragt nicht, welches Muster ein Medienhaus insgesamt verkörpert, sondern wie gut einzelne Dimensionen des Frameworks in der Praxis ausgeprägt sind – und was passiert, wenn zentrale Handlungsfelder fehlen oder schlecht verzahnt sind. Das Ziel ist ein Praxistest des Frameworks: Jeder der sieben Bausteine wird mit konkreten Beispielen unterlegt – dort, wo er getragen wird, und dort, wo Leerräume sichtbar werden. 

Die Beispiele sind dabei bewusst selektiv und kontrastierend gewählt. Sie bewerten keine Häuser ‚insgesamt‘, sondern fokussieren auf einzelne Handlungsfelder. Das bedeutet: Ein und dieselbe Redaktion kann in einem Feld als Vorbild gelten und in einem anderen deutliche Defizite zeigen. Gerade diese Fragmentierung ist Ausdruck der aktuellen Übergangsphase: Viele Häuser haben bereits KI‑Policies, einzelne Tools oder Teams etabliert, aber selten ein konsistent verzahntes System. Das KI‑Resilienz‑Framework dient in diesem Kapitel als Vergrößerungsglas, um Best Practices und Warnzeichen zu identifizieren – und zu zeigen, wo aus Insellösungen organisationale Resilienz wird und wo nicht.

 

Handlungsfeld 1: Transparenz & Kennzeichnung – Sichtbarkeit von KI als Vertrauensfrage

Fokus des Frameworks: Dieses Feld adressiert die Frage, wie sichtbar der Einsatz von KI für das Publikum ist – und wie zuverlässig sich Nutzer:innen darauf verlassen können, dass sie über Rolle und Grenzen von KI informiert werden. Transparenz meint hier nicht technische Detailoffenlegung, sondern Erwartungssicherheit: Wann war KI beteiligt, wofür diente sie, und wer trägt Verantwortung?

Best Practices: Sichtbare Selbstverpflichtung: Die BBC hat mit „BBC Verify“ nicht nur eine Verifikationseinheit aufgebaut, sondern macht deren Arbeit explizit sichtbar. In der offiziellen Ankündigung wird „Verify“ als Markenzeichen für Transparenz beschrieben: Das Team aus forensisch arbeitenden Journalist:innen soll offenlegen, wie Fakten geprüft, Bilder verifiziert und Desinformation zurückgewiesen werden. Transparenz richtet sich hier nicht nur auf Inhalte, sondern auf Prüfprozesse – ein zentrales Element des Frameworks.¹³⁰

Der „Guardian“ hat 2023 seinen Editorial Code aktualisiert und darin explizite Leitlinien zur Nutzung generativer KI verankert. Der Code hält fest, dass KI‑Systeme grundsätzlich nicht dazu genutzt werden sollen, Texte oder Bilder zu erzeugen, die direkt in die Berichterstattung eingehen, außer in eng definierten Ausnahmefällen. Solche „exceptional use“‑Fälle müssen von einer verantwortlichen Leitungsperson genehmigt und gegenüber Leser:innen klar gekennzeichnet werden. Damit wird Transparenz zur verbindlichen Pflicht, nicht zur nachträglichen Option.¹³¹

Auch das „Schweizer Radio und Fernsehen“ (SRF) hat Transparenz zum Prinzip gemacht, indem es ein eigenes KI‑Kapitel in seine publizistischen Leitlinien aufgenommen hat. Die Leitlinien orientieren sich an drei Grundprinzipien der SRG – Verantwortung, Transparenz, Vertraulichkeit – und formulieren spezifische Handlungsanweisungen zur Nutzung von KI‑Anwendungen sowie KI‑generierter oder ‑bearbeiteter Texte, Bilder und Audios. KI wird damit nicht „informell“ geregelt, sondern in den normativen Kern des Hauses integriert.¹³²

Warnzeichen: Versteckter KI‑Einsatz und reaktive Offenlegung: Die Auseinandersetzung um „Sports Illustrated“ zeigt, welche Folgen intransparenter KI‑Einsatz haben kann: Recherchen des Magazins „Futurism“ legten 2023 nahe, dass auf der Website Produkttexte unter erfundenen Autor:innen publiziert wurden, inklusive offenbar KI‑generierter Porträtfotos; die Inhalte stammten von einem externen Dienstleister. Nach öffentlicher Kritik wurden entsprechende Beiträge entfernt, der Dienstleister gewechselt und später der CEO des Mutterunternehmens The Arena Group entlassen. Entscheidend für das Framework: Das Problem war nicht nur der mögliche Einsatz von KI, sondern die bewusste Intransparenz gegenüber dem Publikum.¹³³

Bei CNET wurde zwischen 2022 und 2023 ein internes KI‑System genutzt, um Finanzratgeber‑Artikel zu verfassen. Erst nachdem externe Beobachter:innen Fehler entdeckten, wurde offen kommuniziert, dass hier eine „internally designed AI engine“¹³⁴ im Einsatz war. Eine nachträgliche Auswertung ergab, dass 41 von 77 entsprechenden Artikeln Korrekturen benötigten.¹³⁵ Die Korrekturvermerke erschienen erst, nachdem die Praxis öffentlich problematisiert worden war. Transparenz fungierte damit als Schadensbegrenzung, nicht als präventive Praxis.

Fazit: In beiden Positivbeispielen wird Transparenz institutionell verankert: durch Codes, Marken („BBC Verify“) und Leitlinien. Sie schafft einen stabilen Erwartungshorizont für das Publikum und für Mitarbeitende. In den Negativfällen wird KI‑Einsatz erst dann sichtbar, wenn externe Kritik dies erzwingt. Das Framework macht hier deutlich: Fehlende Transparenz ist nicht bloß ein Kommunikationsdefizit, sondern unterminiert die Grundlage aller weiteren Handlungsfelder – insbesondere Ethik, Human‑in‑the‑Loop und Publikumsbeziehung.

 

Handlungsfeld 2: Human‑in‑the‑Loop & Verantwortungszuordnung – Wer entscheidet im Zweifel?

Fokus des Frameworks: Human‑in‑the‑Loop meint im Framework nicht nur einen letzten Kontrollblick, sondern die klare Zuordnung von Verantwortung entlang des Produktionsprozesses: Wer prüft KI‑Outputs wann, mit welcher Autorität und haftet für Fehler?

Best Practices: Klare Rollen und Grenzen: Die „New York Times“ kommuniziert – in öffentlichen Statements und internen Standards – konsequent, dass KI als Werkzeug eingesetzt werden kann, die letztendliche Verantwortung aber bei Journalist:innen bleibt. Experimentelle Projekte (etwa bei Datenanalyse oder Formatentwicklung) werden in dedizierten Teams angesiedelt; KI‑Outputs gelten als Ausgangsmaterial, nicht als fertige Produkte. Human‑in‑the‑Loop ist hier organisatorisch eingebaut, nicht nur postuliert.¹³⁶

Die BBC koppelt KI‑Einsatz systematisch an redaktionelle Verantwortung. In Darstellungen ihrer AI‑Richtlinien wird betont, dass jede Nutzung an den publizistischen Leitlinien und Kernwerten – insbesondere Genauigkeit, Fairness und Unabhängigkeit – gespiegelt werden muss und stets eine verantwortliche redaktionelle Instanz benannt ist.¹³⁷ Auch „BBC Verify“ ist als Service in der Verantwortung der Redaktion angelegt, nicht als ‚automatisierte Wahrheitsmaschine‘.

Die „Associated Press“ hat im August 2023 Leitlinien veröffentlicht, die klar festhalten, dass generative KI nicht zur Erstellung veröffentlichter Texte, Fotos, Videos oder Audios verwendet werden darf. Outputs aus Tools wie ChatGPT werden als „unvetted source material“ behandelt,¹³⁸ das redaktionell zu prüfen ist; zugleich wird Mitarbeitenden explizit abgeraten, vertrauliche oder sensible Informationen in solche Systeme einzugeben.¹³⁹ Damit wird Human‑in‑the‑Loop zur Nicht‑Delegation von Verantwortung: KI darf unterstützen, aber nicht publizistisch entscheiden.

Warnzeichen: De‑facto‑Automatisierung ohne tragfähige Rollen: Beim Technikportal CNET zeigte sich, wie Human‑in‑the‑Loop formal behauptet, aber praktisch ausgehöhlt werden kann. Offiziell sollten alle KI‑Texte von Redakteur:innen gegengelesen werden; faktisch blieben schwerwiegende Fehler – etwa falsche Zinsberechnungen und verwechselte Finanzbegriffe – über Wochen online. Erst nachdem externe Medien die Probleme aufgegriffen hatten, wurden systematische Korrekturen eingeleitet.¹⁴⁰ Die Kontrollinstanz existierte auf dem Papier, hatte aber im Produktionsalltag offenbar nicht genügend Gewicht.

Bei „Gizmodo“ (Rubrik io9) wurde ein KI‑generierter Artikel über die Chronologie von Star‑Wars‑Filmen und ‑Serien mit zahlreichen Fehlern veröffentlicht. Das Stück erschien unter dem Label „Gizmodo Bot“, ohne dass die zuständige Redaktion eigener Aussage zufolge in Erstellung oder Freigabe eingebunden war.¹⁴¹ Hier fungierte KI zeitweise als Parallelredaktion ohne echte Human‑in‑the‑Loop‑Struktur: Die Verantwortung war organisatorisch entkoppelt.

Fazit: Die Beispiele zeigen: Human‑in‑the‑Loop ist nur dann ein resilientes Schutzinstrument, wenn Rollen und Befugnisse klar definiert und im Alltag wirksam sind. Wo Verantwortung aus Bequemlichkeit, Kostendruck oder Tool‑Euphorie an Systeme ,mitwandert‘, entstehen neue Fehlerklassen – und eine gefährliche Grauzone der Verantwortungsdiffusion. Das Framework macht hier deutlich, dass Human‑in‑the‑Loop strukturell – über Rollen, Freigaberoutinen, Eskalationspfade – zu verankern ist, nicht nur rhetorisch.

 

Handlungsfeld 3: Quellen‑ & Datenvertrauen – Digitale Souveränität bei sensiblen Informationen

Fokus des Frameworks: Dieses Feld übersetzt klassischen Quellenschutz in KI‑Infrastrukturen. Zentral ist die Frage, welche Daten in welche Systeme gelangen und wie sich Redaktionen vor unkontrollierbaren Abhängigkeiten schützen.

Best Practices: Bewusste Begrenzung und geschützte Räume: Die Associated Press koppelt ihre generellen KI‑Leitlinien explizit an Datenschutz und Vertraulichkeit. Mitarbeitende werden angehalten, keine KI-generierten Inhalte zu veröffentlichen, Outputs nur als ungeprüftes Rohmaterial zu nutzen und vertrauliche Daten zu schützen.¹⁴² Praktisch heißt das: Für investigatives Material, vertrauliche Dokumente oder Identitäten von Hinweisgeber:innen werden cloudbasierte Gen‑KI‑Dienste nicht genutzt. Digitale Souveränität wird durch Selbstbegrenzung gesichert.

Das SRF nutzt KI nach eigenen Angaben unter anderem für Transkription und technische Unterstützung, verankert die Grundprinzipien Verantwortung, Transparenz und Vertraulichkeit aber explizit in seinen Leitlinien und Handlungsanweisungen zur Nutzung von KI‑Anwendungen sowie KI‑generierten oder ‑bearbeiteten Inhalten.¹⁴³ Damit sind die sensibelsten Punkte – Umgang mit Material, das Rückschlüsse auf Quellen zulässt – normativ adressiert, selbst wenn nicht jede Einzelsituation detailliert geregelt ist.

Das Transkripitions-Tool „Good Tape“, das vom dänischen Medium „Zetland“ hervorgegangen ist, illustriert eine weitere Form von Quellen‑ und Datenvertrauen. Der Dienst verspricht explizit, Audio‑Dateien verschlüsselt auf europäischen Servern zu speichern, keine Trainingsdaten daraus abzuleiten und keine Daten mit Dritten zu teilen.¹⁴⁴ Für Redaktionen, die auf automatisierte Transkription angewiesen sind, schafft dies einen abgeschotteten Datenraum, der deutlich näher an klassischen Quellenschutz‑Standards liegt als generische Cloud‑Services.

Warnzeichen: Strukturelle Abhängigkeiten und agentische KI: Das Netzwerk „Ippen Digital“ experimentiert offensiv mit KI‑gestützter Skalierung von Inhalten. Berichte vom European Publishing Congress und Fachnewsletter zeigen, wie tausende lokal zugeschnittene Wahlergebnis‑Artikel mit Hilfe großer Sprachmodelle generiert wurden – auf Basis eines sehr umfangreichen Prompts und unter starker Automatisierung. Parallel dazu kommuniziert Ippen Digital Pläne, „agentische KI“ einzusetzen,¹⁴⁵ die komplexe Arbeitsabläufe weitgehend selbständig ausführt. Öffentlich einsehbare Materialien konzentrieren sich auf Effizienz und Reichweite; Fragen nach Trennung sensibler von nicht sensiblen Daten, On‑Prem‑Lösungen oder klaren Sperrzonen für vertrauliche Inhalte werden bislang kaum adressiert.¹⁴⁶

Auch beim Einsatz externer Dienste – etwa cloudbasierter Transkriptionstools, automatischer Übersetzung oder KI-gestützter Textanalyse – ist aus öffentlich zugänglichen Informationen oft nicht klar, welche Daten wohin fließen und unter welchen Bedingungen sie weiterverarbeitet werden. Das ist weniger ein spezifischer Vorwurf an ein Haus als ein strukturelles Muster: Cloud-Abhängigkeit ohne ausreichende Governance.

Fazit: Quellen‑ & Datenvertrauen ist im Framework das Handlungsfeld, das besonders stark von externen Infrastrukturen geprägt ist. Best‑Practice‑Beispiele zeigen, dass sich Risiken durch klare Verbote (AP) und prinzipienbasierte Leitlinien (SRF) zumindest begrenzen lassen. Tools wie „Good Tape“ demonstrieren, dass es alternative, quellenverträglichere Lösungen geben kann. Wo hingegen agentische KI und großskalige Automatisierung vorangetrieben werden, ohne Datenflüsse transparent und differenziert zu regeln, entstehen strukturelle Verwundbarkeiten, die sich durch andere Handlungsfelder (z.B. Ethik oder Transparenz) nur begrenzt kompensieren lassen.

 

Handlungsfeld 4: Forensik & Verifikation – Wahrheitsprüfung als Infrastruktur

Fokus des Frameworks: Dieses Feld verankert Verifikation nicht als individuellen Reflex, sondern als institutionelle Infrastruktur: spezialisierte Teams, Tools und Routinen zur Erkennung synthetischer Inhalte, Deepfakes und manipulierten Materials.

Best Practices: Institutionalisierte Prüfkompetenz: Dadurch, dass die BBC 2023 mit „BBC Verify“ eine eigenständige Marke geschaffen hat, die forensische Recherche, OSINT‑Methoden, Datenanalyse und Deepfake‑Prüfung bündelt, arbeitet das Team sichtbar über Formate und Plattformen hinweg; seine Existenz signalisiert: Verifikation ist ein eigener, ressourcenstarker Arbeitsbereich, kein beiläufiger Prüfschritt.

Internationale Agenturen wie „Reuters“ und „Agence France-Presse“ (AFP) haben spezialisierte Fact‑Checking‑Teams aufgebaut, die systematisch mit OSINT‑Toolkits, Verifikationssoftware und forensischer Bild‑ und Videoanalyse arbeiten. Berichte über den KI‑Einsatz bei „Reuters“ beschreiben Pläne, automatisierte Unterstützung bei der Verifikation von Quellen und Informationen weiter auszubauen.¹⁴⁷ Damit wird forensische Arbeit schrittweise in die technische Infrastruktur eingebettet.

Die Kombination aus analogen Recherchetechniken, spezialisierten Teams und digitalen Tools findet sich auch bei Häusern wie der „New York Times“, deren Daten‑ und Visual‑Investigations‑Teams regelmäßig offenlegen, wie sie Bild‑, Video‑ und Dokumentenmaterial prüfen. Solche Einheiten sind weniger an einzelne Technologien gebunden als an eine Methodenkultur der Überprüfung.

Warnzeichen: Verifikation als nachgelagerte Formalie: Der Fall CNET zeigt, dass fehlende systematische Verifikation unmittelbar zu Qualitätsproblemen führen kann. Die KI‑generierten Finanzartikel wiesen nicht nur vereinzelte Tippfehler, sondern strukturelle Rechen‑ und Begriffsfehler auf, etwa zur Verzinsung von Sparprodukten oder zur Unterscheidung von APR (Effektiver Jahreszins/Annual Percentage Rate) und APY (Jährliche prozentuale Rendite/Annual Percentage Yield).¹⁴⁸ Erst eine nachträgliche Überprüfung ergab, dass mehr als die Hälfte der Artikel Korrekturen benötigte. Hier fehlte eine forensische Instanz, die KI‑Outputs als zu prüfendes Rohmaterial behandelt.

Bei „Gizmodo“/„io9“ wurde der bereits erwähnte fehlerhafte Star‑Wars‑Artikel zunächst ohne Prüfung veröffentlicht und erst im Nachgang öffentlich als problematisch markiert. Weder existierte ein etabliertes Verifikationsteam für solche Inhalte, noch wurden Leser:innen proaktiv durch transparente Darstellung der Prüfschritte eingebunden.

Fazit: Forensik & Verifikation verschiebt im Framework die Perspektive von ‚Stimmt diese Information?‘ zu ‚Unter welchen Bedingungen ist sie entstanden und geprüft worden?‘. Institutionalisierte Einheiten wie „BBC Verify“ oder Fact‑Checking‑Teams schaffen eine organisationale Prüfkapazität, die nicht allein von individueller Erfahrung abhängt. Fehlende Strukturen, wie in den Negativbeispielen, führen dazu, dass KI‑Fehler erst durch externe Kritik sichtbar werden – ein klassisches Zeichen mangelnder Resilienz.

 

Handlungsfeld 5: Ethik & Accountability – Governance gegen Verantwortungsdiffusion

Fokus des Frameworks: Ethik & Accountability meint geregelte Rechenschaftsmechanismen: Wer entscheidet über KI‑Einsatz, wie werden Konflikte bearbeitet, wie geht ein Haus mit Fehlern um?

Best Practices: Ethik als sichtbare Selbstbindung. Der im Jahr 2023 aktualisierte Editorial Code des „Guardian“ verknüpft KI‑Einsatz mit klaren Verantwortlichkeiten. Generative KI soll nur in Ausnahmefällen Inhalte erzeugen, die direkt veröffentlicht werden. Solche Fälle müssen von einer verantwortlichen Führungsperson genehmigt und für Leser:innen gekennzeichnet werden. Ethik wird hier als Governance‑Instrument operationalisiert, nicht als abstrakter Wert.

Die „New York Times“ arbeitet seit langem mit Standards‑ und Ethik‑Teams, die redaktionelle Dilemmata begleiten und Korrekturprozesse verantworten. Öffentliche „Corrections“-Rubriken und interne Richtlinien zur Kennzeichnung und Korrektur von Fehlern machen Accountability verfahrenstechnisch überprüfbar. In Diskussionen um KI wird immer wieder betont, dass Verantwortung beim Menschen bleibt, auch wenn Tools Teile der Arbeit übernehmen.

Die jüngere Partnerschaft zwischen „Axios“ und OpenAI (Januar 2025) enthält eine klare Aufgabentrennung: OpenAI finanziert und unterstützt die Expansion lokaler Newsletter in vier Städten (Pittsburgh, Kansas City, Boulder, Huntsville), liefert technische Infrastruktur und ermöglicht die Nutzung von Axios-Inhalten in ChatGPT-Antworten. Zugleich betont „Axios“-CEO Jim VandeHei, dass KI nicht dazu genutzt werde, Nachrichtenartikel zu schreiben, sondern um eine Infrastruktur für die Erstellung, Distribution und Monetarisierung unseres Journalismus aufzubauen.¹⁴⁹ Die Vereinbarung zielt auf die Förderung von Qualitätsberichterstattung mit Fokus auf Lokaljournalismus, wie OpenAI proklamiert.¹⁵⁰ Die redaktionelle Verantwortung und die Erstellung der Inhalte soll gemäß der Vereinbarung explizit bei „Axios“-Journalist:innen verbleiben. Das ist kein umfassender Ethikkodex, zeigt aber: Externe Technologiepartnerschaften lassen sich so gestalten, dass Verantwortung explizit bei der Redaktion verortet bleibt. Das ist kein umfassender Ethikkodex, zeigt aber: Externe Technologiepartnerschaften lassen sich so gestalten, dass Verantwortung explizit bei der Redaktion verortet bleibt. 

Warnzeichen: Intransparente Entscheidungen und fehlende Aufarbeitung. Im Fall „Sports Illustrated“ ging es nicht nur um KI‑Einsatz an sich, sondern um Täuschung und fehlende Rechenschaft. Die Nutzung offenbar fiktiver Autor:innenprofile und KI‑Porträts bei Produkttexten wurde erst nach externer Berichterstattung sichtbar; Reaktionen des Mutterunternehmens blieben zunächst defensiv und verlagerten Verantwortung auf den Drittanbieter. Eine umfassende öffentliche Aufarbeitung, die Verantwortlichkeiten und Lernprozesse transparent gemacht hätte, blieb begrenzt.

Bei „Men’s Journal“, ebenfalls Teil der Arena Group, erschien 2023 ein KI‑gestützter Gesundheitsartikel über Testosteron, der nach einer Überprüfung mindestens 18 gravierende fachliche Fehler enthielt. Die Korrekturen erfolgten leise; der ursprüngliche Umfang der Fehler wurde erst durch externe Analyse sichtbar.¹⁵¹ Die interne Disclosure‑Formel, der Artikel sei von der Redaktion überprüft worden, stand in deutlichem Widerspruch zum tatsächlichen Qualitätsniveau – ein Beispiel für unterlaufene Accountability‑Versprechen.

Fazit: Ethik & Accountability fungiert im Framework als Scharnier zwischen interner Governance und öffentlicher Legitimität. Die Positivbeispiele zeigen, dass klare Regeln, Zuständigkeiten und Korrekturmechanismen auch unter KI‑Bedingungen Vertrauen stabilisieren können. Die Negativbeispiele machen deutlich, wie schnell Verantwortung diffundiert, wenn externe Partner, automatisierte Prozesse und wirtschaftlicher Druck zusammenkommen – und wie wichtig es ist, Fehler nicht nur zu korrigieren, sondern institutionell zu bearbeiten.

 

Handlungsfeld 6: Kompetenzaufbau & Training – Kollektive Urteilskraft statt Inselwissen

Fokus des Frameworks: Dieses Feld adressiert die Lernfähigkeit der Organisation. KI‑Resilienz setzt voraus, dass nicht nur wenige Spezialist:innen, sondern ganze Redaktionen verstehen, was KI kann und wo ihre Grenzen liegen.

Best Practices: Lernen als strukturierter Prozess: Die „Financial Times“ hat mit dem internen „AI Playground“ einen geschützten Raum geschaffen, in dem Redakteur:innen mit großen Sprachmodellen auf Basis eigener Inhalte experimentieren können. Das Tool ist so gestaltet, dass Copy der FT nicht nach außen abfließt; zugleich können Journalist:innen Prompts testen, Ausgaben bewerten und Best‑Practices teilen.¹⁵² Dies stärkt nicht nur Tool‑Wissen, sondern verankert KI‑Kompetenz in der Breite der Redaktion.

 „Zetland“ aus Dänemark hat aus einem internen Problem – zeitraubende Transkription – sein eigenes KI-Tool entwickelt: „Good Tape“ wird inzwischen weit über die eigene Redaktion hinaus genutzt. Die Entstehungsgeschichte zeigt, wie praktische Experimente, Rückkopplungsschleifen mit Nutzer:innen und kontinuierliche Anpassung zu einem Lernprozess führen, der sowohl Produkt als auch Redaktion formt.¹⁵³ Entscheidend für das Framework: KI wird hier als Gegenstand gemeinsamen Lernens, nicht nur als technisches Projekt verstanden.

Auch bei der „New York Times“ lässt sich beobachten, dass KI‑Kompetenz über eigene Teams, Schulungsprogramme und experimentelle Projekte systematisch aufgebaut wird. Trainings, interne Wissensplattformen und Austauschformate tragen dazu bei, dass KI‑Fragen nicht nur an eine Innovationsabteilung delegiert werden, sondern in der Fläche der Redaktion bearbeitet werden.

Warnzeichen: Fragmentiertes Wissen und Abhängigkeit: In vielen Häusern, insbesondere im Lokal‑ und Regionalbereich, berichten Journalist:innen von individuellem Herumexperimentieren mit KI‑Tools, ohne dass klare Schulungsangebote oder gemeinsame Standards etabliert wären. Öffentliche Dokumente zu KI‑Einsatz – etwa bei Unternehmen wie „Reach plc“, das mit dem hausinternen Tool „Guten“ journalistische Texte automatisiert auf verschiedene Markenstile umschreibt –¹⁵⁴ konzentrieren sich stark auf Effizienzgewinne und Strukturveränderungen, während Fragen nach systematischem Kompetenzaufbau nur am Rand auftauchen. Gewerkschaftliche Stellungnahmen weisen darauf hin, dass Stellenabbau mit der Erwartung einhergeht, Lücken durch Automatisierung zu schließen¹⁵⁵ – ein Muster, das Kompetenzen eher abbaut als aufbaut.

Auch in Fällen wie CNET, „Gizmodo“ oder Gannett wird deutlich, dass KI‑Experimente oft als Schnellschuss gestartet wurden, bevor robuste Schulungs‑ und Review‑Strukturen etabliert waren. Dass Fehler dort zunächst nicht erkannt oder unterschätzt wurden, ist ein Indikator dafür, dass die kollektive Urteilskraft der Redaktionen dem Tempo der Tool‑Einführung hinterherhinkte.

Fazit: Kompetenzaufbau & Training ist im Framework kein ‚Add‑on‘, sondern Voraussetzung für alle anderen Felder. Ohne geteiltes Grundverständnis von KI‑Arbeitsweisen bleiben Transparenz, Human‑in‑the‑Loop oder Ethik abstrakt. Die Positivbeispiele zeigen, dass investierte Zeit in interne Experimentierräume, Trainings und Wissenstransfer sich in robusterer Praxis auszahlt. Die Negativmuster weisen darauf hin, dass fehlender Kompetenzaufbau zu einer gefährlichen Mischung aus Tool‑Abhängigkeit und Kontrollillusion führt.

 

Handlungsfeld 7: Publikumsdialog & Beziehungsarbeit – Legitimität in der synthetischen Öffentlichkeit

Fokus des Frameworks: Dieses Feld verschiebt den Blick nach außen: Wie werden Publikum, Communities und Betroffene in die Aushandlung von KI‑Einsatz einbezogen? Resilienz meint hier die Stabilität der Beziehung zwischen Redaktion und Öffentlichkeit unter KI‑Bedingungen.

Best Practices: Dialogische Formate und Co‑Produktion: Die „Washington Post“ hat mit „Ask The Post AI“ ein generatives Interface eingeführt, das Nutzer:innen Fragen stellen und Antworten auf Basis der eigenen Berichterstattung geben lässt. Das Tool wird ausdrücklich als Experiment geführt; Berichte betonen, dass dessen Antworten auf kuratierter, faktengestützter Berichterstattung seit 2016 beruhen und dass das System keine Antwort ausgibt, wenn keine ausreichend relevanten Artikel gefunden wurden.¹⁵⁶ Damit wird KI als dialogisches Zugangsformat eingeführt, dessen Funktionsweise gegenüber Nutzer:innen offen erklärt wird.

Die Non‑Profit‑Redaktion „ProPublica“ steht seit Jahren für eine konsequent partizipative Praxis. Projekte wie „Free the Files“ oder langfristige Engagement‑Recherchen, bei denen Leser:innen Hinweise, Dokumente und Datenspenden beisteuern zeigen, wie systematische Einbindung von Communities investigative Arbeit stärkt.¹⁵⁷ In den vergangenen Jahren hat „ProPublica“ begonnen, genau diese Engagement‑Arbeit gezielt mit KI‑Werkzeugen zu verknüpfen. 2025 trat die Redaktion dem vom Lenfest Institute koordinierten AI Collaborative and Fellowship Program bei; ein eigens eingestellter „Engineer“ soll dort erkunden, wie große Sprachmodelle helfen können, eingehende Tipps zu kategorisieren und schneller an die zuständigen Reporter:innen weiterzugeben, ohne die redaktionelle Auswahl aus der Hand zu geben.¹⁵⁸ Bereits zuvor setzte „ProPublica“ in einzelnen Recherchen Machine Learning und große Sprachmodelle ein – etwa zur Analyse tausender NSF‑Forschungsprojekte oder zur Auswertung umfangreicher Dokumenten‑ und Falldaten –, wobei sämtliche KI‑Ergebnisse durch Reporter:innen gegenrecherchiert wurden.¹⁵⁹ In diesem Kontext fungieren KI‑gestützte Tools ausdrücklich als Verstärker von Community‑ und Datenrecherchen.

Auch der britische „Guardian“ nutzt seine öffentliche Kommunikation über KI‑Leitlinien, Editorial Code und Ethik‑Debatten, um Leser:innen einzuladen, über Erwartungen und Grenzen von KI‑Einsatz mitzudiskutieren. Das stärkt nicht nur Transparenz, sondern rahmt KI als gemeinsames Aushandlungsthema zwischen Redaktion und Publikum.

Warnzeichen: Reaktiver statt proaktiver Dialog: CNET oder „Sports Illustrated“ haben gezeigt, wie Worst-Practice-Kommunikation mit dem Publikum funktioniert: nämlich überwiegend reaktiv. Erst nachdem externe Medien KI‑Einsatz und Fehler öffentlich thematisierten, lieferten die verantwortlichen Redaktionen ihre Erklärungen und Korrekturen nach. Es gab hier kaum dialogische Formate, in denen Leser:innen Fragen stellen, Kritik einbringen oder Erwartungen an KI‑Einsatz artikulieren konnten. KI blieb eine interne Infrastrukturfrage, bis eine Krise sie nach außen katapultierte. 

Auch im stark automatisierten Lokaljournalismus – etwa bei Projekten, die tausende automatisch generierte Texte zu Wahlergebnissen oder Sportereignissen ausspielen – ist in der öffentlichen Kommunikation vieler Häuser bislang wenig darüber zu finden, wie diese Automatisierung gegenüber lokalen Communities erklärt wird. Damit besteht die Gefahr, dass Nutzer:innen KI‑gestützte Inhalte als ‚normale‘ Berichterstattung wahrnehmen, ohne zu wissen, an wen sie sich bei Fragen oder Fehlern wenden können.

Fazit: Publikumsdialog und Beziehungsarbeit im Framework die demokratische Dimension von KI‑Resilienz. ist Wo Redaktionen ihren KI‑Einsatz offen erklären, Feedbackschleifen einbauen und partizipative Formate nutzen, wird Vertrauen nicht nur vorgetäuscht, sondern praktisch erneuert. Wo Kommunikation erst im Krisenfall einsetzt, untergräbt KI das bestehende Vertrauensfundament. Entscheidend ist, dass derlei Beziehungsarbeit nicht nur in ‚Innovation Labs‘ stattfindet, sondern vor allem im Alltag von Lokalteilen, Ressorts und Formaten.

Synthese: Fragmentierte Praxis und die Rolle des Frameworks

Der Praxistest entlang der sieben Handlungsfelder offenbart drei Querschnittsmuster:

1. Fragmentierung statt Systematik: Viele Häuser sind in einzelnen Feldern weit fortgeschritten – etwa bei Governance‑Regeln („Guardian“), forensischer Verifikation („BBC Verify“) oder Kompetenzaufbau („Financial Times“, „Zetland“). Selten jedoch greifen bislang alle sieben Handlungsfelder ineinander. KI‑Resilienz entsteht dann punktuell, aber nicht als systemische Strategie der Organisation.

2. Governance ohne Kultur, Kultur ohne Governance: Manche Redaktionen setzen stark auf formale Regeln und Policies, ohne diese in eine Lern‑ und Fehlerkultur zu übersetzen. Andere experimentieren transparent und community‑orientiert, ohne klare Leitplanken und Zuständigkeiten. Das Framework zeigt, dass beides zusammenkommen muss: Regeln ohne gelebte Praxis bleiben wirkungslos, Praxis ohne Regeln bleibt fragil.

3. Vom Einzelfall zum Muster: Viele der beschriebenen Monita – fehlerhafte KI‑Artikel, Deepfake‑Risiken, Datenflüsse – werden in der öffentlichen Debatte als vermeintlich singuläre ‚Fälle‘ behandelt. Das Framework macht deutlich, dass es sich um wiederkehrende Entscheidungssituationen handelt: Transparenzfragen, Verantwortungszuordnung, Datennutzung, Verifikation, Ethik, Kompetenz und Dialog wiederholen sich – unabhängig vom konkreten Tool.

Gerade darin liegt der Mehrwert der KI‑Resilienz‑Frameworks: Sie ordnen bereits existierende Praktiken und Konflikte, machen Lücken sichtbar (zum Beispiel beim Publikumsdialog über KI oder bei der institutionellen Verankerung von Forensik) und helfen, Insellösungen in eine kohärente Strategie zu überführen. Die hier versammelten Best Practices zeigen, dass in jedem Handlungsfeld tragfähige Ansätze existieren. Die Warnzeichen deuten wiederum darauf hin, wo die nächsten Bruchstellen zu erwarten sind, wenn diese Felder nicht konsequent zusammengedacht werden.

Im Folgenden bauen wir darauf auf, indem wir die organisationale und gesellschaftliche Dimension noch stärker verknüpfen: Welche Bedingungen brauchen Redaktionen, um die sieben Handlungsfelder nicht nur intern zu etablieren, sondern auch als Teil demokratischer Infrastruktur dauerhaft zu praktizieren?

Von der lernenden Redaktion zur gesellschaftlichen Resilienz

Die eigentliche Bedeutung unseres KI-Resilienz-Frameworks entfaltet sich dort, wo journalistische Entscheidungen auf eine sensibilisierte Öffentlichkeit treffen. Für das Publikum fungiert es vor allem als Orientierungsangebot. In einer zunehmend synthetischen Medienumgebung, in der Inhalte verdaulicher, schneller und schwerer unterscheidbar werden, wächst das Bedürfnis nach Nachvollziehbarkeit. Entscheidend dabei ist: KI-Resilienz lässt sich weder hausärztlich verordnen noch unmittelbar ‚implementieren‘. Sie entsteht prozessual – durch wiederholte Auseinandersetzung, Irritation und Lernen aus Fehlern. 

Der Kreislauf in Abbildung 17 operationalisiert Resilienz als lernenden Prozess: Zielklärung und Anpassung bewahren Standards, Anwendung nutzt Effizienz, Reflexion sichert Lernen. Genau hierin unterscheidet sie sich grundlegend von klassischen Compliance-Ansätzen. Während Regeln eine gewisse Stabilität suggerieren, operiert KI in einem Umfeld permanenter Veränderung: Modelle werden aktualisiert, Trainingsdaten erweitert, Einsatzszenarien verschieben sich. Was heute als verantwortungsvoll gilt, kann morgen schon neue blinde Flecken erzeugen.

Lernende (resiliente) Redaktionen reagieren darauf nicht mit immer feineren Regelwerken, sondern mit der Fähigkeit zur kontinuierlichen Selbstüberprüfung. Lernende Redaktionen zeichnen sich weniger durch perfekte Voraussicht als durch institutionalisierte Reflexion aus. Sie schaffen Räume, in denen Unsicherheit thematisiert werden darf, sogar muss – jenseits von Produktionsdruck und Rechtfertigungslogiken. Feedbackschleifen, interne Reviews und kollektive Auswertungen von Verstößen sind keine Zeichen von Schwäche, sondern Voraussetzungen für Professionalität.

Gerade im Umgang mit KI entscheidet sich Resilienz dort, wo Redaktionen bereit sind, auch funktionierende Prozesse infrage zu stellen: Warum vertrauen wir diesem System? Wo ersetzen Plausibilität und Geschwindigkeit sorgfältige Prüfung? Und wo verdrängen wir Zweifel, weil Effizienzversprechen überwiegen? Lernende Organisationen begreifen solche Fragen nicht als Störfaktoren, sondern als Teil ihrer Routine.

KI-Resilienz bedeutet daher nicht, alle Eventualitäten vorab zu antizipieren, sondern Strukturen zu schaffen, die Lernen ermöglichen, wenn Unerwartetes eintritt. Redaktionen werden so selbst zu lernenden Organisationen – nicht im technischen, sondern im systemischen Sinn. Ihre Zukunftsfähigkeit liegt in der institutionellen Kompetenz, mit einer Technologie zu arbeiten, die sich schneller verändert als jede einzelne Redaktion es je könnte – ohne dabei ihre journalistische Identität preiszugeben.

KI-Resilienz wirkt dabei weniger durch Einzelmaßnahmen als durch Konsistenz. Wenn Publika erleben, dass Transparenz nicht punktuell, sondern infrastrukturell gegeben ist; dass Verantwortung nicht im Tool einfach verschwindet, sondern beim Menschen verbleibt; dass Dialog nicht erst als Reaktion auf Kritik einsetzt, sondern eine geteilte Grundeinstellung von Medienmacher:innen ist, entsteht Beziehungskapital. Dieses Beziehungskapital ist die Voraussetzung dafür, dass Journalismus auch im KI-Zeitalter als glaubwürdige Instanz wahrgenommen wird – nicht als bloßer Content-Lieferant.

Auf gesellschaftlicher Ebene entfaltet ein solches Resilienz-Framework eine zweite, bisweilen unterschätzte Wirkung: Es wirkt medienkompetenzbildend. Redaktionen machen technologische Komplexität erfahrbar und durchschaubar(er). Indem sie ihren eigenen Umgang mit KI reflektieren und öffentlich machen, tragen sie zur Medien- und Demokratiekompetenz bei. Mediennutzende lernen nicht nur, dass KI eingesetzt wird, sondern wie, warum – und wo ihre Grenzen liegen. KI-Resilienz trägt somit zur kollektiven politischen Meinungs- und Willensbildung bei.

Die eigentliche Tragweite von KI-Resilienz liegt damit weit jenseits von Effizienzkategorien: Sie entscheidet darüber, ob Journalismus im KI-Zeitalter als verlässlich wahrgenommen wird – oder im Strom synthetischer Inhalte untergeht. Doch hier stößt auch das stärkste redaktionelle Framework an seine Grenzen. Vertrauen, Verantwortung und Transparenz lassen sich nicht dauerhaft auf Ebene einzelner Organisationen stabilisieren. Wenn KI zur grundlegenden Infrastruktur öffentlicher Kommunikation wird, stellen sich weitergehende globale Fragen: nach kooperativer Praxis, gemeinsamen Regeln, legitimer Machtverteilung, nach neuen Formen öffentlicher Rechenschaft. Die Frage lautet dann nicht mehr nur, wie Redaktionen KI resilient nutzen – sondern welche gesellschaftlichen Vereinbarungen notwendig sind, damit Öffentlichkeit unter KI-Bedingungen insgesamt demokratisch bleibt.