KI-Inhaltsfabrik: Wie wir einen Monat Inhalte an einem Tag produzieren

2026-05-24 · Sintaris · ai, content, n8n, rag, brand-voice, automation, marketing

TL;DR. Eine KI-Inhaltsfabrik ist mehr als „GPT schreibt Beiträge." Gemeint ist eine Pipeline „Brief → Entwurf → Redaktion → Planung → Veröffentlichung", bei der das LLM innerhalb eines deterministischen n8n-Workflows arbeitet, auf dem Markenbuch und vergangenen Top-Beiträgen des Kunden geerdet ist und bei der den finalen „Veröffentlichen"-Knopf ein Mensch drückt. In diesem Artikel geht es um den Aufbau einer solchen Fabrik, Metriken, typische Fehler und eine Startvorlage.

1. Das Problem: „KI schreibt alles, wozu brauchen wir Sie dann noch?"

Eine typische Szene 2025–2026: Der Marketingdirektor öffnet ChatGPT, bittet „erfinde mir 10 Beiträge über unser SaaS," erhält 10 gleich warme, gesichtslose, leicht unechte Texte. Zwei Wochen später wächst der Unternehmensaccount in Beitragsanzahl und sinkt in der Reichweite.

Warum: Das Standard-LLM schreibt „wie alle anderen." Markenstimme ist nicht „erfahren, freundlich, kompetent." Markenstimme ist ein Korpus echter Texte, die das Unternehmen bereits veröffentlicht hat und in denen sichtbar ist, wie es Kommas setzt, welche Wörter es meidet, welche Witze es macht. Das lässt sich nicht im Prompt übergeben. Als Korpus laden dagegen schon.

2. Für wen das relevant ist

Content-Marketer, die 3–5 Kanäle betreiben und die mechanische Routinearbeit leid sind.
Solo-Experten und Berater, die bereits 5+ Jahre Artikel, Vorträge, Newsletter haben und regelmäßig Neues veröffentlichen müssen.
KMU-Teams, in denen das Marketing aus einer Person auf einer halben Stelle besteht.
Online-Schulen und Kursanbieter, bei denen Inhalte das Produkt sind.

3. Der häufige Fehler

ChatGPT öffnen.
System-Prompt schreiben: „Du bist ein Texter für eine große Marke, schreibe in unserem Stil."
„Unseren Stil" ohne einen einzigen echten Referenztext erhalten.
Posten. Das Publikum reagiert nicht.
Schlussfolgern, „die KI hat versagt", obwohl sie genau das getan hat, worum sie gebeten wurde.

Weitere Fehler bei diesem Ansatz:

Keine Prompt-Versionierung, also lässt sich „vorher/nachher" nicht vergleichen.
Keine Verbindung zu echter Analytik, die zeigt, was funktioniert hat und was nicht.
Kein menschlicher Redakteur in der Schleife: Veröffentlicht wird, was einer einzelnen Person um 23 Uhr „okay" erscheint.
Keine Planung: Der Beitrag ist geschrieben, aber niemand hat ihn zur richtigen Zeit eingeplant.

4. Der technische Ansatz

Die Inhaltsfabrik als Pipeline:

flowchart LR
  BRIEF[1. Brief<br/>Telegram-Formular] --> N8N[2. n8n-Workflow]
  N8N --> KB[3. Markenbuch-RAG<br/>+ Top-Beiträge]
  KB --> DRAFT[4. Entwurfs-<br/>generator]
  DRAFT --> EDIT[5. KI-Redakteur<br/>„Fremde Augen"]
  EDIT --> HUMAN[6. Mensch:<br/>freigeben / ablehnen]
  HUMAN -- freigegeben --> SCHED[7. Planer]
  SCHED --> PUB[8. Veröffentlichung<br/>TG/LI/WP]
  PUB --> METRICS[9. Metriken]
  METRICS --> KB

Kernprinzipien:

Der Brief ist kurz, ein Telegram-Befehl. Wenn der Brief länger als drei Zeilen ist, verliert die Fabrik ihren Sinn, denn dann schreibt man einfacher von Hand.
RAG über das Markenbuch ist obligatorisch. Der Standard-„Kreativ"-Prompt liefert austauschbare, gesichtslose Texte, die von jedem stammen könnten.
Zweistufige Generierung: Der erste Durchgang liefert den Entwurf, der zweite sorgt für „fremde Augen" (anderer Prompt, manchmal anderes Modell, prüft Ton und Sachaussagen).
Mensch in der Schleife ist kein Relikt, sondern Versicherung gegen 100 % der Off-Brand-Fälle und 100 % der Fälle, wo „die KI eine veraltete Aussage gemacht hat."
Geschlossene Metrik-Schleife: Beiträge über dem 70. Engagement-Perzentil werden wöchentlich dem Index als „Beispiele, was ankommt" hinzugefügt.

5. Tabelle: Typische Kanal-Konfiguration

Jeder Kanal ist eine Konfigurationsdatei, kein Code. Beispiel (vereinfacht):

channels:
  telegram_main:
    audience: "B2B, technische Direktoren"
    length_min_chars: 600
    length_max_chars: 1200
    tone: "Experte, ohne Füllwörter, konkret"
    hashtags: "2-3, am Ende"
    banned_phrases: ["revolutionär", "einzigartiges Produkt", "erstklassig"]
    cta_policy: "nicht mehr als ein CTA pro Beitrag"
    schedule: "MON,WED,FRI 10:30 Europe/Berlin"
  linkedin:
    audience: "EU Senior Management"
    length_min_chars: 800
    length_max_chars: 1500
    tone: "zurückhaltend, Fakten + 1 persönliche Beobachtung"
    hashtags: "3-5, inline"
    banned_phrases: ["10x", "game-changer", "Synergie"]
    schedule: "TUE,THU 09:00 Europe/Berlin"
  blog:
    audience: "organische Suche, Long-Tail-Anfragen"
    length_min_chars: 4000
    length_max_chars: 8000
    tone: "tiefgründig, mit Quellenverweisen"
    schedule: "wöchentlich"

Typische KPI-Tabelle:

KPI	Vor Fabrik	Nach (90 Tage)
Beiträge pro Woche	2	6–10
Durchschnittliche Zeit pro Beitrag (Std.)	2–6	0,25–0,5
% Off-Brand-Entwürfe (vom Redakteur abgelehnt)	n/a	15–25 % (normal)
Engagement-Rate Top-Kanal	Basislinie	+30…+90 %
LLM-Kosten (€/Monat)	0	20–80

6. SINTARIS-Minicase

Das Produkt Content Strategist ist unsere Umsetzung einer Inhaltsfabrik für Experten und B2B-Marken. Typisches Szenario: ein Expertenkanal mit gesammeltem Archiv (Artikel, Newsletter, Podcasts) mit dem Ziel, 4–5 Beiträge pro Woche ohne Verlust der Autorenstimme zu erreichen.

Technische Umsetzung (Content Strategist KB):

Kundenarchiv in pgvector geladen: Artikel, Newsletter, Podcast-Episoden-Transkripte (via yt-dlp + Whisper).
Engagement-gewichtete Neuindizierung aktiviert: Beiträge mit Aufrufen > p70 erhalten erhöhtes Gewicht beim Retrieval.
Zweistufige Generierung eingerichtet: Claude 3.5 Sonnet → GPT-4o-mini als „Redakteur."
Banned-Phrases-Regex verbunden: Der Autor definiert eine Liste von Phrasen, die nicht zu seinem Stil passen (typischerweise ~20–30 Einträge).
Freigabe über eine Schaltfläche im Telegram-Bot.

Metriken in den ersten 90 Tagen:

Beiträge pro Woche: stabil 4,2 (vorher: 1,6).
Zeit des Experten pro Beitrag: von 1,5–2 Stunden → 8–12 Minuten (nur Überprüfung).
Engagement-Rate: +47 % gegenüber der Basislinie.
LLM-Kosten: €34/Monat (Claude + GPT-4o-mini Kombination).
Off-Brand-Entwürfe abgelehnt: 19 %, ein gesunder, normaler Anteil.

Details: Content Strategist § 4 Architecture und § 11 Lessons learned.

7. Checkliste (12 Punkte) vor dem Start einer Inhaltsfabrik

≥ 30 Einheiten vergangener Kundeninhalte gesammelt (Artikel, Beiträge, Newsletter, Vortragsnotizen).
Markenbuch erstellt, eine Seite: Ton, verbotene Phrasen, CTA-Politik, Hashtag-Politik, Zielgruppe.
Für jeden Kanal eine Konfiguration mit Grenzen für Länge, Häufigkeit, Ton.
Vektorindex pro Kunde erstellt (kein kundenübergreifendes Retrieval).
Podcast-/Video-Ingest-Szenario implementiert (yt-dlp + Whisper oder äquivalent).
n8n-Workflow in Git, nicht nur in der UI.
Zweistufige Generierung: Entwurf + Redakteur.
Mensch in der Schleife: Telegram-Schaltflächen für Freigabe und Ablehnung.
Banned-Phrases-Regex läuft vor der Übergabe an den Menschen.
Engagement-Neuindizierung, wöchentlich.
LLM-Kostenprotokolle pro Beitrag, um die Marge zu sehen.
A/B-Test von Vorlagen, mindestens eine Hypothese pro Monat.

8. Risiken

Inhaltshomogenität. Wenn der Index auf einen Genre-Typ ausgerichtet ist, schreibt die Fabrik nur „wie in diesem Newsletter." Wird durch Korpusvielfalt und periodische menschliche Einspeisung behoben („schreibe aus einem neuen Winkel").
Redakteurs-Betriebsblindheit. Nach 100 freigegebenen Entwürfen beginnt der Mensch automatisch freizugeben. Wird durch eine Regel behoben: „einmal pro Woche bewusstes Ablehnungs-Training" (absichtlich schlechten Entwurf einschleusen und prüfen).
Rechtliches. Enthält der Korpus Fremdmaterialien, droht ein Plagiat-Risiko. Nur eigenes Archiv.
Vendor-Lock-In. Bindung an einen einzigen SaaS-Planer macht den Ausstieg unangenehm. Besser n8n + direktes REST zu Telegram/LinkedIn.

9. Was als Nächstes zu tun ist

Minimaler Weg: 1) Archiv sammeln, 2) n8n starten, 3) pgvector verbinden, 4) einen Workflow für einen Kanal schreiben, 5) zwei Wochen mit Mensch in der Schleife laufen lassen, 6) Engagement messen. Das reicht, um zu beurteilen, ob die Fabrik als langfristiges Projekt Sinn ergibt.

Wenn Sie schneller vorgehen möchten: SINTARIS hat einen produktisierten Content Strategist Pilot: 4–8 Wochen mit klar definiertem Umfang. Umfang und Preis legen wir nach dem Erstgespräch fest. Betrieb ist auf unserer Infrastruktur oder On-Prem (OpenClaw) möglich.

10. Quellen

Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. arXiv:2005.11401.
Liu, N. F. et al. (2023). Lost in the Middle: How Language Models Use Long Contexts. arXiv:2307.03172.
Cormack, G., Clarke, C., Buettcher, S. (2009). Reciprocal Rank Fusion outperforms Condorcet and individual rank learning methods. SIGIR '09.
n8n documentation: https://docs.n8n.io
BAAI (2024). BGE-M3: One-stop multi-lingual, multi-functionality, multi-granularity text embeddings.
Stack Overflow Developer Survey 2025, Abschnitt KI-Tools und Akzeptanz.

SINTARIS baut Inhaltsfabriken, RAG-Assistenten und Automatisierungen für Unternehmen in der EU. Das Erstgespräch ist kostenlos und dauert 30 Minuten.