AI im Marketing: Eine Content Factory gegen AI Slop

Ein neues Feature ist schnell erklärt. Danach beginnt die eigentliche Arbeit: LinkedIn-Post schreiben, Newsletter vorbereiten, YouTube beschreiben, Reddit anpassen, Website aktualisieren und das Ganze möglicherweise noch auf Deutsch und Englisch. Aus einem Thema werden sehr schnell zehn einzelne Aufgaben.

Genau diese Situation kennt das kleine Marketingteam hinter AMALYTIX. In Folge 008 von Kontext.FM sprechen Trutz Fries und Martin darüber, wie AI dabei hilft, Content Marketing zu skalieren, ohne einfach nur mehr generischen Content auszuspucken. Ihr Ansatz heißt intern Content Factory.

Der Name klingt größer, als der Aufbau sein muss. Du brauchst keine komplexe Marketingplattform. Du brauchst vor allem eine Primärquelle, einen zentralen Ablageort, klare Arbeitsanweisungen für deinen AI-Agenten und eine feste Prüfung vor der Veröffentlichung. Dieser Artikel zeigt, wie das zusammenspielt und wo die Grenzen liegen.

Das Problem ist nicht das Schreiben eines einzelnen Textes

Ein einzelner Post ist selten das eigentliche Problem. Schwieriger ist die Wiederverwendung über Zeit, Kanäle und Sprachen hinweg.

Ein Thema kann gleichzeitig oder nacheinander auf mehreren Wegen erscheinen:

• als Feature-Ankündigung auf der Website
• als deutscher und englischer LinkedIn-Post
• als Diskussion auf Reddit
• als Newsletter-Abschnitt
• als YouTube-Titel, Beschreibung und Kapitelmarken
• als Knowledge-Base-Artikel oder Screencast

Jeder Kanal hat eine eigene Erwartung. LinkedIn verträgt einen persönlichen Einstieg und eine klare These. Reddit reagiert empfindlicher auf offensichtliche Werbung. Ein Newsletter bündelt mehrere Themen und braucht deshalb mehr Kontext. Ein Knowledge-Base-Artikel soll eine Funktion erklären, nicht Aufmerksamkeit erzeugen.

Dazu kommt die Zeitachse. Ein Feature wird vielleicht am Montag veröffentlicht, am Mittwoch in einem LinkedIn-Post erwähnt und zwei Wochen später in den Newsletter aufgenommen. Wenn die ursprüngliche Quelle nur in einem Chatverlauf liegt, fängst du bei jedem neuen Output wieder von vorne an.

Die Content Factory löst deshalb nicht primär das Textproblem. Sie löst das Kontextproblem.

Das mentale Modell: Quelle, Regeln, Artefakte und Review

Eine brauchbare Content Factory besteht aus vier Schichten:

1. Quellen enthalten das Rohmaterial: Release Notes, Transkripte, Videos, Gesprächsnotizen, Code oder Recherche.
2. Regeln beschreiben Marke, Zielgruppe, Sprache und Kanal. Sie liegen als Skills oder andere Textdateien vor.
3. Artefakte sind die daraus erzeugten Entwürfe. Jeder Output bekommt einen Kanal, eine Sprache und einen Status.
4. Review entscheidet, was inhaltlich stimmt, zum Kanal passt und veröffentlicht werden darf.

Als einfache Ordnerstruktur kann das so aussehen:

content-factory/
├── sources/
│   ├── feature-abc-release-note.md
│   └── interview-2026-08-17.md
├── skills/
│   ├── brand-voice.md
│   ├── linkedin.md
│   ├── reddit.md
│   ├── newsletter.md
│   └── youtube.md
├── content/
│   └── feature-abc/
│       ├── linkedin-de.draft.md
│       ├── linkedin-en.draft.md
│       ├── reddit-en.draft.md
│       └── newsletter-de.draft.md
└── backlog.md

Das ist kein vorgeschriebenes Dateiformat. Die Struktur macht aber sichtbar, was sonst schnell verloren geht: Woher stammt eine Aussage? Für welchen Kanal ist ein Text gedacht? Ist er nur ein Entwurf oder bereits geprüft?

Ein Coding-Agent kann solche Dateien lesen und bearbeiten, auch wenn du selbst kein Entwickler bist. Der Vorteil entsteht durch die Ordnung und den dauerhaft verfügbaren Kontext, nicht durch den Namen eines bestimmten Tools.

So läuft ein Thema durch die Content Factory

1. Eine Primärquelle festhalten

Am Anfang steht ein konkreter Trigger. Im Beispiel aus der Folge ist es ein neues Software-Feature. Der Startpunkt kann aber genauso gut ein Kundenproblem, ein Interview, ein Meeting, ein Screencast oder ein wissenschaftlicher Artikel sein.

Wichtig ist, dass du nicht direkt mit „Schreib mir einen LinkedIn-Post“ beginnst. Lege zuerst die Quelle als Datei ab. Ein Meeting-Transkript ist dabei nicht automatisch ein fertiger Artikel. Es ist Rohmaterial, aus dem Fakten, Beispiele und Ideen extrahiert werden können.

Eine erste Analyse kann so aussehen:

Lies die Primärquelle in [DATEI]. Schreibe noch keinen Social-Media-Post.

Extrahiere stattdessen:
1. die belegten Fakten und konkreten Beispiele,
2. die wichtigsten Aussagen und möglichen Blickwinkel,
3. offene Fragen oder unbelegte Behauptungen,
4. mögliche Zielgruppen und passende Kanäle,
5. Ideen, die nur als Backlog-Eintrag gespeichert werden sollen.

Trenne Beobachtungen aus der Quelle klar von eigenen Vorschlägen.
Erfinde keine Zahlen, Funktionen oder Kundengeschichten.

Dieser Zwischenschritt verhindert, dass der Agent sofort eine glatte, aber inhaltlich beliebige Version schreibt. Er erzeugt zuerst eine kleine Content-Landkarte.

2. Blickwinkel extrahieren, bevor Texte entstehen

Aus einer Quelle können mehrere eigenständige Inhalte werden. Bei einem Feature-Release sind zum Beispiel diese Blickwinkel denkbar:

• Welches Problem löst die Funktion?
• Wie sieht der Ablauf für eine Nutzerin oder einen Nutzer aus?
• Welche Entscheidung steckt hinter der Umsetzung?
• Welche Frage wird in der Knowledge Base häufig gestellt?
• Was kann man in einem Screencast zeigen?
• Welche Einschränkung sollte man offen nennen?

Das Ergebnis muss noch kein veröffentlichungsfertiger Text sein. Es kann als Liste von Ideen mit Status gespeichert werden. So wird aus einem langen Redaktionsgespräch eine Content-Landkarte. Ein Thema, für das heute keine Zeit ist, bleibt auffindbar und muss nicht Monate später aus dem Gedächtnis rekonstruiert werden.

Für Meetings ist das besonders hilfreich. Ein Transkript kann zunächst nur zusammenfassen, welche Entscheidungen getroffen wurden und welche Ideen offen sind. Der Agent kann später gezielt nachfragen: Welche Themen wurden im letzten Quartal besprochen, aber noch nicht als Artikel oder Video umgesetzt? So wird das Archiv zu einem Content-Brain statt zu einem Ordner voller vergessener Dateien.

3. Pro Kanal einen eigenen Output erzeugen

Jetzt kommen die Kanal-Skills zum Einsatz. Ein Skill ist eine gespeicherte Arbeitsanweisung. Er beschreibt nicht nur das Format, sondern auch Zielgruppe, Ton, Länge, typische Einstiege, verbotene Muster und das gewünschte Ergebnis.

Die Quelle bleibt gleich. Der Output verändert sich:

Kanal	Typischer Output	Worauf der Skill achten muss
LinkedIn	kurzer Beitrag mit einem klaren Gedanken	Einstieg, persönliche oder fachliche Perspektive, Gesprächsanlass
Reddit	sachlicher Beitrag oder Diskussionsfrage	Kontext, Transparenz, keine Werbesprache
Newsletter	kuratierter Abschnitt oder Monatsupdate	mehrere Themen verbinden, Nutzen und Einordnung liefern
YouTube	Titel, Beschreibung, Kapitel und Kurztexte	Auffindbarkeit, klare Struktur, gesprochener Inhalt
Website	Artikel, Release Note oder Knowledge Base	vollständige Erklärung, interne Links, SEO und Aktualität

Dadurch entsteht keine identische Textkopie für fünf Plattformen. Es entsteht eine Familie von Inhalten mit gemeinsamer Faktenbasis. Das ist ein entscheidender Unterschied: Konsistenz kommt aus der Quelle, Eigenständigkeit aus dem Kanal.

Die Entwürfe können in einem Rutsch erzeugt werden. Veröffentlicht werden müssen sie trotzdem nicht gleichzeitig. Ein Release kann zuerst als Website-Artikel erscheinen, später als Newsletter-Thema und noch später als Beispiel in einem längeren Beitrag.

Anti-Slop gehört in die Regeln, nicht nur in den letzten Prompt

AI Slop ist nicht einfach jeder Text, der mit AI entstanden ist. Gemeint ist Content, der austauschbar klingt, keinen konkreten Gedanken verfolgt und seine Herkunft durch typische Muster verrät.

Ein einzelner Prompt wie „Schreibe menschlich und nicht generisch“ hilft dabei nur begrenzt. Besser ist eine dauerhafte Regeldatei, die bei jedem passenden Output berücksichtigt wird.

Im Gespräch nennen Martin und Trutz unter anderem diese Beispiele:

• keine generischen Hooks ohne Bezug zur Quelle
• keine übertriebene Verwendung von Gedankenstrichen oder Em-Dashes
• keine immer gleiche Antithese nach dem Muster „nicht X, sondern Y“
• konkrete Beispiele statt leerer Produktivitätsversprechen
• keine erfundenen Zahlen, Zitate oder Erfahrungen
• klare Brand Voice und definierte Zielgruppe

Ein vereinfachter Skill für LinkedIn könnte so beginnen:

# LinkedIn-Entwurf

## Ziel
Erstelle einen eigenständigen LinkedIn-Post für [ZIELGRUPPE] aus der
Primärquelle [DATEI]. Der Post soll einen konkreten Gedanken erklären und
eine echte Diskussion ermöglichen.

## Regeln
- Verwende nur Informationen aus der Quelle oder kennzeichne Annahmen.
- Beginne mit einer konkreten Beobachtung, keinem allgemeinen AI-Hook.
- Schreibe klar und direkt.
- Vermeide Em-Dashes, Floskeln und die Formel „nicht X, sondern Y“.
- Erfinde keine Zahlen, Zitate oder Kundenergebnisse.

## Ausgabe
- Entwurf
- verwendeter Blickwinkel in einem Satz
- offene Faktenfragen
- Vorschlag für eine kurze Bildidee

Das Beispiel ist ein Muster, kein universeller Prompt. Die Regeln müssen zu deiner Marke passen. Eine Firma kann bewusst provokanter schreiben, eine andere zurückhaltender. Entscheidend ist, dass diese Entscheidung nicht in jeder Session neu ausgehandelt wird.

Übersetzen heißt lokalisieren

Zweisprachiger Content verdoppelt die Arbeit nicht nur deshalb, weil zwei Dateien entstehen. Die Zielgruppe verändert sich ebenfalls.

Ein deutscher Text für ein deutschsprachiges Fachpublikum lässt sich nicht automatisch als englischer Text für eine nordamerikanische Zielgruppe verwenden. Beispiele, Anspielungen, Schreibweisen und der Grad an Erklärung können sich unterscheiden.

Praktisch hilft eine feste Sprachregel. Im Umfeld von AMALYTIX gehören dazu laut Folge zum Beispiel „AI“ statt „KI“ und US-Schreibweise statt UK-Schreibweise. Solche Konventionen sollten im Sprach- oder Brand-Skill stehen. Dann bleiben die deutsche und englische Version inhaltlich gleichwertig, ohne wie eine DeepL-Kopie zu klingen.

Ein sinnvoller Ablauf ist:

1. Primärquelle und zentrale Aussage festlegen.
2. Den deutschen und englischen Blickwinkel getrennt prüfen.
3. Beide Texte als eigenständige Entwürfe schreiben lassen.
4. Fakten, Links, Begriffe und Call-to-Action zwischen den Versionen abgleichen.
5. Jede Fassung von jemandem lesen lassen, der die jeweilige Zielgruppe kennt.

Die gemeinsame Quelle verhindert inhaltliche Drift. Die getrennten Skills verhindern sprachliche Gleichförmigkeit.

Markdown macht Website-Content agententauglich

Im Podcast spielt die technische Form der Website eine wichtige Rolle. Der Content liegt in einem Astro-Projekt als Markdown-Dateien mit Frontmatter vor. Frontmatter sind die Metadaten am Anfang einer Datei, zum Beispiel Titel, Veröffentlichungsdatum, Tags oder Sprache.

Für AI-Agenten ist das praktisch, weil Artikel, Metadaten, Links und Code im selben Repository als lesbare Textdateien vorliegen. Ein Agent kann dadurch Aufgaben wie diese unterstützen:

• einen bestehenden Artikel lektorieren
• die deutsche Version als eigenständige englische Fassung anlegen
• interne Verlinkungen ergänzen
• Frontmatter konsistent halten
• Knowledge-Base-Inhalte aus technischen Grundlagen ableiten
• kleine interaktive Elemente oder Mikrotools in einen Artikel integrieren

Dafür musst du nicht zwingend eine Website mit Astro bauen. Ein Markdown-Repository, ein Git-Workflow und ein Agent reichen als Grundidee. Ein statischer Generator wie Astro erleichtert zusätzlich die automatisierte Prüfung und Veröffentlichung.

Der wichtige Punkt ist die Textbasis. Wenn Inhalte in einem zentralen, versionierten Ort liegen, kann ein Agent Zusammenhänge herstellen und Bulk-Aufgaben bearbeiten. Das macht ihn zu einer Schnittstelle über den gesamten Content-Bestand hinweg.

Recherche ist ein eigener Eingang in die Factory

Nicht jeder Inhalt startet mit einem eigenen Feature. Im Gespräch beschreibt das Team auch einen Recherche-Workflow: Ein Agent beobachtet ausgewählte Quellen wie Hacker News, Amazon-Presseinformationen oder den Amazon-Science-Blog und erstellt daraus ein morgendliches Briefing.

Das Briefing ist noch kein fertiger Artikel. Es liefert mögliche Themen, die ein Mensch auswählt und mit einer passenden Primärquelle weiterverfolgt. Bei einem wissenschaftlichen Paper kann der nächste Schritt zum Beispiel ein verständlicher Artikel mit einer kleinen interaktiven Visualisierung sein.

Diese Trennung ist wichtig. Recherche darf Vorschläge und Zusammenfassungen liefern. Vor einer Veröffentlichung müssen die Originalquelle, Aktualität und Aussagekraft geprüft werden. Besonders bei Studien, Produktänderungen und Marktinformationen reicht eine AI-Zusammenfassung allein nicht aus.

Review bleibt ein eigener Produktionsschritt

Die Content Factory soll den Weg bis zum guten Entwurf verkürzen. Sie soll die redaktionelle Entscheidung nicht verstecken.

Vor der Veröffentlichung sollte jeder Entwurf mindestens diese Fragen durchlaufen:

• Ist jede wichtige Aussage in der Primärquelle belegt?
• Ist klar, für wen der Text geschrieben ist?
• Passt die Ansprache zum jeweiligen Kanal?
• Ist der Text lokalisiert oder nur übersetzt?
• Gibt es generische Hooks, AI-Floskeln oder wiederholte Satzmuster?
• Sind Links, Zahlen, Produktnamen und Beispiele korrekt?
• Ist der Status wirklich review oder schon published?

Die Erfahrung aus der Folge ist dabei realistisch: Ein Agent kann einen Entwurf sehr weit bringen, aber der letzte Feinschliff bleibt häufig manuell. Martin beschreibt, dass bei vielen Pieces noch eine deutliche Nachbearbeitung nötig ist. Das ist kein Fehler im System. Ton, Priorität und Verantwortung lassen sich nicht vollständig an die Generierung delegieren.

Gerade bei automatisierter Recherche und Meeting-Transkripten kommen weitere Fragen hinzu. Dürfen alle Gesprächsteilnehmenden aufgezeichnet werden? Enthält ein Transkript vertrauliche Informationen? Welche Daten werden an den verwendeten AI-Dienst übertragen? Diese Fragen gehören in den Prozess, bevor Quellen in die Factory wandern.

So startest du mit einer kleinen Version

Du musst nicht sofort alle Kanäle automatisieren. Ein kleiner Test mit einem einzigen Thema zeigt schneller, ob die Struktur funktioniert.

1. Wähle eine Primärquelle, zum Beispiel eine Release Note oder ein Meeting-Transkript.
2. Lege sie als Markdown-Datei in einem zentralen Ordner ab.
3. Schreibe einen kleinen Brand-Skill und einen Kanal-Skill.
4. Lass zuerst die Blickwinkel und offenen Fragen extrahieren.
5. Erzeuge zwei Entwürfe für zwei unterschiedliche Kanäle.
6. Prüfe beide Texte gegen die Quelle und speichere sie mit einem sichtbaren Status.

Wenn das funktioniert, kannst du weitere Skills ergänzen. Ein Newsletter-Skill braucht andere Regeln als ein Reddit-Skill. Ein Podcast-Transkript kann zusätzlich die Basis für Beschreibung, Kapitelmarken, YouTube-Text und einen Blogartikel werden. Die Mechanik bleibt gleich, auch wenn sich Marke und Stimme von AMALYTIX zu Kontext.FM verändern.

Fazit

AI im Marketing wird für kleine Teams dann interessant, wenn sie nicht bei jedem Kanal wieder bei null anfangen müssen. Der zentrale Hebel ist ein gemeinsamer Kontext: Primärquellen werden verschriftlicht, an einem Ort gesammelt und mit wiederverwendbaren Skills verarbeitet.

Die drei wichtigsten Schritte aus Folge 008 sind deshalb einfach:

1. Transkribiere Meetings, Videos und andere wichtige Gespräche.
2. Sammle Quellen, Beispiele und fertige Inhalte strukturiert in einem Repository.
3. Lege Brand- und Kanalregeln als Skills fest und prüfe jeden Entwurf vor der Veröffentlichung.

So entsteht aus einem kleinen Team keine anonyme Textmaschine, sondern ein nachvollziehbarer Redaktionsprozess. AI übernimmt wiederkehrende Arbeit und schafft Raum für die Entscheidungen, die Content erst interessant machen.