Gepostet am 12.12.2025
RAG-Systeme fĂŒr MedienhĂ€user: Sechs Wege zu kontrollierbaren KI-Outputs

Will gut dosiert sein: Ein kuratierter Datenbestand kann das ZĂŒnglein an der Waage sein, wenn es um die Kontrolle von KI-Output geht. Illustration: Mit KI erstellt.
Mit Retrieval-Augmented Generation (RAG) gleichen Redaktionen zwei zentrale Schwachstellen von Sprachmodellen aus: Das Risiko von Halluzinationen sinkt merklich, und die Modelle greifen auf WissensbestÀnde zu, die nur in hauseigenen Datenbanken liegen.
RAG-Verfahren entlasten bei der Recherche, machen Archive wieder nutzbar und erschlieĂen neue Monetarisierungsmodelle. Auf dem Papier ist der Aufbau simpel: Ein Sprachmodell wird um eine speziell zugeschnittene Datenbank erweitert. Wie das technisch ablĂ€uft und was es fĂŒr die Praxis in MedienhĂ€usern bedeutet, fassen wir zusammen.
Was unterscheidet RAG von einem normalen Sprachmodell?
Retrieval-Augmented Generation (zu Deutsch etwa âabrufgestĂŒtzte Erweiterungâ) ist ein mehrstufiger Prozess, der bei jeder Anfrage an ein entsprechend modifiziertes Sprachmodell ablĂ€uft. Das Modell bezieht sich dabei auf zusĂ€tzliche Wissensquellen: auf interne oder externe Datenbanken, auf Firmenarchive und Metadaten oder auf Echtzeitdaten. Themenfremde oder halluzinierte Antworten werden dadurch seltener.
RAG ist aber mehr als eine angeschlossene Datenquelle. Die Nutzeranfrage (Query) wird dynamisch um relevante Fakten aus dem Zusatzwissen erweitert (Context Augmentation).
Den Rahmen setzt der System Prompt. Er gibt vor, wie das Modell mit Daten und Eingabe umzugehen hat. So orientiert das Modell seine Token-Wahrscheinlichkeiten an den aufbereiteten Daten und stĂŒtzt sich nicht mehr allein auf sein vortrainiertes Wissen. RAG ist damit die Kombination aus kuratierter Wissensquelle und angepasstem Prompt.
Wie ein RAG-System in vier Phasen arbeitet
Soll ein Sprachmodell ausschlieĂlich aus dem eigenen Datenfundus antworten, muss die Pipeline um Datenbanken oder andere designierte WissensbestĂ€nde ergĂ€nzt werden. In der Praxis lĂ€uft das in vier Phasen ab.
Phase 1: Die Daten, die als Referenz dienen sollen, werden in Vektoren ĂŒberfĂŒhrt. Ein Embedding-Modell, deutlich kleiner als ein regulĂ€res Sprachmodell, zerlegt die DatensĂ€tze in kleinere Bestandteile (âChunksâ) und ĂŒbersetzt natĂŒrliche Sprache in numerische Tokens.
Phase 2: Das System sammelt die passenden Informationen (Retrieving). Ein Embedding-Modell wandelt auch die Nutzeranfrage in einen Vektor um, ein Suchalgorithmus durchsucht die Vektordatenbank nach Ă€hnlichen Vektoren. So filtert das System, was aus der Wissensquelle fĂŒr diese Anfrage relevant ist.
Phase 3: Im Augmentierungsprozess werden der Eingabe die gefundenen Informationen hinzugefĂŒgt. Wie exklusiv sich das Modell darauf bezieht, definiert der Prompt. Ob die Daten aus internen oder externen Quellen stammen, ist zweitrangig. Aktuell und akkurat mĂŒssen sie sein: Jede LĂŒcke verfĂ€lscht das Ergebnis.
Phase 4: Der finale Prompt besteht aus System Prompt, abgerufenem Kontext und Nutzeranfrage. Ab hier arbeitet das Sprachmodell unverÀndert. Von einer regulÀren Anwendung unterscheidet sich ein RAG-Verfahren also allein durch die Dateneingabe und den Prompt.
Sechs GrĂŒnde, warum RAG-Verfahren fĂŒr Redaktionen interessant sind
Generative KĂŒnstliche Intelligenz verĂ€ndert die Medienbranche spĂŒrbar: Falschnachrichten entstehen schneller als zuvor, das Vertrauen in die Medien leidet darunter. Zugleich ist die Technologie ein gern genutztes Mittel, um Kosten zu sparen, vor allem dort, wo es um Masse statt QualitĂ€t geht. RAG-Verfahren verbinden die Möglichkeiten von KI mit einem QualitĂ€tsanspruch.
- Kosteneffizient und sofort wirksam: Finetuning ist aufwendig. RAG stellt Wissen vergleichsweise einfach bereit und kann ein vorbereitender Schritt vor einem Finetuning sein.
- AktualitĂ€t im KI-Output: Vortrainierte Sprachmodelle haben einen Stichtag, an dem der Trainingsdatensatz eingefroren wurde. Ăber Echtzeitdaten bleibt ein RAG-System auf dem Laufenden.
- Belegbare Aussagen: Richtig gepromptet und mit der passenden Datenbank verbunden, gibt ein Modell Quellen und Zitate an. Das erleichtert die interne PrĂŒfung und wirkt nach auĂen als Vertrauensmarker.
- Mehr Kontrolle ĂŒber den Output: An der Technik hinter den Sprachmodellen Ă€ndert RAG nichts. Der Output aber beruft sich auf Quellen, die die Redaktion selbst ausgesucht hat.
- Assistenz bei Faktencheck und Recherche: Bei journalistischen Inhalten bleibt menschliche Kontrolle unerlÀsslich. Ein RAG-System kann Material vorsortieren und Rechercheteams eine Richtung geben.
- Neue Produkte und Erlösmodelle: Personalisierte Inhalte, Content-Moderation und Serviceangebote im Kundenservice lassen sich leichter umsetzen. Das KI-Reallabor des KI.M hat zum Beispiel getestet, wie sich Live-Radio-Transkripte als Wissensquelle nutzen lassen.
Was beim Einsatz von RAG zu beachten ist
Auch ein RAG-Verfahren kommt nicht ohne menschliches Zutun aus. Ăber Aufbau und Anpassung des Systems entscheiden die Teams im Haus. Drei Punkte verdienen besondere Aufmerksamkeit.
- Datenmenge: Wird viel externes Wissen abgerufen, entstehen lange Prompts, die nicht jedes Sprachmodell verarbeiten kann. Je nach Setup sind kleinere Modelle fĂŒr RAG sogar prĂ€destiniert. Helfen kann auch eine Doppel-LLM-Architektur: Ein groĂes Modell komprimiert den Prompt, ein kleineres, feinabgestimmtes Modell fĂŒhrt ihn zĂŒgig aus.
- Datenschutz: Empfehlenswert ist die Arbeit mit On-Premise-Modellen. So lÀsst sich verhindern, dass Systeme mit Zugriff auf sensible oder unveröffentlichte Daten Informationen an die Server Dritter weiterleiten. Zugriffsrechte sollten eng gefasst sein und beim eigenen Team liegen.
- Datenrichtigkeit: Die Kontrolle ĂŒber die Informationen liegt bei den Entwickler:innen. Der Erfolg des Systems hĂ€ngt damit maĂgeblich von der KI-Kompetenz im Haus ab. Stimmt die Grundlage nicht, hilft die beste Architektur nichts. Voraussetzung sind gut gefĂŒhrte Archive und ordentliche Metadaten.
Fazit: Mit RAG KI-Nutzung kontrollierbar machen
RAG-Verfahren bieten MedienhĂ€usern einen pragmatischen Einstieg in die kontrollierte Nutzung generativer KI. Sie verbinden die LeistungsfĂ€higkeit groĂer Sprachmodelle mit redaktionell kuratierten DatenbestĂ€nden und punkten dort, wo klassische Sprachmodelle versagen: bei Halluzinationen und beim fehlenden Zugriff auf aktuelles, firmeneigenes Wissen. Die Implementierung bleibt vergleichsweise kosteneffizient.
Entscheidend ist die DatenqualitĂ€t. Ein RAG-System ist nur so gut wie die Archive und Metadaten, mit denen es arbeitet. Wer diese Grundlagen schafft und klare Datenschutzregeln etabliert, gewinnt ein belastbares Recherche- und Produktionswerkzeug und legt zugleich die Basis fĂŒr neue Serviceangebote.
RAG ist kein Allheilmittel, aber der schnellste Weg zu KI-Outputs, fĂŒr die eine Redaktion auch geradestehen kann.
Geschrieben von

Vincent Broy
Werkstudent
Vincent Broy war von 2025 bis 2026 als Werkstudent im KI-Kompetenzzentrum Medien (KI.M) tĂ€tig. Mit seinem akademischen Hintergrund in Science and Technology Studies an der Technischen UniversitĂ€t MĂŒnchen befasst er sich schwerpunktmĂ€Ăig mit den Wechselwirkungen zwischen Technologie und Gesellschaft.


