Zugegeben, beim leidigen Dauerbrenner „Medienverteiler“ denken die wenigsten an eine fette Sahnetorte. Noch dazu bei diesen hochsommerlichen Temperaturen! Hier lest ihr, warum dieser Vergleich für mich trotzdem ziemlich passend ist.
Viele Kommunikationsprofis glauben, sie können sich ihre Verteiler einfach von der KI ihres Vertrauens zusammenstellen lassen – und wundern sich dann, dass genau diese Aufgabe mit den ansonsten so leistungsfähigen LLMs (Large Language Models) nicht zufriedenstellend gelöst wird.
Nehmen wir ein konkretes Beispiel: Angenommen, Sie sind für die Kommunikation eines Musikfestivals verantwortlich, das im nächsten Jahr in München stattfinden soll. Sie benötigen einen aktuellen, zielgerichteten Verteiler mit genau den Journalistinnen und Journalisten, die in München und Umgebung über Musik, Kultur und Festivals berichten.
Ein typischer Prompt lautet dann: „Hallo ChatGPT, ich plane ein Musikfestival in München. Stelle mir bitte eine Liste aller Journalisten zusammen, die in München und Umgebung über Festivals schreiben. Bitte mit Profil und mit E-Mail-Adresse, damit ich die Personen direkt kontaktieren kann.“
Spätestens nach den ersten Versuchen folgt die Ernüchterung. Die Antworten liefern allenfalls grobe Anhaltspunkte und eine vage Basis für weitere eigene Recherchen. Einen fertigen, sofort nutzbaren Verteiler bekommen Sie so nicht.
Eine KI kann eine spezialisierte Autoren- und Mediendatenbank nicht ersetzen
Aber warum ist das so? Schauen wir uns den technischen Ablauf und den rechtlichen Rahmen an, in dem sich auch die KI bewegen muss.
Was macht ein LLM mit einer solchen Anfrage? Die primäre Ressource, auf die es zugreift, sind seine statischen Trainingsdaten. Das funktioniert hervorragend, wenn Sie mathematische Formeln vergleichen oder nach den Werken von Leonardo da Vinci fragen.
In unserem Fall benötigen wir jedoch eine Antwort, die aktuelle Daten erfordert. Für Anfragen dieser Art verwendet das System angeschlossene Quellen oder eine integrierte Websuche, die das Internet nach aktuellen Informationen durchkämmt – etwa nach Presseartikeln oder Mitteilungen. Was dabei im frei zugänglichen Web nicht indexiert ist, taucht jedoch auch in der Antwort nicht auf. Wichtiges Beispiel: Autoren, die primär in Printmedien publizieren, fallen durch das Raster.
Das kritischste Element einer Autorenliste ist jedoch die E-Mail-Adresse, denn die direkte 1:1-Ansprache ist nach wie vor das Fundament der Medienarbeit. Hier stoßen LLMs auf zwei massive Hürden:
Erstens ist die KI darauf angewiesen, dass E-Mail-Adressen im Netz öffentlich verfügbar, aktuell und eindeutig berufsbezogen hinterlegt sind.
Zweitens – und das ist die weitaus größere Hürde – stehen datenschutzrechtliche Vorgaben wie die DSGVO der generellen, automatisierten Verarbeitung und Herausgabe personenbezogener Daten entgegen. Um Compliance-Richtlinien zu wahren, blockieren moderne KI-Systeme die Ausgabe direkter Kontaktdaten zunehmend über interne Sicherheitsfilter. Eine KI kann und darf die rechtliche Brücke, die für eine datenschutzkonforme Speicherung und Nutzung von Journalistendaten notwendig ist, nicht schlagen.
Anbieter einer spezialisierten Medien- und Autorendatenbank dagegen können dies. Sie stellen ihr System DSGVO-konform ausschließlich der geschlossenen Benutzergruppe der PR-Professionals zur beruflichen Nutzung zur Verfügung und stellen somit sicher, dass der Grund der Verarbeitung nachvollziehbar ist, die Rechte der Autoren gewahrt, Beschwerden berücksichtigt und die Interessen aller Beteiligten gegeneinander abgewogen werden. Dies sind essenzielle Anforderungen der EU-DSGVO. Deshalb ist auch kein Opt-In (die explizite Erlaubnis der Autor:innen, sie zu kontaktieren) erforderlich. Denn Journalisten können von Berufs wegen davon ausgehen, Pressemitteilungen zu erhalten (wichtig: eine Opt-Out-Möglichkeit anbieten!).
Da ein LLM im Gegensatz dazu aber im öffentlichen Raum zugänglich ist und nicht weiß, dass Sie Kommunikationsprofi sind und ausschließlich berufliches Interesse an der Liste haben, werden Sie diese nicht erhalten.
Warum Mediendatenbanken LLMs beim Verteileraufbau schlagen
Genau hier spielen spezialisierte Medien- und Journalistendatenbanken ihre volle Stärke aus. Sie schaffen nicht nur Zugang zu Kontakten, sondern auch Kontext: Wer schreibt worüber? Für welches Medium? Mit welchem regionalen oder thematischen Schwerpunkt?
Eine gute Mediendatenbank ist wie eine Sahnetorte
Eine Medien- und Autoren Datenbank kann man sich vorstellen wie eine Sahnetorte. Diese benötigt unten einen festen Boden. Das ist die Medienschicht (Media Layer). Darauf baut die Autorenschicht auf. Das ist die Sahne. Die braucht wie bei einer guten Sahnetorte die darunter liegende Medienschicht!
In der Medienschicht finden sich wichtige Informationen wie Mediengattungen, lokale Bezüge (früher „Verbreitungsgebiete“), thematische Ausrichtungen, Veröffentlichungsfrequenzen (täglich/wöchentlich/monatlich) und Reichweiten (geprüft und ungeprüft). Auf dieser Basis baut dann die Autorenschicht auf. Das ist dann das Sahne-Topping. Es berücksichtigt auch die Veröffentlichungen der Autor:innen und deren zugängliche Informationen und baut daraus ein Profil. Autoren werden thematisch eingeordnet und ihre Texte werden semantisch (dem Sinn Ihrer Texte nach) klassifizert. Das ist wichtig, um ihnen später die genau passenden Informationen zu senden. In der Summe steht eine Datenbasis zur Verfügung, die LLMs so nicht haben und deshalb bei der Frage nach dem „richtigen“ Verteiler zwangsläufig versagen.
Generative KI ist ein mächtiger Assistent für die Inspiration, die Strukturierung von Themen oder das Verfassen von Textentwürfen. Doch das Fundament der Medienarbeit – das Wissen darüber, wer wirklich worüber schreibt und wie diese Person datenschutzkonform erreicht werden kann – erfordert spezielles Know-How und eine gepflegte Datenbank-Infrastruktur.
Die Zukunft liegt deshalb nicht in „KI statt Datenbank“, sondern in der Verbindung aus beidem: KI als Unterstützung für Recherche, Content, Analyse und bessere Workflows — und eine geprüfte, spezielle Datenbasis als Fundament professioneller PR.
