KI ist mehr als ein intelligenter Chatbot

Die meisten kennen KI als Textfenster: Frage rein, Antwort raus. Das ist der kleinste Teil. Ich zeige dir an meinem eigenen Podcast, was heute schon zusammenläuft, wenn man die Werkzeuge miteinander verbindet: von der Idee bis zur fertigen Folge, ohne dass ich je ein Tonstudio betrete.

Das Missverständnis

Wenn ich mit Leuten über KI rede, landen wir fast immer beim gleichen Bild: ein Chat, in den man etwas eintippt. Die Diskussion dreht sich dann darum, ob die Antwort gut war. Das ist ungefähr so, als würde man einen Computer danach beurteilen, wie schön er Text anzeigt.

Interessant wird es, wenn das Sprachmodell nicht mehr nur antwortet, sondern Werkzeuge bedient. Es erzeugt Bilder, spricht Texte ein, schneidet Audio, schreibt Dateien, prüft das Ergebnis. Nicht in einem Produkt, das jemand fertig gebaut hat, sondern in einer Kette, die ich mir selbst zusammengesteckt habe.

Genau das habe ich bei meinem Podcast gemacht, und dabei ist mir erst richtig aufgegangen, wie weit das schon trägt.

Der Testfall: ein Podcast über Positive Leadership

Für Positive Potato mache ich seit Kurzem einen Podcast zu Positive Leadership. Kurze Folgen, sieben bis dreizehn Minuten, zwei Stimmen im Dialog. Eine Folge zum Reinhören: «Jung in Führung».

Ich habe kein Mikrofon gekauft, keine Sprecherin gebucht, keinen Schnittplatz. Was ich gebaut habe, ist eine Kette aus mehreren KI-Diensten, die ineinandergreifen. Der Weg von der Idee zur veröffentlichten Folge sieht so aus:

1. Idee prüfen. Passt das Thema überhaupt zur Marke? Dafür gibt es einen festgeschriebenen Themen-Scope mit Prüffragen. Fällt eine Idee durch, wird sie zurückgewiesen. Lieber keine Folge als eine, die nicht passt.
2. Quellen belegen. Jede Zahl und jedes Zitat wird geprüft, bevor eine Zeile Skript entsteht.
3. Skript schreiben. Ein Dialog zwischen zwei Rollen, Jessica und Brian, als schlichte Textdatei mit Sprecher-Kürzeln davor.
4. Teaserbild bauen. Das Hintergrundmotiv entsteht über den Higgsfield-MCP, das fertige Poster rendert ein eigenes Skript im immer gleichen Markenlook, in den Formaten für LinkedIn und fürs Quadrat.
5. Vertonen. Ein Python-Skript zerlegt den Dialog, schickt jeden Abschnitt mit der passenden Stimme an den ElevenLabs-MCP und setzt die Teile per ffmpeg zusammen.
6. Veröffentlichen. Die Folge kommt als Datensatz in die Website, der Rest ergibt sich von selbst: Übersichtsseite, Startseiten-Teaser, Sitemap, Vorschaubild für Social Media.

Zusammengehalten wird das von einem Ablaufdokument, das ich meinem Assistenten mitgebe. Es beschreibt nur den Weg, nicht den Inhalt. Die inhaltlichen Regeln bleiben dort, wo sie hingehören, und werden von dort verlinkt. Sonst pflegt man dieselbe Regel an drei Orten, und irgendwann driften die Fassungen auseinander.

Das Ergebnis ist ein fertiges MP3 mit zwei Stimmen, sauberen Pausen und einer Länge, die ich vorher planen kann.

Was MCP damit zu tun hat

Der Klebstoff heisst MCP, Model Context Protocol. Ein offener Standard, über den ein KI-Assistent externe Werkzeuge ansteuern kann. Ich habe darüber schon einmal geschrieben, damals ging es um Berner Gesetzestexte.

Der Unterschied ist derselbe wie dort: Statt dass die KI mir beschreibt, wie man ein Bild generieren oder eine Stimme erzeugen könnte, tut sie es. Higgsfield für Bilder, ElevenLabs für Stimmen, beide über denselben Mechanismus angebunden. Für mich fühlt sich das an, als hätte mein Assistent Hände bekommen.

Wo es wirklich interessant wird

Die Kette zusammenzustecken war der einfache Teil. Der Gehalt steckt in den Details, die man erst merkt, wenn man es ernsthaft benutzt. Drei Beispiele, alle aus echten Fehlschlägen entstanden:

Kurze Schnipsel klingen schlechter als lange. Vertont man Satz für Satz, kippt die Stimme in ihren englischen Grundklang zurück. Sie braucht Zusammenhang. Das Skript fasst deshalb aufeinanderfolgende Zeilen derselben Person zu grösseren Blöcken zusammen. Gehört, verglichen, gemerkt.

Eine deutsche Stimme buchstabiert «CEO» als «zeh-eh-oh». Für englische Abkürzungen liegt jetzt eine Aussprachetabelle daneben, die vor dem Vertonen Lautschrift einsetzt. Dasselbe für Helvetismen: «Glace» wird sonst falsch betont. Wichtig dabei: Die Ersetzung wirkt nur auf das Audio. Auf der Website steht weiterhin «CEO».

Jeder Lauf kostet Geld. Deshalb bekommt jeder vertonte Abschnitt einen Fingerabdruck aus seinem Inhalt und wird zwischengespeichert. Korrigiere ich einen einzigen Satz, wird auch nur dieser eine Abschnitt neu erzeugt, der Rest kommt aus dem Speicher. In der letzten Folge lagen so über siebzig Einzelteile bereit.

Der letzte Punkt hat sich prompt bewährt. Bei einem Lauf blieb die Verbindung bei Abschnitt 73 von 87 hängen. Ohne diesen Zwischenspeicher wäre die ganze Folge noch einmal fällig gewesen, mitsamt Kosten. So lief sie einfach dort weiter, wo sie stehengeblieben war. Seither bricht das Skript nach zwei Minuten Funkstille von selbst ab, statt ewig zu warten.

Der Fehler, der mich am meisten gelehrt hat

In einer Folge stand eine Zahl zum Homeoffice, sauber formuliert und einer Bundesstelle zugeschrieben. Sie klang stimmig, sie passte ins Thema, und sie war falsch zugeordnet: Die Zahl stammt vom Bundesamt für Statistik, im Text stand das Staatssekretariat für Wirtschaft.

Niemand hätte das gemerkt. Genau das ist das Problem. Eine gut klingende Quellenangabe ist die Sorte Fehler, die man nicht sieht, weil man nicht danach sucht.

Seither steht das Prüfen von Zahlen und Zitaten vor dem Schreiben, nicht danach, und es gilt ausdrücklich auch für Material, das von mir selbst kommt. Es ist derselbe Punkt wie bei meinem Werkzeug für Berner Gesetzestexte: Nicht die Eloquenz ist das Risiko, sondern die Selbstsicherheit, mit der etwas Plausibles daherkommt.

Die Erfahrung fliesst zurück

Das Interessanteste an dem Aufbau ist für mich, wie er sich verändert. Jeder Fehler, der einmal passiert ist, landet als Regel im Ablauf: der hängende Lauf, der falsch zugeordnete Beleg, der vergessene Bildtitel, der englische Akzent bei Brian. Beim nächsten Mal steht die Lehre schon da.

Nicht weil das Modell dazulernt, sondern weil ich aufschreibe, was schiefging. Das ist unspektakulär und wirkt trotzdem stärker als jedes Prompt-Tuning. Mein Ablaufdokument hat inzwischen einen eigenen Abschnitt, der schlicht heisst: was schon schiefgegangen ist.

Was die KI nicht macht

Hier wird es wichtig, sonst klingt das nach Wunderautomat.

Das Thema kommt von mir. Die Haltung kommt von mir. Ob eine Idee zur Marke passt, entscheidet ein Filter, den ich selbst geschrieben habe. Und ob eine Folge wirklich gut klingt, höre am Ende ich.

Dazu habe ich zwei Stellen eingebaut, an denen die Automatik zwingend anhält und auf mich wartet:

• Kosten. Jeder Lauf, der Zeichen oder Credits verbraucht, braucht ein ausdrückliches Ja. Auch eine kurze Hörprobe. Auch eine Neuvertonung nach einer Korrektur.
• Veröffentlichen. Nichts geht ungefragt live. Wann eine Folge erscheint, entscheide ich.

Ein Satz aus dem Ablauf gefällt mir besonders, weil er eine Falle beschreibt, in die ich fast getappt wäre: Eine inhaltliche Rückmeldung wie «die Variante klingt besser» ist keine Kostenfreigabe. Zustimmung zum Text ist nicht dasselbe wie Zustimmung zur Rechnung.

Was hier automatisiert ist, ist die Produktion, nicht das Urteil. Die Maschine nimmt mir das Handwerk ab, nicht die Verantwortung dafür, was ich veröffentliche.

Ein hübsches Detail am Rande: Ich schreibe grundsätzlich ohne Gedankenstriche. Diese Regel steht inzwischen nicht mehr nur in einem Dokument, sie ist als Prüfung im Vertonungsskript hinterlegt. Findet es einen solchen Strich im Skript, bricht es ab und nennt mir die Zeile. Aus einer Stilvorgabe ist eine Leitplanke geworden, die nicht vergisst.

Warum das der eigentliche Punkt ist

Die Frage «kann KI einen Podcast machen» ist die falsche Frage, genauso wie «kann KI Recht zitieren» die falsche war. Beide laden dazu ein, ja oder nein zu sagen und dann weiterzugehen.

Die bessere Frage ist: Welche Kette muss ich bauen, damit ein starkes Modell etwas Brauchbares abliefert? Für den Podcast war das eine Verbindung zu Bild und Stimme plus ein paar Leitplanken aus eigener Erfahrung. Für die Rechtsrecherche war es der Draht zur amtlichen Quelle. Beide Male lag die Arbeit nicht im Modell, sondern in der Verbindung drumherum.

Das ist auch der Grund, warum ich bei «KI ersetzt Berufe» skeptisch bleibe und bei «KI ist nur ein Chatbot» ebenso. Beides greift zu kurz. Was heute geht, ist etwas Bodenständigeres und Nützlicheres: Arbeit, die vorher ein halbes Studio gebraucht hätte, läuft jetzt als kleine Werkzeugkette auf meinem Rechner. Mit Kosten, die ich sehe, und Ergebnissen, die ich prüfe.

Mein Fazit

Am meisten überrascht hat mich, wie viel Wissen in den Kleinigkeiten steckt. Nicht «welches Tool nehme ich», sondern: wie lang darf ein Abschnitt sein, damit die Stimme trägt. Wie verhindere ich, dass ein Abbruch teuer wird. Wie schreibe ich meine eigenen Regeln so auf, dass die Maschine sie einhält.

Genau das ist für mich angewandte KI. Nicht möglichst viel Automatik, sondern die passenden Werkzeuge verbinden und dort Leitplanken setzen, wo es weh tut. Weniger Zauberei, mehr Werkzeug.

Wenn du hören willst, was dabei herauskommt: positive-potato.ch/podcast.

Hast du auch so eine Idee?

Der Podcast ist mein eigener Fall. Übertragbar ist nicht die Podcast-Produktion, sondern die Denkweise: Nimm einen Ablauf, den du regelmässig von Hand machst und dessen Schritte sich immer wiederholen. Genau dort lohnt sich die Automatisierung.

Wenn du so etwas im Kopf hast und nicht weisst, wo du anfangen sollst, helfe ich dir dabei. Ich schaue mir mit dir an, welcher Teil sich wirklich lohnt, was er kostet und an welchen Stellen der Mensch die Kontrolle behalten muss. Lieber eine kleine Kette, die zuverlässig läuft, als eine grosse, der du nicht traust.