Wie die Associated Press ihre KI-Strategie entwickelte, ohne Vertrauen zu verspielen

Der Ansatz der AP zeigt wie KI in Medienunternehmen nachhaltig eingesetzt werden kann mit Augmentierung und Kollaboration als Prioritäten

Das Beispiel der Associated Press zeigt, wie Nachrichtenorganisationen künstliche Intelligenz implementieren können, ohne ihre redaktionelle Glaubwürdigkeit zu opfern. Die AP hat Standards entwickelt, rigide interne Tests vor der öffentlichen Einführung von Tools absolviert und transparent sowohl mit der Redaktion als auch mit Mitgliedsorganisationen kommuniziert. Ihr Ansatz bringt praktische Tools wie Datenmonitoring von US-Bundesbehörden und Videoarchiv-Suche hervor, offenbart aber auch die grundlegende Herausforderung für Medienunternehmen: Die meisten KI-Experimente kosten Geld, statt welches zu generieren.

Letzte Woche habe ich mit Troy Thibodeaux, APs Direktor für Produkte und Services, telefoniert. In unserem Gespräch ging es um strategische Grundsätze, Innovationsfelder und was bei der AP in punkto KI als nächstes ansteht.

Als Thibodeaux begann, generative KI in der AP einzuführen, stieß er zunächst auf Widerstand. Redakteure und Redakteurinnen sorgten sich um ihre Arbeitsplätze. Mitgliedsunternehmen und Kunden verlangten "nichts, was KI berührt hat" in ihren Feeds. Die Antwort auf das Dilemma war, sofort KI-Standards zu etablieren.

"Von Anfang an war eines der ersten Dinge, die wir taten, uns mit dem Standards-Team zu treffen", erklärte mir Thibodeaux. Das Standards-Team half dabei, spezifische Richtlinien für KI-Nutzung zu erstellen, mit monatlichen Reviews und sechsmonatigen Update-Zyklen. Sie zogen sofort rote Linien: keine generierten Bilder, keine Inhalte an Kunden ohne journalistische Überprüfung.

Dieser Standards-orientierte Ansatz hat der AP erlaubt, die Fehltritte zu vermeiden, die einigen anderen Medien bei Experimenten mit KI-generierten Artikeln oder Bildern unterlaufen sind. Die AP hat Leitplanken eingezogen und bewegt sich innerhalb der Grenzen, die ihre Redaktion und Kunden akzeptieren können.

Innovation mit Anforderungen der Mitglieder ausbalancieren

APs Position als gemeinnützige Genossenschaft, die Medienunternehmen als Mitglieder bedient, erzeugt eine hohe Erwartungshaltung. Wie Aimee Rinehart, APs Senior Product Manager für KI-Strategie, auf der South by Southwest-Konferenz im März 2025 erklärte: "Viele der Unternehmen, die wir bedienen, sagen, wir wollen keine generative KI in unseren Nachrichtenfeeds von euch, also müssen wir darauf hören."

Dieser Kundenwiderstand prägt jede KI-Entscheidung. Anders als kommerzielle Medienunternehmen, die freier experimentieren können, muss die AP Innovation mit Mitgliederanforderungen balancieren. "Wir müssen unseren Mitgliedern und Kunden geben können, was sie brauchen, und zugleich auch experimentieren", bemerkt Rinehart.

Außerdem: Die AP ist ein Riesenunternehmen mit einem gigantischen Output an Inhalten. Während die New York Times etwa 200 Artikel täglich produziert, generiert die AP 2.000 Artikel und 3.000 Fotos pro Tag. Dieses Volumen schafft sowohl Möglichkeiten als auch Verpflichtungen.

Tools entwickeln, die Journalisten tatsächlich wollen

APs KI-Entwicklung folgt einem einfachen Prinzip: Eat your own dog food. Anstatt Produkte für Kunden zu entwickeln und zu hoffen, dass sie funktionieren, entwickelt AP Tools für den internen Gebrauch, testet sie gründlich und erwägt dann externe Anwendungen.

Der Prozess beginnt mit der Identifizierung echter Schmerzpunkte. "Was sind die Dinge, die Ihr lieber nicht tun würdet? Was empfindet Ihr als Ablenkung vom Kern Eurer journalistischen Arbeit?", fragt Thibodeaux seine Redaktionskollegen. Dieser Ansatz führte zu Tools wie automatisierten “Shot-Listen” für Videoinhalte und Dokumentenanalyse-Pipelines für große Datensätze.

Beispiel “JFK-Papers”-Projekt: Als die Trump-Regierung im März 2025 etwa 2.200 Dateien mit über 63.000 Seiten zuvor klassifizierter Dokumente zu Präsident Kennedys Ermordung im Jahr 1963 veröffentlichte, kooperierte das Team, das diese Papiere analysierte, mit dem KI-Team und dem Datenteam, um eine Pipeline für die Analyse großer Dokumentensätze zu erstellen. Das KI-Tool half Reportern, sich schneller durch die voluminösen Dokumente durch zu arbeiten, Zusammenfassungen der Dokumente zu erstellen und zu identifizieren, was in zuvor veröffentlichten aber geschwärzten Materialien neu freigegeben worden war. Das Tool funktionierte intern so gut, dass es jetzt für zukünftige Freigaben klassifizierter Dokumente verfügbar ist.

Interne Tools in Aktion

Ein anderes Beispiel: Das Democracy-Team wandte sich mit einem spezifischen Problem an Rinehart: "Wir ertrinken in Podcasts. Wir können nicht mit der Menge an Podcasts mithalten." Die Lösung: ein System, das RSS-Feeds durchsucht, neue Episoden automatisch transkribiert, Schlüsselwörter identifiziert und Reporter auf relevante Inhalte aufmerksam macht.

Das Tool bewies seinen Wert bei der Nachverfolgung von Aussagen von Kash Patel, als er im Januar 2025 Kandidat für die Position des FBI-Direktors war. "Es gab mehr als 100 Podcasts, in denen Kash Patel moderierte oder zu Gast war, und wir wollten wissen, was er dort sagte", erklärte Rinehart. Das System funktionierte so gut, dass die AP zum ersten Mal nicht nur die Autorenzeilen der drei Reporter auflistete am Schluss der Story auch den KI-Produktmanager Ernest Kung namentlich nannte. Er entwickelte das Tool, das die Recherche ermöglichte.

Die AP entwickelte außerdem einen KI-Redaktionsassistenten für Experimente außerhalb ihres Content-Management-Systems. Mit OpenAIs API verarbeitet das Tool Übersetzungen vom Englischen ins Spanische (mit portugiesischen Experimenten im Gange), produzierte Updates bei aktuellen Nachrichtenlagen , generiert Schlagzeilen und SEO-Varianten und produziert Stichpunkt-Zusammenfassungen.

Drei KI-Tools, drei verschiedene Lektionen

Local Lede: Daten von Bundesbehörden daten in ortsspezifische Stories verwandeln

Das vielleicht ambitioniertestes KI-Projekt der AP ist Local Lede, entwickelt in Kooperation mit Applied XL. Das System überwacht mehr als 430 Bundesbehörden und identifiziert regulatorische Maßnahmen, die zu lokalen Stories werden könnten. Wenn die Umweltschutzbehörde EPA ein Unternehmen bestraft, bestimmt das System beispielsweise, ob das nachrichtenrelevant ist (erhebliche Strafzahlung, wiederholte Verstöße) und identifiziert lokale Relevanz (Firmensitz, große Arbeitgeber).

Das ultimative Ziel ist es, die Kakophonie der Bundesbürokratie in umsetzbare lokale Nachrichtentipps zu verwandeln. Das System analysiert Einträge in Bundesbehörden, beurteilt die redaktionelle Relevanz und liefert ortsspezifische Themenvorschläge komplett mit Telefonnummern für Folgeberichte.

Aktueller Status: Local Lede startete mit Pilotprojekten in fünf Medienunternehmen und wurde inzwischen auf Medien in 10 US-Bundesstaaten ausgeweitet. Die KI-generierten Tipps, fließen direkt in APs regulären Feed für diese regionalen Märkte. Aber Thibodeaux ist ambivalent, ob das ausreicht: "Wir haben das Gefühl, dass es noch besser werden muss, um wirklich wertvoll zu sein. Es hat noch nicht ganz das Niveau erreicht, das wir erwarten würden."

Das Problem: Lokale Redaktionen wollen mehr als Tipps. "Was sie wirklich wollen, ist etwas, das sie unmittelbar veröffentlichen können", erklärte mir Thibodeaux. Das typische Feedback sei, “das sieht interessant aus, das könnte man machen, aber wir haben keine Zeit, dem nachzugehen.'" Auch am Relevanz-Filter muss noch gearbeitet werden. Tatsächliche Relevanz mit Hilfe von KI zu bestimmen, bleibt herausfordernd, und hyperlokale Relevanz für sehr kleine Märkte herzustellen, erweist sich nach wie vor als schwierig.

Nächste Schritte: Local Lede ist noch im Pilot-Modus und Thibodeaux erkennt an, dass "es möglich ist, dass das Projekt nicht weiterlebt." Der Fokus liegt auf der Verbesserung der Filterung und der Erforschung lokaler Datensätze jenseits von Quellen auf Bundesebene.

Übersicht zu einigen der Tool, welche die AP anbietet. (Screenshots AP, Zusammenstellung News Machines)

ShortTok: Video-Entdeckung leicht gemacht

ShortTok ist der Name eines Dienstleisters, aber auch der Name eines Tools, das AP mit diesem Anbieter entwickelt hat. ShortTok macht einzelne Videos in APs massiver täglicher Produktion von 5.000 Videos pro Tag auffindbar.

Die Innovation: Zwei Features sind inzwischen im Kunden-Dashboard AP Newsroom integriert. Erstens: Vorschläge zu verwandten Inhalten, die Kunden helfen, ähnliche Videos zu finden. Zweitens und interessanter: "Storylines" - KI-generierte Identifizierung verschiedener Perspektiven und Themen innerhalb der Videoberichterstattung zu großen Stories. Anstatt nur eine Perspektive auf ein Breaking-News-Ereignis können Kunden mehrere Erzählstränge sehen und auswählen, was für ihr Publikum funktioniert.

Implementierung: Nach einem Rollout in mehreren Stufen haben alle AP Newsroom-Nutzer seit einigen Monaten Zugang zu diesen Features. Die Integration stellt eine komplette Neugestaltung von APs kundenorientierter Plattform dar.

Erfolgsmetriken: Die Kernfrage ist, ob Kunden relevante AP-Inhalte damit leichter entdecken und nutzen können Die AP hat festgestellt, dass Video-Downloads zugenommen haben und die Features von ShortTok genutzt werden.

Das Ziel: Das Auffindbarkeits-Problem lösen, das alle Nachrichtenagenturen plagt. Mit Tausenden von Inhalten täglich wird es ein Wettbewerbsvorteil, Kunden zu helfen, genau das zu finden, was sie brauchen.

Merlin: Mehr Wert in Archiven finden

Merlin konzentriert sich auf Videoarchiv-Suche, zeigt aber auch grundsätzlicher wie wie AP die Wertschöpfung aus großen Archiven beurteilt. Anders als traditionelle taxonomie-basierte Suche arbeitet Merlin direkt mit den Videoinhalten selbst und nutzt Vektorisierung um die Inhalte zu verstehen.

Aktueller Stand: Videosuche, die über Metadaten und Tags hinausgeht, um tatsächlichen Inhalt zu verstehen. Das erlaubt Suchen basierend auf visuellen Elementen statt nur Textbeschreibungen.

Größere Archiv-Ambitionen: Thibodeaux skizziert drei Entwicklungsbereiche: entdecken was in Archiven ist, bessere Metadaten erstellen und "darüber nachdenken, was die Wege sind, wie wir diese Archive nutzen könnten, um etwas Neues zu schaffen, neue Produkte zu erstellen."

Bessere Tags bieten Chancen: Viele Medienunternehmen, einschließlich AP, haben riesige Archive ungetaggter oder schlecht getaggter Inhalte. KI könnte dieses Material freischalten, indem sie durchsuchbare Beschreibungen erstellt und neue Kontexte für historische Inhalte findet.

Diese drei Tools illustrieren verschiedene KI-Reifegrade und Herausforderungen. ShortTok zeigt erfolgreiche Integration, Local Lede demonstriert die Lücke zwischen Konzept und Nutzen, und Merlin hat noch viel Potential nach oben.

Deepfakes mit KI-Verifikation bekämpfen

Die AP entwickelt ein umfassendes Verifikations-Dashboard, das derzeit mit ausgewählten Kunden pilotiert wird. Das Dashboard konsolidiert etwa 10 verschiedene Verifikations-Tools und APIs in eine einzige Oberfläche, und soll Redaktionen dabei helfen, nutzergenerierte Inhalte in einer Ära zunehmend anspruchsvollerer Deepfakes zu authentifizieren.

Die Verifikations-Suite umfasst "People Finder" zur Identifizierung von Personen in Fotos und Videos, generative KI-Erkennungstools, die potenziell KI-generierten Text markieren können, und interaktive Chatbots, die Journalisten durch Verifikations-Workflows mit eingebauten Warnungen vor potentiellen Problemfällen führen.

Das neue Projekt baut auf dem schon länger laufendem AP Verify-Projekt auf, das seit 2017 mit finanzieller Hilfe von Google entwickelt wird. Dieses System nutzt visuelle Erkennung und maschinelles Lernen, um nutzergenerierte Videos zu verifizieren, indem es Elemente wie Straßenschilder und geografische Marker gegen bekannte Datenbanken überprüft.

Allerdings sind die Verifikations-Tools außerhalb der Vereinigten Staaten nur eingeschränkt einsetzbar. Rinehart erklärte bei der SXSW: "Die Tools haben in den USA mehr Vorteile als in anderen Ländern. Die DSGVO ist einer der Gründe, warum es in Deutschland möglicherweise nicht so gut funktioniert." Datenschutzregulierungen begrenzen die Möglichkeit von Querverweisen, die Verifikations-Tools effektiv machen.

Open Source Tools für Lokalmedien

In einem anderen Projekt kollaborierte AP von 2021 bis 2023 direkt mit lokalen Redaktionen im Rahmen ihrer Local News AI-Initiative. Dabei entstanen fünf Open Source-Projekte, die inzwischen auf GitHub öffentlich verfügbar sind und von allen Medien eingesetzt werden können. Diese Tools adressieren konkrete Probleme im redaktionellen Workflow.

Ein herausragender Erfolg ist das “Minutes”-Projekt (Protokollierung), das eine der mühsamsten Aufgaben des Lokaljournalismus automatisiert. Das Tool nimmt öffentlicher Sitzungen auf, transkribiert automatisch, identifiziert Schlüsselwörter und sendet diese Schlüsselwörter an die Journalisten. Damit wird ein Ressourcenproblem gelöst, mit dem viele Lokalreporter konfrontiert sind. Ein Reporter schilderte sein Dilemma der AP: "Ich decke vier Schulbezirke ab, und zwei dieser Bezirke haben Sitzungen zur gleichen Zeit am gleichen Abend."

In diesem Open Source-Ansatz zeigt sich die genossenschaftliche DNA der AP. Anstatt proprietäre Tools zu entwickeln, macht die diese Lösungen frei verfügbar, was kleineren Redaktionen erlaubt, von KI-Entwicklung zu profitieren, die sie sich unabhängig nicht leisten könnten.

Für Troy Thibodeaux sind Standards für den Einsatz von KI wichtig, Umsatzpotential aber ebenfalls. (Foto: Thibodeaux)

Wege finden, KI zu monetarisieren

Die AP hat einen proaktiven Ansatz zur Umsatz-Generierung aus KI gewählt, um nicht von der Entwicklung überrollt zu werden. Im Juli 2023 kündigte die AP einen zweijährigen Lizenzierungsdeal mit OpenAI an, der dem KI-Unternehmen erlaubt, auf Teile des AP-Textarchiv zurück bis 1985 zuzugreifen.

Die Struktur des Deals enthielt wichtige Schutzmaßnahmen. Laut Wall Street Journal schloss die AP eine First-Mover-Schutzklausel ein, die es erlaubte, Bedingungen zu modifizieren, falls ein anderes Medienunternehmen einen besseren Deal mit OpenAI schließt. Daran zeigt sich, dass noch viel Unsicherheit darüber herrscht, welcher monetäre Wert journalistischen Inhalten für das KI-Training zugemessen werden sollte. Im Austausch für Inhalts-Lizenzierung erhielt die AP Zugang zu OpenAIs Technologie und Produktexpertise. Allerdings betont Thibodeaux, dass der Deal zeitlich begrenzt war mit "einigen weiterführenden Vereinbarungen".

Jenseits von OpenAI hat AP Archivmaterial an andere Tech-Unternehmen für das Training ihrer Sprachmodelle und zur direkten Wiedergabe lizensiert. "Indem wir mit den großen Plattformen, den großen Tech-Unternehmen kooperierten, haben wir einige Wege gefunden, wie Content-Lizensierung zur Profitabilität beitragen kann", sagt Thibodeaux.

Jedoch lösen Lizenzierungsdeals nicht das fundamentale Kostenproblem. Wie Rinehart bei der SXSW erklärte, bringen die meisten KI-Experimente kein Geld für Medienunternehmen ein. Sie schaffen nur Umsatz für die kommerziellen KI-Unternehmen.

Dieses Kostenproblem betrifft die ganze Medienbranche. Jeder API-Aufruf an OpenAI, Google oder Anthropic repräsentiert Geld, das von Medienunternehmen zu Tech-Unternehmen fließt. Rineharts Forderung: "Ich würde gerne sehen, dass die Medienbranche einen echten Anteil daran hat, Geld damit zu verdienen." Die Herausforderung liegt nicht nur in der Lizenzierung existierender Inhalte an KI-Unternehmen, sondern in der Entwicklung nachhaltiger Geschäftsmodelle mit KI-gestützten Journalismus-Tools.

Lessons aus diesem Case:

Der Ansatz der AP beim Umgang mit KI bietet mehrere Lektionen für Medienunternehmen:

• Mit Standards beginnen, nicht mit Technologie. Die erfolgreichsten KI-Implementierungen beginnen mit redaktionellen Richtlinien, nicht mit technischen Fähigkeiten. Die frühe Investition der AP in die gemeinsame Entwicklung von Standards verhinderte spätere Glaubwürdigkeitsprobleme.

• Kollaborieren, nicht duplizieren. Wie Thibodeaux beobachtet: "Jedes Medienunternehmen baut sein eigenes Schlagzeilen-Tool." Die Open-Source Local News AI-Initiative der AP demonstriert, wie Kollaboration redundante Entwicklung verhindern kann.

• Auf Ergänzung fokussieren, nicht Ersetzung. Alle KI-Tools der AP setzen auf das Prinzip “human in the loop”.

• Erst intern testen. Tools für die eigene Redaktion zu entwickeln, bevor man sie Kunden anbietet, stellt sicher, dass sie echte Probleme lösen statt theoretische.

• Vertrauens-Dividende aufbauen: APs konservativer Ansatz hat sich in nachhaltigen Vertrauensbeziehungen ausgezahlt. Dieser vertrauensorientierte Ansatz mag langsamer erscheinen als das Silicon-Valley-Prinzip “move fast and break things”, aber er hat der AP erlaubt, nachhaltige KI-Fähigkeiten aufzubauen und dabei ihren USP zu bewahren: Glaubwürdigkeit sowohl bei Redaktionen als auch Nachrichtenkonsumenten.

Verwendete Tools:

• Otter und Notta: Transkriptionen

• Claude 4.0 Sonnet: Zusätzliche Recherchen, Rohfassung des englischen Texts, Rohfassung der deutschen Übersetzung