Der Nachrichtenartikel ist eine Peitsche fürs Fuhrwerk — Ihr Archiv ist eine Goldmine

Ich saß dem Digital-Direktor einer traditionsreichen Zeitung gegenüber — einer, die Sie ganz sicher schon gelesen haben — als er auf seinem Laptop ein Diagramm aufrief und es mir zudrehte. Organischer Traffic, Monat für Monat, über die vergangenen achtzehn Monate. Es sah aus, als hätte jemand einen Felsbrocken von einer Klippe gestoßen.

"Wir machen alles richtig", sagte er. "Mehr Artikel, besseres SEO, schnellere Ladezeiten. Und trotzdem verlieren wir."

Bei der Umsetzung hatte er nicht unrecht. Aber er lag falsch, was das Spiel angeht. Das Spiel hatte sich unter ihm verändert, während er noch für das alte optimierte. Und dieses Gespräch — das bei lauwarmem Kaffee in einem Konferenzraum mit Blick auf ein Parkhaus stattfand — ist der Grund, warum ich die folgenden Monate damit verbracht habe, etwas aufzubauen, von dem ich glaube, dass es neu definieren wird, wie Medienunternehmen überleben.

Die Kernidee ist einfach, fast schon schmerzhaft einfach: Medienunternehmen müssen aufhören, Artikel zu verkaufen, und anfangen, Antworten zu verkaufen. Der News-Feed ist tot. Das Archiv lebt. Und die Technologie, um diese Lücke zu schließen — um fünfzig Jahre Journalismus in eine dialogorientierte Intelligenz-Engine zu verwandeln — existiert bereits. Wir müssen sie nur richtig bauen.

Ich habe eine interaktive Tiefenanalyse zu dieser gesamten These geschrieben, falls Sie das vollständige Bild möchten. Aber lassen Sie mich die Geschichte erzählen, wie wir hierher gekommen sind, denn die Zahlen allein fangen den Schwindel nicht ein, den man empfindet, wenn man zusieht, wie das Fundament einer ganzen Branche zerbricht.

Warum klickt niemand mehr?

Hier ist die Tatsache, die Medienmanager nachts wachhält: 60 % der Google-Suchen enden inzwischen ohne einen einzigen Klick auf irgendeine Website. Auf Mobilgeräten sind es 77 %. Google ist zum Ziel geworden, nicht zur Tür dorthin. Die Suchmaschine, die die digitale Verlagswirtschaft aufgebaut hat, ist klammheimlich zu deren größtem Konkurrenten geworden.

Und das Ausmaß des Schadens ist erschütternd. In der ersten Hälfte von 2025 verzeichnete der mediane Publisher einen Traffic-Rückgang von 10 % im Jahresvergleich. Aber der "Median" verschleiert das Gemetzel. CNN brach um 27 % bis 38 % ein. Forbes und Business Insider fielen um fast 50 %. HubSpot — ein Unternehmen, das modernes Content-Marketing im Grunde erfunden hat — verlor 70 bis 80 % seines organischen Traffics.

Der Übeltäter sind AI Overviews. Wenn Googles KI-Zusammenfassung ganz oben in den Suchergebnissen erscheint — was inzwischen bei etwa 13 % der Anfragen passiert — brechen die Klickraten auf organische Links um rund 47 % ein. Die KI liest die Artikel, damit der Nutzer es nicht muss.

Ich erinnere mich, wie mein Team und ich während einer späten Abendsitzung auf diese Zahlen starrten. Jemand sagte: "Also erstellen die Publisher den Content, Googles KI frisst ihn, und der Nutzer besucht die Seite nie?" Genau so ist es. Und es wird noch schlimmer.

Die Suchmaschine ist kein Verweisgeber von Traffic mehr. Sie ist ein Konkurrent um Aufmerksamkeit.

Der Traffic auf generative KI-Plattformen — ChatGPT, Perplexity, Claude — wächst 165-mal schneller als der Traffic auf die traditionelle Suche. Nutzer stellen längere, komplexere Fragen. Suchanfragen mit fünf oder mehr Wörtern wachsen 1,5-mal schneller als kurze Keyword-Anfragen. Menschen wollen keine zehn blauen Links. Sie wollen eine gute Antwort.

Der Artikel ist ein Relikt (und das sage ich mit Liebe)

Ich muss hier vorsichtig sein, denn ich liebe Longform-Journalismus wirklich. Ich lese ihn ständig. Aber ich muss auch ehrlich sein, was das Artikelformat tatsächlich ist: ein Behälter, der für den Printvertrieb konzipiert wurde.

Denken Sie darüber nach. Man druckte eine 800-Wörter-Story in einer Zeitung, weil man nicht 800 einzelne Antworten drucken konnte. Der physische Vertrieb war teuer und sporadisch, also bündelte man Informationen zu Erzählungen. Das ergab 1975 vollkommen Sinn. Es ergab 2005 noch einigermaßen Sinn, als der Artikel ins Netz umzog, das Leseverhalten aber weitgehend gleich blieb.

Im Jahr 2025 ergibt es fast überhaupt keinen Sinn mehr.

Ein Nutzer, der "Wie steht der Bürgermeister zum Thema Wohnen?" sucht, will keine 1.000-Wörter-Reportage über die Geschichte der städtischen Bauleitplanung. Er will die Haltung des Bürgermeisters zum Thema Wohnen. Das traditionelle Modell zwingt ihn durch einen Spießrutenlauf: Suchen → Klicken → Scrollen → Überfliegen → Lesen → Extrahieren. Jeder Schritt ist Reibung. Jeder Schritt ist eine Gelegenheit, ihn zu verlieren.

Ich hatte diese Diskussion mit einer befreundeten Journalistin, die vehement widersprach. "Du reduzierst Journalismus auf Fakten", sagte sie. "Geschichten sind wichtig. Kontext ist wichtig. Erzählung ist wichtig." Sie hat vollkommen recht — bei Meinungsbeiträgen, Recherchen, Porträts, Reportagen. Das sind Kunstformen. Aber die überwältigende Mehrheit dessen, was einen News-Feed füllt, ist keine Kunst. Es sind Informationen, gefangen in einem ineffizienten Format. Und die Nutzer stimmen mit ihrem Verhalten ab: Sie fragen lieber eine KI, als sich hindurchzuwühlen.

Was, wenn das Archiv kein Friedhof ist?

Hier verlagerte sich das Gespräch mit jenem Digital-Direktor von deprimierend zu elektrisierend.

Ich fragte ihn, wie viele Artikel in ihrem Archiv seien. Er hielt inne. "Vermutlich... ein paar Millionen? Zurück bis in die Siebziger?" Er sagte es, als wäre es eine Belastung — ein Serverkostenfaktor, ein Wartungsärgernis.

Ich sagte ihm, es sei der wertvollste Vermögenswert, den sein Unternehmen besitze. Wertvoller als die Marke. Wertvoller als die Abonnentenliste. Denn diese Millionen von Artikeln, die fünf Jahrzehnte Lokalpolitik, Wirtschaft, Kriminalität und Kultur umspannen — das ist ein Datensatz, den kein KI-Unternehmen der Welt ohne seine Erlaubnis replizieren kann.

Das Problem sind nicht die Daten. Das Problem ist, dass sie in unstrukturierten Textblöcken eingeschlossen sind, die voneinander getrennt sind. Artikel A erwähnt, dass Person X bei Unternehmen Y arbeitet. Artikel B, drei Jahre später veröffentlicht, erwähnt, dass Unternehmen Y in Skandal Z verwickelt ist. Kein einzelner Artikel verbindet Person X mit Skandal Z. Aber die Verbindung existiert — vergraben über das ganze Archiv verstreut, unsichtbar für jede Suchleiste, wartend darauf, dass jemand sie zusammenfügt.

Publisher, die ihr Produkt ausschließlich als "Artikel" betrachten, fertigen Peitschen für Kutschen im Zeitalter des Automobils.

Dieses Zusammenfügen ist das, was wir bei Veriprajna bauen. Keine Chatbots. Keine GPT-Wrapper. Intelligenz-Engines.

Die Bürgermeister-Frage, die alles veränderte

Lassen Sie mich das konkret machen. Stellen Sie sich einen Nutzer vor — einen lokalen Politikforscher, einen besorgten Bürger, einen Journalisten bei einem konkurrierenden Medium — der verstehen möchte, wie sich die Haltung des Bürgermeisters zum Thema Wohnen seit 2010 entwickelt hat.

Im alten Modell sucht er auf der Website der Zeitung nach "Bürgermeister Haltung Wohnen". Er erhält fünfzig Ergebnisse. Er öffnet den Artikel von 2010: "Bürgermeister lehnt Hochhausbau ab." Er öffnet den Artikel von 2015: "Bürgermeister mildert Haltung angesichts der Bezahlbarkeitskrise." Er öffnet den Artikel von 2022: "Bürgermeister setzt sich für das Build-Now-Gesetz ein." Er synthetisiert die Entwicklung im Kopf. Es dauert fünfundvierzig Minuten, wenn er schnell ist.

In dem Modell, das wir bauen, tippt er die Frage ein. Das System zerlegt sie in zeitliche Teilanfragen. Es durchläuft einen Wissensgraphen — es sucht nicht nur nach Schlüsselwörtern, sondern folgt den Beziehungen zwischen der Entität Bürgermeister und der Entität Wohnungsbau über zeitgestempelte Kanten hinweg. Es findet die Haltungsverschiebung von negativ (2010) über neutral (2015) zu positiv (2022). Es generiert eine Erzählung mit Quellenangaben, die auf die Originalartikel verlinken. Es rendert eine Zeitleisten-Visualisierung.

Zehn Sekunden.

Das ist kein Chatbot. Das ist ein Intelligenzprodukt. Und es ist genau die Art von Sache, für die Fachleute — Lobbyisten, Analysten, Anwälte, Unternehmensstrategen — ernsthaftes Geld zahlen würden.

Warum kann man nicht einfach GPT auf ein Archiv loslassen?

Ich wünschte, man könnte es. Es würde meine Arbeit sehr viel leichter machen.

Wir haben den naiven Ansatz früh ausprobiert. Man nehme Artikel, zerhacke sie in 500-Wörter-Blöcke, bette sie als Vektoren ein, führe eine Ähnlichkeitssuche durch und speise die Ergebnisse in ein LLM. Das ist es, was die meisten "KI-Chatbot"-Implementierungen tun. Und für einfache Einzelfakten-Abfragen in statischer Dokumentation funktioniert es gut.

Bei Nachrichtenarchiven versagt es auf Weise, die subtil und gefährlich ist.

Es verliert den roten Faden. Das Chunking zerreißt Erzählbögen. Ein Block, der ein Urteil behandelt, wird vom Block getrennt, der das Verbrechen beschreibt. Das System kann einer Geschichte, die sich über mehrere Artikel und mehrere Jahre entfaltet, buchstäblich nicht folgen.

Es ist blind für die Zeit. Vektorähnlichkeit weiß nicht, welches Jahr wir haben. Ein Artikel von 2010 mit der Aussage "der Wohnungsmarkt bricht ein" ist semantisch identisch mit einem von 2024, der dasselbe sagt. Das System vermischt alte Realität mit gegenwärtiger Realität. Es kann nicht unterscheiden, was war wahr, von dem, was ist wahr.

Es kann keine Zusammenhänge herstellen. Wenn Person X und Skandal Z nie im selben Artikel vorkommen, wird die naive Suche die Verbindung nie finden — selbst wenn Unternehmen Y sie verknüpft. Dem System fehlt das, was Forscher "Multi-Hop-Reasoning" nennen.

Es halluziniert, um Lücken zu füllen. Wenn die Suche relevanten Kontext verfehlt, sagt das LLM nicht "Ich weiß es nicht." Es erfindet. Es fabriziert Zitate. Es erschafft Ereignisse, die nie stattgefunden haben. Im Journalismus ist das kein Fehlerbericht. Das ist eine Klage.

Wir haben all das auf die harte Tour gelernt. Es gab einen konkreten Test — ich werde die Publikation nicht nennen — bei dem das naive System selbstbewusst einem Politiker ein Zitat zuschrieb, der nie etwas auch nur annähernd Ähnliches gesagt hatte. Das Zitat klang plausibel. Es war grammatikalisch stimmig damit, wie der Politiker sprach. Es war vollständig erfunden. Das war der Moment, in dem ich wusste, dass wir eine grundlegend andere Architektur brauchten.

Wie baut man eine Intelligenz-Engine, die tatsächlich funktioniert?

Die Architektur, die wir bei Veriprajna entwickelt haben, hat drei Schichten, von denen jede einen bestimmten Fehlermodus löst. Ich skizziere sie hier kurz — die vollständige technische Aufschlüsselung finden Sie in unserem Forschungspapier.

Schicht eins: GraphRAG. Statt das Archiv als einen Sack unverbundener Textblöcke zu behandeln, extrahieren wir einen Wissensgraphen — Entitäten (Personen, Organisationen, Orte, Ereignisse) und die Beziehungen zwischen ihnen. "Elon Musk" → übernahm → "Twitter." Diese werden in einer Graphdatenbank gespeichert, in der jeder Artikel mit jedem anderen verknüpft ist. Wenn ein Nutzer eine komplexe Frage stellt, sucht das System nicht nur nach Schlüsselwörtern. Es durchläuft den Graphen, springt von Knoten zu Knoten und findet Verbindungen, die sich über Jahrzehnte und Tausende von Artikeln erstrecken.

Die Ergebnisse sind dramatisch. Bei Multi-Hop-Reasoning-Aufgaben hat GraphRAG Verbesserungen der Vollständigkeit von 72 bis 83 % gegenüber rein vektorbasierten Ansätzen gezeigt. Es kann "Was sind die Hauptthemen aus fünf Jahren Klimaberichterstattung?" beantworten — eine Frage, die naives RAG nicht einmal in Angriff nehmen kann.

Schicht zwei: Temporal RAG. Jeder Block und jede Graphkante wird mit Gültigkeitszeit-Metadaten versehen. Beziehungen werden versioniert — die Kante "CEO von Apple" für Steve Jobs hat andere Zeitgrenzen als die für Tim Cook. Wenn ein Nutzer eine evolutionäre Frage stellt, zerlegt das System sie in zeitliche Teilanfragen und setzt die Ergebnisse chronologisch zusammen. Das Archiv wird zu einer Zeitmaschine.

Schicht drei: Agentische Workflows. Das LLM ruft nicht nur ab und antwortet. Es plant. Ein Planner-Agent zerlegt eine komplexe Anfrage ("Erstelle einen Due-Diligence-Bericht über Unternehmen X") in Teilaufgaben. Ein Researcher-Agent führt gezielte Abfragen aus. Ein Critic-Agent prüft die Ergebnisse auf Lücken und Widersprüche, bevor der Nutzer irgendetwas zu sehen bekommt. Ein Writer-Agent synthetisiert die endgültige Ausgabe mit Quellenangaben.

Wir umhüllen keine APIs. Wir bauen die Grundlagen der Wissensinfrastruktur neu auf.

Dieser Critic-Agent ist entscheidend. Er ist im Grunde ein eingebauter Faktenprüfer — ein zweiter LLM-Aufruf, der jede generierte Aussage mit den Quelldokumenten abgleicht und alles Unbelegte herausfiltert. In Kombination mit strengen Grounding-Anweisungen und der Durchsetzung von Quellenangaben ist das die Art und Weise, wie wir das aufrechterhalten, was ich als Null-Toleranz-Politik gegenüber Erfindungen betrachte.

Was weiß die Financial Times, das alle anderen nicht wissen?

Die FT hat "Ask FT" eingeführt — eine dialogorientierte Schnittstelle, die es Fachabonnenten ermöglicht, ihr Archiv zu befragen. Jede Antwort gründet ausschließlich auf FT-Journalismus. Jede Aussage hat eine anklickbare Quellenangabe. Sie ist für konkrete berufliche Arbeitsabläufe konzipiert: Meeting-Vorbereitung, schnelle Due Diligence, Trendanalyse.

Bloomberg ging mit BloombergGPT sogar noch weiter, einem domänenspezifischen LLM, das natürliche Sprache in die Bloomberg Query Language übersetzt. Ein Analyst kann fragen "Zeig mir das Umsatzwachstum von Technologieunternehmen im dritten Quartal 2024" und erhält eine formatierte Tabelle. Er kann Mitschriften von Analystenkonferenzen befragen — etwa nach dem Tonfall eines CEO zu einem bestimmten Risikofaktor — statt Hunderte von Seiten linear zu lesen.

Das sind keine Experimente. Das sind Geschäftsmodelle. Und sie zeigen, wo das Geld tatsächlich liegt.

Woher kommt das Geld?

Man fragt mich immer, ob dieses "Intelligence-as-a-Service"-Modell die Werbeeinnahmen tatsächlich ersetzen kann. Meine ehrliche Antwort: Es muss nicht alle ersetzen. Es muss den Teil ersetzen, der verschwindet.

Die Ökonomie gliedert sich in drei Stufen.

Erstens ein Intelligence-Tier-Abonnement — nicht 10 $/Monat für "Nachrichten lesen", sondern 1.000 $+/Jahr für Fachleute, die tiefen Archivzugang, agentische Workflows und quellenbasierte Recherche benötigen. Finanzfachleute, Corporate-Intelligence-Teams, Kanzleien, die regulatorische Recherche betreiben. Diese Nutzer existieren. Sie bezahlen derzeit Analysten dafür, manuell das zu tun, was ein gut gebautes System in Sekunden erledigt.

Zweitens API-Lizenzierung. Statt KI-Crawler mit robots.txt zu bekämpfen, formalisieren Sie den Datenaustausch. Verkaufen Sie sauberen, vektorisierten, graphstrukturierten Archivzugang an Enterprise-Suchplattformen, Finanzterminals und Drittanbieter-Entwickler. Rechnen Sie pro Abfrage oder pro Token ab. Die Intelligenz des Publishers lebt innerhalb des Arbeitsablaufs des Kunden.

Drittens, und das ist der Teil, den die meisten Menschen übersehen: der Datenschutzwall selbst. In einer Welt, in der jeder auf GPT-4 zugreifen kann, ist das Modell nicht der Wettbewerbsvorteil. Die Daten sind es. Ein fünfzig Jahre umfassendes Archiv lokaler Nachrichten ist ein Datensatz, den OpenAI nicht replizieren kann. Der aus diesem Archiv abgeleitete Wissensgraph — das Geflecht lokaler Machthaber, die Chronologie politischer Verschiebungen, das Netzwerk von Unternehmensbeziehungen — ist proprietäres geistiges Eigentum, dessen Wert sich über die Zeit potenziert.

In einer Welt kommodifizierter KI-Modelle ist der Burggraben nicht der Algorithmus. Es ist das Archiv.

Und was ist mit den Journalisten?

Diese Frage bekomme ich ständig, und ich finde, sie verdient eine direkte Antwort statt eines Ausweichmanövers. Dieser Kurswechsel eliminiert nicht den Journalismus. Er eliminiert die Ineffizienz darin, wie Journalismus die Menschen erreicht. Die Reporterin, die drei Monate damit verbringt, einen Korruptionsskandal zu recherchieren, leistet Arbeit, die keine KI replizieren kann. Das System, das wir bauen, macht diese Arbeit besser auffindbar, besser abfragbar, wertvoller über die Zeit. Es verwandelt eine Geschichte, die eine Woche lang gelesen und dann auf Seite 47 der Suchergebnisse begraben wird, in einen dauerhaften, abrufbaren Knoten in einem Wissensgraphen, der jedes Mal auftaucht, wenn jemand in den nächsten fünfzig Jahren eine verwandte Frage stellt.

Die Bedrohung für den Journalismus ist nicht die dialogorientierte KI. Die Bedrohung ist die zusammenbrechende Verweis-Ökonomie, die den Journalismus finanziert. Wenn der Traffic weg ist — und er ist es — dann ist das Festhalten am werbefinanzierten Feed-Modell keine Loyalität gegenüber dem Handwerk. Es ist Verleugnung.

Was passiert, wenn Medienunternehmen nicht umschwenken?

Etwas Schlimmeres als der Niedergang: Bedeutungslosigkeit. Ihre Archive werden von KI-Unternehmen abgegriffen, zu Trainingsdaten verarbeitet und den Nutzern zurückgeliefert — ohne Quellenangabe, ohne Bezahlung und ohne die Vertrauensebene, die redaktionelle Standards bieten. Der Publisher wird zum unbezahlten Content-Zulieferer für das Intelligenzprodukt eines anderen.

Einige Publisher schließen bereits Lizenzverträge mit OpenAI und anderen ab. Das ist ein Anfang, aber es ist eine margenschwache Einmaltransaktion. Sie verkaufen Rohmaterial, obwohl Sie veredelte Intelligenz verkaufen könnten. Es ist der Unterschied zwischen dem Export von Rohöl und dem Bau einer Raffinerie.

Die Zukunft des Nachrichtenkonsums ist nicht der Feed. Es ist das Gespräch. Wir bewegen uns auf das zu, was ich als Generative UI betrachte — Schnittstellen, die sich an die Antwort anpassen. Fragen Sie nach einer Zeitleiste, bekommen Sie eine Zeitleiste. Fragen Sie nach einem Vergleich, bekommen Sie eine Tabelle. Fragen Sie nach einem Briefing, bekommen Sie ein PDF. Die statische Website löst sich in eine fließende, adaptive Leinwand für Intelligenz auf.

Medienunternehmen, die die zugrunde liegenden Datenstrukturen beherrschen — die Vektoren, die Graphen, die zeitliche Logik — werden diese Zukunft prägen. Sie werden den Tod des News-Feeds nicht nur überleben. Sie werden etwas Besseres bauen, als der Feed es je war.

Das Archiv ist keine Kostenstelle. Es ist das gesamte Geschäft. Die einzige Frage ist, ob Sie derjenige sein werden, der es erschließt, oder ob Sie zusehen werden, wie es jemand anderes mit Ihren Daten tut.

Hören Sie auf, Wörter zu verkaufen. Fangen Sie an, Antworten zu verkaufen.