Ihr Nachrichtenarchiv ist das Kapital. Hören Sie auf, es Google gratis zu überlassen.
Eine regionale Tageszeitung, mit der ich letzten Winter zusammensaß, hatte vier Millionen monatliche Leser und ein zweiunddreißigjähriges Archiv, und das Vorstandspaket vom Februar war das schlechteste Dokument, das irgendjemand im Raum seit einem Jahrzehnt gelesen hatte. Organische Suchverweise um 41 % im Jahresvergleich gesunken. Programmatische Anzeigenpreise um weitere 18 % gefallen. Die Affiliate-Einnahmen, die 2023 klammheimlich den Betrieb am Laufen hielten, waren auf ein Drittel ihres Höchststands zusammengebrochen. Die Finanzchefin legte die Folie auf, sah mich an und stellte die einzige Frage, auf die es ankam: was genau schuldet uns Google, und wie bringen wir es dazu, dafür zu zahlen?
Ich musste ihr die Wahrheit sagen: Google schuldet ihnen vertraglich nichts. Der ungeschriebene Deal, der das Web aufgebaut hat — ihr lasst uns euch crawlen, wir schicken euch Traffic — wurde in dem Moment neu geschrieben, als AI Overviews auf 48 % aller Google-Suchen (Stand März 2026, theStacc / Search Engine Land) zu erscheinen begannen. Wenn eine KI-Zusammenfassung über dem organischen Link sitzt, scrollt der Leser selten; die Desktop-Klickrate der Daily Mail bei diesen Suchanfragen fiel um 89 %, von 25,23 % auf 2,79 %. Der Inhalt wird weiterhin gelesen. Der Verlag wird nur nicht mehr dafür bezahlt. Der Weg zurück, davon bin ich überzeugt, ist konversationelle KI, die auf dem eigenen Archiv des Verlags aufbaut.
Dieses Gespräch ist der Grund, warum mein Team bei Veriprajna heute genau das baut: konversationelle KI für Verlage — Engines auf Basis von Retrieval-Augmented Generation, die über das eigene Nachrichtenarchiv eines Verlags laufen, mit der Durchsetzung von Quellenangaben und der Lizenzierungsstrategie, die sie sicher genug machen, um sie unter einen Zeitungskopf zu stellen. Retrieval-Augmented Generation, kurz RAG, bedeutet einfach, dass die KI ausschließlich aus Ihren Dokumenten antwortet statt aus dem, was sie sonst irgendwo aus dem offenen Internet aufgesogen hat. Diese Unterscheidung erweist sich als das ganze Spiel. Aber ich möchte durchgehen, wie wir dorthin gekommen sind, denn wir haben die erste Version gründlich vermasselt, und genau so, wie wir sie vermasselt haben, sind die meisten Verlage gerade dabei, es zu vermasseln.
Die Verweis-Ökonomie ist vorbei. Die Lizenz-Ökonomie ist noch nicht aufgebaut.
Beginnen wir damit, wie schlimm die Blutung ist, denn das Ausmaß ist das Argument. Der Google-Suchtraffic zu Verlagen fiel um rund 33 % weltweit im Jahr bis November 2025, und die vom Reuters Institute befragten Nachrichten-Führungskräfte erwarten in den nächsten drei Jahren einen weiteren Rückgang um 43 % — ein Fünftel von ihnen stellt sich auf Verluste von über 75 % ein (Reuters Institute Journalism Trends 2026). Die Einzelfälle verlaufen schlimmer, und einer davon wurde zur Klage: Penske Media, dessen Affiliate-Einnahmen um mehr als ein Drittel von ihrem Höchststand fielen, verklagte Google im September 2025 — der erste große Kartellrechtsfall, der dem Unternehmen vorwirft, Verlage zum KI-Training zu zwingen.
Die Suchmaschine, die Ihre Distribution aufgebaut hat, ist jetzt Ihr größter Wettbewerber, und sie hat nicht um Erlaubnis gefragt, um die Seiten zu wechseln.
Der Instinkt in jedem Vorstandszimmer ist also identisch: wenn Google uns keine Leser schickt, bauen wir unsere eigene KI und halten sie auf unserer Seite. Richtiger Instinkt. Bei der Umsetzung werden die Leute verletzt.
Wir haben zuerst das Naheliegende gebaut. Es halluzinierte über einen Stadtrat.
Ich will ehrlich über unser eigenes Narbengewebe sein, denn ich habe es mir verdient. Die erste Engine, die wir aufsetzten, war die Version, die Ihnen jeder SaaS-Anbieter für 60.000 bis 120.000 US-Dollar anpreist und in ein paar Wochen ausrollt: nimm das Archiv, zerhacke jeden Artikel in Chunks, verwandle die Chunks in Vektor-Embeddings und lass einen Chatbot die nächstgelegenen Treffer abrufen. Es lässt sich wunderbar demonstrieren. Man fragt es nach einer aktuellen Geschichte, es zieht den richtigen Artikel heraus, es klingt großartig.
Dann, in einer Pilot-Sitzung, stellte ihm eine Redakteurin die Art von Frage, die jeder Leser stellen würde: wie ist die Vorgeschichte zwischen diesem Stadtrat und dem Bauträger hinter dem Innenstadtprojekt? Das ist eine Multi-Hop-Frage — es bedeutet, eine Person über ein Dutzend Artikel hinweg zu verbinden, die sich über Jahre erstrecken, wo sie mal mit vollem Namen und Titel auftaucht, dann nur mit Nachnamen, und einmal, in einer alten Fotounterschrift, nur als „der Bezirksvertreter“, aus einer Zeit, bevor sie den Sitz überhaupt innehatte. Die Vektorsuche rief einige Chunks ab, die textlich ähnlich waren, nähte sie zu einem flüssigen Absatz zusammen und behauptete eine Beziehung, die das Archiv tatsächlich nicht belegte. Sie erfand das Bindegewebe.
Ich beobachtete das Gesicht der Redakteurin, als sie es bemerkte. Dieser Blick — eine Journalistin, die begreift, dass die Maschine gerade unter dem Namen ihrer Zeitung eine Tatsache fabriziert hat — ist das, was ich jetzt alles darauf ausrichte zu verhindern. Wir hatten einen selbstsicheren Lügner ausgeliefert.
Dieses Versagen ist der ganze Grund, warum ich nicht mehr glaube, dass ein Chat-Widget ein Produkt ist. Es hat keine Ahnung, dass diese verstreuten Namen ein und dieselbe Person sind. Es hat kein Modell von Zeit — davon, dass der Mann jahrelang eine Privatperson war, bevor er den Sitz überhaupt gewann. Und es hat keinen Mechanismus zu prüfen, ob der Satz, den es gerade generiert hat, tatsächlich in einer Quelle verankert ist. Bei den Anfragen, auf die es nicht ankommt, ist es in Ordnung. Bei den Anfragen, die den Lesern wirklich wichtig sind, den längsschnittlichen, denen über Menschen und Geld im Zeitverlauf, versagt es genau dort, wo es am meisten standhalten muss.
Warum hat RAG das nicht einfach behoben?
Weil „RAG“ eine Kategorie beschreibt, keine Kompetenz, und die harten 60 % der Arbeit sind der Teil, den niemand verkauft.
Das Erste, was ich unterschätzt habe — und zwar gewaltig — war die Ingestion. Ich kam mit der Annahme herein, ein dreißigjähriges Archiv sei ein sauberer Korpus, der nur darauf wartete, eingebettet zu werden. Das war es nicht. Es waren zwei Jahrzehnte verstümmeltes HTML aus drei CMS-Migrationen, tote interne Links, die ins Leere zeigten, und eine Schicht von vor 2005, die nur als eingescannter Mikrofilm existierte. Als wir gewöhnliches OCR über diese Scans laufen ließen, kamen Schlagzeilen, Textspalten und Bildunterschriften zu einem einzigen Block Unsinn verschmolzen zurück, weil das OCR das Seitenlayout nicht sehen konnte. Wir mussten layout-bewusste optische Zeichenerkennung einsetzen — die Art, die Spalten erkennt und eine Schlagzeile von einer Bildunterschrift und vom Fließtext trennt — mit Werkzeugen wie Amazon Textract und Azure Document Intelligence. Das ist die unglamouröse Arbeit, die darüber entscheidet, ob das Ganze funktioniert, und es ist der Posten, den jeder Chatbot-Anbieter im Angebot weglässt.
Das Zweite war das Stadtrat-Problem, das einen Namen hat: Entity Resolution, die Auflösung von Entitäten. Damit die KI über eine Person schlussfolgern kann, muss jede Erwähnung dieser Person — jede Byline-Variante, jede Anrede, jeder indirekte Verweis — auf einen einzigen Knoten kollabieren. Wir haben es so gelöst, wie es die ernsthaften Werkstätten tun, mit einem Wissensgraphen: Microsofts Open-Source-GraphRAG, aufgesetzt auf Neo4j, wobei die Graph-Data-Science-Bibliothek die Disambiguierung übernimmt, sodass „Mr. Musk“, „Elon Musk“ und „der Tesla-CEO“ zu einer Entität werden, nicht zu dreien. Eine Implementierung in diesem Bereich erreichte 12 Millionen Knoten. Von Haus aus weiß GraphRAG nichts über Ihre lokale politische Berichterstattung oder Ihre fünfzig wiederkehrenden Quellen. Ihm die spezifischen Menschen Ihres Archivs beizubringen, ist Maßarbeit, und es ist die Arbeit, die aus „textlich ähnlichen Chunks“ „die tatsächliche Geschichte einer Person“ macht.
Eine Vektorsuche findet Passagen, die ähnlich klingen. Ein Wissensgraph weiß, dass zwei Passagen von demselben Menschen handeln. Leser fragen nach Menschen.
Das Dritte war die Zeit. Nachrichten sind von Natur aus zeitlich — dasselbe Amt, von verschiedenen Personen bekleidet, dasselbe Gesetz, über Sitzungsperioden hinweg geändert, dasselbe Unternehmen vor und nach einer Fusion. Wir geben Graphkanten Gültig-von- und Gültig-bis-Zeitstempel und zerlegen eine Frage wie „wer leitete den Ausschuss, als das Gesetz verabschiedet wurde“ in zeitliche Teilanfragen, gestützt auf die Temporal-RAG-Forschung, die im letzten Jahr entstanden ist (die T-GRAG- und VersionRAG-Arbeitsrichtungen). Ohne das plattet die Engine die Geschichte zu einer einzigen verworrenen Gegenwart, was genau der Weg ist, wie man behauptet, eine Privatperson habe ein Amt Jahre bekleidet, bevor sie überhaupt gewählt wurde.
Der Satz, der in der Ausschreibung jedes Verlags stehen sollte: Wer haftet für das fabrizierte Zitat?
Hier ist der Moment, der mich ein durchgesickertes Slack-Protokoll meinem eigenen Team als warnendes Beispiel vorlesen ließ.
Im November 2024 startete die Washington Post „Ask The Post AI“. Bis Ende 2025 hatten sie es zu einem KI-generierten Podcast erweitert, und im Dezember sickerten die internen Nachrichten des Standards-Redakteurs durch: Das Ding erfand Zitate, ordnete Quellen falsch zu und fügte Kommentare ein, als wären sie die eigene redaktionelle Position der Zeitung. „Es ist wirklich erstaunlich, dass das überhaupt vorangehen durfte“, schrieb ein Redakteur (Semafor, 11. Dez. 2025). Der technische Fehler war klein und spezifisch — ein fehlender Schritt zur Quellenverifikation. Der Reputationsschaden war global, und er traf einen der bestausgestatteten Newsrooms der Welt.
Ich halte diese durchgesickerte Nachricht in Ehren, weil sie die günstigste Lektion ist, die es in diesem ganzen Feld gibt. Die Post hatte die Ingenieure. Was ihnen in diesem Workflow fehlte, war eine Durchsetzungsschicht, die sich weigert, einen Satz auszugeben, es sei denn, jede Aussage darin lässt sich auf eine abgerufene Quelle zurückführen, plus ein Konfidenzschwellenwert, der wackelige Antworten in eine menschliche Prüfwarteschlange leitet, bevor sie live gehen, plus eine klare Antwort auf die Vorstandsfrage: Wenn die Maschine ein Zitat fabriziert, wer haftet? Diese Governance ist keine schrumpffolierte Software. Sie ist der Unterschied zwischen einem Werkzeug, das man unter seinen Zeitungskopf stellen kann, und einer globalen Blamage.
Stellen Sie dem Ask FT gegenüber, das die Financial Times auf Anthropics Claude aufgebaut hat, streng im FT-Journalismus verankert, mit obligatorischen Quellenangaben, die auf die Ursprungsartikel zurückverlinken. Bemerkenswerterweise erzeugte es einen Retention-Anstieg, nicht die Abo-Kannibalisierung, die alle befürchteten. Der Unterschied zwischen den beiden Ergebnissen liegt nicht in der Modellqualität. Er liegt darin, ob die Durchsetzung von Quellenangaben als das Produkt behandelt wurde oder als ein Feature, das man später hinzufügt.
Warum es nicht einfach kaufen oder es so bauen, wie es die FT getan hat?
Man fragt mich das ständig, also lassen Sie mich die Landschaft ehrlich darlegen, denn ich habe zugesehen, wie Verlage ihren finanziellen Spielraum an jede der falschen Antworten verloren haben.
Die SaaS-Chatbot-Anbieter werfen ein Widget für 60.000 bis 120.000 US-Dollar auf Ihre Seite. Ich habe Ihnen gesagt, was das kauft: Vektor-Embeddings, keine Entitätsauflösung, kein zeitliches Schlussfolgern, keine Quellenverifikation, und Ihr Archiv, das in der Cloud eines anderen liegt. Es halluziniert genau bei den Anfragen, auf die es ankommt.
Die Eigenentwicklungen der Big Five — die FT, die Times, Bloomberg, die Post, der Guardian — sind real und beeindruckend, und sie wurden von ML-Teams aus sechs bis zwanzig Ingenieuren über zwölf bis vierundzwanzig Monate gebaut und liefen in die siebenstelligen Beträge. Eine regionale Tageszeitung mit einem ein- bis dreiköpfigen Engineering-Team kann diese Personalstärke nicht replizieren. Punkt. Einem Mittelklasse-Verlag zu sagen, er solle „es wie die FT bauen“, heißt ihm zu sagen, er solle sich ein Organ wachsen lassen, das er nicht hat.
Die großen Beratungsfirmen — Accenture, Deloitte, IBM — bauen es garantiert, mit Projekten, die 1,5 bis über 5 Millionen US-Dollar kosten, und einer Discovery-Phase, die Ihren finanziellen Spielraum überdauert. Sie greifen zu demselben Microsoft-GraphRAG- und Neo4j-Stack wie wir, verlangen dann Partner-Tarife obendrauf, und sie haben nicht fünf Verlagsarchive nacheinander gebaut, um zu wissen, wo die Leichen begraben sind.
Diese Lücke — zwischen dem Widget, das nicht funktioniert, und dem siebenstelligen Team, das Sie nicht besetzen können — ist der ganze Grund, warum Mittelklasse-Verlage einen Build-Partner brauchen, der die unsexy Arbeit an Ingestion, Entitätsauflösung und Durchsetzung von Quellenangaben bereits geleistet hat. Kein SaaS-Abonnement und kein Discovery-Foliensatz. Es ist genau das, wozu wir unsere Verlagspraxis aufgebaut haben, und es ist vollständig dargelegt auf unserer Lösungsseite für konversationelle KI über Nachrichtenarchive.
Der Teil, den die meisten Beratungsfirmen falsch machen: Sie brauchen zwei Umsatzstränge, nicht einen.
Hier ist der strategische Fehler, den ich sogar kluge Verlage machen sehe. Sie behandeln „unsere eigene KI bauen“ und „unsere Inhalte an die KI-Unternehmen lizenzieren“ als Entweder-oder. Es ist beides, und die beiden erschließen unterschiedliches Geld.
Ihre eigene konversationelle Engine ist der Retention-Strang — sie hält die Leser auf Ihrer Seite, wo sie Ihr Archiv befragen, statt zu Perplexity abzuspringen. Aber sie tut nichts gegen die Leckage, die gerade jetzt geschieht, wo KI-Crawler Ihre Inhalte kostenlos aufnehmen. Dafür brauchen Sie den Erfassungs-Strang, und die Infrastruktur dafür wurde gerade erst gebaut.
Cloudflare startete im Januar 2026 Pay Per Crawl, das KI-Crawler über rund 20 % des gesamten Web-Traffics standardmäßig blockiert und Verlagen erlaubt, pro Crawler „Allow“, „Charge“ oder „Block“ zu einem Preis pro Anfrage festzulegen — die erste Bot-Steuer auf Infrastrukturebene. Tollbit macht etwas Ähnliches, Bot für Bot; der Boston Globe, Vox und Future haben es pilotiert. Und im März 2026 unterzeichnete die News/Media Alliance einen Vertrag mit ProRata, der es 2.200 kleinen und mittelgroßen Verlagen erlaubt, sich einem kollektiven Lizenzpool mit einer 50/50-Umsatzbeteiligung an attributionsverfolgten KI-Antworten anzuschließen, mit einem parallelen Bria-Vertrag für die Nutzung von Enterprise-RAG. Die NMA erledigt den Papierkram, den eine regionale Tageszeitung allein niemals besetzen könnte.
Crawler-Mauten erfassen Crawl-Umsätze. Sie tun nichts für Abfrage-Umsätze. Die ehrliche Antwort ist, sowohl eine Maut als auch eine Retention-Engine zu betreiben — wer Ihnen sagt, Sie sollen sich für eine entscheiden, verkauft Ihnen die Hälfte, die er zufällig baut.
Ein Vorbehalt, den ich immer nenne: Keines der Erfassungswerkzeuge hindert AI Overviews daran, Sie zusammenzufassen, denn diese rufen zur Abfragezeit ab, nicht zur Crawl-Zeit. Die Leckage und die Zusammenfassung sind getrennte Probleme. Aber ein Verlag, der Tollbit oder Cloudflare auf der Crawl-Seite betreibt, sich auf der Lizenzierungsseite bei ProRata einbringt und auf der Retention-Seite seine eigene Engine betreibt, hat endlich aus drei Teilantworten ein Geschäftsmodell wieder aufgebaut. Das ist die ganze Strategie, und diese vier Systeme — ProRata, Bria, Tollbit, Cloudflare — neben der Engine zu einem kohärenten Umsatzplan zusammenzunähen, ist das meiste von dem, was wir tatsächlich tun.
Und es gibt einen dritten Strang, den ich bei Fach- und B2B-Spezialverlagen am stärksten forciere, denn es ist der mit dem größten Aufwärtspotenzial: Die Engine ist nicht nur ein Retention-Burggraben, sie ist ein Produkt, für das Sie Geld verlangen können. Eine quellenbasierte Abfrageschnittstelle über ein tiefes vertikales Archiv — dreißig Jahre Gerichtsakten, Arzneimittelzulassungen oder Deal-Daten zu Ihrem spezifischen Fachgebiet, die Art von Korpus, für dessen Abfrage ein Compliance-Beauftragter oder Analyst einen Platz auf Spesen abrechnet — ist eine bezahlte Intelligence-Stufe und schließlich eine API, die ein Wettbewerber buchstäblich nicht generieren kann, weil ihm Ihr Korpus nicht gehört. Das ist der Zug, den die FT im Hochpreissegment mit ihrer tausend-Dollar-plus-Profistufe gemacht hat, und Bloomberg mit einem System, das einfaches Englisch in seine eigene Abfragesprache über Earnings Calls und Research verwandelt. Die Fachpresse sitzt auf derselben Chance über einem engeren, tieferen Archiv, und der Großteil hat es noch nicht bemerkt.
Wie das aussieht, wenn es funktioniert
Die Engine, die unser Stadtrat-Desaster überlebte, sieht nichts wie die erste aus. Sie nimmt das Archiv mit layout-bewusstem OCR auf, das die Seite respektiert. Sie löst Entitäten in einen Wissensgraphen auf, sodass eine Person ein Knoten ist, nicht ein Dutzend verstreuter Erwähnungen. Sie schlussfolgert über die Zeit, sodass Geschichte nicht in die Gegenwart plattgedrückt wird. Sie führt einen hybriden Abruf durch — spärlicher Schlüsselwortabgleich (BM25) neben dichter semantischer Suche, denn eine Abfrage nach „Bill 402“ braucht eine exakte Übereinstimmung, die kein Embedding zuverlässig zutage fördern wird — und sie rankt die Kandidaten neu, bevor sie das Modell erreichen, wobei ein Cohere- oder BGE-Reranker 15–30 % an Abrufqualität für 50–200 Millisekunden Latenz erkauft, ein Tausch, den ich bei einer Abfrage, auf die es ankommt, jedes Mal eingehe. Und sie weigert sich strukturell, eine Behauptung auszugeben, die sie nicht belegen kann, und leitet die unsicheren an einen Redakteur statt an einen Leser.
Sie lässt sich außerdem an jedes CMS ankoppeln, das der Verlag bereits betreibt, und diese Integration ist nie generisch. Arc XP stellt eine Content-API bereit, aber keine Embedding-Hooks, also baut man daneben. WordPress VIP lässt Sie eigene Endpunkte registrieren. Brightspot ist flexibler. Atypon, von wissenschaftlichen Verlagen genutzt, hat seine eigene Suche, neben der man sitzen muss. Ein Entwickler, der alle fünf gesehen hat, weiß, wo jedes einzelne einem Widerstand leistet.
Die Newsrooms, die sich am schnellsten wandeln, spüren die Richtung bereits — sie kürzen den Allgemein-Massennachrichtenstrom, der in ihrer Produktion um 38 % gesunken ist, und stecken Mühe in originäre Recherchen, plus 91 %, und kontextuelle Analyse, plus 82 % (Reuters Institute). Ihr Archiv dieser unverwechselbaren Arbeit ist das eine Kapital, das ein KI-Unternehmen nicht generieren und ein Wettbewerber nicht replizieren kann. Der Fehler besteht darin, es auf einem Server liegen zu lassen, kostenlos indexiert, während die Zusammenfasser es monetarisieren.
Die Finanzchefin dieser regionalen Tageszeitung fragte, was Google ihr schuldete. Die bessere Frage, die, die sich mehr Verlage zuerst stellen sollten, ist, was ihr eigenes Archiv wert ist, wenn sie die Engine kontrollieren, die es liest. Zweiunddreißig Jahre Berichterstattung sind ein proprietärer Korpus, auf dem kein Modell der Welt trainiert wurde — und die einzigen Menschen, die ihn in ein Gespräch verwandeln können, für dessen Fortführung ein Leser zahlen wird, sind die Menschen, denen er gehört. Wie wir das end-to-end bauen, erfahren Sie hier. Das Archiv war schon immer das Kapital. Was sich geändert hat, ist, dass Sie endlich aufhören müssen, es zu verschenken.
