Cross-Media-Publishing Assistent

Das echte Ausmaß des Problems

Die Situation von Lars Hoffmann ist in der Druckbranche gerade Standard: Kunden erwarten zunehmend, dass ihr Druckdienstleister auch digitale Ausgabeformate liefert. Nicht weil sie weniger drucken wollen — sondern weil Print und Digital heute aus einem Briefing entstehen, und Firmen nicht mehr zwei getrennte Dienstleister beauftragen wollen.

Für Druckereien und Agenturen, die klassisch auf Print ausgerichtet sind, bedeutet das ein strukturelles Problem:

• Die Daten sind da, aber unstrukturiert. InDesign-Layouts enthalten alle Inhalte, aber in einer Form, die für die digitale Weiterverarbeitung nicht geeignet ist. Texte stecken in Textrahmen ohne Semantik, Bilder sind als verlinktes Hochauflösungs-TIFF nicht direkt webfähig, Layouts sind für ein festes Seitenformat gebaut — nicht responsiv.

• Jede Kanal-Adaption kostet fast dieselbe Zeit wie eine Neuerstellung. Ein 20-seitiger Produktkatalog für fünf Kanäle (Website, Instagram, LinkedIn, Newsletter, ePub) aufzubereiten dauert ohne Automatisierung drei bis fünf Arbeitstage. Das ist schlicht nicht zu kalkulieren, wenn der Druckauftrag schon mit knapper Marge verhandelt wurde.

• Der Kompetenzaufbau fehlt. Druckereien haben Experten für Farbe, Papier und Maschinen — aber keine Texter, Social-Media-Redakteure oder HTML-Entwickler. Das sind drei verschiedene Berufsbilder, die für Cross-Media-Publishing parallel gebraucht werden.

Wie ernst dieser Kompetenzdruck ist, zeigt eine Umfrage des Bundesverbands Druck und Medien (bvdm, 2023): Rund 60 Prozent der befragten Druckereien und Medienbetriebe in Deutschland sehen digitale Zusatzleistungen als wichtigsten Wachstumstreiber — aber nur 22 Prozent geben an, diese Leistungen derzeit profitabel anbieten zu können.

Das Mismatch liegt nicht am Willen. Es liegt an fehlenden Workflows.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Mit vorbereiteten Prompt-Templates und Channel-Playbooks; Zeitangabe basiert auf Praxiserfahrungen aus Multichannel-Agenturworkflows.

Der wichtigste Effekt ist nicht die eingesparte Zeit — es ist die Skalierung. Ohne KI-Unterstützung wächst der Aufwand proportional zur Kanalanzahl. Mit vorbereiteten KI-Workflows wächst er kaum noch.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der Effekt ist real: Kanalspezifische Textadaption fällt mit gut vorbereiteten KI-Prompts von drei bis vier Stunden auf 60 bis 90 Minuten — eine Reduktion um 60 bis 75 Prozent für die reine Textarbeit. Das ist substanziell, aber Cross-Media-Publishing ist kein reiner Textprozess. Bildaufbereitung, HTML-Export, Freigabeworkflows und Qualitätssicherung kommen dazu, und dort spart KI deutlich weniger. Bei den verglichenen Anwendungsfällen in dieser Kategorie liegt die Zeitersparnis bei der Druckfreigabe-Prüfung oder dem Nesting höher, weil die KI dort den Kernprozess übernimmt — hier unterstützt sie nur einen Teilschritt.

Kosteneinsparung — sehr niedrig (1/5) Das ist der ehrlichste Score in dieser Übersicht. Cross-Media-Publishing spart keine direkten Kosten — es erschließt neue Einnahmen. Die Toolkosten (LLM-Abo, ggf. Multichannel-CMS) kommen oben drauf, nicht stattdessen. Wer damit argumentiert, Digitalleistungen günstig anzubieten, weil KI die Arbeit macht, drückt einfach die eigene Marge weiter. Das Ziel sollte sein, Digitalleistungen neu in den Auftragswert zu integrieren — nicht, sie ohne Aufpreis mitzuliefern.

Schnelle Umsetzung — niedrig (2/5) Bis zu einem produktiv funktionierenden Multichannel-Workflow dauert es realistisch zehn bis sechzehn Wochen: Datenstruktur klären, Channel-Playbooks definieren, Prompt-Templates testen, Qualitätssicherung einführen. Wer nur ChatGPT für gelegentliche Textadaption einsetzen will, ist schneller — aber hat dann kein skalierbares System, sondern ein manuelles Hilfsmittel. Der Unterschied liegt genau hier: Tool versus Workflow.

ROI-Sicherheit — niedrig (2/5) Ob Kunden die digitalen Zusatzleistungen bezahlen wollen und zu welchem Preis, ist marktabhängig. Etablierte Agenturen mit Digitalexpertise konkurrieren aktiv in diesem Segment — als Druckerei bist du Newcomer. Einige Kunden erwarten die digitale Aufbereitung bereits als inklusive Leistung (weil sie nicht verstehen, wie viel Arbeit dahintersteckt). Die Umsatzsteigerung tritt ein, wenn die Positionierung gelingt — das ist kein technisches, sondern ein Vertriebsproblem.

Skalierbarkeit — hoch (4/5) Das ist die echte Stärke: Einmal ein guter Workflow, einmal gute Channel-Playbooks — und jede weitere Publikation kostet kaum noch Zusatzaufwand für die Kanalaufbereitung. Das macht Cross-Media-Publishing strategisch attraktiv. Für Verlage mit regelmäßigen Ausgaben, für Agenturen mit Stammkunden und für Marketing-Teams, die viele ähnliche Produkte vermarkten, ist der Skalierungseffekt der entscheidende Hebel.

Richtwerte — stark abhängig von Publikationsvolumen, Datenstrukturgrad und vorhandener Infrastruktur.

Was der Cross-Media-Assistent konkret macht

Der LLM-basierte Teil eines Cross-Media-Workflows übernimmt primär drei Aufgaben:

1. Kanalspezifische Textadaption Aus einem Fließtext für den Katalog werden automatisch kanalspezifische Versionen generiert: ein 700-Zeichen-LinkedIn-Post mit Call-to-Action, ein 3-Satz-Newsletter-Teaser mit Betreffzeile, ein SEO-optimierter Fließtext für die Produktseite, eine 2200-Zeichen-Instagram-Caption. Die Adaption berücksichtigt Zeichenbeschränkungen, Plattformtone und Brand Voice, sofern diese als Kontext übergeben werden.

2. Strukturextraktion aus unstrukturierten Quellen Wenn kein strukturierter Content vorliegt (kein XML, kein CMS), kann der LLM aus PDF-Exports oder kopierten InDesign-Texten Inhaltselemente extrahieren: Produktname, Produktbeschreibung, Kerneigenschaften, Preisangabe, Call-to-Action. Das ist kein perfekter Ersatz für eine strukturierte Datenquelle, aber ein brauchbarer Überbrückungsschritt.

3. Bildformat-Koordination KI-Tools wie Adobe Firefly (via Photoshop Smart Crop oder als Standalone) schlagen automatisch Ausschnitte für verschiedene Seitenverhältnisse vor: 16:9 für Website-Hero, 1:1 für Instagram-Feed, 4:5 für Instagram-Portrait, 9:16 für Stories. Das ist kein autonomes Entscheiden — es ist ein Vorschlagsystem, das ein Mensch abnimmt oder korrigiert.

Was KI in diesem Kontext nicht kann: Layoutentscheidungen für responsive Webdesigns treffen, InDesign-Daten ohne Textseparation korrekt parsen, oder eine gesamte Marketingstrategie aus einem Katalog destillieren. Das sind menschliche Aufgaben — KI beschleunigt die Ausführung, ersetzt die Strategie nicht.

Die InDesign/IDML-Realität: Was tatsächlich automatisiert werden kann

Das ist der Abschnitt, den die meisten Anbieter weglassen.

InDesign-Dateien (.indd) und ihr offenes Austauschformat IDML (InDesign Markup Language) sind XML-basiert — was nach “leicht automatisierbar” klingt, aber erhebliche technische Grenzen hat:

Was IDML tatsächlich enthält: Eine IDML-Datei ist ein ZIP-Archiv mit XML-Dateien, die Layoutanweisungen beschreiben: Textrahmenpositionen, Schriftdefinitionen, Masterpage-Referenzen, Farben, Abstände. Was sie nicht enthält: die verlinkten Bilder. Diese liegen als externe Dateien in einem separaten Links-Ordner. Wer eine IDML-Datei ohne diesen Ordner öffnet, sieht leere Bildrahmen. Automatisierte Tools, die IDML direkt verarbeiten wollen, müssen diesen Kontext mitliefern.

Was sich gut automatisiert:

• Reine Textextraktion aus Textrahmen (für Weiterverarbeitung per LLM)
• Strukturierte Daten aus Data-Merge-Workflows (Produkt-Kataloge mit Datenbankanbindung)
• Regelbasiertes Setzen mit Tools wie Typefi: XML-Content in InDesign-Templates — wenn der Input strukturiert und das Template vordefiniert ist
• Ausgabe aus Redaktionssystemen wie WoodWing Studio: Artikel werden einmal zentral erfasst, dann kanalspezifisch ausgegeben

Was manuelle Intervention erfordert:

• Freie InDesign-Layouts mit gestalterischen Entscheidungen (wo Text in welchem Rahmen landet, warum bestimmte Abstände so gewählt wurden) — das lässt sich nicht ohne Layout-Intelligenz auf Web übertragen
• Doppelseiten-Konzepte, die als gestalterische Einheit funktionieren (Magazine-Spreads) — auf Mobile unbrauchbar, brauchen komplette Neukonzeption
• Infografiken und Daten-Visualisierungen, die als Vektor-Illustration oder Bitmap im Layout sitzen — kein semantischer Content, kein automatischer Re-Export
• Komplexe Textformatierungen (Absatzformate mit Schriftmix, Laufweiten-Anpassungen, OpenType-Features) — gehen beim HTML-Export meist verloren

Die praktische Konsequenz: Vollautomatische IDML-zu-HTML-Konversion funktioniert nur bei stark strukturierten Inhalten (technische Dokumentation, Normwerke, standardisierte Produktdaten). Für typische Print-Marketingmaterialien — Kataloge, Broschüren, Magazine — ist IDML kein Ausgangspunkt für Automatisierung, sondern für Textextraktion als Rohstoff für den LLM-Schritt.

Warum vollautomatische Kanalkonvertierung noch ein Mythos ist

Einige Softwareanbieter bewerben Cross-Media-Publishing als “einmal hochladen, überall ausgeben.” Das ist für einen spezifischen Inhalt unter spezifischen Bedingungen wahr. Für die meisten Druckerei- und Agenturprojekte nicht.

Hier sind die drei Hauptgründe, warum vollautomatische Konvertierung scheitert:

1. Print-Design-Logik und Digital-Design-Logik sind grundsätzlich verschieden. Ein Print-Layout ist für ein fixes Format optimiert (A4, DIN A5, Tabloid). Jedes gestalterische Element — Weißraum, Schriftgröße, Rastersystem — ist auf diese Dimension kalibriert. Digitale Kanäle haben variable Viewport-Größen, andere Scrollverhalten und andere Wahrnehmungsrhythmen. Ein dreispaltiges Print-Layout wird nicht “responsiv”, wenn man es in HTML exportiert — es wird unleserlich. Was für Web funktioniert, muss konzeptionell anders denken.

2. Kanalspezifische Textlängen sind keine bloße Kürzung. Einen 800-Wörter-Katalogtext auf Instagram-Post-Länge zu kürzen, heißt nicht, die letzten 750 Wörter abzuschneiden. Der Instagram-Post braucht einen anderen Einstieg, eine andere Fokussierung und einen anderen CTA. Das ist echte inhaltliche Arbeit — KI kann Erstversionen liefern, aber keine Strategie ersetzen.

3. Bilddaten sind nicht kanal-agnostisch. Ein 300-dpi-TIFF-Druckbild ist für Web zu groß und oft falsch beschnitten. Web braucht 72–96 dpi, WebP-Format, smarte Crops für verschiedene Seitenverhältnisse, ggf. kurze Alternativtexte für SEO. Das alles passiert nicht automatisch, wenn man die InDesign-Datei exportiert.

Was stattdessen tatsächlich möglich ist: KI als Beschleuniger in einem menschlich gesteuerten Workflow — nicht als Ersatz für Design- und Redaktionsentscheidungen. Der Unterschied im Anspruch ist entscheidend: Wer Cross-Media als “Knopf drücken” verkauft, produziert mittelmäßige Ergebnisse. Wer es als “schnellerer, strukturierterer Workflow mit KI-Unterstützung” positioniert, liefert echte Qualität.

Konkrete Werkzeuge — was wann passt

Für den typischen Einstieg in KI-gestütztes Cross-Media-Publishing empfiehlt sich ein gestaffelter Ansatz: erst Textadaption automatisieren, dann Bildworkflow, dann Struktur.

Schicht 1: Textadaption

ChatGPT (Plus, ca. 20 USD/Monat) oder Claude (Pro, ca. 20 USD/Monat) — für kanalspezifische Textadaption mit System-Prompts. Claude hat im Direkttest meist etwas bessere Ergebnisse bei langen Texten mit vielen Vorgaben (Tonalität, Zeichenbeschränkung, Brand Voice gleichzeitig). ChatGPT ist stärker, wenn du Bilder aus dem Layout mit einbeziehen willst (Vision-Feature für Kontext). Beide eignen sich als Einstieg — kein Setup, sofort nutzbar.

Jasper (ab 59 USD/Sitz/Monat) — wenn Markenkonsistenz über viele Texte und mehrere Texter hinweg das zentrale Problem ist. Jaspers Brand Voice lernt den Kommunikationsstil eines Kunden und hält ihn reproduzierbar. Für Agenturen mit mehreren Stammkunden und mehreren Redakteuren interessant — für Einzelpersonen überdimensioniert.

Schicht 2: Bildaufbereitung

Adobe Firefly — für KI-gestützte Bildgenerierung und Smart Crop via Photoshop. Besonders wertvoll, wenn Print-Bilder für Social-Media-Formate neue Hintergründe oder Seitenverhältnisse brauchen. Das Generative Fill/Expand in Photoshop erlaubt, Bilder ohne Qualitätsverlust zu erweitern — z.B. ein Produktbild um Weißraum ergänzen, das auf dem Katalogbild nicht vorhanden war.

Canva (Pro ab ca. 110 EUR/Jahr) — wenn kein Photoshop im Haus ist und die Bildanpassungen nicht pixelpräzise sein müssen. Die KI-Tools von Canva (Magic Resize, Background Remover, generative Erweiterung) reichen für Social-Media-Formate aus. Brand Kit stellt Markenfarben, Schriften und Logos zentral bereit.

Schicht 3: Multichannel-Workflow

WoodWing Studio — wenn mehrere Publikationen regelmäßig parallel in Print und Digital erscheinen und ein strukturierter Redaktionsworkflow nötig ist. InDesign-Integration, Single-Source-Publishing, EU-Hosting. Referenz: Der Spiegel, Bauer Media Group. Einstieg über Demo — keine öffentlichen Preise, aber realistisch für mittlere Verlage und große Agenturen.

Typefi — wenn der Input hochstrukturiert ist (XML, DITA, technische Dokumentation) und automatisches Setzen in InDesign-Templates gebraucht wird. Kaum relevant für klassische Marketingkataloge, sehr relevant für Fachliteratur, Normwerke oder standardisierte Produktdokumentation. Referenz: Publishing Concepts — Produktionszeit von sieben Wochen auf vier Stunden reduziert.

Zusammenfassung: Wann welcher Ansatz

• Gelegentliche Textadaption für 1–2 Kunden → ChatGPT oder Claude mit Prompt-Template
• Markenkonsistenz über mehrere Texter → Jasper
• Bildanpassung für Social Media → Adobe Firefly (Photoshop-Nutzer) oder Canva (einfachere Setups)
• Mehrere Publikationen regelmäßig multichannel → WoodWing Studio
• Hochstrukturierte Fach- und Technikpublikationen → Typefi

Kanalspezifische Anpassungsregeln

Das ist praktisches Handwerk, das sich gut als Prompt-Kontext vorbereiten lässt. Diese Regeln gelten Stand Mai 2026:

Diese Tabelle ist Ausgangspunkt, kein Dogma. Kunden mit eigenem Tone-of-Voice-Guide haben ggf. abweichende Vorgaben — die gehören als erstes in den System-Prompt.

Der häufigste Fehler: LinkedIn-Posts mit dem gleichen Ton wie ein Newsletter-Teaser schreiben. LinkedIn-Algorithmus bevorzugt Inhalte, die konversationsähnlich starten — nicht “Unsere neue Kollektion ist da!”, sondern “Drei Monate haben wir an diesem Produkt getüftelt. Hier ist, was anders ist.” Dasselbe Produkt, anderer Einstieg, anderer Algorithmus-Score.

Datenschutz und Datenhaltung

Cross-Media-Publishing involviert typischerweise Kunden-Assets: Logoversionen, Produktbilder, Marketingtexte, manchmal Personendaten (Namen auf personalisierten Drucksachen, Kontaktinformationen in Newslettern). Das hat datenschutzrechtliche Konsequenzen, die sich nach Toolwahl unterscheiden.

Wer ChatGPT oder Claude für die Textadaption nutzt, übergibt Kundentext an US-amerikanische Server. Für nicht-personenbezogene Marketingtexte ist das in der Regel kein Problem — für Kundendaten, die im Text auftauchen (Ansprechpartner, Adressen), gilt die DSGVO und damit die Pflicht zum Auftragsverarbeitungsvertrag (AVV). OpenAI und Anthropic stellen AVV bereit, aber du musst sie aktiv beantragen.

Für sensiblere Projekte — Versicherungs- oder Finanzbroschüren mit Kundendaten, Personalmagazine mit Mitarbeiterfotos — empfehle ich EU-gehostete Alternativen: Claude via AWS Bedrock (Frankfurt) oder eine lokal betriebene LLM-Instanz.

WoodWing Studio hostet standardmäßig in der EU — ein klarer Vorteil für Agenturen, die mit DSGVO-sensiblen Kunden (Behörden, Krankenversicherungen, Finanzdienstleister) arbeiten.

Canva verarbeitet Daten standardmäßig in australischen und US-amerikanischen Rechenzentren. Für Kunden-Assets mit Vertraulichkeitsanspruch ist das zu prüfen.

Frontify — wenn Brand Assets zentral verwaltet werden sollen — ist in der Schweiz gehostet und DSGVO-konform. Für Agenturen, die Brand Guidelines und freigegebene Assets für Kunden bereitstellen, ist das eine saubere Alternative zu geteilten Dropbox-Ordnern.

Grundregel: Was nicht in einen Prompt gehört, kommt nicht rein. Arbeite mit anonymisierten oder maskierten Testdaten, bis der Workflow steht — und bringe echte Kundendaten erst dann ein, wenn AVV und Datenschutzkonzept abgestimmt sind.

Was es kostet — realistisch gerechnet

Einstieg: KI-gestützte Textadaption (ohne Multichannel-CMS)

Das ist ein Einstieg unter 60 EUR/Monat laufend — zuzüglich der internen Einrichtungszeit von realistisch zwei bis vier Arbeitstagen für Prompt-Entwicklung und Testing.

Ausbau: Mit Multichannel-CMS

WoodWing Studio (Starter Package) liegt in der Praxis ab ca. 1.500–3.000 EUR/Monat für kleinere Redaktionen, zzgl. InDesign-Server-Lizenz. Das ist ein anderes Preissegment und lohnt sich erst ab mehreren regelmäßigen Publikationen pro Monat.

Wie du den ROI tatsächlich misst

Der direkteste Beweis ist die Stundenkalkulation: Wie viele Stunden pro Publikation und Kanal hast du vor dem KI-Einsatz verrechnet, wie viele danach? Bei einem Stundensatz von 90–120 EUR (Agentur-Kalkulation) und drei Stunden Ersparnis pro Kanal und Publikation:

3 Stunden × 5 Kanäle × 90 EUR = 1.350 EUR Einsparung pro Publikation

Im konservativen Szenario (nur 1,5 Stunden Ersparnis, 2 Kanäle): noch immer 270 EUR. Der LLM-Abo-Kostenblock amortisiert sich damit bei einer einzigen Publikation pro Monat.

Was du nicht einfach draufrechnen kannst: den Umsatz, der durch das neue Digitalangebot entsteht. Ob Brandt & Söhne wirklich 30 Prozent mehr für die Cross-Media-Version zahlt, hängt nicht von der KI ab — sondern von der Positionierung und vom Gespräch mit dem Kunden.

Typische Einstiegsfehler

1. Mit allen Kanälen gleichzeitig starten. Der Reflex: Wenn wir das schon aufbauen, dann richtig — für Web, Instagram, LinkedIn, Newsletter und ePub auf einmal. In der Praxis bedeutet das, fünf halbfertige Lösungen statt einer guten zu haben. Besser: Mit einem Kanal starten, den Workflow wirklich begreifen, und erst dann skalieren. Meist ist der Newsletter-Teaser der beste Einstieg — kürzest, strukturierteste Vorgaben, schnelles Feedback.

2. Prompt-Templates für einen Kunden schreiben, dann vergessen zu aktualisieren. Brand Voice ändert sich. Kunden relaunchen ihre Website, ändern ihren Tone of Voice, fusionieren mit anderen Unternehmen. Ein Prompt-Template, das im Januar geschrieben wurde und im Oktober nicht aktualisiert ist, produziert Texte, die nicht mehr zur aktuellen Marke des Kunden passen. Das fällt selten sofort auf — und ist schwer zu erklären, wenn der Kunde es bemerkt. Wer dieses Problem ignoriert, hat nach einem Jahr ein System, das veraltete Stimmen reproduziert.

Lösung: Prompt-Templates als versionierte Dateien führen, mit Datum und Kunden-Freigabestand. Jede Änderung im Brand Guide des Kunden löst eine Review des Prompt-Templates aus.

3. Texte ungeprüft vom LLM übernehmen. Generative KI halluziniert. Bei Marketingtexten sind die Fehler meist subtil: ein Produktmerkmal leicht falsch beschrieben, eine Preisangabe um zehn Prozent daneben, eine Formulierung, die in einem anderen Markt problematisch wäre. Das macht Cross-Media-Publishing nicht unbrauchbar — aber es erfordert einen echten Freigabeschritt. Wer KI-Texte direkt veröffentlicht ohne Prüfung, riskiert Kunden-Reklamationen oder im Worst Case rechtliche Probleme (falsche Produktangaben in Werbeaussagen).

4. Bildrechte nicht klären, bevor KI-Varianten generiert werden. Wenn ein Kunden-Druckbild mit Adobe Firefly erweitert oder in neue Formate gebracht wird, entstehen neue Versionen des Assets. Wer hält die Rechte daran? Gilt die ursprüngliche Lizenz des Stockfotos auch für KI-generierte Erweiterungen? Diese Frage ist nicht trivial — und variiert je nach Stockfoto-Anbieter. Vor dem produktiven Einsatz mit Kundenmaterial: Lizenzbedingungen des genutzten Bildmaterials prüfen und ggf. mit dem Kunden klären.

Was mit der Einführung wirklich passiert — und was nicht

Der technische Teil — einen ChatGPT-Prompt schreiben, der LinkedIn-Posts adaptiert — ist das Einfachste. Der Rest ist Organisations- und Kommunikationsarbeit.

Was in der Praxis passiert:

Die ersten Ergebnisse enttäuschen. KI-generierte Ersttexte klingen oft generisch — sie spiegeln die Brand Voice des Kunden nicht wider, wenn diese nicht explizit als Kontext übergeben wird. Das erzeugt in der ersten Woche Frustration: “Das klingt gar nicht nach unserem Kunden.” Die Lösung ist nicht, das Tool zu wechseln — es ist, den Prompt mit mehr Brand-Context anzureichern. Das dauert noch mal ein bis zwei Iterationen.

Das Freigabeproblem wird unterschätzt. Wenn KI Texte produziert, fragt niemand “Wer ist verantwortlich?” — bis etwas falsch ist. Dann kommt die Frage sehr schnell. Kläre vor dem ersten Live-Einsatz: Wer gibt KI-generierte Texte frei? Gilt dieselbe Freigaberegel wie für manuell geschriebene Texte? (Die Antwort sollte immer “ja” sein.)

Kunden reagieren unterschiedlich auf das Thema KI. Manche Kunden sind begeistert — sie wollen wissen, welche Tools ihr Dienstleister nutzt. Andere sind skeptisch, ob “KI-Texte” die gleiche Qualität haben wie manuell geschriebene. Beides ist zu handhaben: Transparenz über den Workflow, Betonung der menschlichen Qualitätssicherung, und konkrete Vergleiche (Ergebnis zeigen, nicht reden) helfen mehr als jede Erklärung.

Was nicht passiert:

Kein Tool ersetzt den inhaltlichen Dialog mit dem Kunden. Wer eine Kampagne plant, muss die Ziele verstehen, die Zielgruppe kennen, die Kernbotschaft abgestimmt haben. Das ist Strategie- und Beratungsleistung — und genau das ist die neue Wertschöpfung, die Cross-Media-Publishing für Druckereien ermöglicht. Der Workflow skaliert die Ausführung. Die Positionierung skaliert das Angebot.

Realistischer Zeitplan mit Risikohinweisen

Was der Zeitplan nicht zeigt: Den Vertriebsaufwand. Kunden müssen verstehen, was Cross-Media-Publishing ist und was es kostet. Das ist ein eigenständiger Prozess — technisch und verkäuferisch.

Häufige Einwände — und was dahintersteckt

“Wir haben keine Texter im Team.” Das stimmt — und ist genau der Punkt. KI übernimmt die erste Version, ein Mensch prüft und korrigiert. Das erfordert Sprachgefühl und inhaltliches Verständnis, aber keine Texterausbildung. In der Praxis reicht eine Person, die Texte kritisch lesen kann — das kann der Projektverantwortliche selbst sein.

“Unsere Kunden zahlen nicht extra für Digitalversionen.” Das ist ein Positionierungsproblem, kein Qualitätsproblem. Wer Cross-Media als kostenlosen Bonus anbietet, wird ihn als kostenlosen Bonus wahrnehmen. Wer es als eigene Leistung mit eigenem Nutzenversprechen positioniert (“Statt zwei Briefinggesprächen reicht ein Termin, und Sie bekommen Print und Digital aus einer Hand”), hat eine andere Ausgangslage. Das setzt voraus, das Gespräch aktiv zu suchen — bevor der Kunde woanders sucht.

“KI-Texte klingen nach KI.” Das stimmt für uninstruierte LLM-Outputs ohne Brand-Kontext. Es stimmt nicht für Texte, die aus einem sorgfältig aufgebauten Prompt mit konkretem Brand Guide, Tonalitätsvorgaben und Gegenbeispielen entstehen. Der Unterschied ist die Qualität des Inputs — “schreib mir einen LinkedIn-Post über dieses Produkt” produziert andere Ergebnisse als ein 500-Wörter-System-Prompt mit Markenstimme, Zielgruppendefinition und fünf guten Beispielen.

Woran du merkst, dass das zu dir passt

• Du betreust Kunden, die regelmäßig Print und Digital brauchen — und bisher die Digitalanteile extern vergeben oder nicht angeboten haben
• Dein Team verbringt Stunden damit, Katalog- oder Broschürentexte manuell für Websites oder Social Media umzuschreiben — oder lehnt solche Anfragen wegen Aufwands ab
• Du hast mindestens fünf Publikationen im Jahr, die für mehr als einen Kanal aufbereitet werden sollen — unter dieser Schwelle amortisiert sich der Workflow-Aufbau nicht
• Du willst Stammkunden ein breiteres Angebot machen, ohne Personal aufzubauen

Wann es sich noch nicht lohnt — drei harte Ausschlusskriterien:

1. Unter drei bis fünf Publishingprojekten pro Jahr. Wer nur selten publiziert, hat keinen ausreichenden Volumeneffekt für den Workflow-Aufbau. In diesem Fall ist der pragmatische Weg besser: einen Freelance-Texter für die Digitaladaption beauftragen, ohne eigene KI-Infrastruktur aufzubauen.

2. Kein strukturiertes Content-Konzept beim Kunden. Wenn der Kunde selbst nicht weiß, welche Botschaft welcher Kanal tragen soll, produziert KI systematisch die falsche Botschaft schneller. Cross-Media-Publishing setzt eine Content-Strategie voraus — nicht als Perfektion, aber als minimaler Rahmen. Wer diesen Schritt überspringt, baut eine Beschleunigungsmaschine für Konfusion.

3. Kein Budget und keine Zeit für Qualitätssicherung. Wer plant, KI-Outputs direkt ohne Review zu veröffentlichen, um Kosten zu sparen, sollte Cross-Media-Publishing nicht mit KI angehen. Der Reputationsschaden durch einen Fehler (falsche Produktangabe, off-Brand-Formulierung, rechtlich problematische Aussage) überwiegt jeden Zeitgewinn. Das Qualitätsgate ist kein Nice-to-have — es ist die Voraussetzung für professionellen Einsatz.

Das kannst du heute noch tun

Nimm einen bestehenden Katalogtext — am besten einen Abschnitt mit drei bis vier Produkten, ca. 200–300 Wörter — und adaptiere ihn mit dem untenstehenden Prompt für LinkedIn. Das dauert zehn Minuten und gibt dir ein ehrliches Bild davon, wie nah die KI-Ausgabe an dem ist, was du für diesen Kunden brauchst.

Öffne dafür ChatGPT oder Claude — beide eignen sich; du brauchst kein bezahltes Konto für den ersten Test.

Quellen & Methodik

• bvdm-Umfrage Digitalleistungen (2023): Bundesverband Druck und Medien, Branchenreport 2023. Zitierte Zahlen beziehen sich auf die Befragungskohorte der rund 200 Mitgliedsbetriebe. Für den Gesamtmarkt Extrapolation — nicht repräsentative Vollerhebung.
• Publishing Concepts / Typefi (Produktionszeit 7 Wochen → 4 Stunden): Typefi Case Study, „Publishing Concepts” (typefi.com/case-studies/publishing-concepts). Bezieht sich auf InDesign-Automatisierung für strukturierte Buchinhalte — nicht direkt auf Marketing-Kataloge übertragbar, aber Größenordnung des Skalierungseffekts valide.
• WoodWing / Der Spiegel, Bauer Media Group: WoodWing Referenzkunden laut Anbieterwebsite (woodwing.com); eigene Prüfung des DACH-Referenzumfelds, Stand Mai 2026.
• IDML-Strukturbeschreibung: Adobe InDesign-Dokumentation (helpx.adobe.com/indesign/automation.html); Praxiserfahrungen aus Publishing-Projekten mit IDML-Verarbeitung.
• Kanalspezifische Zeichenlimits und Formatvorgaben: Plattform-Dokumentation Instagram, LinkedIn und E-Mail-Marketing-Praxisberichte (Stand Mai 2026 — Änderungen möglich, regelmäßig prüfen).
• Zeitangaben zur KI-gestützten Textadaption: Praxisberichte aus Multichannel-Agenturworkflows sowie Studie WellOws.com „Repurpose Content with AI: Tools, Workflows & Examples” (2024) — drei bis vier Stunden manuell vs. circa 30 Minuten mit KI-Unterstützung für einen einzelnen Artikel auf mehrere Formate.

Du willst wissen, welcher Workflow für deine spezifische Publikationsstruktur passt — und wie viel Aufwand das Setup realistisch ist? Meld dich für ein kurzes Gespräch.