Wissenschaftskommunikation und Pressemitteilungen

Das echte Ausmaß des Problems

Die Pressestellen an deutschen Universitäten und außeruniversitären Forschungseinrichtungen — Helmholtz, Fraunhofer, Max-Planck, Leibniz — kommunizieren mit einem strukturellen Missverhältnis: Die Zahl der Publikationen wächst, das Personal in den Kommunikationsabteilungen nicht. Im Schnitt publiziert ein Sonderforschungsbereich der DFG 100 bis 300 Artikel pro Jahr. Nicht jeder wird zur Pressemitteilung — aber zehn bis dreißig könnten und sollten es werden. Die Kapazität reicht selten für mehr als fünf.

Was dabei liegenbleibt:

• Laienverständliche Zusammenfassungen für Förderberichte: DFG-Verwendungsnachweise verlangen einen Sachbericht, der die Relevanz der Forschung für ein nicht-fachkundiges Publikum verständlich beschreibt. Das ist Pflicht, nicht Option — und kostet erfahrungsgemäß zwei bis drei Stunden pro Teilprojekt.
• Social-Media-Inhalte für Forschungsergebnisse: X (Twitter), LinkedIn und Instagram verlangen andere Sprache, andere Länge, andere Struktur. Drei Posts pro Artikel bedeutet dreimal Übersetzen.
• Multilinguale Versionen: Viele Einrichtungen kommunizieren parallel auf Deutsch und Englisch. Zwei Sprachversionen, zwei Korrekturschleifen.
• Zielgruppenspezifische Anpassung: Was für die Tagespresse gilt, taugt nicht für Fachmedien; was für Schülerinnen und Schüler beim Uni-Tag erklärt wird, verwirrt Entscheidungstragende in Ministerien.

Das Problem ist nicht, dass Forschende schlecht kommunizieren. Das Problem ist, dass Wissenschaftskommunikation eine eigene Kompetenz ist — und an den meisten Einrichtungen zu wenig Kapazität dafür vorhanden ist.

Eine externe PR-Agentur löst das Problem kurzfristig. Kosten: zwischen 200 und 800 Euro je Pressemitteilung, abhängig von Länge und Recherche (Quelle: openpr.de-Marktanalyse, 2024). Für zehn Releases im Jahr sind das schnell 3.000 bis 6.000 Euro — für Budgets in Forschungsabteilungen ein nicht-triviales Thema.

Mit vs. ohne KI — ein ehrlicher Vergleich

Wichtig: Die Fachkompetenz für die finale Qualitätsprüfung bleibt beim Menschen. KI übernimmt den Erst-Entwurf — nicht die Verantwortung für die Aussage.

Die Vergleichswerte für die manuelle Bearbeitungszeit stammen aus Erfahrungsberichten von Kommunikationsreferentinnen an deutschen Forschungseinrichtungen sowie Angaben von Universitätspressestellen (u. a. Universität Hamburg, Universität Hohenheim). Die KI-gestützten Werte basieren auf Erfahrungswerten aus Pilotprojekten mit ChatGPT und Claude, dokumentiert bei der Taskforce “KI in der Wissenschaftskommunikation” der FactoryWisskomm (BMFTR, 2025).

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Der Hebel ist real und groß: Eine Pressemitteilung, die ohne KI einen halben bis ganzen Arbeitstag beansprucht, entsteht mit KI in 60 bis 90 Minuten — inklusive Korrekturlesung. Über zehn bis zwanzig Releases im Jahr summiert sich das auf Wochen eingesparter Kapazität. Einschränkung: Der Zuwachs ist nicht täglich spürbar, sondern tritt gebündelt auf — deshalb 4 statt 5.

Kosteneinsparung — niedrig (2/5)
Die direkten Ersparnisse sind begrenzt: Externe Agenturen werden seltener beauftragt, das ist real. Aber an den meisten Forschungseinrichtungen werden Pressemitteilungen intern erstellt — die eingesparte Zeit ist Kapazität, kein Geld. Anders als bei der Förderprogramm-Identifikation, wo KI Budgetentscheidungen mit direkter Auswirkung unterstützt, ist der finanzielle ROI hier indirekt.

Schnelle Umsetzung — mittel (3/5)
Ein einfacher Pilot ist an einem Nachmittag möglich: Fachartikel in ChatGPT einfügen, Pressemitteilung generieren, Ergebnis beurteilen. Aber ein nachhaltiger Workflow — mit einrichtungsspezifischen Vorlagen, Freigabeprozedurenabstimmung mit der Pressestelle und Qualitätssicherungsprotokoll — dauert vier bis sechs Wochen. Wesentlich schneller als technisch komplexere Vorhaben, aber kein “morgen live”-Fall.

ROI-Sicherheit — niedrig (2/5)
Medienpräsenz ist schwer kausal zu messen. Dass eine Pressemitteilung zu zehn Medienberichten geführt hat, lässt sich dokumentieren. Ob dieselben zehn Berichte ohne KI nicht entstanden wären, lässt sich nicht sagen — vielleicht hätte die KI-Unterstützung auch zu mehr Releases geführt, die wiederum mehr Aufmerksamkeit erzeugt haben. DFG und BMBF erwarten keinen ROI-Nachweis für Kommunikation; intern ist das Feedback von Forschungsleitung und Pressestelle der realistischste Proxy.

Skalierbarkeit — hoch (4/5)
Einmal entwickelte Prompt-Vorlagen funktionieren für jede neue Publikation — ob fünf oder fünfzig im Jahr. Der Aufwand pro Release sinkt mit zunehmender Erfahrung. Einschränkung: Die Qualitätssicherung durch Fachexperten skaliert nicht automatisch mit. Wer die Freigabepflicht nicht durchhält, akkumuliert Risiken. Deshalb 4 statt 5.

Richtwerte — stark abhängig von Publikationsvolumen, Größe der Pressestelle und Fachbereich.

Was das System konkret macht

Generative KI — spezifisch: große Sprachmodelle wie ChatGPT, Claude oder Gemini — kann gegebenen Fachtext in andere Textsorten überführen. Für Wissenschaftskommunikation bedeutet das:

Schritt 1: Quellentext einlesen. Du lädst den Fachartikel hoch — entweder als PDF oder kopierst den Abstract plus Ergebnisteil in den Chat. Das Modell versteht den Inhalt semantisch, nicht nur lexikalisch.

Schritt 2: Zielgruppe und Format definieren. Im Prompt gibst du an, für wen und in welchem Format der Text entstehen soll — Tagespresse, Fachmedium, Instagram, DFG-Sachbericht, Schülermagazin. Das Modell passt Sprachniveau, Länge, Ton und Struktur entsprechend an.

Schritt 3: Erst-Entwurf prüfen. Das Modell liefert einen strukturierten Entwurf. Du — oder besser: die Forscherin, der Forscher — prüft:

• Sind alle Kernergebnisse korrekt dargestellt?
• Wurden keine kausalen Schlüsse gezogen, die die Studie nicht hergibt?
• Stimmen Effektgrößen und Einschränkungen mit dem Original überein?

Schritt 4: Iterieren. Zwei bis drei Korrekturrunden bringen den Text auf Freigabequalität — nicht mehr wie bisher fünf bis sieben.

Was das System nicht macht: Es liest keinen Sinn in Befunde, der nicht da ist. Es “weiß” nicht, ob die Studie wirklich besagt, was der Titel verspricht. Das ist der Grund, warum Fachkompetenz in der Qualitätssicherung unverzichtbar bleibt — dazu mehr im nächsten Abschnitt.

Das Genauigkeitsproblem — was KI beim Vereinfachen falsch macht

Das ist der kritischste Abschnitt dieser Seite. Lies ihn sorgfältig.

LLMs tendieren bei der Vereinfachung wissenschaftlicher Texte zu systematischen Fehlern, die schwer zu erkennen sind, weil die Texte flüssig und überzeugend klingen:

1. Korrelation wird zur Kausalität.
Das ist die häufigste Fehlerklasse. Ein Modell liest: “In der Studie zeigte sich ein statistisch signifikanter Zusammenhang zwischen Kindheitsobesitas und später diagnostizierter Schizophrenie.” Es schreibt: “Kindheitsobesitas erhöht das Schizophrenie-Risiko.” Das ist sachlich falsch. Die Studie zeigt einen Zusammenhang — keine Ursache-Wirkung-Beziehung. Abigail Eisenstadt vom Wissenschaftsmagazin Science dokumentierte genau diesen Fehler in einem einjährigen Experiment mit ChatGPT Plus (2025): Das Modell produzierte regelmäßig kausale Aussagen aus korrelativen Daten — “a rookie J-school 101 mistake”, wie sie es beschrieb.

2. Effektgrößen werden dramatisiert.
”Die neue Therapie reduzierte das Rückfallrisiko” klingt eindrucksvoll. Wenn die Studie aber einen Rückgang von 23 % auf 19 % zeigt (absolut: vier Prozentpunkte), ist das ein sehr anderer Befund als die Formulierung nahelegt. KI tendiert dazu, relative Effekte nicht in absolute umzurechnen — weil der Ausgangstext das oft auch nicht tut.

3. Generalisierbarkeit wird übertrieben.
Eine In-vitro-Studie an Mausmodellen wird zur “Studie zur neuen Krebstherapie”. Eine Regionalstudie in Bayern zur “Studie zur Lage in Deutschland”. Das Modell kennt die methodischen Grenzen — aber beim Vereinfachen fallen Einschränkungen oft unter den Tisch, weil sie den Text komplizierter machen.

4. Unsicherheit wird wegpromptiert.
Wenn du das Modell bittest, “klar und verständlich” zu schreiben, interpretiert es das oft als Signal, Hedge-Formulierungen zu streichen. “Unsere Ergebnisse deuten darauf hin, dass möglicherweise ein Zusammenhang besteht” wird zu “Die Forschenden bewiesen, dass…”. Das Gegenteil des wissenschaftlichen Befundes.

Was hilft: Prompt-Design, das die Einschränkungen explizit fordert. Und: Immer eine Fachperson aus der Forschungsgruppe, die den KI-Entwurf mit dem Original vergleicht — nicht nur mit ihrer Erinnerung daran. Mehr dazu im Abschnitt zu Einstiegsfehlern.

DFG- und BMBF-Berichtssprache — was Fördergeber konkret verlangen

Das ist ein häufig unterschätztes Einsatzfeld. Drittmittelprojekte der DFG und des BMBF verlangen im Verwendungsnachweis einen Sachbericht, der die Projektarbeit und Ergebnisse auch für nicht-fachkundige Lesende verständlich darstellt. Diese Anforderung ist im Zuwendungsbescheid verbindlich.

Konkret heißt das:

• DFG Verwendungsnachweis: Der Sachbericht soll die wissenschaftlichen Ergebnisse “in allgemein verständlicher Form” darstellen und die gesellschaftliche Relevanz der Forschung erläutern. Die DFG macht keine Vorgaben zu Länge oder Format, erwartet aber einen strukturierten Fließtext — keinen Abstract.
• BMBF Verwendungsnachweis (NABF): Der technische Bericht muss zeigen, wie das Projekt durchgeführt wurde und ob Projektziele erreicht wurden. Laienverständlichkeit ist eine explizite Anforderung.
• Sonderforschungsbereiche (SFB): Die DFG empfiehlt für SFBs explizit Öffentlichkeitsarbeitsmaßnahmen — Pressemitteilungen, Outreach-Veranstaltungen und populärwissenschaftliche Texte können aus zentralen Programmpauschalen finanziert werden.

KI kann diesen Schritt erheblich erleichtern: Du gibst den Abstract und die Hauptergebnisse ein, spezifizierst “DFG-Sachbericht, Abschnitt gesellschaftliche Relevanz” als Zielformat und erhältst einen strukturierten Entwurf, der dann mit der Projektleitung geprüft wird.

Achtung: DFG und BMBF-Berichte dürfen keine sachlich falschen Angaben enthalten. Fördermittelberichte haben eine andere Verbindlichkeit als Pressemitteilungen. Hier ist die Qualitätssicherung besonders kritisch.

Der institutionelle Freigabe-Workflow — die unterschätzte Komplexität

An Universitäten und außeruniversitären Forschungseinrichtungen gibt es selten eine einfache Linie “Forschende schreiben, Pressestelle veröffentlicht”. In der Praxis sieht der Prozess eher so aus:

1. Forschungsgruppe informiert Kommunikationsabteilung über bevorstehende Publikation
2. Kommunikationsreferentin erstellt Entwurf (mit oder ohne KI)
3. Erst-Freigabe durch Projektleitung (inhaltliche Richtigkeit)
4. Abstimmung mit der Pressestelle der Universität oder des Instituts (Tonalität, CI, rechtliche Prüfung)
5. Bei Förder-Bezug: Abklärung, ob Logos und Dankesformeln der Drittmittelgeber korrekt eingebunden sind
6. Embargo-Prüfung: Darf die Pressemitteilung vor dem offiziellen Erscheinungsdatum des Artikels versandt werden?
7. Versand über idw (Informationsdienst Wissenschaft) und/oder eigene Presseverteiler

KI beschleunigt Schritt 2. Die Schritte 3–7 sind menschliche Koordinationsprozesse, die durch KI nicht verkürzt werden. Wer das System einführt, muss diesen Workflow explizit klären — sonst kauft die Einrichtung Zeitersparnis beim Erstellen, verliert sie aber bei Abstimmungsschleifen.

Typisches Ergebnis: Wer den Workflow gut designt, reduziert Abstimmungsschleifen von drei auf zwei — weil der KI-Entwurf bereits in der richtigen Struktur kommt und weniger “Übersetzungsarbeit” bei der Pressestelle anfällt.

Konkrete Werkzeuge — was wann passt

Die Werkzeugauswahl für Wissenschaftskommunikation ist einfacher als in vielen anderen Bereichen: Die Aufgabe ist Textgenerierung — und dafür gibt es ausgereifte, günstige Tools.

ChatGPT (OpenAI) — Der Marktstandard. GPT-4o verarbeitet PDFs direkt, was für Fachartikel besonders praktisch ist: Artikel hochladen, Zielgruppe im Prompt angeben, Entwurf erhalten. Freemium: Kostenlos mit täglichem Limit, Plus ab 20 USD/Monat. Datenhaltung in den USA — AVV verfügbar, aber kein EU-Hosting für die Consumer-App.

Claude (Anthropic) — Starke Schreibqualität und besonders geeignet für differenzierte, nuancierte Texte. Das 200.000-Token-Kontextfenster erlaubt es, auch sehr lange Fachartikel vollständig einzulesen. Claude Pro ab 20 USD/Monat. Datenhaltung US; DSGVO-konformer Weg über AWS Bedrock (Frankfurt) für institutionelle Nutzung.

Gemini (Google) — Gut integriert in Google Workspace, was an vielen Forschungseinrichtungen die Standard-Büroumgebung ist. Praktisch, wenn Artikel im Google Drive liegen. Gemini Advanced ab 21,99 €/Monat über Google One. EU-Rechenzentren für Google Workspace Business verfügbar.

NotebookLM (Google) — Besonders geeignet für die Vorbereitung: Lade den Artikel, mehrere Vorgänger-Publikationen und Hintergrundmaterial hoch. NotebookLM gibt dir eine schnelle Synthese der wichtigsten Kernaussagen — eine gute Grundlage, bevor du die Pressemitteilung schreibst. Kostenlos für Basisfunktionen.

DeepL — Für multilinguale Versionen. Übersetzung von Deutsch nach Englisch (oder umgekehrt) auf publikationsnahes Niveau. Günstig: Pro ab 8,99 €/Monat, API für größere Volumina. EU-Hosting verfügbar.

Grammarly — Als finaler Korrekturdurchgang für englischsprachige Versionen: Grammatik, Stil, Klarheit. Freemium, Premium ab ca. 12 €/Monat.

Zusammenfassung: Wann welcher Ansatz

• Erst-Entwurf Pressemitteilung → ChatGPT oder Claude
• Viele Hintergrunddokumente + Artikel einlesen → NotebookLM
• Multilingualer Output → DeepL für Übersetzung, dann Claude/ChatGPT für Stilanpassung
• Google Workspace-Umgebung → Gemini direkt in Google Docs
• Englischer Feinschliff → Grammarly als letzter Check

Datenschutz und Datenhaltung

Die meisten Fachartikel sind nach Erscheinen öffentlich zugänglich — das vereinfacht die Datenschutzfrage erheblich. Trotzdem gibt es relevante Punkte:

Vor der Veröffentlichung: Unveröffentlichte Manuskripte, Rohdaten und vorläufige Ergebnisse sind vertraulich. Sie dürfen nicht an US-amerikanische Cloud-Dienste ohne expliziten AVV übertragen werden — und selbst dann bleibt das Risiko einer ungewollten Preisgabe bei noch nicht eingereichten Embargos. Vor Erscheinen des Artikels: nur lokale oder EU-gehostete Lösungen verwenden.

Nach der Veröffentlichung: Für öffentliche Fachartikel gelten gelockerte Anforderungen — der Text ist bereits öffentlich. ChatGPT und Claude können genutzt werden. Für Institutionen mit besonderen Anforderungen (klinische Forschung, vertrauliche Drittmittelberichte) empfiehlt sich trotzdem der Weg über EU-gehostete Optionen.

DSGVO-konforme Wege:

• Gemini über Google Workspace Business mit EU-Rechenzentrum
• Claude über AWS Bedrock, Region eu-central-1 (Frankfurt)
• Microsoft Copilot in M365-Umgebungen mit EU Data Boundary

Für Sonderforschungsbereiche und klinische Forschungseinheiten empfiehlt die FactoryWisskomm Taskforce (BMFTR, 2025) eine explizite institutionelle Richtlinie zum KI-Einsatz in der Kommunikation — inklusive Regelungen für Vertraulichkeit, Kennzeichnungspflichten und Qualitätssicherung.

Was es kostet — realistisch gerechnet

Werkzeugkosten
Die Tools sind günstig. ChatGPT Plus: 20 USD/Monat. Claude Pro: 20 USD/Monat. NotebookLM: kostenlos (Basis). DeepL Pro: ab 8,99 €/Monat.

Für eine typische Kommunikationsreferentin, die 10–20 Releases pro Jahr betreut: Die Investition in ein Einzel-Abo (~20–30 €/Monat) amortisiert sich durch die erste oder zweite eingesparte Pressemitteilung.

Einrichtungsaufwand
Kein technischer Setup. Die Hauptinvestition ist Zeit für Workflow-Design:

• Prompt-Vorlagen für verschiedene Zielgruppen entwickeln und testen: 1–2 Arbeitstage
• Abklärung mit Pressestelle und Forschungsleitung, welche Freigabeschritte der neue Prozess umfasst: 1–3 Wochen Abstimmungsaufwand
• Schulung der Beteiligten: halber Tag

Realistischer ROI
Eine Kommunikationsreferentin mit 40.000–55.000 € Jahresgehalt kostet die Einrichtung erfahrungsgemäß 500–700 € je Arbeitstag (Brutto inkl. Nebenkosten). Zehn Pressemitteilungen zu je einem gesparten Tag: 5.000–7.000 € eingesparte Kapazität — für Softwarekosten von 360 € im Jahr. Selbst wenn der reale Effekt nur 40 % davon beträgt: die Rechnung geht auf.

Der wichtigere Nebeneffekt: Die eingesparte Kapazität ermöglicht mehr Releases — nicht nur schnellere. Viele Einrichtungen könnten mit demselben Team drei bis vier Mal so viele Publikationen kommunizieren.

Drei typische Einstiegsfehler

1. KI prüft sich selbst.
Der gefährlichste Fehler: Die Kommunikationsreferentin erstellt den Entwurf, liest ihn einmal durch und gibt ihn frei — ohne einen Vergleich mit dem Originaltext zu erzwingen. Klingt gut = ist gut. Das ist falsch. Ein KI-Entwurf muss gegen den Quelltext geprüft werden, nicht gegen die Erinnerung daran. Lösung: Für jeden Entwurf eine Checkliste mit den drei kritischsten Faktenbefunden aus dem Artikel — und der Entwurf wird gezielt an diesen Stellen überprüft.

2. Der Prompt ist zu generisch.
”Schreib eine Pressemitteilung zu diesem Artikel” ist ein Anfang — aber kein guter Prompt. Das Modell weiß nicht, welche Zielgruppe, welche Länge, welche Einrichtung, welcher Ton, welche Förder-Dankesformel. Ergebnis: Generischer Text, der drei Überarbeitungsrunden braucht, um einrichtungsspezifisch zu klingen. Lösung: Einen institutionellen Prompt-Template mit allen festen Parametern (Einrichtungsname, Pressestellen-Formel, bevorzugte Struktur, Tonvorgaben) einmalig entwickeln und wiederverwenden.

3. Die Freigabe wird übersehen.
Wer mit KI schneller wird, neigt dazu, Freigabeschritte als Bremse zu sehen. An Forschungseinrichtungen haben Pressemitteilungen Vorabdruck-Charakter — sie können das Journal-Embargo brechen, wenn sie zu früh rausgehen. Sie können Kollaborationspartner überraschen, wenn Ergebnisse gemeinschaftlicher Projekte ohne Abstimmung kommuniziert werden. Sie können rechtliche Probleme verursachen, wenn klinische Daten anders beschrieben werden als in der zugelassenen Studie. Die Geschwindigkeit von KI ändert nichts an diesen Anforderungen. Wer das vergisst, kauft sich Ärger für die gewonnene Zeit.

4. Kein Versionierungssystem für Prompts und Texte.
Wer heute eine gute Pressemitteilung mit KI erstellt und in drei Monaten wissen will, wie — und es kein Protokoll gibt — fängt von vorn an. Gelöst durch ein einfaches Ablagesystem: Prompt + Ausgabe + finale Version + Veröffentlichungsdatum, chronologisch abgelegt. Das dauert fünf Minuten und spart Wochen in der langfristigen Workflow-Entwicklung.

Was mit der Einführung wirklich passiert — und was nicht

Was passiert: Der erste Entwurf einer Pressemitteilung entsteht schneller. Die Kommunikationsreferentin oder der Kommunikationsreferent hat mehr Zeit für Abstimmungsgespräche, Medienrecherche und strategische Kommunikationsplanung.

Was nicht passiert: Die Freigabeschleife verkürzt sich nicht automatisch. Sie verkürzt sich nur, wenn der KI-Entwurf gezielt für die Einrichtung konfiguriert ist — dann kommt er bereits in der richtigen Struktur an, was tatsächlich einen Abstimmungsschritt spart.

Typisches Widerstandsmuster: “Ich vertraue dem KI-Text nicht — was, wenn etwas Falsches drinsteht?” Dieser Einwand ist berechtigt und kein Widerstand gegen das Tool, sondern ein berechtigtes Qualitätsbewusstsein. Die Antwort ist nicht “vertraue dem Tool” — die Antwort ist: “Du prüfst den Entwurf, genauso wie du einen Entwurf von einer Werksstudentin prüfen würdest. KI ist Assistenz, keine Autorität.”

Was konkret hilft:

• Pilot mit einem einzigen Artikel starten — Ergebnis intern zeigen und diskutieren
• Forschungsgruppe einbinden: Sie prüfen die inhaltliche Richtigkeit, nicht die Pressestelle
• Explizite Checkliste für Faktentreue entwickeln (Kausalaussagen? Effektgrößen? Einschränkungen der Studie?)
• Erste drei Monate: Entwurf + Original immer parallel vorlegen — Vertrauen muss wachsen, bevor es gewährt wird

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„KI macht aus seriöser Wissenschaft Boulevard-Journalismus.”
Dieser Einwand greift einen realen Mechanismus auf — und ist deshalb ernst zu nehmen. LLMs tendieren tatsächlich zur Dramatisierung, wenn der Prompt sie nicht explizit daran hindert. Die Antwort ist nicht “das stimmt nicht” — die Antwort ist: ein guter Prompt enthält explizit die Aufforderung, Einschränkungen der Studie darzustellen, kausale Formulierungen zu vermeiden und Effektgrößen im Kontext zu nennen. Das Ergebnis ist dann kein Boulevard, sondern solide Wissenschaftskommunikation.

„Wir müssen kennzeichnen, ob ein Text KI-generiert ist.”
Die FactoryWisskomm Taskforce (BMFTR, 2025) empfiehlt Transparenz beim KI-Einsatz — aber nicht notwendigerweise in der Pressemitteilung selbst. Intern gibt es fast immer Dokumentationspflichten. Für externe Kommunikation hängt die Kennzeichnungspflicht vom institutionellen Regelwerk und den Vorgaben des jeweiligen Journals ab. Was klar ist: Wenn KI für das erste Sichten und Strukturieren verwendet wird und Menschen den Text inhaltlich verantworten und freigeben — ist das Autorenschaft durch Mensch, nicht durch KI. Wie bei jeder anderen Textverarbeitungssoftware auch.

„Forschende wollen ihre Ergebnisse selbst erklären, nicht von einer KI.”
Richtig. Und genau deshalb funktioniert das Modell “KI erstellt Entwurf, Forschende prüfen und ergänzen” oft besser als eine blanke Leere. Viele Forschende haben keine Zeit und kein Interesse, eine Pressemitteilung von null zu schreiben — aber sie haben sehr viel Interesse daran, eine Aussage zu korrigieren, die ihre Arbeit falsch darstellt. Der KI-Entwurf gibt ihnen diesen Ansatzpunkt.

Woran du merkst, dass das zu dir passt

• Deine Einrichtung publiziert mehr als zehn Artikel pro Jahr, von denen mindestens fünf öffentlichkeitswirksam kommuniziert werden sollten — aber der Aufwand scheut
• Die Kommunikationsabteilung ist chronisch überlastet: Eine oder zwei Personen betreuen die gesamte Außenkommunikation für mehrere Forschungsgruppen
• Forschende bringen ihre Ergebnisse nicht proaktiv zur Pressestelle, weil sie wissen, wie viel Aufwand dabei entsteht
• Laienverständliche Zusammenfassungen für DFG- oder BMBF-Berichte entstehen unter Zeitdruck und werden von Forschenden als bürokratische Last, nicht als Kommunikationschance gesehen
• Ihr kommuniziert in mehr als einer Sprache — Deutsch und Englisch, manchmal auch Social Media gleichzeitig
• Ihr habt eine Pressestelle mit etabliertem CI und festen Abstimmungsprozessen — in die der neue Workflow integriert werden kann

Wann es (noch) nicht passt — drei harte Ausschlusskriterien:

1. Weniger als fünf kommunikationswürdige Publikationen pro Jahr. Der Aufwand für Workflow-Design und Prompt-Entwicklung rechnet sich erst ab einem Mindestvolumen. Für einzelne Releases ist die direkte Nutzung ohne institutionellen Prozess ausreichend — ein Nachmittag, kein Projekt.

2. Keine Fachperson verfügbar, die den Entwurf gegen den Originaltext prüft. Wenn weder die Kommunikationsreferentin noch die Forschungsgruppe den KI-Text gegen den Artikel gegencheckt — weil alle zu beschäftigt sind oder zu vertrauen neigen — produziert die Einrichtung strukturell schlechte Wissenschaftskommunikation. Das schadet mehr als keine. Dieses Kriterium ist nicht verhandelbar.

3. Klinische Forschungseinheiten mit regulatorischen Kommunikationspflichten. Für Studien nach AMG (Arzneimittelgesetz) oder Medizinprodukteverordnung (MDR) gelten spezifische Anforderungen an die öffentliche Kommunikation klinischer Ergebnisse. Falsche oder irreführende Darstellungen können regulatorische Konsequenzen haben. In diesen Kontexten muss jede öffentliche Kommunikation vor KI-Unterstützung explizit mit dem Regulierungsbeauftragten abgestimmt sein.

Das kannst du heute noch tun

Öffne ChatGPT oder Claude (kostenlose Version reicht für den Test) und lade den letzten Fachartikel aus deiner Einrichtung als PDF hoch. Dann kopiere den Prompt unten — und prüfe nach fünf Minuten, ob das Ergebnis eine brauchbare Grundlage für eine Pressemitteilung ist.

Quellen & Methodik

• Failure Mode “Kausalität statt Korrelation”: Eisenstadt, Abigail (2025): “Why Science’s press team won’t be using AI to write press releases anytime soon.” The Last Word on Nothing, November 2025. Dokumentiert den konkreten Fall, in dem ChatGPT Plus aus einem korrelativen Studienbefund eine kausale Aussage formulierte. URL: lastwordonnothing.com/2025/11/12/why-science-press-team-wont-be-using-ai-to-write-press-releases-anytime-soon/
• FactoryWisskomm Taskforce: Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) (2025): “Handlungsempfehlungen für den Einsatz von generativer KI in der Wissenschaftskommunikation.” Erarbeitet unter Federführung von Wissenschaft im Dialog, Informationsdienst Wissenschaft und dem Institut für Kommunikationswissenschaft der TU Braunschweig. URL: bmftr.bund.de/SharedDocs/Downloads/DE/2025/FactoryWisskomm-TF-KI-Handlungsempfehlungen-Einsatz-KI-Wisskomm.pdf
• Anteil KI-generierter Pressemitteilungen: Scimex (basierend auf Forschung von James Zou, Stanford): “Nearly a quarter of corporate press releases are probably written by AI now.” (2024). Science & Technology-Releases hatten bis Ende 2023 die höchste KI-Nutzungsrate. URL: scimex.org/newsfeed/nearly-a-quarter-of-corporate-press-releases-are-probably-written-by-ai-now
• Zeitaufwand Pressemitteilung intern: Erfahrungswerte aus Angaben von Universitätspressestellen (u. a. Universität Hamburg, FAQ Pressemitteilungen; Universität Hohenheim, Leitfaden Pressemitteilungsauftrag). Externe Agenturkosten: openpr.de-Marktanalyse, “Kosten für Pressemitteilung” (2024).
• DFG Verwendungsnachweis-Anforderungen: DFG-Vordruck 2.00 – 01/24, Deutsche Forschungsgemeinschaft. BMBF Nebenbestimmungen für Zuwendungen auf Ausgabenbasis (NABF), Projektträger DLR.
• ChatGPT für Wissenschaftskommunikation: Wissenschaftskommunikation.de: “Interviews mit ChatGPT: Neues aus der Forschung” (2024). Dokumentiert systematische Schwächen bei Perspektivenintegration, Quellenangaben und Disziplinenbreite.

Du willst wissen, ob dein Publikationsvolumen und eure Pressestellen-Kapazität für einen KI-gestützten Workflow passen? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.