KI-gestützte Recherche für Journalisten

Das echte Ausmaß des Problems

Eine Umfrage des Deutschen Journalisten-Verbands (DJV) zeigt: Redakteurinnen und Redakteure verbringen im Schnitt 35 bis 45 Prozent ihrer Arbeitszeit mit Recherche. Gleichzeitig sind seit 2010 die Redaktionsstellen in deutschen Tageszeitungen um mehr als 40 Prozent geschrumpft — das ergab die Studie “Journalismus in der digitalen Moderne” des Hans-Bredow-Instituts (2022). Der Output-Anspruch ist nicht gesunken.

Das erzeugt eine konkrete Praxis-Konsequenz: Oberflächliche Recherche nicht aus Faulheit, sondern aus Kapazitätszwang. Wer drei Stunden für Recherche hat, liest die ersten Treffer, die erste Hälfte des Dokuments, die zitierfähige Zusammenfassung. Tiefere Quellen — Primärquellen, Gegenpositionen, spezialisierte Datenbanken — fallen weg.

Für kleine und mittlere Redaktionen kommt ein zweites Problem hinzu: kein spezialisierter Research-Desk. Es gibt niemanden, der einfach mal fünf Experten anschreibt, während die Redakteurin schreibt. Das macht alles dieselbe Person.

Die GfK dokumentiert für 2023: Nachrichtenkonsum steigt, aber die Zahlungsbereitschaft für Qualitätsjournalismus ist direkt gekoppelt an wahrgenommene Recherchetiefe. Wer flacher recherchiert, verliert das bezahlende Publikum zuerst.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zahlen stammen aus eigenen Beobachtungen in Redaktionsworkshops und aus Berichten freier Journalisten, die KI-Tools in ihren Alltag integriert haben. Keine repräsentative Studie — aber konsistente Muster über mehrere Nutzergruppen.

Ein wichtiger Caveat: KI ersetzt keine Primärquellen-Arbeit. Telefonate mit Expertinnen, Vor-Ort-Recherche, Akteneinsicht, vertrauliche Hinweisgeber — das bleibt menschliche Arbeit. KI beschleunigt die Orientierungsphase, nicht die Verifikation.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Recherche macht bei vielen Journalisten 35–45 Prozent der Arbeitszeit aus. Selbst eine 40-prozentige Reduktion in der Orientierungs- und Dokumentenanalysephase entspricht täglich ein bis zwei Stunden — einer der stärksten Zeithebel in dieser Branchenkategorie. Nicht maximal bewertet, weil Primärquellen-Arbeit (Interviews, Archivrecherche, Expertenkontakte) nicht beschleunigt wird.

Kosteneinsparung — mittel (3/5) Die Tool-Kosten sind niedrig: 20–60 Euro pro Monat. Der monetäre Nutzen kommt indirekt über mehr Artikeloutput oder höhere Qualität. Schwieriger direkt zu rechnen als Übersetzung oder Transkription, wo die Kostenersparnis sofort greifbar ist.

Schnelle Umsetzung — sehr hoch (5/5) Kein Integrationsprojekt, keine IT-Abhängigkeit, keine Schulung außer der eigenen Einarbeitung. Perplexity und Claude sind sofort einsatzbereit — du kannst heute beginnen. Einfachster Einstieg in der gesamten Medienbranche-Kategorie.

ROI-Sicherheit — hoch (4/5) Die Zeitersparnis ist messbar: Recherchierst du heute drei Stunden für einen Artikel, kannst du nach zwei Wochen KI-Integration die Zeit direkt vergleichen. Das ist konkreter als Personalisierungs-ROI oder Reichweiten-KPIs. Eine Redakteurin, die dies ehrlich misst, sieht den Effekt in der ersten Woche.

Skalierbarkeit — niedrig (2/5) Das ist der entscheidende Schwachpunkt: Der Nutzen skaliert mit Personen, nicht mit der Redaktionsgröße. Eine Person mit KI recherchiert besser. Hundert Personen recherchieren hundertmal besser — aber es gibt keinen Netzwerkeffekt, kein System, das mit wachsenden Daten stärker wird. Anders als Churn-Prognose oder Content-Personalisierung, die mit mehr Daten deutlich besser werden.

Richtwerte — stark abhängig von Redaktionsgröße, Themengebiet und bisheriger Recherchepraxis.

Was KI-gestützte Recherche konkret macht

Drei unterschiedliche Einsatzweisen, die sich ergänzen:

1. Echtzeit-Webrecherche mit Syntheseleistung Perplexity durchsucht das Web nicht wie Google — es synthetisiert. Du bekommst keine Liste von Links, sondern eine strukturierte Antwort aus mehreren Quellen, mit Quellenangaben zu jeder Aussage. Das ist der entscheidende Unterschied für die Journalistenpraxis: Du siehst sofort, welche Quellen übereinstimmen und wo Widersprüche sind.

2. Dokumentenanalyse ohne vollständiges Lesen Claude und NotebookLM erlauben es, lange Dokumente gezielt zu befragen. Du lädst das 87-seitige GKV-Dokument hoch und fragst: “Was sagt das Dokument zur ambulanten Grundversorgung? Welche Zahlen nennt es? Welche Einschränkungen formuliert es selbst?” Das System liest vollständig, du liest nur die relevanten Abschnitte.

3. Gegenrecherche strukturieren Halluzination ist ein echtes Risiko, wenn KI eigenständig Fakten produziert. Aber als Gegenrecherche-Assistent ist KI stark: Du gibst deine These ein und fragst explizit: “Welche Argumente sprechen dagegen? Wer widerspricht dieser Position öffentlich?” Das erzwingt eine Perspektiverweiterung, die im Redaktionsalltag unter Zeitdruck oft entfällt.

Wichtig zu verstehen: Kein KI-System macht Primärquellen-Arbeit. Es gibt keine KI, die für dich beim Bundesministerium anruft, eine Akteneinsicht beantragt oder ein Hintergrundgespräch mit einem Experten führt. KI beschleunigt Sekundärrecherche und Dokumentenanalyse — die journalistische Kernarbeit bleibt menschlich.

Konkrete Werkzeuge — was wann passt

Perplexity ist das stärkste allgemeine Recherche-Tool für Journalistinnen. Es durchsucht das Web in Echtzeit, gibt Quellenangaben zu jeder Aussage und hat spezialisierte Such-Modi für akademische Quellen, Reddit und aktuelle Nachrichten. Ideal für schnellen Kontext, aktuelle Entwicklungen und Gegenprüfungen. Kostenloser Plan für 5–10 Anfragen täglich ausreichend; Perplexity Pro (20 Euro/Monat) für intensive Nutzung und stärkere Modelle.

Claude mit Dokumenten-Upload ist die erste Wahl für lange Texte: Gesetzentwürfe, Gutachten, Studien, Jahresberichte, Parlamentsprotokolle. Claude liest bis zu 200.000 Token vollständig — ein echter Vorteil gegenüber Tools mit kleinerem Kontextfenster. Pro-Plan: 18 Euro/Monat.

NotebookLM (Google, kostenlos) ermöglicht das gleichzeitige Befragen von bis zu 50 Dokumenten. Für investigative Recherchen mit vielen Quellen — etwa zehn Studien zu einem Thema, kombiniert mit Pressemitteilungen — ist das ein Vorteil gegenüber Einzeldokument-Tools. Komplett kostenlos.

ChatGPT mit Websuche für schnelle Überblicksrecherchen und strukturierte Zusammenfassungen. Schwäche gegenüber Perplexity: weniger verlässliche Quellenangaben. Stärke: starke Syntheseleistung bei klarer Fragestellung. 20 Euro/Monat für Plus.

Kombination für den Workflow: Perplexity für Erstrecherche und Echtzeitquellen → Claude für Dokumentenanalyse → NotebookLM für Mehrdokumenten-Projekte.

Datenschutz und Datenhaltung

Für die meisten journalistischen Recherchen ist Datenschutz kein Problem: Öffentliche Dokumente, Pressemitteilungen, frei zugängliche Studien können problemlos in Cloud-KI hochgeladen werden.

Kritisch wird es bei vertraulichen Quellen und sensiblen Dokumenten: Interne Unternehmensunterlagen, unveröffentlichte Dokumente von Whistleblowern, Dokumente mit personenbezogenen Daten Dritter. Diese dürfen nicht in externe KI-Systeme hochgeladen werden — DSGVO-Risiko für dich als Redakteur und potenzieller Quellenschutz-Verstoß.

Für solche Fälle: lokale LLM-Lösung (z.B. Ollama mit Llama-3-Modell auf dem eigenen Rechner) oder vollständiger Verzicht auf KI bei hochsensiblem Material.

NotebookLM verarbeitet Daten auf Google-Infrastruktur. Claude und ChatGPT verarbeiten auf US-amerikanischen Servern. Perplexity ebenso. Für Standard-Recherchearbeit mit öffentlich zugänglichen Materialien ist das in der Praxis unproblematisch.

Was es kostet — realistisch gerechnet

Kostenloser Einstieg (heute möglich):

• Perplexity kostenlos: 5 Pro-Anfragen täglich — für gelegentliche Nutzung ausreichend
• NotebookLM: vollständig kostenlos
• Zeitaufwand Einarbeitung: 2–3 Stunden für den Einstieg
• Tool-Kosten: 0 Euro

Professioneller Workflow:

• Perplexity Pro: 20 Euro/Monat
• Claude Pro: 18 Euro/Monat
• Gesamt: 38 Euro/Monat

ROI-Rechnung: Eine Redakteurin recherchiert täglich durchschnittlich 3 Stunden. KI-Unterstützung reduziert die Orientierungs- und Dokumentenphase um 40 Prozent: täglich 1,2 Stunden gespart. Bei 220 Arbeitstagen: 264 Stunden/Jahr. Bei einem Stundenwert von 40 Euro (freie Journalistin) oder als eingesparter Overhead: 10.560 Euro Jahreswert — bei 456 Euro Tool-Jahreskosten. Der Break-even liegt bei etwa zwei produktiven Nutzungswochen.

Vier typische Einstiegsfehler

Fehler 1: ChatGPT ohne Webzugang für Faktenrecherche nutzen ChatGPT ohne Internetanbindung arbeitet aus seinem Trainings-Wissen — das hat ein Ablaufdatum. Für Themen aus den letzten 12–18 Monaten bekommst du veraltete oder schlicht erfundene Informationen, die wie aktuell klingende Fakten aussehen. Für journalistische Recherche immer Perplexity, Claude mit Dokumenten-Upload oder ChatGPT mit aktivierter Websuche nutzen.

Fehler 2: KI-Quellenangaben ohne Prüfung übernehmen Perplexity ist verlässlicher als ChatGPT, aber auch hier gilt: Jede Quellenangabe muss überprüft werden. Die Quelle kann existieren, aber das Zitat kann falsch oder aus dem Kontext gerissen sein. Der Workflow ist: KI-Antwort als Orientierung, dann direkt in die genannte Quelle — nicht die KI-Zusammenfassung als Endprodukt.

Fehler 3: Kein fester Recherche-Workflow entwickeln Wer KI-Tools sporadisch nutzt, “wenn’s passt”, profitiert kaum. Der echte Effekt entsteht, wenn KI in jeden Artikel-Prozess integriert ist: Vor dem Schreiben immer Kontext-Check mit Perplexity, bei langen Dokumenten immer Upload in Claude, bei Thesen immer explizite Gegenrecherche-Anfrage. Das klingt rigide, ist aber notwendig, um die Tool-Nutzung zu automatisieren und den tatsächlichen Zeitvorteil zu realisieren.

Fehler 4: Recherche-Entscheidungen nicht dokumentieren — und bei Personalwechsel die KI-Nutzung neu erfinden Welche Prompts liefern für welche Themengebiete zuverlässige Ergebnisse? Welche Quellen werden grundsätzlich ausgeschlossen? Welche Fakten müssen immer manuell gegengeprüft werden? Ohne ein gepflegtes Recherche-Playbook — auch ein einfaches internes Dokument reicht — verliert die Redaktion dieses Wissen bei jedem Personalwechsel. Neue Kollegen entwickeln dann ihre eigene KI-Nutzung, oft weniger effizient als das, was schon funktioniert hat.

Was mit der Einführung wirklich passiert

In den ersten Wochen kostet KI-Recherche mehr Zeit, nicht weniger. Du lernst die Tools, entwickelst Prompts, gewöhnst dir neue Workflows an. Das ist normal und kein Zeichen, dass es nicht funktioniert.

Der Knackpunkt, den viele nicht antizipieren: Kritisches Misstrauen gegenüber KI-Outputs fühlt sich ineffizient an — und verleitet dazu, Prüfschritte zu überspringen. Die Abkürzung “ich überprüfe die Quelle schon später” wird zur Gewohnheit. Das Ergebnis sind Artikel mit fehlerhaften Details, die ein KI-Tool erfunden hat, das du nicht kritisch genug befragt hast.

Bewährt haben sich zwei Maßnahmen: Erstens ein explizites Gegencheck-Protokoll (jede KI-Behauptung, die in den Artikel geht, bekommt eine Quelle außerhalb der KI). Zweitens das Framing von KI als “schneller erster Entwurf, immer zu verifizierende Hypothese” — nicht als verlässliche Faktenbasis.

Redaktionen, die KI-Recherche einführen, berichten nach zwei bis drei Monaten von einem echten Kulturwandel: Journalisten recherchieren breiter und bringen in Redaktionskonferenzen mehr Perspektiven auf ein Thema. Das verändert die Diskussionsqualität — und damit die Artikel-Qualität.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„KI erfindet Quellen — das ist für Journalisten inakzeptabel.” Das ist eine berechtigte Sorge, aber sie trifft vor allem ChatGPT ohne Webzugang. Perplexity und Claude mit Dokumenten-Upload arbeiten auf realen Quellen und erfinden deutlich seltener. Die Regel ist trotzdem absolut: Keine KI-Quellenangabe geht ungeprüft in einen Artikel. Wie bei jeder anderen Quelle auch. Das ist kein KI-spezifisches Problem — es ist gutes journalistisches Handwerk, das bei KI besonders wichtig ist.

„Das ist doch einfach eine bessere Google-Suche.” Nein. Google gibt Links. Perplexity synthetisiert mehrere Quellen zu einer Antwort mit Quellenangaben. Claude analysiert ein 100-seitiges PDF und sagt dir, was auf Seite 47 zu deiner Frage steht. Das ist strukturell anders — und im Redaktionsalltag mehrere Stunden pro Woche wert.

„Unsere Redaktion ist klein und hat keine Zeit für Einarbeitung.” Perplexity brauchst du 20 Minuten, um es produktiv zu nutzen. NotebookLM ist intuitiv genug, dass du ohne Anleitung startest. Die Hürde ist nicht die Einarbeitung — die Hürde ist die Entscheidung, es auszuprobieren. Start mit einer Person, die es zwei Wochen testet und dann der Redaktion berichtet.

Woran du merkst, dass das zu dir passt

Du recherchierst täglich und Recherche macht einen erheblichen Teil deiner Arbeitszeit aus — mindestens eine Stunde pro Tag. Du arbeitest mit langen Dokumenten wie Gutachten, Gesetzentwürfen oder Studien. Du hast das Gefühl, bei manchen Artikeln zu flach recherchiert zu haben, weil die Zeit fehlte.

Diese Lösung passt nicht zu dir, wenn:

• Du überwiegend Primärquellen-Journalismus machst (vor-Ort-Berichterstattung, Interviews, verdeckte Recherche) — dort hilft KI kaum
• Deine Redaktion ausschließlich mit hochvertraulichen Quellen arbeitet, die nicht in Cloud-Systeme dürfen
• Du ein Themengebiet hast, das so spezialisiert ist, dass KI-Modelle keine sinnvolle Orientierung liefern (hochspezialisierte Wissenschaftsjournalistik, sehr spezifische Lokalpolitik ohne öffentliche Quellen)

Das kannst du heute noch tun

Öffne Perplexity und stelle ihm die Frage, die du in deiner letzten Recherche am meisten Zeit gekostet hat. Beobachte, ob das Ergebnis als Orientierungspunkt hilfreich ist. Das dauert fünf Minuten.

Quellen & Methodik

• Deutscher Journalisten-Verband (DJV): Befragungsdaten zur Arbeitszeit-Verteilung in Redaktionen, jährliche Erhebungen. Aktuelle Zahlen unter djv.de.
• Hans-Bredow-Institut: “Journalismus in der digitalen Moderne”, 2022. Stellenstudien für deutsche Tageszeitungen.
• Reuters Institute Digital News Report 2024: Jährliche Erhebung zum digitalen Nachrichtenkonsum in Deutschland und international, reutersinstitute.politics.ox.ac.uk.
• McKinsey Global Institute: “The social economy: Unlocking value and productivity through social technologies”, 2012 — ursprüngliche Daten zur Informationssuchzeit in Wissensarbeiterberufen.
• Praxisberichte: Eigene Beobachtungen aus Workshops mit freien Journalisten und Redaktionsteams in kleinen und mittleren Medienhäusern (2023–2024).