Automatisierte Sportberichterstattung mit KI

Das echte Ausmaß des Problems

Der DFB zählt über 21.000 Fußballvereine in Deutschland, der DOSB über 27 Millionen Sportvereinsmitglieder. Gespielt wird Woche für Woche auf Kreisliga- bis Regionalliga-Ebene, Zehntausende von Spielen. Die Vereinsmitglieder, Eltern und Fans interessieren sich für die Ergebnisse. Kein Regionalredakteur kann 50 Sonntagsspiele gleichzeitig berichten.

Das Ergebnis: Lokaler Sport ist chronisch unterberichtet. Wer es in die Zeitung schafft, hat Glück, die anderen sehen ihre Spielergebnisse bestenfalls auf kicker.de oder einem Amateursportportal ohne redaktionellen Bericht.

Für Verlage ist das doppelt schmerzhaft: Erstens ist Sport der Hauptgrund für viele Lokalzeitungs-Abonnements, besonders für die Vereine im Einzugsgebiet. Zweitens ist die Beziehung zwischen Verein und Lokalzeitung ein zentrales Community-Bindungsinstrument. Wenn ein Verein nicht mehr in der Zeitung erscheint, kündigen seine Mitglieder das Abo.

Dabei liegen die Daten bereits vor: DFBnet, sportliche Verbands-Apps, Vereins-Websites, strukturierte Ergebnisdaten, die systematisch ungenutzt sind. Natural Language Generation (NLG), die automatische Texterstellung aus strukturierten Daten, ist genau für dieses Problem entwickelt worden.

Mit vs. ohne KI, ein ehrlicher Vergleich

Wie viele Seitenaufrufe ein automatischer Kreisliga-Bericht holt, dafür haben wir keine unabhängige Zahl. Anbieter berichten von deutlichen Zuwächsen, dein Pilot mit einer Liga zeigt es in vier Wochen.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Ein Standardbericht, der von Hand 25–35 Minuten dauert, dauert automatisiert 0 Minuten. Gespart wird aber nur bei den Berichten, die heute schon jemand schreibt, bei 4 bis 8 Berichten am Sonntag sind das 2 bis 5 Stunden. Die 136 Spiele, über die bisher niemand berichtet, sparen keine Zeit, sie sind zusätzlicher Output. Wer den Großteil seiner Woche mit Standardberichten verbringt, gewinnt entsprechend mehr.

Kosteneinsparung, niedrig (2/5) Eingespart wird nur, was heute Geld kostet: Honorare freier Mitarbeiter, die je Standardbericht bezahlt werden. Freigewordene Redakteurszeit ist Qualitätspotenzial, kein Geld, solange niemand eine Stelle streicht, und das will diese Seite ausdrücklich nicht. Der Rest des Nutzens ist zusätzliche Reichweite, und die bringt über Werbung wenig, siehe die Rechnung unten.

Schnelle Umsetzung, hoch (4/5) Ein NLG-Pilot für eine Sportart (z. B. Fußball-Kreisliga) ist in 4–6 Wochen möglich, wenn Ergebnisdaten strukturiert vorliegen. Tools wie retresco oder ax-semantics haben vorkonfigurierte Sportvorlagen. Der Einrichtungsaufwand ist überschaubar. Einschränkung: Datenzugang zu Verbandsdaten kann verzögern.

ROI-Sicherheit, mittel (3/5) Mehr Berichte = mehr Pageviews = mehr Reichweite. Das ist direkt messbar in Google Analytics. Reichweite ist aber noch kein Ertrag: Über Werbung bringt ein Kreisliga-Bericht Cent-Beträge, und ob mehr Berichte Abonnenten halten, ist plausibel, aber nur mit einem Vergleich abgedeckter und nicht abgedeckter Vereinsgebiete isolierbar.

Skalierbarkeit, mittel (3/5) Das NLG-System berichtet 1.000 Spiele genauso wie 10, innerhalb einer eingerichteten Sportart. Aber wenn mehr Sportarten abgedeckt werden sollen (Handball, Tennis, Leichtathletik), braucht jede ihre eigene Datenschnittstelle und eigene Textvorlagen. Echte Skalierung erfordert also wiederholten Einrichtungsaufwand, anders als z. B. Churn-Prognose-Modelle, die mit mehr Daten automatisch besser werden.

Richtwerte, abhängig von Ergebnisdaten-Qualität und redaktionellem Workflow-Setup.

Was das NLG-System konkret macht

Datenzugang: Die wichtigste Grundlage ist eine strukturierte Ergebnisdatenquelle. Für Fußball in Deutschland: DFBnet (über offizielle Verbandspartnerschaft), Ergebnisplattformen wie OpenLigaDB (kostenlos, API-basiert) oder direkte Verbands-Schnittstellen. Für andere Sportarten: Verbands-Apps, Sporting Solutions, Gracenote Sports.

NLG-Engine: Das System verwendet vordefinierte Textschablonen, die mit variablen Datenpunkten gefüllt werden. Dabei geht gutes NLG über einfaches “Ausfüllen von Lücken” hinaus: Kontextlogik (“Führung nach 10 Minuten” ist anders zu beschreiben als “Führung in der 85. Minute”), Variation im Sprachstil (nicht jeder Bericht beginnt gleich), Integration von Saison-Kontext (Tabellenkonstellation, Serien).

Redaktionelle Qualitätskontrolle: Das System markiert automatisch Spiele, die manuelle Aufmerksamkeit verdienen, unerwartete Ergebnisse, hohe Toranzahl, Derby-Spiele, entscheidende Begegnungen im Abstiegskampf. Dort setzt der Redakteur an und fügt Hintergrund, Zitate oder eigene Beobachtungen ein.

Konkrete Werkzeuge, was wann passt

retresco , deutsches NLG-Unternehmen mit Schwerpunkt Verlage, auch für Sportberichterstattung. Welche Verbandsdaten angebunden werden können, klärst du im Angebot. Preise auf Anfrage, laut unserer Toolseite höheres Preissegment, und weniger geeignet für Redaktionen mit unter 500 Artikeln im Monat.

ax-semantics (laut unserer Toolseite ab ca. 500 Euro im Monat), weiteres deutsches NLG-System mit flexiblen Textgeneratoren. Gut für Verlage, die individuelle Textvorlagen selbst konfigurieren wollen. Etwas mehr technischer Aufwand als Retresco, aber mehr Flexibilität.

ChatGPT API (flexibelste Lösung): Spielergebnisse als strukturierte Daten übergeben, Spielbericht generieren lassen. Kein vorbereitetes Sportmodul, aber maximale Flexibilität für kleine Verlage, die nur gelegentlich automatisierte Berichte brauchen. API-Kosten: rund 1 bis 5 Cent pro Bericht. Bei 100 Berichten pro Woche also 100 mal 1 bis 5 Cent, 1 bis 5 Euro in der Woche, deutlich günstiger als SaaS-Systeme.

Datenschutz und Datenhaltung

Sportberichterstattung ist datenschutzrechtlich relativ unkompliziert. Spielernamen, Torschützen und Aufstellungen sind zwar personenbezogene Daten, für die journalistische Veröffentlichung greift aber das Medienprivileg (Art. 85 DSGVO mit den Landespressegesetzen). Einschränkung: Bei Spielern unter 16 Jahren sollten keine vollständigen Namen ohne Vereinsabstimmung automatisch veröffentlicht werden. Standardlösung: Initialen oder “Jugendschutz-Modus” für U-Mannschaften aktivieren.

Retresco und AX Semantics sind deutsche Unternehmen mit DSGVO-konformem Betrieb und AVV-Verträgen für Verlage. GPT-API-Eigenentwicklungen laufen über OpenAI, einen US-Anbieter. Die Namen der Torschützen gehen dabei mit an die API, das sind personenbezogene Daten. Nutze die API deshalb über die Geschäftsbedingungen mit Auftragsverarbeitungsvertrag, nicht über einen privaten Account.

Kennzeichnung nach Art. 50 Abs. 4 KI-Verordnung: Seit dem 2. August 2026 musst du offenlegen, dass ein Text künstlich erzeugt wurde, wenn er veröffentlicht wird, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren. Ausgenommen ist ein Text, der menschlich geprüft oder redaktionell kontrolliert wurde und für den eine natürliche oder juristische Person die redaktionelle Verantwortung trägt. Automatische Spielberichte, die ohne Prüfung online gehen, fallen nicht unter die Ausnahme. Ob ein Kreisliga-Ergebnis eine Angelegenheit von öffentlichem Interesse ist, hat noch kein Gericht entschieden. Der sichere Weg ist die Kennzeichnung “Automatisch erstellt” an jedem ungeprüften Bericht, wie im Beispiel unten. Ein reines Vorlagensystem ohne lernende Komponente ist möglicherweise gar kein KI-System im Sinne der Verordnung, bei der GPT-API-Lösung stellt sich diese Frage nicht.

Was es kostet, realistisch gerechnet

Spezialisierte NLG-Plattform (Retresco, AX Semantics):

• Setup: 4–6 Wochen, 20–40 Stunden redaktionelle Konfiguration
• Laufend: ab ca. 500 Euro/Monat (AX Semantics), Retresco auf Anfrage
• Rechnet sich nur, wenn Abos oder eingesparte Honorare die Plattform tragen, siehe unten

GPT-API-Eigenentwicklung:

• Setup: 20–40 Stunden Entwicklung (oder externe Agentur, 3.000–8.000 Euro einmalig)
• Laufend: 20–100 Euro/Monat API-Kosten bei 500 Berichten/Woche
• Gut für Verlage mit technischen Ressourcen oder kleinerem Budget

ROI-Beispielrechnung: 100 automatisierte Berichte pro Woche. Die naheliegende Rechnung, 100 Berichte mal 30 Minuten gesparte Redakteurszeit, ist falsch: Diese Berichte hat bisher niemand geschrieben, es wird also keine Zeit gespart, es entsteht zusätzlicher Output. Gespart wird nur bei den Standardberichten, die heute schon von Hand entstehen, bei 4 bis 8 am Sonntag rund 2 bis 5 Stunden in der Woche. Das ist Kapazität für die wichtigen Spiele, kein Geld, außer ihr bezahlt heute freie Mitarbeiter je Standardbericht, dann entfallen deren Honorare.

Das Geld muss aus der zusätzlichen Reichweite kommen. Angenommen, jeder Kreisliga-Bericht holt 100 Seitenaufrufe (Spieler, Eltern, Gegner): 100 Berichte mal 100 mal 4,3 Wochen sind rund 43.000 Seitenaufrufe im Monat. Mit einem Werbeplatz, voller Füllrate und TKP 4 Euro sind das 43.000 mal 4 Euro durch 1.000, rund 172 Euro im Monat. Das deckt die laufenden 20–100 Euro der GPT-API-Lösung, die Einrichtung von 3.000–8.000 Euro spielt es aber erst nach Jahren ein. Eine Plattform ab 500 Euro im Monat trägt es nicht.

Den Rest müssen Abos tragen. Ein Digitalabo zu 15 Euro brutto bringt nach 7 Prozent Mehrwertsteuer rund 14 Euro netto im Monat. Für eine Plattform zu 500 Euro im Monat braucht es nach Abzug der Werbeerlöse (500 minus 172, durch 14) rund 23 Abos im Bestand, die es ohne die Berichte nicht gäbe, für jede weiteren 1.000 Euro Plattformkosten gut 70 mehr. Ob die Berichte das schaffen, zeigt der Vergleich der Kündigungsquoten in Vereinsgebieten mit und ohne Berichte. Bis dahin ist die GPT-API-Lösung für einen Regionalverlag die richtige Größe.

Typische Einstiegsfehler

Datenzugang unterschätzt: Das NLG-System ist fertig, aber die Ergebnisdaten kommen nicht oder nicht strukturiert genug. Datenzugang zu Verbandsdaten ist häufig der eigentliche Engpass, nicht die Software. Typische Folge: 4–8 Wochen Projektverzug, weil der Verband langsam reagiert oder die Daten nicht im erwarteten Format liefert. Abhilfe: Datenbeschaffung und Formatprüfung vor der Tool-Auswahl klären, OpenLigaDB als sofort nutzbarer Fallback für Fußball einplanen.

Textvorlagen zu eintönig: Wenn 50 Berichte mit “Der SV Großmugl gewann das Spiel gegen…” beginnen, liest niemand das. Varianz im Satzbau, in der Eröffnung, in der Betonungsrichtung muss aktiv konfiguriert werden.

Keine redaktionelle Kontrollschicht: Vollautomatische Veröffentlichung ohne Kontrollpunkt führt bei Datenfehler sofort zu falschen Berichten. Mindestens ein automatischer Plausibilitäts-Check (Ergebnis unrealistisch? Spielernamen unbekannt?) ist Pflicht.

Nur Standardberichte, keine Highlights: Das NLG-System kann 100 gleichwertige Berichte liefern. Wer darüber hinaus Leser-Engagement will, muss besondere Spiele (Derby, Rekordtreffer, unerwartetes Ergebnis) hervorheben, manuell oder durch einen zweiten algorithmischen Layer.

Vorlagen nicht dokumentiert, und dann bei Personalwechsel von vorne anfangen: Wer Textvorlagen im NLG-System konfiguriert, muss diese Entscheidungen dokumentieren: Warum beginnt jeder Bericht mit dem Torverlauf? Welche Formulierungen wurden bewusst abgewählt? Ohne Dokumentation verliert ihr bei jedem Redakteurswechsel das halbe System-Wissen und startet die Konfiguration neu.

Was mit der Einführung wirklich passiert, und was nicht

Was passiert: Die Standardberichte entstehen automatisch. Redakteure verbringen deutlich weniger Zeit mit dem Tippen von Ergebnismeldungen. Pageviews auf Sportseiten steigen messbar, weil mehr Inhalte verfügbar sind. Vereine und ihre Anhänger registrieren positiv, dass “ihr Spiel endlich in der Zeitung steht.”

Was nicht passiert: Qualitative Sportberichterstattung entsteht nicht durch NLG. Derbys, Spielerporträts, Trainerwechsel, Aufstiegsgeschichten, all das braucht weiterhin einen Redakteur vor Ort oder am Telefon. Das System berichtet, es erzählt nicht. Wer erwartet, dass NLG echten Sportjournalismus ersetzt, wird enttäuscht.

Widerstand im Team: Sportredakteure empfinden NLG manchmal als Bedrohung ihrer Stelle. Das ehrliche Gespräch: Die gesparte Zeit geht in bessere Berichte über die 5 % Spiele, die wirklich wichtig sind, nicht in Stellenabbau. Genau deshalb steht in der Rechnung oben kein Eurobetrag für gesparte Stunden. Diese Erwartungsklarheit muss vor der Einführung kommuniziert werden, nicht danach.

Typisches Reaktionsmuster: Erste Woche: Faszination (“Das funktioniert wirklich”). Dritte Woche: Qualitätskritik (“Diese Formulierung klingt komisch”). Zweiter Monat: Gewöhnung und selektive Verbesserungen. Ab Monat drei: stabile Routine mit eigenem Qualitätsgefühl für “automatisch gut genug” vs. “manuell nachbearbeiten”.

Realistischer Zeitplan mit Risikohinweisen

Gesamtvorlauf bis stabilem Betrieb: 8–12 Wochen für eine Sportart.

Häufige Einwände, und was dahintersteckt

“Die Berichte klingen maschinell, das schadet unserem Ruf.” Richtig, wenn die Vorlagen schlecht konfiguriert sind. Falsches Fazit: NLG abzulehnen. Richtiges Fazit: Mehr Zeit in Vorlagen-Varianz investieren. Ziel ist dabei nicht, die Automatik zu verstecken, ungeprüfte Berichte kennzeichnest du ohnehin (siehe Datenschutz und Datenhaltung), sondern Berichte, die man trotz Kennzeichnung gern liest. Die erste Version ist nie die beste, Iteration ist der Weg.

“Wir haben keine technischen Ressourcen für APIs und Integrationen.” Für GPT-API-Ansätze: korrekt, braucht Entwickler oder externe Agentur (3.000–8.000 Euro einmalig). Für Retresco: Das Unternehmen übernimmt Integration selbst als Teil des Setups. Technische Hürde ist niedriger als bei anderen Daten-KI-Projekten, weil Sportdaten strukturiert und vorhersehbar sind.

“Was passiert, wenn die Quelldaten falsch sind?” Das ist der eigentliche Kerneinwand. Falsche Daten → falsche Berichte → Leser-Beschwerden. Die Lösung ist nicht Verzicht, sondern Absicherung: Plausibilitäts-Checks (Ergebnis > 15 Tore: manuell prüfen), Redakteur-Freigabe für automatisch markierte Anomalien, schneller Korrekturprozess für Nachfassberichte. Kein Verlag, der NLG-Sportberichterstattung betreibt, hat den Fehlerfall vollständig eliminiert, aber alle haben ihn handhabbar gemacht.

Woran du merkst, dass das zu dir passt

Das spricht dafür:

• Regionalverlag mit Sportberichterstattungs-Lücken trotz relevanter lokaler Ligen
• Strukturierte Ergebnisdaten für die relevanten Sportarten verfügbar oder beschaffbar
• Bereitschaft, den redaktionellen Workflow anzupassen (Kontrolle statt Produktion)
• Sportredakteur hat Kapazitätsproblem und würde lieber über die 5 wichtigen Spiele schreiben als 50 Standardberichte

Das spricht dagegen:

• Keine strukturierten Datenquellen für die relevanten Sportarten, dann ist NLG nicht möglich
• Reine Meinungssportzeitung ohne Ergebnisberichterstattung, falscher Use Case
• Hochklassige Ligen mit tiefem Reportage-Anspruch (Champions League braucht kein NLG)
• Du willst eine spezialisierte Plattform, ohne dass eingesparte Honorare oder nachweislich gehaltene Abos sie tragen, dann ist die GPT-API die richtige Größe, bei weniger als 20 Spielen pro Wochenende ohnehin

Das kannst du heute noch tun

Hol dir die Ergebnisdaten für ein vergangenes Wochenende aus OpenLigaDB (kostenlos, kein API-Schlüssel nötig für erste Tests; dort gepflegt sind vor allem höhere Ligen, für den Test reicht das). Füge drei Spielergebnisse als strukturierte Daten in ChatGPT ein und nutze den Prompt unten. Wenn die ersten drei Spielberichte in Zeitungsqualität klingen, hast du den Proof-of-Concept, ohne einen Euro Invest.

Quellen & Methodik

• DFB: Vereins- und Spielstatistiken 2023/2024, Grundlage für Volumenabschätzung
• OpenLigaDB: Technische Dokumentation der kostenlosen Fußball-Daten-API (openligadb.de)
• KI-Verordnung (EU) 2024/1689, Art. 50 Abs. 4: Offenlegungspflicht für KI-Texte zu Angelegenheiten von öffentlichem Interesse, Ausnahme bei menschlicher Prüfung und redaktioneller Verantwortung, anwendbar seit 2. August 2026, eur-lex.europa.eu.
• Tool-Preise: Unsere Toolseiten zu Retresco, AX Semantics und ChatGPT, Stand September 2026.
• Rechenbeispiel: Seitenaufrufe je Bericht, TKP und Abo-Preis sind Annahmen, keine Messwerte. Mehrwertsteuer auf Presseerzeugnisse: 7 Prozent.