Manuskript-Lektorat-Unterstützung per KI

Das echte Ausmaß des Problems

Eine frühere Fassung dieser Seite eröffnete mit einer Zahl: „In einer Umfrage der Lektorenvereinigung VFLL (2024) gaben 61 Prozent der befragten Lektoren an, dass formale Korrekturaufgaben mehr als 30 Prozent ihrer Manuskriptarbeit ausmachen.” Diese Umfrage ist nicht auffindbar. Der VFLL veröffentlicht unter vfll.de eine Positionierung zu KI im Lektorat, aber keine Erhebung mit diesen Werten. Auch die als Beleg angegebene Adresse war falsch, der Verband sitzt nicht unter lektorenverband.de. Die Zahl ist raus, und wir ersetzen sie nicht durch eine andere.

Was ohne Zahl bleibt, kennt jede Lektorin aus dem eigenen Arbeitstag: Der Anteil rein formaler Arbeit ist hoch genug, dass er die Reaktionszeit auf Einreichungen bestimmt, und er ist strukturell anders als inhaltliche Arbeit. Er erfordert Aufmerksamkeit, aber kein Urteil. Genau diese Kombination macht ihn zum Kandidaten für maschinelle Vorbereitung. Wie hoch der Anteil bei euch ist, sagt euch eine Woche Zeiterfassung mit zwei Kategorien: formal und inhaltlich.

Dabei geht es nicht nur um einfache Tippfehler. Moderne Manuskripte bringen typischerweise eine Kombination aus:

• Grammatikfehlern und Kommasetzung, klassische Korrekturgegenstände, die sich mit Software gut abfangen lassen
• Tempus- und Personeninkonsistenzen, wechselnde Zeitformen oder Figurennamen, die sich im Lauf des Textes leicht verschoben haben
• Stilproblemen, monotone Satzstrukturen, Füllwörter, Wiederholungen innerhalb von wenigen Absätzen
• Formatierungsinkonsistenzen, Anführungszeichen, Gedankenstriche, Absatztypen, die nicht einheitlich gesetzt sind

Alle vier Kategorien lassen sich von gut konfigurierten KI-Assistenten zuverlässig kennzeichnen. Nicht korrigieren, kennzeichnen. Der Unterschied ist entscheidend: Die Lektorin entscheidet am Ende, ob der Vorschlag passt. Das KI-System bereitet die Entscheidungen vor.

Mit vs. ohne KI, ein ehrlicher Vergleich

Diese Tabelle nennt bewusst keine Stundenwerte und keine Manuskriptzahlen mehr. Eine frühere Fassung tat das und stützte sie auf „Erfahrungsberichte aus Lektoraten” und „eigene Kalkulationen aus Pilotprojekten”. Solche Pilotprojekte gibt es hier nicht. Die dritte Zeile ist der wichtigste Eintrag: Bei literarischen Texten ist die Fehlmarkierung des bewussten Regelbruchs das eigentliche Risiko, nicht der übersehene Kommafehler.

Einschätzung auf einen Blick

Zeitersparnis, hoch (4/5) Der direkteste Hebel in diesem Branch, weil er einen klar abgrenzbaren Arbeitsschritt betrifft: das Suchen nach formalen Fehlern. Das Entscheiden über jeden Fund bleibt, es wird nur nicht mehr mit Suchen vermischt. Relevant vor allem dort, wo die Reaktionszeit auf Einreichungen ein Wettbewerbsfaktor ist. Um wie viele Stunden es geht, sagt euch die Zwei-Kategorien-Zeiterfassung, nicht diese Seite.

Kosteneinsparung, mittel (3/5) Mehr Manuskripte je Lektor klingt gut, bedeutet in der Praxis aber nicht automatisch weniger Personal. Es bedeutet: mehr Output bei gleicher Kapazität, kürzere Durchlaufzeiten, oder, bei wachsendem Manuskriptvolumen, die Möglichkeit zu skalieren ohne sofort neue Lektoren einstellen zu müssen. Die direkte Kosteneinsparung ist indirekter als bei rein operativen Prozessen.

Schnelle Umsetzung, hoch (4/5) Tool-basierte Ansätze mit LanguageTool oder Claude sind in 4–6 Wochen im produktiven Einsatz. Kein Custom-Development nötig, keine ERP-Integration, kein Change-Management über Abteilungsgrenzen hinweg. Das ist ein klarer Vorteil gegenüber komplexeren Automatisierungsprojekten in diesem Branch.

ROI-Sicherheit, mittel (3/5) Der Nutzen ist real, aber die Messung braucht Arbeit. Man muss Vorher-Nachher-Zeiterfassungen führen, Fehlerquoten dokumentieren und den Unterschied zwischen eingesparter Formalkorrektur und gestiegener inhaltlicher Qualität klar halten. Wer keine Zeiterfassung für Lektoratsphasen macht, kann den ROI im Nachhinein nicht zuverlässig belegen.

Skalierbarkeit, mittel (3/5) Das Werkzeug skaliert gut: Ein einmal konfigurierter Assistenz-Workflow läuft für beliebig viele Manuskripte. Aber: Jedes Manuskript braucht trotzdem eine menschliche Durchsicht der KI-Vorschläge, der Prozess skaliert nicht auf null. Verglichen mit rein maschinellen Workflows ist die Skalierbarkeit begrenzt.

Richtwerte, stark abhängig von Manuskriptvolumen, Lektoratsgröße und vorhandenen Toolstrukturen.

Was ein KI-Lektoratsassistent konkret macht

Ein KI-gestützter Lektoratsassistent kann auf zwei Ebenen arbeiten, die sich ergänzen:

Ebene 1: Automatische Fehlermarkierung Tools wie LanguageTool scannen das Manuskript auf Grammatikfehler, Interpunktionsprobleme, Stilschwächen (Füllwörter, überlange Sätze, Wiederholungen) und Formatierungsinkonsistenzen. Das Ergebnis ist eine kommentierte Version des Textes, die der Lektor Schritt für Schritt durchgeht, statt jeden Fehler selbst zu suchen. Der Zeitgewinn entsteht nicht durch Automatisierung der Entscheidung, sondern durch Automatisierung der Suche.

Ebene 2: Strukturelle und inhaltliche Analyse mit LLM Tools wie Claude oder ChatGPT können mit einem spezifischen System-Prompt einen übergeordneten Strukturblick liefern: Gibt es Szenen, die redundant wirken? Verändern sich Figuren ohne erkennbaren Grund? Gibt es Tempusbrüche über Kapitelgrenzen hinweg? Dieser Ansatz ist stärker vom Prompt abhängig und liefert Einschätzungen, keine Korrekturen, er arbeitet als Vorbereitung für das inhaltliche Lektorat.

Spezialisierte Tools wie QualiFiction (LiSA) gehen noch einen Schritt weiter: Sie analysieren belletristische Manuskripte auf Leserpotenzial, Plotkonsistenz und Wendepunkte und vergleichen sie mit dem deutschsprachigen Buchmarkt. Das ist kein Lektoratstool im engeren Sinn, aber ein nützlicher Filter vor dem eigentlichen Lektorat, besonders bei Verlagen mit hohem Kaltakquise-Volumen.

Die drei Ansätze schließen sich nicht aus. In der Praxis kombinieren Lektorate sie: formale Vorprüfung mit LanguageTool, strukturelle Einschätzung mit Claude, Manuskript-Screening für Einreichungen mit QualiFiction.

Konkrete Werkzeuge, was wann passt

LanguageTool (Teams-Tarif, ab ca. 45 € je Nutzer und Jahr) Die beste Wahl für Verlage, die einen gemeinsamen Stilguide und konsistente Korrekturkonventionen brauchen. Unterstützt Deutsch besonders gut, geteilte Wörterbücher für Fachterminologie. Der Einzel-Premium-Tarif liegt bei rund 5 Euro im Monat im Jahresabo (59,89 Euro im Jahr). Für Teams ab drei Personen ist der Teams-Tarif sinnvoll, auch wegen des Auftragsverarbeitungsvertrags. Eine frühere Fassung dieser Seite nannte 18 Euro je Nutzer und Monat, also rund das Fünffache des tatsächlichen Preises.

Claude (Pro, 20 USD/Monat, 17 USD bei Jahreszahlung) Für den strukturellen Analyse-Prompt und inhaltliche Ersteinschätzungen. Claude verarbeitet lange Texte gut: Die aktuellen Modelle haben ein Kontextfenster von 1 Million Token, was für ein durchschnittliches Romanmanuskript vollständig ausreicht. Eine frühere Fassung dieser Seite nannte 200.000 Token, das war der Stand früherer Modellgenerationen. Nicht für formale Korrektur geeignet, aber als ergänzendes Werkzeug für Lektorate mit hohem Manuskript-Durchsatz.

QualiFiction (LiSA) (Einzelanalyse ab 49 € je Manuskript) Sinnvoll bei hohem Einreichungsvolumen als Vorfilter. Das Hamburger Unternehmen analysiert belletristische Manuskripte auf Leserpotenzial, Handlungskonsistenz, Wendepunkte und Marktpassung, trainiert auf zehntausenden deutschsprachigen Publikationen. Keine Lektoratsfunktion im engeren Sinn, aber ein datenbasiertes Orientierungswerkzeug für Verlage mit vielen unverlangten Einsendungen. Verlagslizenzen gibt es als monatliches Abo auf Anfrage. Nicht für Sach- und Fachbücher geeignet.

ChatGPT (Plus, 23 € im Monat in Deutschland) Alternative zu Claude für strukturelle Prompts. Mit gutem Promptdesign für Ersteinschätzungen brauchbar. Wer nur gelegentlich analysiert, kommt mit dem Go-Tarif für 8 Euro weiter, muss dort aber mit Werbung leben.

Zusammenfassung:

• Formale Korrektur (Orthografie, Stil, Formatierung) → LanguageTool Team
• Strukturelle Analyse und inhaltliche Ersteinschätzung → Claude Pro
• Manuskript-Vorfilterung bei hohem Einreichungsvolumen → QualiFiction LiSA

Datenschutz und Datenhaltung

Manuskripte sind urheberrechtlich geschützte Werke, zusätzlich zur DSGVO spielen hier Verlagsverträge und Vertraulichkeitsvereinbarungen mit Autorinnen und Autoren eine Rolle. Wenn ein Manuskript an einen Cloud-Dienst übertragen wird, muss der Verlag sicherstellen, dass das mit den vertraglichen Pflichten gegenüber der Autorin vereinbar ist.

Konkret für die empfohlenen Tools:

LanguageTool: Laut Datenschutzerklärung nutzt der Betreiber Eingaben keines Nutzers zum Training der eigenen Sprachmodelle, weder im Einzel- noch im Teams-Tarif, und ein Opt-out ist dafür nicht nötig. Für den Teams-Tarif gibt es einen eigenen Auftragsverarbeitungsvertrag. Die Datenschutzerklärung macht allerdings keine Angabe zum Verarbeitungsort. Eine frühere Fassung dieser Seite behauptete pauschal „EU-Hosting” und schränkte die Trainings-Aussage auf Premium ein. Beides war ungenau, den Verarbeitungsort solltet ihr euch vor dem Einsatz schriftlich bestätigen lassen.

Claude (Anthropic, US): Datenhaltung in den USA, ein AVV ist verfügbar. Für die Verbraucher-Tarife Free, Pro und Max gilt seit der Richtlinienfassung vom März 2026: Chats werden für die Modellverbesserung nur genutzt, wenn du das in den Privacy Settings ausdrücklich aktivierst, oder wenn eine Unterhaltung für eine Sicherheitsprüfung markiert wird. Das ist eine Einstellung, die vor dem ersten Manuskript zu prüfen ist, nicht danach. Für kommerzielle Produkte und die API gelten eigene Regeln.

QualiFiction (EU): Deutsches Unternehmen, EU-Datenhaltung, AVV verfügbar. Von den drei genannten Werkzeugen das mit der einfachsten Datenschutz-Argumentation.

Praktischer Hinweis: Unveröffentlichte Manuskripte mit vertraglicher Geheimhaltungspflicht sollten nicht über US-Cloud-Dienste laufen, bevor das geprüft ist. Die Alternative für solche Fälle ist ein lokal betriebenes Modell.

Urheberrecht: was die KI am Text ändert, und was nicht

Ein Punkt, der in Verlagsgesprächen regelmäßig falsch dargestellt wird. Nach § 2 Abs. 2 UrhG sind Werke im Sinne des Gesetzes „nur persönliche geistige Schöpfungen”. Das Merkmal persönlich verlangt einen menschlichen Schöpfer. Ein Text, der ohne menschliche gestalterische Entscheidung allein von einer Maschine erzeugt wird, erfüllt diese Voraussetzung nicht und genießt für sich genommen keinen urheberrechtlichen Schutz.

Für den hier beschriebenen Anwendungsfall ist das eine gute Nachricht, weil er genau davon weit entfernt ist. Ein Korrekturvorschlag, den die Lektorin annimmt oder verwirft, ändert nichts an der Urheberschaft der Autorin am Manuskript. Das Werk bleibt ihres, die Lektoratsleistung bleibt Lektoratsleistung. Heikel wird es erst, wenn ein System nennenswerte Textteile selbst formuliert und diese ungeprüft übernommen werden. Das ist ein Grund mehr für die Regel, die weiter unten als erster Einstiegsfehler steht: kennzeichnen statt korrigieren lassen.

Eines kann diese Seite nicht für euch beantworten: wie eure konkreten Autorenverträge formuliert sind. Ob und wie KI-Einsatz dort geregelt ist, steht im Vertrag, nicht im Gesetz, und die Vertragspraxis der Verlage entwickelt sich in diesem Punkt gerade erst. Der Verband der Freien Lektorinnen und Lektoren hat dazu eine eigene Positionierung veröffentlicht (vfll.de), die als Diskussionsgrundlage mit Autorinnen und Agenturen taugt.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• LanguageTool-Konfiguration (Wörterbücher, Stilregeln, Team-Setup): 2–5 Tage intern
• Claude-Prompt-Entwicklung und -Test für strukturelle Analyse: 1–2 Wochen mit 3–5 Testmanuskripten
• Schulung der Lektoren: halbtägige Session

Laufende Kosten (5 Lektoren, Stand September 2026)

• LanguageTool Teams: ab ca. 45 € je Nutzer und Jahr, für fünf Personen also rund 19 € im Monat
• Claude Pro: 20 USD je Person und Monat, 17 USD bei Jahreszahlung, für fünf Personen rund 100 USD im Monat
• QualiFiction nur bei Bedarf: ab 49 € je analysiertem Manuskript, Verlagslizenz auf Anfrage
• Gesamt für den laufenden Betrieb: gut 100 Euro im Monat, wenn alle fünf Claude brauchen, deutlich weniger, wenn nur die strukturelle Analyse zentral läuft

Eine frühere Fassung dieser Seite kam auf 180 Euro im Monat, weil sie LanguageTool mit 18 Euro je Nutzer und Monat statt je Jahr ansetzte. Der tatsächliche Betrag liegt niedriger, was an der Grundaussage nichts ändert: Die Lizenzkosten sind hier nicht das Thema.

Die Rechnung, die ihr selbst aufmachen müsst Genau deshalb ist die Kostenseite nicht die interessante. Bei einem Lektoratsgehalt von 3.500 Euro brutto im Monat entspricht eine Vollzeitstelle rund 22 Euro je Stunde, gerechnet auf 160 Stunden, ohne Arbeitgeberanteile. Bei dieser Größenordnung ist das gesamte Toolpaket für fünf Personen bezahlt, sobald es im Monat etwa fünf Stunden Arbeit spart, über das ganze Team gerechnet.

Ob es mehr spart, und wie viel, hängt an einer Zahl, die nur ihr habt: dem heutigen Zeitanteil formaler Korrektur. Erheb ihn mit der Zwei-Kategorien-Zeiterfassung aus dem ersten Abschnitt, über zwei Wochen, und wiederhol die Messung nach dem Pilotbetrieb. Eine frühere Fassung dieser Seite rechnete hier mit sechs gesparten Stunden je Manuskript und kam auf einen vierstelligen monatlichen Kapazitätsgewinn. Diese sechs Stunden waren nicht gemessen, sondern gesetzt.

Und die Einschränkung gilt unverändert: Eingesparte Kapazität wird nur dann zu Nutzen, wenn sie bewusst umgelenkt wird, in mehr Manuskripte, kürzere Reaktionszeiten oder mehr inhaltliche Tiefe. Das passiert nicht von selbst.

Drei typische Einstiegsfehler

1. Das Tool übernimmt die Entscheidung. KI-Korrekturvorschläge werden blind akzeptiert, weil es schneller geht. Das führt zu stilistischen Verflachungen, das Tool zieht immer in Richtung der häufigsten Formulierung, nicht der treffendsten. Besonders bei literarischen Manuskripten mit bewusst unkonventionellem Stil ist das gefährlich. Lösung: Klares Protokoll, das jeden Vorschlag als Vorschlag behandelt. Lektoren entscheiden, das KI-System zeigt, die Lektorin bewertet.

2. Nur Grammatik, keine Struktur. Viele Verlage führen LanguageTool ein und lassen es dabei. Die zweite, strukturbezogene Ebene, was sagen LLMs über die Erzählstruktur, die Figurenkonsistenz, die Plotlogik?, bleibt ungenutzt. Das ist nur die Hälfte des Potenzials. Lösung: Den LLM-basierten Analyse-Prompt parallel aufsetzen, auch wenn das am Anfang mehr Aufwand ist.

3. Das Setup wird einmalig gemacht und nie aktualisiert. Stilregeln, Terminologiewörterbücher und Analyse-Prompts veralten. Neue Lektoratskonventionen im Team, neue Verlagsprofile, geänderte Genretrends, all das sollte sich im Setup widerspiegeln. Wer den LanguageTool-Stilguide einmal einrichtet und dann zwei Jahre nicht anfasst, arbeitet bald mit einem Werkzeug, das den aktuellen Ansprüchen nicht mehr entspricht. Lösung: Vierteljährlicher Prüf-Termin für alle KI-Konfigurationen im Lektorat, 2 Stunden, fester Termin.

Was mit der Einführung wirklich passiert, und was nicht

Lektoren reagieren auf KI-Unterstützung unterschiedlich, und das hängt stark von der eigenen Berufsidentität ab.

Die Perfektionistin. Sie prüft jeden einzelnen Korrekturvorschlag dreifach nach, traut dem System nicht und braucht doppelt so lang wie vorher. Das ist keine Fehlfunktion, das ist professionelle Vorsicht. Sie braucht Daten: Wie häufig ist das Tool richtig? Bei welchen Kategorien ist es zuverlässig, bei welchen nicht? Zwei Wochen mit einer Stichprobe von 50 Vorschlägen je Kategorie liefern ein belastbares Bild. Danach entspannt sich der Prozess.

Die Akzeptiererin. Sie klickt durch alle Vorschläge mit „Ja”, weil es schnell geht. Das ist das andere Extrem, und das, was die Qualität gefährdet. Eine kurze Team-Session mit konkreten Beispielen, bei denen das Tool falsch lag (besonders bei bewusstem Autorenstil), verhindert dieses Muster.

Was konkret hilft:

• Einen Piloten mit 10 Manuskripten durchführen, bevor das Tool für alle eingeführt wird
• Im Team offen kommunizieren: Das Ziel ist mehr Zeit für inhaltliche Arbeit, keine Stellenabbau-Maßnahme
• Einen „Lektorats-Prompt-Champion” benennen, der den Claude-Prompt weiterentwickelt und im Team teilt
• Die eingesparte Zeit sichtbar machen: Wo fließt sie hin? Kürzere Reaktionszeiten? Mehr Tiefe im inhaltlichen Lektorat?

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„KI versteht literarischen Stil nicht.” Stimmt für tiefes inhaltliches Lektorat. Für einen Teil der formalen Korrektur stimmt es nicht: Ein Tempusfehler ist ein Tempusfehler, unabhängig davon, ob der Text literarisch ist. Aber der Einwand hat einen harten Kern, und den sollte man nicht wegdiskutieren: Ein bewusster, konsequenter Regelbruch wird von Prüfsoftware als Fehler markiert, und je literarischer der Text, desto häufiger passiert das. Eine frühere Fassung dieser Seite behauptete, LanguageTool erkenne absichtliche Abweichungen, wenn sie konsequent sind. Dafür haben wir keinen Beleg gefunden. Plan stattdessen ein, dass diese Markierungen anfallen und verworfen werden müssen, und nimm genau das als Kriterium für den Pilotbetrieb.

„Die Autorinnen wollen nicht, dass KI ihre Manuskripte liest.” Ein legitimer Einwand, der ernstgenommen werden muss. Für einen Teil der Autorenschaft ist das ein echtes Anliegen. Lösung: Transparenz schaffen, welche Tools werden wie eingesetzt? Ein klarer Hinweis im Lektoratsvertrag (oder auf Anfrage) nimmt das Misstrauen. Für Autorinnen, die das explizit ablehnen, muss eine manuelle Korrekturoption verfügbar bleiben.

„Wir haben das immer ohne KI gemacht.” Ja. Und Lektoren haben Texte früher ohne Textverarbeitungssoftware bearbeitet. Die Frage ist nicht, ob die KI-Unterstützung den bisherigen Prozess ergänzt, sondern ob sie ihn verbessert, ohne die lektoriale Qualität zu gefährden. Die Antwort auf diese Frage kommt aus dem Pilot, nicht aus der Diskussion.

Woran du merkst, dass das zu dir passt

• Deine Lektoren verbringen einen spürbaren Teil ihrer Zeit mit formaler Korrektur, sie selbst sagen, dass sie gerne mehr inhaltliche Arbeit machen würden
• Die Reaktionszeit auf Manuskript-Einreichungen liegt über 4 Wochen, und du weißt, dass das Autorinnen und Agenturen abstößt
• Du hast monatlich mehr Manuskripte als dein Team realistisch durcharbeiten kann, die Warteschlange wächst
• Lektoren berichten von Konzentrationsproblemen bei der formalen Durchsicht, nach dem dritten Manuskript in Folge sinkt die Qualität der Korrekturen spürbar

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Weniger als 3 Manuskripte pro Lektor und Monat. Der Setup-Aufwand amortisiert sich nicht. Bei diesem Volumen ist strukturiertes manuelles Arbeiten mit Checkliste effizienter als ein KI-Tool-Workflow.

2. Kein klares Protokoll, wer die KI-Vorschläge wie bewertet. Ohne Protokoll führt das Tool entweder zu Überakzeptanz (blind klicken) oder Überprüfung (langsamer als ohne Tool). Beides ist schlechter als der Status quo. Das Tool setzt voraus, dass der Workflow vorher geklärt ist.

3. Autorenverträge mit expliziten KI-Verbotsklauseln für die Verarbeitung. Einige Autoren und Agenturen verlangen, dass keine KI-Systeme unveröffentlichte Manuskripte verarbeiten. Wenn das ein relevanter Teil des Verlagsprogramms ist, muss das rechtlich geprüft werden, bevor irgendein Tool eingesetzt wird.

Das kannst du heute noch tun

Öffne LanguageTool im Browser, kostenlos, kein Setup. Nimm ein kürzlich fertiggestelltes Manuskript, kopiere die ersten 20.000 Zeichen und führe eine Analyse durch. Schau dir die Ergebnisse an: Wie viele Vorschläge sind tatsächlich korrekt? Wie viele sind falsch-positiv? Wie lange brauchst du, um die Liste durchzugehen?

Dieses 30-Minuten-Experiment zeigt dir sofort, ob der Ansatz zu eurem Manuskripttyp passt, bevor du irgendeinen Cent investierst.

Für die strukturelle LLM-Analyse hier ein Prompt, den du direkt in Claude oder ChatGPT einsetzen kannst:

Quellen & Methodik

• § 2 Abs. 2 UrhG: „Werke im Sinne dieses Gesetzes sind nur persönliche geistige Schöpfungen.” Das Merkmal persönlich setzt einen menschlichen Schöpfer voraus (gesetze-im-internet.de/urhg/__2.html, abgerufen am 18.09.2026).
• LanguageTool, Datenschutz: Eingaben werden für keinen Nutzer, weder im Einzel- noch im Teams-Tarif, zum Training der Sprachmodelle verwendet; für den Teams-Tarif existiert ein eigener Auftragsverarbeitungsvertrag; zum Verarbeitungsort trifft die Erklärung keine Aussage (languagetool.org/legal/privacy, abgerufen am 18.09.2026).
• Anthropic, Nutzung von Daten für das Modelltraining: Für die Verbraucher-Tarife Free, Pro und Max werden Chats nur bei ausdrücklicher Aktivierung in den Privacy Settings oder bei einer Sicherheitsmarkierung zur Modellverbesserung genutzt; Richtlinienstand März 2026; für kommerzielle Produkte und die API gelten eigene Regeln (privacy.claude.com, abgerufen am 18.09.2026).
• Claude, Kontextfenster und Preise: aktuelle Modelle mit 1 Million Token Kontextfenster; Pro 20 USD/Monat, 17 USD bei Jahreszahlung (platform.claude.com, Models overview und claude.com/pricing, abgerufen am 18.09.2026).
• Tool-Preise LanguageTool, QualiFiction, ChatGPT: Stand unserer eigenen, im Mai bzw. Juni und September 2026 geprüften Toolseiten, siehe LanguageTool , QualiFiction (LiSA) und ChatGPT .
• VFLL, Verband der Freien Lektorinnen und Lektoren: veröffentlicht eine Positionierung zu KI im Lektorat (vfll.de, abgerufen am 18.09.2026).
• Nicht belegbar und deshalb nicht mehr auf dieser Seite: eine VFLL-Umfrage von 2024, nach der 61 Prozent der Lektoren mehr als 30 Prozent formale Korrekturarbeit angeben (sie ist nicht auffindbar, und die als Beleg genannte Domain lektorenverband.de ist nicht die des Verbands), Stundenwerte für die formale Erstkorrektur, Manuskriptzahlen je Lektor und Monat, Reaktionszeiten mit und ohne Tool, eine ROI-Rechnung auf Basis von sechs gesparten Stunden je Manuskript sowie die Aussage, LanguageTool erkenne bewusste Regelabweichungen. Korrigiert wurden außerdem der LanguageTool-Preis (er gilt je Jahr, nicht je Monat), der Claude-Preis, das Kontextfenster (1 Million statt 200.000 Token) und die pauschale Angabe „EU-Hosting” für LanguageTool.

Du willst wissen, welcher Ansatz zu eurem Manuskriptvolumen und Lektoratsprozess passt? Meld dich, das klären wir in einem kurzen Gespräch.