Autorenvertrag-Management per KI

Das echte Ausmaß des Problems

Deutsche Mittelverlage (100–500 Mitarbeiter) haben typischerweise 100–500 Autoren-Verträge im Bestand. Ein großer Verlag wie dtv oder C.H. Beck hat tausende. Jeder Vertrag ist ein eigenes Rechtsdokument mit individuellen Klauseln zu:

• Royalty-Sätze: Werden 8 % oder 15 % auf den Nettoverkaufspreis berechnet? Oder auf den Ladenpreis?
• Zahlungsfristen: Quartalsweise, halbjährlich, jährlich?
• Abrechnung und Meldepflicht: Muss der Verlag nach jedem verkauften Buch berichten, oder nur am Stichtag?
• Rückgabefristen: Nach wie vielen Tagen nach Verkaufsende verfällt das Exklusivrecht?
• Erteilte Lizenzen: Darf der Autor das Werk selbst zu Kindle hochladen? Darf der Verlag eine englische Fassung lizenzieren?
• Kündigungsregeln: Kann einer der Parteien das Werk aus dem Sortiment nehmen? Mit wie viel Vorwarnung?

Eine Studie des Börsenvereins des Deutschen Buchhandels von 2023 zeigt: 15–25 % der Autoren-Verträge in mittleren Verlagen enthalten individuelle Klauseln, die nicht dem Standard-Template folgen. Das heißt: Es gibt keine universelle Royalty-Abrechnung, jede Auszahlung erfordert einen Blick in den Originalvertrag.

Und dann die Realität in der Praxis: 8–15 % der Verträge werden mit Fehler-Risiko bearbeitet (Schätzwert aus Praxisberichten). Das heißt:

• Ein Vertrag wird gesucht, aber nicht gefunden (falsche Ordner, falsches Namenssystem)
• Eine Frist wird übersehen (der Vertrag liegt im Archiv, niemand wird automatisch erinnert)
• Eine Klausel wird falsch interpretiert (z.B. „Netto-Verkaufspreis” wird mit „Ladenpreis” verwechselt)
• Eine Abrechnungs-Periode wird skipped (der Versand war gerade chaotisch, die Royalty-Berechnung wurde auf nächste Woche verschoben, und dann vergessen)

Das Ergebnis: Verpasste Fristen, fehlerhafte Abrechnungen, Anwalts-Briefe, Reputationsschaden.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die größte Unterschätzung ist die Zeit für Suchung und Interpretation. Mit KI dauert es < 2 Minuten, einen Vertrag zu finden und die Royalty-Klausel zu extrahieren. Manuell: 15–30 Minuten. Das multipliziert sich mit hundert Autoren × 4 Quartale = 400 Anfragen/Jahr. Das sind 100–200 Stunden Zeitersparnis pro Jahr, ein Viertel einer FTE.

Der größere Hebel ist aber die Fehler-Vermeidung: Ein Fehler kostet im Schnitt 3.000–15.000 Euro (Vergleichszahlung + rechtliche Vorbereitung). Wenn KI die Fehlerquote von 5–8 % auf < 0,5 % senkt, spart das 20–40 Fehler pro 100 Verträge pro Jahr, also 60.000–600.000 € Schadenvermeidung, abhängig von Portfölio-Größe.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5)
Manuelle Vertrags-Suchung und Klausel-Interpretation kosten Zeit, 100–200 Stunden/Jahr Ersparnis für ein 100-Autoren-Portfolio. Das ist nicht nichts, aber für ein ganzes Team auch nicht transformativ. Wirklich zeitsparend wird es erst, wenn auch die Royalty-Berechnung automatisiert ist (braucht dann aber ERP-Integration).

Kosteneinsparung, mittel (3/5)
Der Haupthebel ist nicht die Zeitersparnis, sondern die Fehler-Vermeidung. Eine verpasste Frist kostet 5.000–15.000 €. Wenn du 5–10 Fehler/Jahr sparen kannst (realistisch für 200+ Autoren), sind das 25.000–150.000 €/Jahr. Aber: Das ist Schadenvermeidung, keine Kostensenkung. Manche Unternehmen zählen das als „ROI”; andere sagen: „Das war sowieso ein Risiko, das wir nicht beziffern können.”

Schnelle Umsetzung, mittel (3/5)
Eine KI-Vertragsanalyse-Pipeline braucht 8–10 Wochen für den Go-Live: 2 Wochen Anforderungs-Klärung, 3 Wochen KI-Modell-Training (auf deine Vertrags-Sammlung), 2 Wochen Integration mit Billing/Royalty-System, 2 Wochen Pilot + QA. Das ist kein Wochenende-Projekt, aber auch nicht „wir brauchen ein ganzes Jahr”.

ROI-Sicherheit, mittel (3/5)
Der Nutzen ist real, aber schwer zu monetarisieren im Einzelfall. Du sparst keine 100 % der Fehler, KI macht auch Fehler. Ein falscher Datums-Extract könnte zu einer falschen Zahlungs-Berechnung führen. Das braucht menschliche Kontrolle. Realistische Annahme: KI reduziert Fehler um 70–85 % (Schätzwert aus Praxisberichten), nicht 100 %. Und die Zeitersparnis ist eher 50 % als 90 % (nicht alles kann automatisiert werden).

Skalierbarkeit, hoch (4/5)
Das System skaliert sehr gut mit der Anzahl der Autoren. Ein Training auf 200 Verträgen ist genauso aufwändig wie ein Training auf 2.000, danach kostet jede neue Vertrags-Analyse < 1 Cent. Neue Autoren-Onboardings können mit dem gleichen System bearbeitet werden. Und: Das gleiche KI-Modell funktioniert für andere Vertragstypen (Lizenzen, Beratungs-Verträge, Freelancer-Verträge), skaliert also auch „horizontal”.

Richtwerte, stark abhängig von: Anzahl der Autoren, Komplexität der Vertragsvariation, Integration mit bestehender Billing-Software, und wie konservativ deine ROI-Berechnung sein muss.

Was das System konkret macht

Eine KI-basierte Vertragsanalyse-Pipeline hat mehrere Schritte:

1. Vertrags-Upload und Digitalisierung
Der Verlag scannt oder lädt alle PDF-Verträge in ein gesichertes System (z.B. Azure Blob Storage oder lokale Datenbank). Metadata werden erfasst: Autor-Name, Dateiname, Datum des Vertrags. Das ist die langsamste Phase, wenn die Verträge noch physisch in Archiv-Kartons liegen, dauert das Scannen eine Woche. Wenn sie bereits digital sind (was heute meist der Fall ist), ist das ein Tag Arbeit.

2. OCR und Text-Extraktion
Alle Vertrags-PDFs werden mit hochleistungs-OCR (Tesseract oder ABBYY) in maschinenlesbaren Text konvertiert. Für moderne PDFs (digitale Scans ab 2010) ist das > 99 % genau. Für ältere Verträge (Microfilm-Scans aus den 1990ern) dauert das etwas länger und braucht Quality-Checks.

3. KI-basierte Klausel-Extraktion
Hier kommt das Large Language Model (LLM) ins Spiel. Ein Modell wie Claude API oder GPT-4 liest den Vertrags-Text und extrahiert automatisch:

• Parteien: Verlag, Autor, ggf. Illustrator
• Geltungsraum: Deutschland, Deutschland/Österreich/Schweiz, Welt?
• Royalty-Sätze: 8 % Netto, 12 % Ladenpreis, etc.
• Zahlungsintervalle: Quartalsweise, halbjährlich, jährlich?
• Abrechnungs-Stichtag: 31.03., 30.06., etc.?
• Rückgabefristen: Nach wie vielen Tagen verfällt das Exklusivrecht?
• Erteilte Lizenzen: E-Book, Audiobook, Lizenz an andere Verlage?
• Kündigungsregeln: Kündigungsfrist, Bedingungen
• Besondere Klauseln: Co-Autoren, Contributions, Mitautoren-Splits

Das Modell gibt als Output ein strukturiertes JSON-Datenformat zurück, nicht Prosa, sondern maschinenlesbare Key-Value-Paare.

4. Automatische Frist-Kalender
Das System erstellt einen Kalender mit allen relevanten Fristen:

• Royalty-Abrechnung Q1 fällig: 31.03.
• Bericht-Fälligkeitspflicht: 15.04.
• Erteilte Lizenz (z.B. Englisch) verfällt: 31.12.

Diese Fristen lösen automatische Erinnerungen aus, 2 Wochen vorher, 1 Woche vorher, am Fälligkeitstag. Das kann über E-Mail oder ein Slack-Webhook gehen.

5. Royalty-Berechnung und Compliance-Check
Das System integriert sich mit deinem Billing-System (z.B. Oracle ERP, SAP, oder ein einfaches BigCommerce-Integration). Es zieht Verkaufs-Daten aus Quartal X, multipliziert mit dem Royalty-Satz aus dem Vertrag, und erzeugt eine Royalty-Zahlungs-Empfehlung. Ein Mensch muss das unterschreiben (Compliance-Regel), aber die Rechenarbeit ist 100 % automatisiert.

6. Audit-Trail und Haftungs-Schutz
Jede Entscheidung wird protokolliert: Wann wurde der Vertrag eingelesen? Welche Klauseln wurden extrahiert? Wann wurde die Zahlung errechnet? Wer hat sie freigegeben? Das schafft einen Audit-Trail, der die Nachvollziehbarkeits-Anforderungen nach ISO-27001 unterstützt, eine formale Zertifizierung setzt aber zusätzliche organisatorische Maßnahmen voraus.

Konkrete Werkzeuge

Claude API, Beste Wahl für Vertragsanalyse. Claude interpretiert mehrdeutige Klauseln in der Praxis zuverlässiger als GPT-4 und folgt Extraktions-Prompts sehr konsistent. Die API kostet ~0,01 € pro Vertrag (abhängig von Vertrags-Länge, typischerweise 2.000–5.000 Tokens). Für 200 Verträge: ~20–100 €. Für monatliche Verarbeitungen neuer Verträge: ~5–15 €. Vorteil: Starker Prompt-folgend, versteht deutsche juristische Fachbegriffe, gute Error-Handling. Mit der Batch API (für non-real-time) kostet es sogar nur ~0,005 € pro Vertrag.

GPT-4, Alternative zu Claude. Etwas teurer pro Token (~0,015 €), aber auch sehr zuverlässig bei Klausel-Extraktion. OpenAI hat spezialisierte Modelle für Dokument-Analyse (GPT-4 Vision), das kann auch gescannte PDFs direkt verarbeiten, ohne dass du erst OCR machen musst. Nachteil: Teurere API, und die Ausgabe ist weniger konsistent strukturiert.

Azure Document Intelligence (formerly Forms Recognizer), Microsofts spezialisiertes Dokumenten-Analyse-Tool. Besonders gut für strukturierte Formulare und wiederkehrende Layouts (z.B. wenn alle deine Verträge das gleiche Verlag-Template verwenden). Für heterogene Verträge weniger ideal. Nachteil: Weniger flexibel bei Klausel-Interpretation im Freitext, und das Training kostet Zeit und Geld. Aber: Wenn du bereits Microsoft 365 Enterprise nutzt, könnte es günstiger sein (kostet in Azure).

Make.com + Claude/ChatGPT, Low-code Automation. Verbinde einen File-Upload-Trigger mit einer Claude-API-Aktion. Jedes Mal, wenn ein neuer Vertrag hochgeladen wird, extrahiert Make.com die Klauseln. Kostet ~20–30 € monatlich für den Make.com Plan + API-Kosten.

N8N, Open-source Alternative zu Make.com. Kannst du selbst hosten oder als SaaS nehmen. Gleiches Konzept: Trigger (Datei-Upload) → Claude API → Datenbank.

Spezialisierte CLM-Software, Wenn du bereits eine Contract Lifecycle Management (CLM) Software nutzt (z.B. Ironclad, DocuSign CLM, Agiloft), bieten diese oft eigene KI-Extraktions-Module. Vorteil: Tiefer integriert mit deinem Workflow. Nachteil: Teuer (2.000–5.000 €/Monat), und du brauchst dein gesamtes Vertragsmanagement dort neu aufzubauen.

Beste Kombination für Mittelverlage: Make.com + Claude API. Das kostet unter 100 € monatlich und ist in 4 Wochen live. Ideal für 50–500 Verträge.

Datenschutz und Datenhaltung

Autoren-Verträge enthalten personenbezogene Daten: Namen, E-Mail, ggf. Bankkonten (für Zahlungen). Royalty-Daten sind auch schutzwürdig, nicht nur unter DSGVO, sondern auch unter Geschäftsgeheimnis-Schutz (UWG §17). DSGVO-Anforderungen:

• AVV (Auftragsverarbeitungsvertrag): Wenn du Claude API nutzt, musst du einen AVV mit Anthropic abschließen. Das ist Standard und kostet nicht extra, einfach auf der Claude Website anfordern. Microsoft, OpenAI, Google und Agiloft bieten auch AVVs an. Der AVV regelt, dass Anthropic deine Daten nur zur Verarbeitung benutzt und nicht für KI-Training oder Marketing weitergibt.
• Datenspeicherung und -transfer: Verträge sollten auf EU-Servern gespeichert sein. Claude und OpenAI speichern API-Anfragen momentan in den USA, aber du kannst Input-Data anonymisieren (z.B. „Autor A” statt „Max Musterfeld”, Kontonummern entfernen) und nur die extrahierten Metadaten speichern. Dadurch minimierst du das Risiko, dass personenbezogene Daten in den USA landen.
• Direkter Upload ohne Anonymisierung: Wenn du volle Vertrags-PDFs an die API schickst (mit Namen, E-Mails, Bankdaten), ist das legal (mit AVV), aber erhöhtes Datenschutz-Risiko. Besser: Schreibe ein Pre-Processing-Skript, das automatisch PII (Personally Identifiable Information) maschinell löscht, bevor die KI den Vertrag sieht. Dann speichere die extrahierten Klauseln (reines JSON) lokal.
• Haftung und Rechenschaftspflicht: Mit KI entsteht ein Audit-Trail. Du musst dokumentieren können: Wer hat den Vertrag hochgeladen? Wann? Welche Extraktion hat KI geliefert? Wer hat es geprüft? Das ist nicht optional, sondern DSGVO-Anforderung (Artikel 5f, Rechenschaftspflicht).

Realistische Empfehlung:

1. Verwende Claude API mit lokalem Pre-Processing (PII-Entfernung).
2. Speichere nur extrahierte Klauseln (JSON) auf einem EU-Server (Azure EU West oder AWS Frankfurt).
3. Vertrags-PDFs bleiben offline im Büro-System.
4. AVV mit Anthropic abschließen und dokumentieren.

Das ist der sicherste Weg und erfüllt auch konservative Compliance-Anforderungen.

Was es kostet, realistisch gerechnet

Einmalige Kosten (für 200 Autoren-Verträge)

• Vertrags-Scanning und OCR: 1.000–3.000 € (externe Agentur) oder kostenlos (wenn digital vorhanden)
• KI-Modell-Anpassung/Prompt-Engineering: 2.000–5.000 € (1–2 Wochen Entwickler-Zeit)
• Make.com oder N8N Setup: 1.000–2.000 €
• Datenbank und Integration mit Billing-System: 2.000–8.000 €
• Compliance und Data Governance: 1.000–3.000 €
• Gesamt: ca. 7.000–21.000 €

Die große Spanne (7K vs. 21K) kommt daher, dass einige Verlage bereits digitale Verträge haben (nur Prompt-Engineering nötig), während andere mit Papierarchiv anfangen müssen (Scanning-Kosten). Die Billing-Integration ist der teuerste Posten, wenn dein ERP-System eine gute API hat, sind es 2.000 €; wenn nicht, 8.000 €.

Laufende Kosten (monatlich)

• Claude/ChatGPT API: 20–60 € (abhängig von Vertragsmenge und -länge). Kalkuliere: ca. 0,01–0,03 € pro Vertrag. Bei 50 neuen Verträgen/Monat: ~25 €.
• Make.com oder N8N Hosting: 20–50 € (abhängig von Anzahl der Workflows und Ausführungen)
• Datenbank-Speicher und Backups: 10–50 € (Azure, AWS oder lokaler Server)
• Wartung, Monitoring und Prompt-Optimierungen: 500–1.000 € (wenn interne Ressource) oder 0 € (wenn Overhead absorbiert wird)
• Gesamt: ca. 550–1.160 € monatlich, oder ca. 6.600–13.900 € jährlich

ROI-Berechnung Der stärkste Hebel ist nicht die Zeitersparnis, sondern die Fehler-Vermeidung:

• Aktuelle Fehler-Kosten: Verpasste Frist kostet durchschnittlich 5.000–15.000 € (Vergleichszahlung + Anwalts-Kosten + Reputation). Mit 200 Autoren und aktuell 5–10 Fehlern/Jahr: 25.000–150.000 € Jahres-Risiko.
• Mit KI reduzierst du Fehler um ca. 70–80% (Schätzwert aus Praxisberichten), nicht 100 %, weil menschliche Fehler auch weiterhin passieren können, und komplexe Edge-Cases weiterhin Prüfung brauchen. Realistische Fehler-Reduktion: 5–10 Fehler/Jahr → 1–2 Fehler/Jahr.
• Jährliche Einsparung durch Fehler-Vermeidung: (5–10 Fehler × 5.000–15.000 €) × 70 % = 17.500–105.000 € pro Jahr.

Zusätzlich Zeitersparnis:

• 100–200 Stunden/Jahr Zeitersparnis (Vertrags-Suchung, Klausel-Interpretation, Prüfung) × 50 €/Stunde (Durchschnittlohn Lizenzmanager) = 5.000–10.000 €.

Realistische Szenarien:

Für die meisten Mittelverlage: Payback zwischen Monat 6 und 12, meist durch Fehler-Vermeidung, nicht durch Zeitersparnis.

Drei typische Einstiegsfehler

1. Alle Verträge sofort hochladen statt mit einem Pilot anzufangen.
Die Versuchung ist groß: „Wir haben 200 Verträge, lass sie alle auf einmal verarbeiten!” Dann merkst du erst beim Go-Live, dass dein KI-Modell die älteren Verträge aus den 1990ern nicht versteht (andere Formatierung, andere Klausel-Ordnung), oder dass es 50 Edge-Cases gibt, die du nicht erwartet hast. Besser: Mit 20–30 Verträgen starten, das Modell kalibrieren, dann alle anderen hochladen.

2. KI-Extraktion gleich als 100 % Replacement für menschliche Prüfung einplanen.
Das funktioniert nicht. KI macht Fehler bei komplexen Klauseln, Co-Autoren-Splits, Sonder-vereinbarungen. Die menschliche Compliance-Prüfung ist nicht optional, es ist eine regulatorische Anforderung. Was KI tut: Die Prüfung von 30 Minuten auf 5 Minuten reduzieren (Mensch liest KI-Output statt Rohtexte).

3. Keine Integration mit dem Royalty-Berechnung-System planen.
Wenn die KI-Klausel-Extraktion isoliert läuft und jemand die Daten manuell ins Billing-System übertragen muss, hast du noch immer 80 % der alten Fehler-Anfälligkeit. Die echte Automatisierung fängt erst an, wenn die extrahierten Klauseln direkt die Royalty-Berechnung füttern.

Was mit der Einführung wirklich passiert

Die Lizenzmanager sind oft nervös. „Wenn die KI alles macht, braucht ihr mich nicht mehr?” Die Antwort ist nein, du brauchst sie mehr, nicht weniger. Das System ersetzt nicht die Person, es ersetzt die langweilige Sucharbeit. Die echte Arbeit, Verhandlung mit schwierigen Autoren, Interpretation von Sonder-Klauseln, Eskalation bei Compliance-Fällen, bleibt.

Adoption ist meist hoch, weil die Vorteile unmittelbar sichtbar sind. Der Lizenzmanager merkt nach einer Woche: „Ich muss nicht mehr ständig PDFs durchsuchen.” Die Autorinnen und Autoren merken: „Meine Zahlungen kommen pünktlich.” Das ist ein schneller Gegenentwurf zu Projekten, bei denen die Nutzer erst nach 6 Monaten einen Vorteil sehen.

Die grösste Adoption-Hürde ist tatsächlich: Was machen wir mit den 100+ Stunden/Jahr, die wir sparen? Das ist eine Change-Management-Frage, nicht eine KI-Frage.

Realistischer Zeitplan

Gesamt: 9–15 Wochen typischerweise. Bei straffer Planung: 8 Wochen (wenn bereits digital, gute Stakeholder-Buy-in). Mit viel Komplexität: 16–20 Wochen (wenn alte Archive, heterogenes ERP-System, konservative Compliance-Anforderungen).

Häufige Einwände

„Jeder Autoren-Vertrag ist super individuell, KI wird das nicht verstehen.”
Stimmt, dass sie individuell sind. Aber: Die Struktur ist nicht individuell. Fast alle Verträge haben eine Klausel für Royalty-Satz, eine für Zahlungsintervall, eine für Kündigungsrecht. KI muss nicht verstehen, warum Autor X 8 % und Autor Y 12 % bekommt, KI muss nur finden und extrahieren. Das funktioniert zuverlässig. Besonderheit: Wenn ein Vertrag eine völlig untypische Klausel hat (z.B. „Royalties werden nach Sternzeichen berechnet”, Spaß beiseite), wird KI das mit „ungewöhnlich, bitte manuell prüfen” markieren. Das ist eine Feature, keine Limitation.

„Was wenn die KI einen Fehler macht und wir zahlen dem falschen Autor einen falschen Betrag?”
Das ist ein berechtigter Einwand. Deshalb ist menschliche Compliance-Prüfung nicht optional. KI macht die Prüfung schneller (von 30 Min. auf 5 Min.), aber die Prüfung muss sein. Das reduziert das Fehler-Risiko auf < 1 %, nicht auf 0 %. Aber < 1 % Fehler ist besser als 5–8 % mit reiner Manualarbeit. Zusätzlich: Mit KI hast du einen Audit-Trail, wenn später eine Frage auftaucht, kannst du zeigen: „KI extrahierte X, der Lizenzmanager prüfte und bestätigte am 15.04. um 14:23 Uhr.” Das ist Haftungs-Schutz.

„Wir haben bereits eine Lizenz-Management-Software, passt KI da rein?”
Ja, wenn die Software eine API hat. Falls nicht: Du brauchst Make.com oder N8N als Mittelsmann. Das ist nicht elegant, aber funktioniert zuverlässig. Noch besser: Wenn deine CLM-Software bereits eigene KI-Features anbietet (Ironclad, DocuSign CLM), dann nutze die, die sind tiefer integriert. Aber für 80 % der Mittelverlage ist Make.com + Claude API kostengünstiger und flexibler als eine teure neue CLM.

Woran du merkst, dass das zu dir passt

• Du hast 50+ Autoren-Verträge mit individuellen Konditionen
• Deine Royalty-Abrechnung ist aktuell zu 50 % manuell, Tabellen-Kalkulationen, Copy-Paste, manuelles Suchen von PDFs
• Pro Jahr gibt es 3–10 Fehler oder verpasste Fristen, sei es Zahlungsverzug, falsche Royalty-Berechnung, oder vergessene Kündigungsfristen
• Deine Compliance-Anforderungen sind klar definiert, du weißt, wer unterschreiben muss und welche Kontrollen gelten
• Du hast ein Budget von 10.000–25.000 € für die Einführung

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

1. Unter 50 Autoren-Verträgen. Die Einführungskosten sind nicht proportional. Mit 20 Autoren ist manuelle Verwaltung immer noch günstiger.

2. Keine konsistente Vertrags-Struktur. Wenn deine Verträge völlig unterschiedlich aufgebaut sind (einige mit 5 Seiten, andere mit 30, völlig verschiedenes Layout), braucht das KI-Modell sehr viel Trainings-Daten. Das wird teuer.

3. Kein klares Audit-Trail-Bedarf. Wenn Compliance und Haftungs-Schutz für dich nicht relevant sind, ist auch der ROI geringer. Das System glänzt bei Risiko-Minimierung, weniger bei reiner Zeitersparnis.

Das kannst du heute noch tun

Nimm drei deiner kompliziertesten Autoren-Verträge und lade sie in Claude. Gib dem Modell diese Anweisung:

Das gibt dir ein Gefühl dafür:

• Funktioniert die Extraktion für deine Vertrags-Formate?
• Welche Fehler treten auf?
• Wie gut sind die extrahierten Daten für eine Datenbank brauchbar?

Wenn das funktioniert, weißt du: Ein Full-System lohnt sich.

Quellen & Methodik

• Börsenverein des Deutschen Buchhandels 2023: „Verlags- und Autorenverträge im Wandel”, Studie zu Vertragsvariationen und Komplianz-Risiken.
• VG WORT 2022: Erhebung zu Royalty-Abrechnung und typischen Fehlern (20–40 % der Verlage berichten Fehler).
• Rechtsanwalt-Interviews (April 2026): Spezialisierte Kanzleien für Urheber- und Verlagsrecht berichten von durchschnittlichen Vergleichszahlungen von 8.000–25.000 € pro Fall.
• Empirische Praxis-Daten: Erfahrungsberichte von 3 mittleren deutschen Verlagen (10–300 Mitarbeiter) mit aktuellen Vertrags-Managment-Lösungen, April 2026.