Verlagsvorschau automatisiert erstellen

Das echte Ausmaß des Problems

Die Verlagsvorschau ist einer der am meisten unterschätzten Prozesse im Verlagshaus. Zweimal im Jahr — Dezember/Januar für das Frühjahrs- und Mai/Juni für das Herbstprogramm — erscheint ein Katalog, der den gesamten Neuerscheinungsplan für die kommende Saison abbildet. Er geht an Buchhändlerinnen und Buchhändler, Bibliotheken, Presseverteiler und Lizenzpartner. Er ist das erste Argument, das ein Titel in der Branche hat.

Für einen mittelständischen Verlag mit 30 bis 80 Titeln pro Saison bedeutet das: In einem Zeitraum von drei bis vier Wochen müssen für jeden Titel ein Klappentext (vier bis sechs Zeilen), eine Autorenbiografie (zwei bis drei Zeilen), alle bibliografischen Angaben (ISBN, Preis, Erscheinungstermin, Seitenumfang, Themengruppe) und das Coverformat zusammengestellt und in ein einheitliches Layout überführt werden.

Das klingt handhabbar — bis man die Realität dazunimmt.

Was die Vorschau-Erstellung tatsächlich kostet:

• Manuskripte liegen in unterschiedlichen Zuständen vor: manche mit ausführlichem Exposé, manche mit einer halben Seite, manche gar nicht
• Autorenbiografien kommen in zehn verschiedenen Formaten — mal zu kurz, mal zu lang, mal in der Ich-Form statt der Dritte-Person-Form, die Vorschauen verlangen
• Texte kommen oft zu spät, weil Autorenpflichten im Vertrag zwar stehen, aber niemand mit Nachdruck nachhält
• Die fertige Vorschau muss drei Anforderungen gleichzeitig erfüllen: buchhändlerische Bestellinformation, redaktionelle Vermarktung und strukturierte Datenbasis für das VLB (Verzeichnis lieferbarer Bücher)

Laut Branchenberichten des Börsenvereins des Deutschen Buchhandels wurden 2024 exakt 65.717 Titel veröffentlicht — 58.346 davon als Erstauflagen. Für die rund 2.200 Verlage im deutschen Sprachraum bedeutet das im Schnitt 27 Neuerscheinungen pro Verlag pro Jahr. Der Aufwand, der hinter jeder einzelnen dieser Neuerscheinungen steht, ist strukturell derselbe wie bei Maras 38 Titeln — nur skaliert auf unterschiedliche Größen.

Die KI-Studie der IG Digital im Börsenverein (2025) zeigt: 69 Prozent der befragten Verlage nutzen KI bereits für Contentgenerierung und -bearbeitung. Marketing- und Verlagsvorschauprozesse sind dort explizit genannt. Das Potenzial ist erkannt — die Umsetzung stockt, weil unklar ist, wie die Qualitätssicherung funktioniert und wie das Ergebnis in bestehende Design- und Metadaten-Workflows übergeht.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte entstammen eigenen Erfahrungsberichten aus Verlagsprojekten und Branchen­erhebungen (buchreport.de, 2024) — keine repräsentative Studie, aber konsistente Muster über mehrere Verlage hinweg.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
Die Zeitersparnis ist real und messbar: Der Gesamtaufwand für die Vorschauerstellung halbiert sich in der Praxis mindestens. Besonders der erste Rohtext-Entwurf — der üblicherweise das meiste Zeit frisst, weil man vor dem leeren Dokument sitzt und das Wesentliche aus einem 200-seitigen Manuskript destilliert — wird durch die KI auf einen Bruchteil des Aufwands reduziert. Nicht ganz oben (4 statt 5), weil die Qualitätssicherung manuell bleibt: Jeder generierte Text muss gelesen, inhaltlich geprüft und oft angepasst werden — das spart gegenüber manuellem Schreiben, aber es ist kein Autopilot.

Kosteneinsparung — niedrig (2/5)
Was eingespart wird, sind Mitarbeiterstunden — messbar, aber keine direkte Kostenreduktion auf der Ausgabeseite. Die Lizenzkosten für ein LLM (Claude oder ChatGPT) sind im Vergleich zur eingesparten Zeit minimal. Kein Verlag kann jedoch nachweisen, dass ein besser formulierter Klappentext zu mehr Bestellungen im Buchhandel geführt hat — dieser Effekt ist schlicht nicht isolierbar. Deshalb bleibt dieser Wert bewusst niedrig: Der Hauptgewinn ist Zeitersparnis, kein direktes Einsparungspotenzial. Im Vergleich zu anderen Anwendungsfällen dieser Kategorie liegt dieser Use Case klar unter dem Niveau von Bildrechte-Verwaltung oder Übersetzungsunterstützung, die direkte Kostenquellen adressieren.

Schnelle Umsetzung — mittel (3/5)
Bis zu einem funktionierenden Piloten vergehen realistisch 8–10 Wochen: Prompt-Design für vier verschiedene Genres/Programmlinien, Testläufe mit echten Manuskripten, redaktionelle Kalibrierung, Abstimmung mit dem Design-Team über das Ausgabeformat. Das ist keine triviale Einrichtung. Verglichen mit den einfachsten Use Cases im Branch (Video-Untertitelung: 5, sofort einsatzbereit über Standard-Tools) ist das ein mittleres Niveau. Nicht übermäßig komplex, aber auch kein Zwei-Tage-Setup.

ROI-Sicherheit — niedrig (2/5)
Das ist der ehrlichste Score auf dieser Seite — und er muss es sein. Die Zeitersparnis in der Vorschauerstellung lässt sich messen (Stunden vorher vs. nachher). Aber der eigentliche Zweck der Vorschau ist Buchhandelsmarketing: Bestellt ein Händler ein Buch öfter, weil der Klappentext besser formuliert ist? Das lässt sich praktisch nicht isolieren. Andere Faktoren — Cover, Thema, Autorenprofil, Genre-Trend — dominieren die Kaufentscheidung. Wer ROI-Sicherheit von 4 oder 5 erwartet, liegt falsch. Dieser Use Case spart redaktionelle Arbeitszeit und verbessert Prozess-Konsistenz — nicht mehr, aber auch nicht weniger.

Skalierbarkeit — hoch (4/5)
Mit wachsendem Programm sinkt der Grenzaufwand: Wer den Prompt für 20 Titel eingerichtet hat, bearbeitet damit auch 40 oder 80 — ohne proportional mehr Kapazität. Das macht diesen Use Case besonders attraktiv für wachsende Verlage oder solche, die mehrere Imprints unter einem Dach führen. Nicht ganz maximal, weil neue Programmlinien die Prompt-Kalibrierung wiederholen — aber das ist einmalig je Linie, nicht je Titel.

Richtwerte — stark abhängig von Verlagsgröße, Anzahl der Programmlinien und Eingabequalität der Synopsen.

Was die KI-Pipeline konkret macht

Der Kernprozess besteht aus vier aufeinanderfolgenden Schritten, die du zu einer halbautomatischen Pipeline verbinden kannst — oder die du zunächst manuell Schritt für Schritt durchführst.

Schritt 1: Metadaten-Extraktion
Aus der vorhandenen Titelmappe (Exposé/Synopsis, Verlagsbriefing, vorläufige ISBN, Preis, Erscheinungstermin) werden die relevanten Felder strukturiert extrahiert. Das LLM liest das Rohmaterial und befüllt eine Vorlage: Titel, Untertitel, Autor:in, Genre, Themengruppe, Zielgruppe. Dieser Schritt ist weitgehend fehlertolerant gegenüber unterschiedlichen Eingabeformaten — auch ein fließtextuelles Exposé liefert die nötigen Metadaten.

Schritt 2: Klappentext-Generierung
Auf Basis der Titelmappe und eines fest definierten Stil-Prompts (Verlagssprache, Länge, aktiv/passiv, Tonalität je Programmbereich) generiert das Modell einen Klappentext-Entwurf. Wichtig: Das Modell schreibt auf Basis der Zusammenfassung, nicht des vollständigen Manuskripts — was für Vorschauzwecke ausreicht, aber bedeutet, dass inhaltliche Feinheiten des finalen Texts nicht einfließen. Der Entwurf ist Rohmaterial, das ein:e Lektor:in oder die Programmkoordinatorin freigibt oder anpasst.

Schritt 3: Biografie-Standardisierung
Die eingereichte Autorenbiografie — in welchem Format auch immer — wird in das Verlagsformat überführt: dritte Person, keine Ich-Form, maximal drei Zeilen, kein “Er/Sie studierte an…” ohne konkrete Nennung. Das Modell vereinheitlicht ohne inhaltlich zu verfälschen.

Schritt 4: Strukturierter Datenexport
Die fertigen Texte plus Metadaten werden in ein definiertes Format exportiert — JSON, CSV oder XML — das das Design-Team direkt in InDesign-Vorlagen importieren kann. Dasselbe Datenpaket ist die Grundlage für die ONIX-Lieferung ans VLB.

Was die Pipeline nicht tut: Sie ersetzt nicht die inhaltliche Prüfung. Ein KI-Klappentext, der auf Basis einer kurzen Synopsis generiert wurde, kann stilistisch korrekt und dennoch falsch sein — falsches Genre, fehlender Subtext, überbetonte Nebenhandlung. Diese Prüfung bleibt menschlich, und sie ist nicht optional.

Verlagsvorschau vs. Metadatenblatt — zwei Dokumente, eine Pipeline

Ein Missverständnis, das regelmäßig erheblichen Mehraufwand erzeugt: Die Verlagsvorschau und das Metadatenblatt sind zwei verschiedene Dokumente mit verschiedenen Zwecken — sie stammen aber idealerweise aus derselben Datenquelle.

Die Verlagsvorschau (gedruckt oder PDF) ist ein Marketing-Dokument für Buchhändlerinnen, Bibliotheken und Presseverteiler. Sie enthält kurze, ansprechende Klappentexte, Coverbilder und bibliografische Basisinformationen. Zielgruppe: Menschen, die das Programm sehen und Entscheidungen treffen wollen.

Das Metadatenblatt / ONIX-Datenpaket ist ein maschinenlesbares Produktdossier, das an das VLB (Verzeichnis Lieferbarer Bücher) geliefert wird. Es enthält dieselben Basisinformationen, aber strukturiert nach dem ONIX-Standard: kategorisierte Beschreibungen (Kurzbeschreibung, Klappentextversion für Handel, Langbeschreibung für Amazon/Online), strukturierte Bisac/Thema-Klassifikation, detaillierte Preis- und Lieferbarkeitsangaben. Zielgruppe: Systeme, nicht Menschen.

Warum das für die KI-Pipeline wichtig ist: Wenn du im ersten Durchgang bereits eine vollständige Datenstruktur pflegst (alle Metadatenfelder, mehrere Textversionen), kannst du aus derselben Grundlage sowohl die gedruckte Vorschau als auch die VLB-Lieferung generieren. Das ist kein Mehraufwand — es ist die einzig sinnvolle Architektur. Wer nur die Vorschau baut, macht die Arbeit zweimal: einmal für den Katalog, einmal für das VLB.

ONIX und VLB — was das Buchhandels-EDI mit deiner Pipeline zu tun hat

ONIX (Online Information eXchange) ist der internationale Standard für Buchmetadaten. Das VLB, das zentrale Verzeichnis lieferbarer Bücher im deutschen Sprachraum, erwartet Lieferungen in ONIX-Format — derzeit vor allem ONIX 2.1 und 3.0. Wer Titel im VLB pflegt, liefert strukturierte ONIX-Datensätze, die von Buchhandlungen, Bibliotheken und Plattformen wie Amazon und Thalia weiterverarbeitet werden.

Was das für deinen KI-Workflow bedeutet:

ONIX hat Felder für unterschiedliche Textversionen. Der Standard unterscheidet zwischen ContributorDescription (Autorenbiografie), AudienceRange, MainDescription (Klappentext), ShortDescription (Kurztext für Listen und Teaser) und LongDescription. Wenn deine KI-Pipeline all diese Versionen in einem Durchgang generiert — verschiedene Längen, verschiedene Tonlagen — spart das einen zweiten Durchgang vor der VLB-Lieferung.

Die MVB (Marketing- und Verlagsservice des Buchhandels) hat 2023 kommuniziert, dass die VLB-Datenqualität die 90-Prozent-Marke überschritten hat — mit einer Ausnahme: Lieferbarkeitsangaben. Das zeigt: Die Branche ist technisch weiter als oft angenommen, aber bestimmte Felder bleiben fehleranfällig. Gerade für diese Felder (korrekte Preis- und Lieferbarkeitsangaben) ist maschinelle Datenpflege ein Gewinn.

Der praktische Hinweis: Du brauchst kein spezielles ONIX-Tool, um zu starten. Viele Verlage exportieren zunächst eine einfache CSV-Struktur, die ihr VLB-Anbieter (direkt über vlb.de oder über Dienstleister wie MVB) in ONIX konvertiert. Die KI-Pipeline liefert die Textbausteine — die technische ONIX-Formatierung ist eine nachgelagerte Aufgabe, die oft im bestehenden Workflow schon gelöst ist.

Konkrete Werkzeuge — was wann passt

Für die Klappentext- und Vita-Generierung:

Claude (Anthropic) — Erste Wahl für komplexe Textarbeit über verschiedene Genres hinweg. Claude produziert im Deutschen überdurchschnittlich natürlich klingende Ergebnisse und bleibt auch bei längeren Batches stilistisch konsistent. Das Kontextfenster (200.000 Tokens) erlaubt es, mehrere Synopsen gleichzeitig zu verarbeiten und den Stil über alle Einträge anzugleichen. Für die Verlagsarbeit besonders relevant: Claude halluziniert seltener als kleinere Modelle und gibt eher “Ich habe nicht genug Informationen” zurück, als sich etwas auszudenken — entscheidend, wenn die Klappentext-Aussagen dem tatsächlichen Buchinhalt entsprechen müssen. Kosten: Claude Pro bei 20 USD/Monat reicht für kleine Verlage; für größere Batches oder API-Anbindung ab ca. 25 USD/Nutzer/Monat (Team-Plan).

ChatGPT (OpenAI) — Vergleichbare Qualität, besonders für strukturierte Datentransformation (JSON-Ausgabe, Formatkonvertierung). ChatGPT ist für Teams geeignet, die bereits eine OpenAI-Infrastruktur haben. GPT-4o ist der Standard für diese Aufgaben. Bei Klappentext-Qualität im Deutschen ist Claude leicht vorne — ChatGPT gleicht das durch stärkere Strukturierungsfähigkeit aus. ChatGPT Plus: 20 USD/Monat, Team: 25 USD/Nutzer/Monat.

Für die Pipeline-Automatisierung:

make.com — Wenn du den Prozess für 30+ Titel automatisieren willst, ohne zu programmieren: make.com verbindet Formulare (Autorenformular → Google Forms), Dateispeicher (Synopsen in Google Drive), das LLM (Claude oder ChatGPT via API) und den Datenexport (CSV/JSON für das Design-Team) in einer visuellen Pipeline. Einrichtungsaufwand: zwei bis vier Tage. Danach läuft der Prozess für jede neue Saison ohne Änderungen. Kosten: ab 9 USD/Monat (Core), für Verlagsbetrieb ab Pro bei 16 USD/Monat sinnvoll.

Für die Quellenorganisation:

NotebookLM (Google, kostenlos) — Sinnvoll in der Pilotphase: Alle Synopsen und Autorenunterlagen einer Saison hochladen, dann manuell Klappentexte über Chat generieren lassen. Kein technisches Setup, kein API-Wissen nötig. Gut zum Testen, ob das Konzept für euren Verlag funktioniert — bevor ihr eine Automatisierungspipeline baut.

Zusammenfassung: Wann welcher Ansatz

• Erste Tests, kleines Programm (unter 20 Titel): NotebookLM, manuell
• Regelmäßige Nutzung, 20–60 Titel: Claude oder ChatGPT, manuell je Titel
• Größeres Programm oder mehrere Imprints: make.com-Pipeline mit LLM-Anbindung
• ONIX-Lieferung automatisiert: Zusatz-Setup nötig, am besten mit VLB-Dienstleister abstimmen

Die InDesign-Schnittstelle — warum KI-Output kein Layout-Autopilot ist

Das ist der Teil, den viele unterschätzen — und der den größten Reibungsverlust verursacht.

InDesign kann strukturierte XML-Daten einlesen und über eine Vorlage automatisch in Layout überführen. Das funktioniert gut, aber es setzt voraus, dass das Design-Team eine saubere InDesign-Vorlage mit klar definierten Textrahmen und Stilvorlagen erstellt hat — einmalig, aber nicht trivial. Consonance, eine internationale Verlagsverwaltungssoftware, zeigt in ihrem Blog, wie ein vollständiger ONIX-zu-InDesign-Workflow aussieht: ONIX wird per XSLT in ein InDesign-kompatibles XML umgewandelt, das dann per Skript in ein vorbereitetes Template gepumpt wird. Das funktioniert — aber es erfordert ein bis zwei Tage Entwicklungsarbeit beim ersten Mal.

Was du für eine funktionierende Schnittstelle brauchst:

1. Eine definierte XML-Struktur, die die KI-Pipeline ausgibt — z. B. <Titel>, <Klappentext>, <Autorenbiografie>, <ISBN>, <Preis>. Diese Felder müssen mit den Textrahmen in InDesign übereinstimmen.
2. Paragraph- und Zeichenstile in InDesign, die auf die XML-Tags gemappt sind. Das ist die Vorarbeit, die das Design-Team einmal erledigt.
3. Eine XSLT-Transformationsdatei (oder ein einfaches Skript), wenn der KI-Output-Struktur und der InDesign-XML-Struktur nicht identisch sind.

Was in der Praxis oft schiefgeht: Die KI liefert den Text, das Design-Team bekommt eine Textdatei, und am Ende kopiert doch wieder jemand manuell. Das passiert, wenn die XML-Schnittstelle nicht vorab definiert wurde. Lösung: Das Ausgabeformat der Pipeline mit dem Design-Team absprechen, bevor der erste Prompt geschrieben wird — nicht danach.

Für Verlage, die InDesign nicht nutzen, gilt dasselbe Prinzip mit anderem Tool: Strukturierter Output aus der KI-Pipeline → definiertes Template-Format → automatisierte Befüllung.

Datenschutz und Datenhaltung

Für die Verlagsvorschau verarbeitest du im Wesentlichen: Manuskriptzusammenfassungen, Autorenbiografien und bibliografische Metadaten. Die meisten dieser Inhalte sind nicht personenbezogen im engeren Sinn der DSGVO — Autorenbiografien sind jedoch personenbezogene Daten, sobald sie einer natürlichen Person zuzuordnen sind.

Das bedeutet:

• Für den LLM-Einsatz brauchst du einen Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter, sobald du Autoren-Personendaten (Name, Biografie, Wohnort, Jahrgang) an das Modell sendest. Claude bietet AVV ab Team-Plan. ChatGPT bietet AVV über die Business-Pläne. Beide Anbieter verarbeiten Daten standardmäßig in den USA — das ist rechtlich über Standardvertragsklauseln absicherbar, aber erfordert die Dokumentation.
• Manuskript-Inhalte (unveröffentlichte Texte von Autorinnen und Autoren) sollten nicht ohne Information und Zustimmung der Autorin/des Autors an externe KI-Dienste übergeben werden. Das ist kein DSGVO-Problem (weil nicht personenbezogen), aber eine Frage des vertraglichen Urheberrechts. Praktische Lösung: Die Verlagssynopse (das ist der Text, den ihr selbst erstellt habt), nicht das originale Manuskript, ist Eingabe für die KI-Pipeline.
• EU-konforme Alternativen: Claude über AWS Bedrock in Frankfurt (eu-central-1) oder ChatGPT über Azure OpenAI mit EU-Region ermöglichen Verarbeitung innerhalb der EU — sinnvoll für Verlage, die unveröffentlichte Manuskriptinhalte einbeziehen wollen.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Prompt-Design und -Kalibrierung (je Programmbereich): 3–5 Tage intern, oder 1.500–3.000 Euro extern
• InDesign-XML-Schnittstelle (einmalig durch Design-Team oder externe:n Entwickler:in): 500–1.500 Euro
• make.com-Pipeline-Setup (optional, für Automatisierung): 1–2 Tage intern
• Gesamt: realistisch 2.000–5.000 Euro für ein vollständig eingerichtetes Setup

Laufende Kosten (pro Saison/monatlich)

• Claude Pro/Team: 20–25 USD/Nutzer/Monat
• ChatGPT Plus/Team: 20–25 USD/Nutzer/Monat
• make.com: ab 16 USD/Monat
• API-Kosten für automatisierte Pipeline (40 Titel): 20–60 EUR pro Saison (trivial)

Was du dagegenrechnen kannst
Eine Programmkoordinatorin oder ein Lektor mit Vollzeit-Engagement in der Vorschau-Phase kostet den Verlag realistisch 30–50 Euro/Stunde (Vollkostensatz inkl. Sozialleistungen). Wenn die Pipeline 60–80 Stunden pro Saison einspart — das ist eine konservative Schätzung für 40 Titel mit je 90 Minuten eingesparter Zeit — sind das 1.800–4.000 Euro Personalaufwand pro Saison, ab dem zweiten Jahr laufend.

Wie du den Nutzen tatsächlich misst:
Nicht über Buchverkaufszahlen. Die Zeitersparnis ist das einzige zuverlässige Messinstrument. Starte mit einer Stichprobe: Drei Klappentexte manuell erstellen (Zeit messen), drei mit KI-Unterstützung (Zeit messen). Der Unterschied ist dein Baseline-ROI. Wenn das Ergebnis akzeptable Qualität liefert, skalierst du auf das Gesamtprogramm.

Typische Einstiegsfehler

1. Den Prompt für alle Programmlinien gleich formulieren.
Ein Klappentext für ein Sachbuch über Finanzplanung hat eine andere Tonalität als einer für einen Gegenwartsroman — und beide unterscheiden sich grundlegend vom Text für ein Kinderbuch. Wer einen einzigen Prompt für alle Genres schreibt, bekommt mittelmäßige Ergebnisse für alle. Lösung: Je Programmlinie einen eigenen Stil-Prompt entwickeln, mit drei bis fünf Beispielen aus bestehenden Vorschauen als Few-Shot-Beispiele. Das ist die wichtigste Investition in der Einrichtungsphase.

2. Das Ergebnis ohne redaktionellen Check freigeben.
Die gefährlichste Halluzination in diesem Use Case ist keine erfundene Tatsache — es ist die falsche Einordnung. Ein KI-Klappentext kann einen Thriller als Psychodrama einordnen, weil die Synopsis beide Signalwörter enthält. Er kann bei einem Sachbuch den Tonfall zu akademisch oder zu populär setzen. Er kann eine Nebenhandlung zum Hauptthema machen, weil sie in der Synopsis zuerst erwähnt wurde. Das ist kein Technikversagen, das ist die strukturelle Grenze: Das Modell kennt das Buch nicht, es kennt nur das Briefing. Jeder generierte Text muss von jemandem gelesen werden, der das Buch kennt oder kennen sollte.

3. Das Design-Team erst nach Abschluss einbeziehen.
Wenn die KI-Pipeline läuft und das Design-Team erst dann nach dem gewünschten Ausgabeformat gefragt wird, entstehen oft strukturelle Inkompatibilitäten, die manuelles Nacharbeiten erfordern. Das Ausgabeformat gehört in das Briefing der Pipeline — vor dem ersten Prompt, nicht nach dem ersten Output.

4. Den Prozess nicht zwischen den Saisons pflegen.
Ein Prompt, der im Herbst 2025 funktioniert hat, muss im Frühjahr 2026 nicht dasselbe leisten — neue Autoren, neue Genres, neue Programmlinien. Wer die Pipeline nach jeder Saison einmal prüft und anpasst, hat dauerhaft gute Ergebnisse. Wer das nicht tut, bekommt nach zwei Saisons zunehmend generische Texte, die den Verlagsstil nicht mehr treffen.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einrichtung der Pipeline ist der kleinere Teil des Projekts. Der größere ist die Akzeptanz im Team.

Das Lektorat wird skeptisch sein — zurecht. Wenn ein KI-Klappentext eines Buchs, das man selbst betreut hat, etwas inhaltlich Falsches oder stilistisch Flaches sagt, erzeugt das Misstrauen, das schwer wieder aufzubauen ist. Das passiert in den ersten Wochen fast zwangsläufig. Lösung: Erwartungen von Anfang an richtig setzen. Die KI liefert Rohtext. Der Rohtext spart die erste Stunde — nicht die letzte. Lektorinnen und Lektoren editieren, nicht genehmigen.

Manche Autorinnen und Autoren werden nachfragen, ob ihr Klappentext “von einer Maschine kommt”. Das ist eine berechtigte Frage, und sie verdient eine ehrliche Antwort. Die meisten Verlage kommunizieren nicht aktiv, wie Klappentexte entstehen — es gibt keine rechtliche Pflicht dazu. Wer transparent sein will, kann formulieren: “Wir nutzen KI als redaktionelles Hilfsmittel für den ersten Entwurf; der finale Text wird vom Lektorat freigegeben.”

Was nicht passiert: Die Pipeline eliminiert keine redaktionellen Stellen. Sie verschiebt Kapazität — weg von mechanischer Texterstellung, hin zu inhaltlicher Qualitätskontrolle und programmatischer Arbeit. Das ist für die meisten Verlage eine willkommene Verschiebung. Aber wer erhofft, eine Lektoratsstelle einzusparen, wird enttäuscht werden.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Bücher sind zu individuell für einen automatisierten Text.”
Das stimmt für den finalen Klappentext. Es stimmt nicht für den ersten Entwurf. Kein Lektorat schreibt den ersten Entwurf eines Klappentexts auf einem weißen Blatt — man hat immer einen Ausgangspunkt (die Synopsis, alte Klappentexte vergleichbarer Titel). Die KI liefert diesen Ausgangspunkt schneller, nicht besser. Die inhaltliche Individualität entsteht im Editierschritt — der bleibt menschlich.

„Wenn der Klappentext falsch ist, schaden wir dem Buch.”
Ja. Deshalb gibt es den redaktionellen Prüfschritt. Der Unterschied zu heute ist nicht, dass weniger geprüft wird — es ist, dass der Ausgangspunkt strukturierter ist und der Prüfaufwand niedriger ist als beim Schreiben von Null. Ein KI-Klappentext, der inhaltlich falsch ist und trotzdem gedruckt wird, ist kein KI-Problem. Es ist ein Prozess-Problem: Wer hat ihn freigegeben, ohne ihn zu lesen?

„Das kostet mehr Zeit als es spart, weil die Texte sowieso überarbeitet werden müssen.”
Das ist der häufigste faire Einwand — und er trifft zu, wenn der Prompt schlecht kalibriert ist. Mit einem gut eingerichteten Prompt, der Verlagssprache und Beispiele kennt, liegt die Überarbeitungsrate bei 20–40 Prozent der Einträge, die substantielle Änderungen brauchen. Bei 60–80 Prozent der Einträge reichen kleine Anpassungen. Wer dieses Verhältnis nicht erreicht, hat ein Prompt-Problem, kein KI-Problem.

Woran du merkst, dass das zu dir passt

• Du erstellst pro Saison mehr als 20 neue Titel — unter dieser Schwelle ist der Pipeline-Einrichtungsaufwand schwer zu rechtfertigen
• Der Vorschau-Workflow bindet zwei oder mehr Personen für mehrere Wochen — nicht wegen inhaltlicher Komplexität, sondern wegen der schieren Menge
• Synopsen kommen in sehr unterschiedlicher Qualität — mal 20 Seiten Exposé, mal zwei Absätze; das Modell gleicht diese Varianz besser aus als ein menschlicher Erstversuch
• Ihr pflegt mehrere Programmbereiche mit verschiedenen Tonalitäten — die Herausforderung der Stil-Konsistenz ist real und bekannt im Team
• Das Design-Team wartet regelmäßig auf Texte, wenn die Layout-Deadline schon drückt — der sequenzielle Engpass ist identifiziert

Drei harte Ausschlusskriterien — wann die Pipeline (noch) nicht sinnvoll ist:

1. Unter 15 Titeln pro Saison. Die einmalige Einrichtungszeit (Prompt-Design, Design-Abstimmung, Pipeline-Setup) amortisiert sich erst ab einem gewissen Volumen. Für kleine Programme lohnt sich eine gute Klappentextvorlage und ein Stil-Leitfaden mehr als eine KI-Pipeline.

2. Autorensynopsen liegen strukturell unvollständig vor — kein verbindliches Briefingformular, keine Mindestlänge, keine Zielgruppen-Angabe. Dann ist das Input-Problem größer als das Output-Problem. Zuerst das Autorenformular strukturieren, dann die Pipeline bauen. Eine KI, die auf unvollständige Briefings trifft, produziert nicht besser als zufällig — sie produziert schnell schlecht.

3. Kein strukturierter Metadaten-Workflow vorhanden — alle Titelinfos wandern per E-Mail oder Word, es gibt keine zentrale Titelmappe, keine Datenbank. Dann fehlt der Input für die Pipeline. Der sinnvollste erste Schritt ist hier nicht eine KI-Pipeline, sondern eine einfache, konsistent gepflegte Titeldatenbank (Airtable, Google Sheets, oder ein VLB-Tool) — die Pipeline kommt danach.

Das kannst du heute noch tun

Öffne NotebookLM — kostenlos, kein Setup, kein API-Wissen nötig. Lade drei Titelunterlagen der kommenden Saison hoch: je eine Synopsis, eine Autorenbiografie und das Verlagsbriefing. Dann nutze den Prompt unten, um einen ersten Klappentext-Entwurf zu generieren.

Das dauert 20 Minuten. Was du danach weißt: Wie gut das Rohmaterial deiner Autorinnen und Autoren als Input funktioniert — und wo du noch Briefing-Lücken schließen musst, bevor eine skalierbare Pipeline Sinn ergibt.

Quellen & Methodik

• Börsenverein des Deutschen Buchhandels, IG Digital KI-Studie 2025 — Erhebung unter deutschen Verlagen zu KI-Einsatz und Anwendungsfeldern. Ergebnisse unter: boersenverein.de/interessengruppen/ig-digital/ergebnisse-der-ki-studie-2026/. Zentrale Zahl: 69 % der Verlage nutzen KI für Content-Generierung.

• MVB / VLB: „VLB-Datenqualität knackt 90-Prozent-Marke” (2023) — Mitteilung zu Metadatenqualität im deutschen Buchhandel. Quelle: mvb-online.de/presse/mitteilungen/2023/vlb-datenqualitaet-knackt-90-prozent-marke-ausnahme-lieferbarkeit. Basis für Abschnitt zu ONIX-Metadaten und Datenqualität.

• Consonance: „How to create a catalogue automatically using ONIX and InDesign” — Technischer Praxisbericht zur ONIX-InDesign-Automatisierung. Quelle: consonance.app/blog/how-to-create-a-catalogue-automatically-using-onix-and-indesign/

• Buchreport: „Die Verlagsvorschau als pragmatisches Arbeitsmittel” — Branchenartikel zur Funktion und Digitalisierung der Verlagsvorschau. Quelle: buchreport.de/news/die-verlagsvorschau-als-pragmatisches-arbeitsmittel/

• Börsenverein des Deutschen Buchhandels: Buchproduktion 2024 — 65.717 Titel veröffentlicht, 58.346 Erstauflagen. Quelle: boersenverein.de/markt-daten/marktforschung/wirtschaftszahlen/buchproduktion/

• American Libraries Magazine / Books by Bots (2025) — Dokumentation des Phantom-Bücher-Problems durch KI-Halluzinationen in Leselisten und Katalogen, als Evidenz für Failure Mode. Quelle: americanlibrariesmagazine.org/2025/09/02/books-by-bots/

• Schickler Unternehmensberatung: „Studie zu KI in Verlagen — Potenzial erkannt, Umsetzung stockt” (2025) — Unabhängige Marktanalyse zur KI-Adoption in der Buchbranche. Quelle: schickler.de/2025/04/studie-zu-ki-in-verlagen-potenzial-erkannt-umsetzung-stockt/

Praxisangaben (Zeitvergleiche, Fehlerquoten, Einführungsaufwand) basieren auf eigenen Erfahrungswerten aus Verlagsprojekten im deutschsprachigen Raum — keine repräsentative Studie, aber konsistente Muster aus mehreren Implementierungen.