Eingehende Manuskripte und Einsendungen KI-gestützt bewerten

Das echte Ausmaß des Problems

Wer glaubt, das Lektorat großer Verlage durchforste Einsendungen entspannt mit einer Tasse Tee, liegt weit daneben. Mittelgroße deutschsprachige Belletristik-Verlage erhalten zwischen 500 und 3.000 unaufgeforderte Manuskripteinsendungen pro Jahr. Literarische Agenturen, die als Vorfilter fungieren, bekommen noch mehr.

Das Problem ist einfache Mengenmathematik: Bei 2 Stunden Erstscreening pro Einsendung — und das ist der Wert, den erfahrene Lektoren in der Praxis nennen — bedeutet ein Eingang von 1.000 Manuskripten im Jahr 2.000 Stunden Erstlesearbeit. Das entspricht einer Vollzeitstelle, die ausschließlich für Ablehnungen aufgewendet wird — bei einer Annahmequote von etwa 0,5 bis 2 %.

Gleichzeitig sind Verlage personell unter Druck. Lektorate wurden in den letzten Jahren aus Kostengründen systematisch verkleinert. Eine Studie des Börsenvereins des Deutschen Buchhandels (2024) zeigt: Rund 60 % der deutschen Verlage berichten, dass KI bei der Manuskriptarbeit bereits genutzt wird oder ernsthaft evaluiert wird — gleichzeitig fühlt sich knapp die Hälfte der Lektoratsmitarbeitenden von der Einsendungsflut überfordert.

Das Ergebnis dieser Überforderung ist doppelt schmerzhaft:

• Gute Manuskripte gehen unter. Bei 80 Einsendungen pro Woche und einem Lektorat von zwei Personen bleiben viele Einsendungen wochenlang ungesichtet. Manche werden gar nie vollständig gelesen. Das bedeutet: Das eigentlich interessante Manuskript von Seite 47 im Posteingang liegt hinter einem Berg von offensichtlichen Ablehnungen — und bekommt keine faire Chance.
• Die falschen Texte fressen die Zeit. Offensichtliche Nicht-Passungen brauchen trotzdem Zeit zur Sichtung. Ein klares Vorfilter-System würde diese Zeit freihalten — für die Texte, bei denen echtes Urteilsvermögen gefragt ist.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Schätzwert aus Erfahrungsberichten von NarratiQ-Pilotverlagen (buchmarkt.de 2025) und QualiFiction-Nutzerberichten (VFLL-Blog 2023). Setzt voraus, dass das Analyseprofil präzise zum Verlagsprogramm konfiguriert ist.

² Gegenläufiger Effekt: KI-Systeme können unkonventionelle, stilistisch ungewöhnliche Manuskripte systematisch niedriger bewerten. Mehr dazu im Abschnitt Einstiegsfehler.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Kein Anwendungsfall im Verlagsbereich bietet einen größeren Hebel auf die Arbeitszeit des Lektorats. Erstscreenings fressen in manchen Häusern ein Drittel der Lektors-Kapazität — und genau dort greift die KI. Der Effekt ist nicht abstrakt: Weniger Erstlektüre bedeutet mehr Zeit für die Bücher, die tatsächlich herausgegeben werden. Unter den verlaglichen Anwendungsfällen ist dies der deutlichste Zeitgewinn, der direkt auf die Kernarbeit einzahlt.

Kosteneinsparung — mittel (3/5) Die Tool-Kosten sind überschaubar — QualiFiction LiSA berechnet 49 € je Analyse, NarratiQ 79 €. Bei 1.000 Einsendungen im Jahr und vollständiger Vorprüfung aller Einsendungen: 49.000–79.000 € Analysekosten. Das ist für die meisten Verlage zu teuer für eine vollständige Abdeckung — weshalb der realistische Ansatz ein selektiver Einsatz ist (z. B. nur Kaltakquise ohne Agentureinsendungen). Bei 400 analysierten Manuskripten im Jahr, einer eingesparten Stunde pro Einsendung und einem Bruttostundensatz von 25 € ergibt sich eine Einsparung von ca. 10.000 €. Die Kosteneinsparung ist real, aber nicht dramatisch — weshalb die Mittelfeldposition korrekt ist.

Schnelle Umsetzung — niedrig (2/5) Das ist der unterschätzte Aufwand dieser Einführung: Die KI kann nur so gut sein wie das Verlagsprofil, das ihr zugrunde liegt. Wer die Kriterien nicht präzise definiert — Genre-Grenzen, Stilnormen, Vergleichstitel, Ausschlusskriterien — bekommt eine Analyse, die nicht trennscharf ist. Dieses Profil realistisch zu erarbeiten dauert 4–8 Wochen. Dazu kommt die Validierungsphase: Wir empfehlen, das System mit 20–30 bereits entschiedenen Manuskripten rückwirkend zu testen, bevor es für neue Einsendungen eingesetzt wird. Realistischer Zeitraum bis zum produktiven Betrieb: 12–16 Wochen.

ROI-Sicherheit — mittel (3/5) Die Zeitersparnis ist klar messbar — Lektors-Stunden vor und nach der Einführung. Was schwerer zu beziffern ist: ob die Qualität der Titelauswahl steigt oder fällt. Das ist das Kernversprechen — aber auch die größte Unsicherheit. Die bisherigen Erfahrungsberichte aus Pilotverlagen sind positiv, aber die Datenlage ist noch dünn. Ein Verlag, der das System 12 Monate einsetzt, kann danach eine fundierte Aussage treffen. Vorher bleibt es eine informierte Wette.

Skalierbarkeit — sehr hoch (5/5) Das System skaliert linear mit dem Einsendungsvolumen ohne zusätzlichen Personalaufwand. Wächst ein Verlag, öffnet er ein neues Imprint oder verdoppelt sich das Einsendungsvolumen durch eine Marketingkampagne — die KI-Vorauswahl wächst ohne neue Stellen mit. Das ist der entscheidende strukturelle Vorteil gegenüber der rein manuellen Sichtung, die an Personalkapazitäten gebunden bleibt.

Richtwerte — stark abhängig von Verlagsgröße, Einsendungsvolumen und Konfigurationsqualität des Verlagsprofils.

Was das System konkret macht

Der technische Ansatz verbindet mehrere Verfahren aus der Verarbeitung natürlicher Sprache (NLP):

Strukturanalyse: Das System prüft das Manuskript auf erzähltechnische Strukturmerkmale — Einstieg und Exposition, Wendepunkte, Spannungskurve, Verhältnis von Dialog zu Beschreibung, Kapitelstruktur. Diese Merkmale sind kodifizierbar und lassen sich gut automatisiert prüfen.

Stilistische Bewertung: Satzkomplexität, Vokabular, Lesefluss, Redundanzen, Wiederholungsdichte — die KI erkennt stilistische Muster, die erfahrenen Lektoren als Qualitätssignale gelten. Ein flacher, schablonenhafter Schreibstil lässt sich algorithmisch von einem differenzierten unterscheiden, auch wenn das Urteil nie vollständig ist.

Genre- und Programmpassung: Das System vergleicht das Manuskript mit konfigurierten Verlagsprofilen — welche Genres publiziert ihr, welche Stimmungslagen, welche Lesergruppe, welche Vergleichstitel? Diese Konfiguration bestimmt maßgeblich die Qualität der Vorauswahl.

Marktpotenzial-Schätzung: QualiFiction LiSA wurde auf ca. 10.000 deutschsprachigen Publikationen trainiert und schätzt ein Leserpotenzial-Score — wie viel Prozent der Vergleichstitel performen besser oder schlechter. Das ist informativer Input, aber kein Orakel. Wie auch: Der Algorithmus kennt nur Bestseller von gestern, nicht von morgen.

Was das System nicht kann

Ehrlichkeit ist hier wichtiger als die Stärken:

• Ironie und Subtext: Die KI liest Texte wörtlich. Subtile Doppelbödigkeiten, ironische Erzählerkommentare oder bewusst brüchige Figuren — das sind Qualitäten, die erfahrene Lektoren erkennen und schätzen, ein Algorithmus aber als Schwäche wertet.
• Das neue Stimme-Gefühl: Wann immer ein Debütroman etwas fundamental Neues tut — ungewohnter Rhythmus, unerhörte Perspektive, Spiel mit Genre-Grenzen — wird die KI das als Abweichung vom Bekannten werten, nicht als Potential. Das ist der systematische Bias gegen das Ungewöhnliche.
• Kontext außerhalb des Textes: Ist die Autorin eine bekannte Stimme in einer relevanten Community? Ist das Thema gerade politisch aufgeladen und damit für eine Titelentscheidung relevant? Hat der Protagonist eine besondere Biografie, die das Lektorat kennt und einordnen kann? Kontextwissen bleibt menschliche Domäne.

Das Filterblasenproblem: Der Elefant im Raum

Bevor wir zu den Werkzeugen kommen, muss dieser Punkt ausgesprochen werden — weil er in Verkaufsgesprächen selten fällt.

KI-Systeme zur Manuskriptbewertung lernen aus historischen Daten: Was hat sich in der Vergangenheit gut verkauft? Was wurde angenommen? Diese Trainingsdaten sind keine neutrale Stichprobe der Literatur. Sie spiegeln, was in einem bestimmten Markt zu einer bestimmten Zeit Erfolg hatte — und systematisch bevorzugt wurden: westeuropäische Erzähltraditionen, bestimmte Genrekonventionen, bestimmte Identitäten der Autor:innen.

Eine KI, die auf deutschen Bestsellern der letzten 20 Jahre trainiert wurde, wird Manuskripte bevorzugen, die diesen Mustern ähneln. Das ist keine Fehlfunktion — es ist, wie das System arbeitet. Dr. Kirsten Reimers, Lektorin und VFLL-Mitglied, beschreibt das Problem präzise: QualiFiction LiSA analysiere „Bestseller von gestern” — und wer innovativ sei, falle durch das Raster.

Was das für deinen Einsatz bedeutet: Nutze KI-Vorauswahl für die offensichtlichen Fälle — Genre-Fehlanpassungen, Strukturprobleme, handwerkliche Mängel. Das sind legitime Ausschlussgründe, bei denen die KI verlässlich ist. Aber: Leg niemals fest, dass Manuskripte unterhalb eines KI-Schwellenwerts automatisch abgesagt werden. Die Entscheidung muss beim Lektorat bleiben — die KI liefert Input, kein Urteil.

Konkrete Werkzeuge — was wann passt

Drei Kategorien von Werkzeugen sind für diesen Anwendungsfall relevant:

1. Spezialisierte Manuskript-Analyse-KI

QualiFiction LiSA — Das erste spezialisierte KI-Tool für den deutschsprachigen Buchmarkt. Trainiert auf ca. 10.000 deutschsprachigen Publikationen, liefert LiSA in ca. 30–60 Sekunden einen strukturierten Report mit Leserpotenzial-Score, Plotkonsistenz, Stilanalyse und Print-Run-Empfehlung. Stärke: tiefe Verortung im deutschen Markt. Einschränkung: vorrangig Belletristik, Sachbücher werden weniger gut erfasst. Preise: 49 € je Einzelanalyse, Verlagslizenz auf Anfrage.

NarratiQ — Neueres, 2025 auf der Frankfurter Buchmesse vorgestelltes Tool. Erlaubt konfigurierbare Analyseprofile je Imprint oder Genre, was es für Mehrsparten-Verlage flexibler macht. Analysiert Inhalt, Sprache, Logik, Struktur und Marktpotenzial in 3–15 Minuten. Preis: 79 € je Einzelanalyse, Credit-Bundles für Verlage. Aktuell noch wenig Praxisreferenzen (ca. 10 Pilotprojekte), die Lernkurve ist niedrig.

Wann welches Tool?

• Stark im deutschen Markt, schnell: QualiFiction LiSA
• Flexibel nach Imprint konfigurierbar, moderner Ansatz: NarratiQ

2. Allgemeine LLMs für Strukturanalyse

Für Verlage, die kein spezialisiertes Tool einsetzen wollen oder können, lassen sich Claude oder ChatGPT als Erstscreening-Assistenten nutzen — mit einem gut entwickelten Prompt (Vorlage am Ende dieser Seite). Das ist weniger präzise als ein trainiertes System, kostet aber nur die bestehende KI-Lizenz. Sinnvoll als Einstieg mit niedrigem Investitionsrisiko.

3. Submission-Management-Plattformen

Das beste Screening-System nutzt wenig, wenn Einsendungen unstrukturiert per E-Mail ankommen. Professionelle Submission-Management-Software verwaltet den Einsendungsprozess — Metadaten erfassen, Status verfolgen, standardisierte Kommunikation. Submittable (submittable.com) ist der Marktführer für Literaturverlage und -zeitschriften; Preise ab ca. 220 USD/Jahr für kleine Verlage bis über 10.000 USD/Jahr für große Häuser. Die KI-Analyse kann dann auf die strukturiert erfassten Einsendungen aufsetzen.

Wann welcher Ansatz?

• Kein Budget für spezialisierte Tools, Einstieg gesucht → Claude oder ChatGPT mit Prompt-Vorlage
• Deutschsprachige Belletristik, schnell und ohne Konfigurationsaufwand → QualiFiction LiSA
• Mehrsparten-Verlag, Imprint-spezifische Profile benötigt → NarratiQ
• Noch kein strukturiertes Einsendungsmanagement → erst Submission-Management einführen, dann KI-Analyse draufsetzen

Datenschutz und Datenhaltung

Manuskripte sind urheberrechtlich geschützte Werke. Das bedeutet: Jeder Verarbeitungsschritt, bei dem ein Manuskript ein externes System durchläuft, muss rechtlich abgesichert sein.

Relevante Fragen, die vor dem Produktivbetrieb beantwortet sein müssen:

• Werden die hochgeladenen Manuskripte für KI-Training verwendet? Sowohl QualiFiction als auch NarratiQ erklären ausdrücklich, dass Manuskript-Rohtexte nicht für das Training weitergegeben oder öffentlich gemacht werden. Das sollte im Nutzungsvertrag schriftlich fixiert sein.
• Wo werden die Daten verarbeitet? Beide Tools verarbeiten in der EU (Deutschland). Bei der Nutzung allgemeiner LLMs wie Claude oder ChatGPT mit Manuskripttexten gilt: Über die Consumer-Apps laufen Daten durch US-Server — für urheberrechtlich sensible Inhalte nicht ideal. EU-konforme Nutzung über AWS Bedrock (Frankfurt) oder Azure OpenAI (Amsterdam) ist möglich, erfordert aber Entwicklerunterstützung.
• DSGVO-Pflicht: Auch wenn Manuskripte keine personenbezogenen Daten sind — oft enthalten sie persönliche Widmungen, Autorenbiografien, Kontaktdaten. Wer Manuskripte durch Drittanbieter-Software verarbeitet, sollte einen Auftragsverarbeitungsvertrag (AVV) mit dem Anbieter abschließen.
• Autorentransparenz: Informierst du Einsendende, dass ihre Manuskripte KI-analysiert werden? Es gibt aktuell keine gesetzliche Pflicht dazu — aber es ist eine kulturelle und ethische Frage, die in der Branche diskutiert wird. Jane Friedman (2025) berichtet, dass Transparenz gegenüber Autoren einer der Hauptgründe ist, warum Publisher zögern, KI öffentlich im Auswahlprozess einzusetzen.

Was es kostet — realistisch gerechnet

Szenario: Mittelgroßer Belletristik-Verlag, 800 Kaltakquise-Einsendungen pro Jahr

Einmalige Einrichtungskosten:

• Verlagsprofil erarbeiten und kodieren: 3–6 Wochen Lektors-Zeit intern
• Validierungslauf mit 30 historischen Einsendungen: 1 Woche
• Externe Beratung (optional): 2.000–5.000 €
• Gesamteinrichtung: ca. 4.000–8.000 € (intern + extern)

Laufende Kosten (monatlich):

• QualiFiction LiSA: 49 € × 65 Einsendungen = 3.185 € im Monat (Vollabdeckung) — in der Praxis: selektiver Einsatz ca. 30 Einsendungen × 49 € = 1.470 €/Monat
• NarratiQ Credit-Bundle: vergleichbar, Staffelpreise bei Volumen
• Allgemeine LLMs (Claude/ChatGPT) per API: deutlich günstiger — ca. 0,50–2,00 € je Manuskript-Analyse, dafür weniger spezialisiert

Was du dagegenrechnen kannst: Eine Lektorin, die 30 Manuskripte im Monat weniger vollständig liest und stattdessen nur KI-Reports prüft: ca. 25–30 Stunden eingesparte Erstlesezeit. Bei einem Bruttostundensatz von 20–30 € (Lektoren sind häufig unterbezahlt): 500–900 € monatliche Einsparung — konservativ gerechnet. Der monetäre ROI ist damit nicht dramatisch. Der eigentliche Wert ist die Qualitätswährung: Diese 30 Stunden fließen in die Arbeit mit Texten, die wirklich eine Chance haben.

Wie du den Nutzen tatsächlich misst: Führe vor der Einführung eine Baseline: Wie viele Stunden Erstlektüre pro Monat? Nach 6 Monaten mit KI-Unterstützung: wie viele? Das ist die ehrlichste Zahl. Zusätzlich: Wie viele Manuskripte haben es vom KI-Shortlist in den vollständigen Lektor-Durchgang geschafft? Wie viele davon wurden angefragt? Das gibt dir ein Gefühl für die Treffsicherheit des Systems.

Drei typische Einstiegsfehler

1. Das Verlagsprofil wird zu unscharf definiert. „Wir machen Belletristik” ist kein Analyseprofil. Ein Kriterium für KI-Manuskriptbewertung muss operationalisierbar sein: Welche Genres publizierst du? Welche nicht? Welche Stimmungslagen? Welche Zielgruppe — Lesealter, Interessen, Kaufgewohnheiten? Welche Vergleichstitel aus deinem Backlist sind Benchmarks? Ohne diese Arbeit bekommt die KI keine Orientierung und produziert Scores, die nichts aussagen. Die Vorarbeit zum Profil ist 80 % des Aufwands — wer das überspringt, verschwendet Budget.

2. Die Schwelle für Automatik-Absagen wird zu niedrig gesetzt. Einige Teams versuchen, aus Effizienzgründen eine KI-Score-Schwelle einzurichten, unterhalb derer Einsendungen automatisch ohne menschliche Sichtung abgesagt werden. Das ist nachvollziehbar — und ein Fehler. Genau jene Manuskripte, die stilistisch unkonventionell sind, unerwartete Stimmen haben oder in einer Nische spielen, die die KI nicht kennt, werden im Score schlechter abschneiden. Kein einziges Manuskript sollte ohne menschliche Prüfung endgültig abgesagt werden. Die KI filtert auf — sie entscheidet nicht.

3. Das System wird eingeführt, aber nicht kalibriert und nicht gepflegt. Das ist der langfristig teuerste Fehler. Ein Manuskript-Analyse-System, das nicht regelmäßig mit den tatsächlichen Entscheidungen des Lektorats abgeglichen wird, driftet. Die Verlage, die nach 12 Monaten von guten Ergebnissen berichten, sind jene, die einmal im Quartal gefragt haben: Welche Manuskripte, die die KI niedrig gerankt hat, haben wir trotzdem angefragt — und warum? Was sagt uns das über die Grenzen des Analyseprofils? Ohne diese Feedbackschleife wird das System zum Selbstzweck, das niemand mehr hinterfragt.

Was mit der Einführung wirklich passiert — und was nicht

Die naheliegende Befürchtung im Lektorat: Wird mein Job durch das System ersetzt? Die ehrliche Antwort: Nein — aber er verändert sich. Wer bisher viel Zeit damit verbracht hat, offensichtliche Nicht-Passungen auszusortieren, wird mehr Zeit für echte Lektürearbeit haben. Das ist besser. Es kann sich aber vorübergehend falsch anfühlen — weil das intensive Lesen aller Einsendungen auch ein Gefühl von Gründlichkeit und Fairness gegeben hat.

Drei Widerstands-Muster tauchen in fast jeder Einführung auf:

Die Fairness-Sorge. „Jede Einsendung verdient eine faire Chance, von einem Menschen gelesen zu werden.” Das ist ein nachvollziehbarer Impuls — und er ist nicht falsch. Er muss offen besprochen werden, nicht weggedrückt. Die Antwort: Eine faire Chance bedeutet nicht, dass jedes Manuskript vollständig gelesen werden muss. Es bedeutet, dass keine legitime Einsendung ohne Bearbeitung verschwindet. Eine KI-gestützte Kurzliste mit menschlicher Entscheidung ist fairer als der bisherige Zustand, in dem Einsendungen wochenlang ungesichtet bleiben.

Der erste Fehlalarm. Wenn das System ein Manuskript niedrig bewertet, das ein Lektor interessant findet — und das wird passieren — ist die erste Reaktion oft: „Das System taugt nichts.” Das ist der falsche Schluss. Der richtige Schluss: „Das System hat etwas übersehen — warum? Was fehlt im Profil?” Jeder Fehlalarm ist Kalibrierungsmaterial.

Die Transparenzfrage nach außen. Wollen wir Einsendenden sagen, dass ihre Manuskripte KI-analysiert werden? Das ist eine Frage, die das Team entscheiden muss, bevor das System live geht. Es gibt kein Richtig oder Falsch — aber es gibt einen Unterschied zwischen einer Politik, die vorab kommuniziert wird, und einer, die im Nachhinein herauskommt.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Das ist unfair gegenüber Autoren — sie verdienen einen Menschen, der ihren Text liest.” Das stimmt — und das ändert sich nicht. KI-Vorauswahl bedeutet nicht, dass niemand mehr liest. Es bedeutet, dass die menschliche Lektüre auf jene Texte konzentriert wird, die eine echte Chance haben. Der alte Zustand — monatelang ungelesen im Posteingang — war nicht fairer. Er war nur menschlicher im Ablauf, nicht im Ergebnis.

„Was, wenn die KI genau das Buch ablehnt, das ein Bestseller wird?” Das kann passieren. Algorithmen erkennen Muster aus der Vergangenheit — nicht aus der Zukunft. Das Gegenargument: Wie oft hat das menschliche Lektorat unter Zeitdruck einen Text abgelehnt, der anders ausgegangen wäre, wenn er 30 Minuten statt fünf bekommen hätte? KI ist kein schlechteres Urteil — es ist ein anderes Urteil. Das menschliche Urteil hat immer das letzte Wort.

„Wir haben das bisher auch ohne KI geschafft.” Gestimmt — aber zu welchem Preis? Wenn das Lektorat 30–40 % seiner Zeit mit Erstscreenings verbringt, zahlt das auf die Qualität der eigentlichen Verlagsarbeit ein. Wer Lektoratsarbeit als rein kreative, nie optimierbare Tätigkeit betrachtet, wird diese Investition nicht machen wollen. Wer sie als Prozess sieht, der effizienter werden kann, ohne Qualität zu opfern, findet hier ein reales Werkzeug.

Woran du merkst, dass das zu dir passt

Fragen, die du mit Ja beantworten solltest, bevor du weitermachst:

• Euer Lektorat erhält mindestens 200 Kaltakquise-Einsendungen pro Jahr — also unaufgeforderte Einsendungen, die nicht durch Agenturen oder bestehende Autorenbeziehungen vermittelt wurden
• Der Anteil der internen Erstlektüre an der Gesamtlektors-Arbeitszeit liegt bei mehr als 25 % — das ist der Schwellenwert, ab dem die Investition in ein Analysesystem messbare Entlastung bringt
• Euer Verlagsprogramm hat ein klares Profil, das sich in Genre-Kriterien, Zielgruppen und Vergleichstitel übersetzen lässt — ohne dieses Profil kann kein System verlässlich vorfiltern
• Das Lektorat ist bereit, die Entscheidungshoheit aktiv zu behalten und nicht auf KI-Scores zu delegieren

Wann es sich nicht lohnt — drei harte Ausschlusskriterien:

1. Verlage mit unter 200 jährlichen Kaltakquise-Einsendungen. Der Konfigurationsaufwand und die Tool-Kosten rechtfertigen sich erst ab diesem Volumen. Bei 100 Einsendungen im Jahr genügt ein strukturierter Sichtungsprozess mit klaren internen Kriterien — das braucht keine KI.

2. Literarisch-avantgardistische Verlage, die explizit unkonventionelle Stimmen suchen. KI-Systeme, die auf kommerziellen Erfolgsmaßstäben trainiert wurden, werden systematisch jene Manuskripte niedriger bewerten, die ihr sucht. Das ist kein Kalibrierungsproblem — es ist ein strukturelles Missverhältnis zwischen eurem Programm und dem, was die KI als Erfolg kennt. Ihr verschlechtert eure Trefferquote, nicht verbessert sie.

3. Verlage ohne definiertes Programmprofil und Backlist-Bestand für Vergleiche. Ein KI-Analyseprofil braucht eine Referenz — gegen was soll ein Manuskript verglichen werden? Wer kein klares Programmprofil hat, bekommt von der KI eine Analyse ins Leere. Erst wenn ihr wisst, was ihr wollt, kann die KI euch sagen, ob das Manuskript dazu passt.

Das kannst du heute noch tun

Öffne Claude oder ChatGPT und teste den folgenden Prompt mit einem eurer letzten abgelehnten Manuskripte. Du brauchst kein Tool-Abo, kein Budget — nur ein paar Seiten des Textes als Eingabe. Das Ergebnis zeigt dir, ob eine KI-gestützte Vorauswahl für euren Kontext sinnvoll sein könnte.

Quellen & Methodik

• NarratiQ — KI-Tool für Manuskriptanalyse: buchmarkt.de, „Mit KI Manuskripte einordnen: Das Analyse-Tool NarratiQ” (2025, buchmarkt.de/narratiq/). Konkreter Preis (79 € je Analyse), Credit-Modell, ~10 Pilotprojekte, Vorstellung Frankfurter Buchmesse 2025 — primär aus dieser Quelle. Entwicklungskosten-Referenz: „externe Teams hätten 250.000–350.000 € bedeutet” — direkte Aussage der Gründer in diesem Bericht.
• QualiFiction LiSA — Kritische Einschätzung aus Lektor:innenperspektive: VFLL-Blog (Lektorenverband), „KI übernimmt Manuskriptauswahl” — Dr. Kirsten Reimers, 2023 (lektorenverband.de). Spezifische Kritik: „Bestseller von gestern”-Bias, Training auf 10.000 Manuskripten, Risiko der Mainstream-Bevorzugung.
• Praxisnachweis — Zeitersparnis: Börsenblatt, „Eine erhebliche Zeitersparnis” (2025, boersenblatt.net). Barcelonaer Verlag nutzt NarratiQ für deutsche Cozy-Romance-Einsendungen; 3–15 Minuten Analysezeit je Manuskript.
• Marktbefragung KI in Verlagen: Börsenverein des Deutschen Buchhandels, Studie 2024 — zitiert über literaturcafe.de; rund 60 % der deutschen Verlage berichten über aktive oder evaluierte KI-Nutzung.
• Gegenargument — Implementierungsbarrieren: Jane Friedman, „AI & the Slush Pile: Lots of Experimenting but No Implementation (Yet)” (2025, janefriedman.com). Mehrheit der Publisher noch in Erprobungsphase; Transparenz gegenüber Autoren als Haupthürde.
• Filterblasen-Systematik: PublishingState.com, „AI Bias in Publishing: How Algorithms Shape What We Read” (2024, publishingstate.com). Feedback-Loop-Mechanismus bei historischen Trainingsdaten — Manuskripte, die bestehenden Mustern ähneln, werden bevorzugt.
• QualiFiction LiSA — Preise: Veröffentlichte Einzeltarife qualifiction.info/lisa/preise/ (Stand Mai 2026): 49 € je Einzelanalyse, Volumenlizenzen auf Anfrage.

Du willst einschätzen, ob das für euren Verlag — mit eurem Einsendungsvolumen und eurem Programmfokus — wirklich einen Unterschied macht? Meld dich für ein kurzes Gespräch.