Buchmetadaten (ONIX) automatisch optimieren für bessere Auffindbarkeit

Das echte Ausmaß des Problems

ONIX ist das XML-basierte Datenaustauschformat, über das Verlage ihre Titelinformationen an Händler, Distributoren und Bibliotheken übermitteln. Jeder ONIX-Datensatz enthält bis zu mehreren hundert mögliche Felder — von Titel, ISBN und Preis bis zu Klappentexten, Autorbiografien, Thema-Klassifikationscodes, Keywords und detaillierten Territorialrechten.

Das Problem: Vollständigkeit und Qualität dieser Felder entscheiden direkt darüber, ob ein Titel auf Verkaufsplattformen gefunden wird.

Eine Studie von Nielsen Book aus dem Jahr 2016 — die erste großangelegte Korrelationsanalyse zwischen Metadatenqualität und Abverkauf — fand, dass Belletristiktitel mit vollständigen Metadaten im Schnitt 170 Prozent höhere Verkaufszahlen aufwiesen als Titel mit unvollständigen Datensätzen. Bei Sachbuch- und Kindertiteln lag der Unterschied bei 55 Prozent. Die Zahlen sind alt, aber der Mechanismus hat sich seither nur verstärkt: Algorithmen auf Amazon, Thalia und Google Books gewichten Metadatenvollständigkeit zunehmend automatisch.

Eine Studie von Firebrand Technologies und Kadaxis (2016) zeigte den Effekt auf Einzeltitelebene: Dover Publications ergänzte Keywords im ONIX-Feed für ein 1967 erschienenes Ballett-Handbuch ohne jede sonstige Marketingmaßnahme. Ergebnis: 25 Prozent mehr Verkäufe innerhalb des Testzeitraums. Bei elf weiteren Dover-Titeln mit neu gesetzten Keywords stiegen die Verkaufszahlen innerhalb von vier Wochen um durchschnittlich 70 Prozent gegenüber dem Vorjahr.

Die schlechte Nachricht: Die meisten Verlage haben dieses Problem in ihren Backlists — und kaum jemand hat die redaktionelle Kapazität, es systematisch zu beheben:

• Klappentexte aus dem Erscheinungsjahr, die weder für Online-Suchalgorithmen noch für aktuelle Lesererwartungen geschrieben wurden
• Thema-Klassifikationscodes fehlen oder entsprechen veralteten BIC-Codelisten — seit 2023 empfiehlt der internationale Standard die Thema-Klassifikation als primäres System
• Keywords fehlen ganz: Eine Kadaxis-Bowker-Studie aus 2016 fand, dass nur 15 Prozent der rund 115.000 untersuchten Verlage überhaupt Keywords in ihren ONIX-Datensätzen hatten — und ein Großteil davon war ineffektiv
• Territorialrechte sind unvollständig oder widersprüchlich hinterlegt, was zu automatischen Sperren auf Plattformen führen kann

Das VLB (Verzeichnis lieferbarer Bücher), die zentrale Metadaten-Clearingstelle für den deutschsprachigen Buchhandel, hat im September 2024 berichtet, dass die Vollständigkeit der Pflichtfelder erstmals durchgängig über 90 Prozent liegt — aber das bezieht sich nur auf Pflichtfelder wie Umfang, Preis und Sprachangabe. Marketing-relevante Felder wie Klappentexte, Keywords und Contributor-Biografien liegen deutlich niedriger.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitangaben für die KI-gestützte Optimierung gehen davon aus, dass jeder KI-generierte Datensatz von einem Mitarbeitenden geprüft und freigegeben wird. Niemand sollte KI-Output ohne Prüfung in den Handel einliefern — das ist kein Sicherheitspuffer, sondern fachliche Grundanforderung.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5) Die Zeitersparnis je Titel ist erheblich: Von zwei bis drei Stunden manueller Recherchearbeit auf 30 bis 45 Minuten strukturierter Prüfung des KI-Outputs. Bei einem 200-Titel-Bestand summiert das auf 300 bis 450 eingesparte Arbeitsstunden. Das erreicht nicht ganz das Niveau von Video-Untertitelung oder Podcast-Transkription, wo die KI nahezu die gesamte Arbeit übernimmt — denn ONIX-Qualitätssicherung erfordert inhaltliches Urteilsvermögen, das Menschen beisteuern müssen. Aber im Branchenvergleich ist der Hebel stark.

Kosteneinsparung — hoch (4/5) Der Kostenvorteil entsteht auf zwei Wegen: erstens durch eingesparte Personalkosten für die Metadatenpflege, zweitens durch den Umsatzeffekt verbesserter Plattform-Rankings. Anders als bei der Übersetzungsunterstützung, wo du Übersetzerkosten direkt durch Eigenleistung ersetzt, ist der Revenue-Link hier eine Wahrscheinlichkeit, keine Garantie — er hängt vom Suchvolumen in deiner Kategorie, dem Wettbewerb und der Qualität der Landing Pages ab. Deshalb kein 5, aber der Hebel ist real und gut messbar.

Schnelle Umsetzung — mittel (3/5) Sechs bis acht Wochen bis zum ersten produktiven Batch ist realistisch — ONIX erfordert Verständnis des Standards, du musst Prompts bauen, gegen Thema-Codelisten testen und mit deinem Distributor abstimmen, welche Felder er wie erwartet. Das ist kein „heute anfangen, morgen fertig”-Tool wie Video-Untertitelung oder SEO-Artikel-Optimierung. Der Einstieg ist handhabbar, aber braucht Vorbereitung.

ROI-Sicherheit — hoch (4/5) Der Zusammenhang zwischen Metadatenqualität und Plattform-Sichtbarkeit ist gut belegt (Nielsen, Firebrand). Plattform-Rankings lassen sich vor und nach der Optimierung messen, der Abverkauf lässt sich mit zeitlicher Verzögerung zuordnen. Konfundierende Faktoren (Saisonalität, neue Konkurrenz, Preisänderungen) erschweren die exakte Kausalzuschreibung — deshalb kein 5, aber das ist einer der transparentesten ROI-Pfade im Verlagswesen.

Skalierbarkeit — maximal (5/5) Ein ausgearbeiteter Prompt-Workflow und ein Batch-Prüfprozess skalieren ohne Mehraufwand von 50 auf 500 oder 5.000 Titel. Sobald der Prozess steht, wird er zur schlanken Routinearbeit für Neuerscheinungen und Backlist-Updates — das ist der stärkste Aspekt dieses Anwendungsfalls.

Richtwerte — stark abhängig von Bestandsgröße, Komplexität der Thema-Kategorisierung und vorhandener Systemlandschaft.

Was ein ONIX-Datensatz enthält — und welche Felder wirklich zählen

ONIX (ONline Information eXchange) ist das internationale XML-Format, mit dem Verlage Produktinformationen an die gesamte Handelskette liefern. Jeder Datensatz ist im Grunde ein strukturierter Steckbrief eines Buches — aber mit bis zu mehreren hundert möglichen Feldern, von denen eine Handvoll für den Abverkauf entscheidend ist.

Diese Felder sind für die Auffindbarkeit besonders relevant:

Klappentexte und Werbetexte (TextContent-Composite) Amazon, Thalia, Google Books und andere Plattformen zeigen unterschiedliche Textblöcke je nach Kontext: Hauptbeschreibung, Kurztext für Metasuche, Werbezitat. Viele Verlage pflegen nur einen Text — und der wurde für Printvorschauen geschrieben, nicht für Online-Suchmaschinen.

Subject Codes: BIC, BISAC und Thema Hier entscheidet sich, in welcher Kategorie ein Buch auf einer Plattform gelistet wird. Falsche oder fehlende Codes bedeuten: Das Buch taucht in den falschen Kategorien auf — oder gar nicht. Der aktuelle internationale Standard heißt Thema (abgelöst BIC als primäres europäisches System seit 2023). Ein Thema-Code sieht aus wie „VFGB” und bedeutet “Sport: Laufen & Jogging”. Wer nicht weiß, welcher Code zu welcher Kategorie führt, klassifiziert ins Blaue.

Keywords Amazon ist die wichtigste Plattform, die Keywords aus ONIX tatsächlich in ihren Suchalgorithmus einbezieht. Das Feld ist optional — und daher bei den meisten Backlist-Titeln leer.

Autorbiografien (Contributor-Composite) Bibliotheken, Buchhandlungen und einige Onlineplattformen nutzen Autorbiografien für Empfehlungsalgorithmen und Katalogisierung. Fehlende oder einzeilige Biografien verringern die Chance, in Empfehlungslisten aufzutauchen.

SalesRights (Territorialrechte) Dieses Feld definiert, in welchen Ländern ein Verlag ein Buch verkaufen darf. Unvollständige oder widersprüchliche Angaben führen dazu, dass Plattformen Titel automatisch in bestimmten Märkten sperren — ohne Fehlermeldung, die du ohne aktive Prüfung bemerken würdest.

Für die KI-gestützte Optimierung sind die ersten vier Felder der sinnvollste Einstiegspunkt — sie lassen sich aus Manuskriptinhalt und vorhandenen Unterlagen generieren. Territorialrechte müssen dagegen aus vertraglichen Unterlagen abgeleitet werden; das ist kein KI-Job.

Was die KI konkret macht

Die Generative KI übernimmt in diesem Workflow drei Aufgaben:

1. Klappentext-Generierung Du gibst der KI Titelinhalt, Zielgruppe, Tonalität und Positionierung (im Idealfall aus dem Manuskript-Briefing oder dem Originaltext). Die KI generiert Klappentexte in mehreren Varianten — einen längeren Haupt-Klappentext, einen Kurztext für Mobile-Darstellungen und optional ein Werbezitat. Deine Aufgabe: prüfen, ob der Text inhaltlich stimmt, den Ton trifft und keine Halluzinationen enthält.

2. Thema-Code-Klassifikation Du beschreibst das Buch in freiem Text, gibst Titel, Untertitel und vorhandene Kategorien an. Die KI schlägt drei bis fünf Thema-Codes mit Begründung vor. Du prüfst gegen die Thema-Codeliste (kostenfrei unter thema.editeur.org abrufbar) und entscheidest, welche Codes zutreffend und strategisch sinnvoll sind. Dieser Schritt spart vor allem Recherchezeit — das Abgleichen von Buchtitel gegen Hunderte mögliche Codes war zuvor die zeitaufwändigste Teilaufgabe.

3. Keyword-Generierung Basierend auf Inhalt, Zielgruppe und typischen Suchbegriffen in der Kategorie generiert die KI ein Set von zehn bis fünfzehn Keywords. Du prüfst auf Relevanz, entfernst zu allgemeine oder bereits im Titel vorhandene Keywords und ergänzt branchenspezifische Fachbegriffe, die die KI möglicherweise nicht kennt.

Was die KI nicht übernimmt: die inhaltliche Verantwortung für den Output. Klappentexte, die der Inhalt nicht hält, oder Thema-Codes, die das Buch in die falsche Kategorie schicken, schaden mehr als sie nützen. Der Mensch ist die letzte Instanz — die KI beschleunigt den Weg dorthin.

Konkrete Werkzeuge — was wann passt

Es gibt keinen einheitlichen „ONIX-KI-Workflow” — die passende Kombination hängt davon ab, wie dein Verlag heute arbeitet.

Claude — für Klappentexte und Klassifikationsvorschläge Claudes langes Kontextfenster (200.000 Tokens) erlaubt es, komplette Manuskriptauszüge oder ganze Briefing-Dokumente einzufügen und daraus Klappentexte zu generieren. Claude produziert im Deutschen besonders natürlich klingende Texte — ein entscheidender Vorteil, wenn du nicht drei Korrekturleitfäden durcharbeiten willst. Für Thema-Code-Vorschläge kannst du Claude die vollständige Thema-Codeliste als Kontext mitgeben und gezielt nach Codes für einen Titel fragen. Kosten: Free für erste Tests, Pro ab 20 USD/Monat.

ChatGPT — für strukturierte Batch-Verarbeitung ChatGPT mit der Möglichkeit, eigene System-Prompts zu hinterlegen (Custom GPTs oder Projects), eignet sich gut für standardisierte Workflows, bei denen du denselben Prompt-Aufbau auf viele Titel anwenden willst. Du kannst dir ein GPT bauen, das bei jeder Anfrage deinen Verlagsstil, die wichtigsten Zielgruppenprofile und die bevorzugten Thema-Codes-Kategorien kennt. Kosten: Free (GPT-5 mit Limits), Plus ab 20 USD/Monat.

ONIXEDIT — für ONIX-Datenpflege und -auslieferung ONIXEDIT ist das Spezialtool für die eigentliche ONIX-Datenpflege: Du importierst vorhandene Datensätze, ergänzt die KI-generierten Inhalte in den richtigen Feldern und exportierst valide ONIX-3.0-XML an VLB, Libri, Ingram oder direkt an Amazon. Wichtig: ONIXEDIT hat keine KI-Funktion — es ist der Container, in den du den KI-Output einfließen lässt. Einmallizenz ca. 240 Euro.

Spreadsheet-basierter Batch-Workflow (Excel oder Google Sheets) Viele Verlage bauen ihren Workflow ohne Spezial-Software: Titeldaten in einer Tabelle, KI-generierte Felder in separaten Spalten, menschliche Prüfung über Farbmarkierungen. Dieser Ansatz ist günstig und flexibel, aber manuell aufwändig — er eignet sich am besten für Verlage, die noch kein ONIX-System haben und mit einem Piloten starten.

Wann welcher Ansatz

• Einzeltitelarbeit, Textentwürfe brauchst du gut: Claude
• Standardisierter Batch-Workflow, viele Titel mit gleichem Schema: ChatGPT Custom GPT
• ONIX-Export und Verteilung an Handelskunden: ONIXEDIT
• Einstieg ohne Budget und mit wenig ONIX-Erfahrung: Spreadsheet + Claude, direkt im VLB-Portal pflegen

Datenschutz und Datenhaltung

ONIX-Metadaten sind grundsätzlich öffentliche Produktinformation — Klappentext, Kategorien und Keywords sind genau die Inhalte, die auf Verkaufsplattformen erscheinen sollen. Das bedeutet: Du übergibst beim KI-gestützten Workflow keine personenbezogenen Daten im Sinne der DSGVO.

Ausnahmen gibt es in zwei Bereichen:

Autorbiografien können personenbezogene Daten enthalten — Geburtsdatum, Wohnort, frühere Berufe, Fotos. Wenn du Autorbiografien KI-seitig bearbeitest oder erstellst, gilt die DSGVO für die Verarbeitung dieser Daten. Kläre mit betroffenen Autorinnen und Autoren, welche Informationen sie in der Biografie veröffentlicht wissen wollen, bevor du die KI damit fütterst.

Manuskriptinhalte sind kein Problem hinsichtlich Datenschutz, aber möglicherweise vertraglich relevant. Wenn du unveröffentlichte Manuskriptauszüge in eine externe KI lädst, prüfe den Autorenvertrag auf Klauseln zur vertraulichen Behandlung unveröffentlichter Werke. Für veröffentlichte Backlist-Titel entfällt diese Einschränkung in der Regel.

Für den praktischen Workflow bedeutet das: Du kannst ONIX-Metadaten-Arbeit bedenkenlos mit Claude oder ChatGPT durchführen, solange du keine unveröffentlichten Manuskripte einfügst. Für den Datenschutz-sensiblen Weg (Autorbiografien, unveröffentlichter Content) bieten beide Tools Enterprise-Pläne mit EU-Datenverarbeitungsoptionen — Claude über AWS Bedrock (Frankfurt), ChatGPT über die Business- und Enterprise-Pläne mit EU-Datenresidenz.

Ein AVV (Auftragsverarbeitungsvertrag) nach Art. 28 DSGVO ist für personenbezogene Daten erforderlich und von beiden Anbietern auf Anfrage erhältlich.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Prompt-Entwicklung und -Testing: 5–10 Stunden intern
• ONIXEDIT-Lizenz (falls nicht vorhanden): ca. 240 Euro einmalig
• Externer Beratungsaufwand für ONIX-3.0-Migration und Thema-Code-Strategie: 1.000–3.000 Euro optional, lohnt sich bei komplexen Backlists mit mehr als 100 Titeln

Laufende Kosten (monatlich)

• KI-Werkzeug (Claude Pro oder ChatGPT Plus): 20 USD/Monat
• Bei intensivem Batch-Betrieb mit API-Anbindung: 50–200 Euro/Monat je nach Volumen

Manueller Vergleichswert Sophie aus dem Einstiegsszenario hat 200 Titel. Bei 2,5 Stunden Durchschnitt je Titel manuell und einem Bruttostundensatz von 30 Euro: 15.000 Euro Personalaufwand für die einmalige Backlist-Optimierung. Mit KI-Unterstützung und 40 Minuten je Titel: 4.000 Euro. Differenz: 11.000 Euro — für einen Prozess, der alle drei bis vier Jahre mit Backlist-Updates wiederholt werden müsste.

Wie du den ROI tatsächlich misst Vergleiche für deine Top-20-Backlist-Titel die Platzkennzahlen auf Amazon (Best Seller Rank in der Kategorie) und die Klickrate aus dem VLB-Dashboard vor und nach der Optimierung. Warte mindestens acht Wochen, bevor du das Ergebnis bewertest — Algorithmen reagieren nicht sofort. Wenn du den Eingriff zeitlich von anderen Marketingmaßnahmen trennst, kannst du die Kausalität gut eingrenzen.

Drei typische Einstiegsfehler

1. Thema-Codes ohne Codelisten-Abgleich generieren lassen Die KI kennt das Thema-System, aber keine Codeliste auswendig. Wenn du die aktuelle Thema-Masterliste (thema.editeur.org) nicht als Kontext mitgibst, erfindet die KI plausibel klingende Codes, die entweder nicht existieren oder das falsche Sachgebiet treffen. Ein „VFGB” und ein „VFGG” klingen ähnlich, landen aber in verschiedenen Plattform-Kategorien. Lösung: Codeliste beim Prompt mitgeben oder KI-Vorschläge immer manuell gegen die aktuelle Liste abgleichen.

2. Klappentexte ohne Plattform-Formatvorgaben schreiben lassen Amazon, Thalia und Weltbild haben unterschiedliche Anforderungen: Amazon zeigt bei Erstdarstellung nur die ersten 300 Zeichen, bevor ein „mehr anzeigen” erscheint. Thalia legt anderen Wert auf Konsumentenzielgruppe in der Beschreibung. Wenn du KI-Klappentexte ohne Plattformkontext generierst, bekommst du zwar inhaltlich korrekte Texte — aber möglicherweise Texte, bei denen der entscheidende Satz hinter dem Fold liegt. Lösung: Pro Zielplattform einen angepassten Textbaustein generieren lassen.

3. Den Optimierungsprozess einmalig aufsetzen und nicht pflegen Das ist der gefährlichste Fehler — weil er sich schleichend einschleicht.

ONIX-Datensätze veralten. Neue Kategorienversionen kommen heraus (Thema wird aktualisiert, Amazon ändert Browse Nodes), Autorinnen und Autoren gewinnen Preise und wollen ihre Biografie aktualisieren, Titel kommen in Neuauflagen mit neuem Inhaltsschwerpunkt. Wer den Optimierungsprozess einmal durchführt und dann sich selbst überlässt, hat nach drei Jahren teilweise wieder den alten Zustand.

Ein gepflegter Metadatenbestand braucht eine namentlich benannte Zuständigkeit und einen Wiederholungsrhythmus: mindestens einmal jährlich Thema-Code-Aktualität prüfen und Klappentexte der verkaufsschwachen Titel überarbeiten. Wer diesen Rhythmus nicht institutionalisiert, investiert heute Energie und verpufft den Effekt langfristig.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Seite ist die einfache. Die schwierigere Frage ist: Wer hat die Hoheit über den Metadatenbestand?

In vielen Verlagen ist diese Frage nicht eindeutig beantwortet. Lektorat pflegt die Klappentexte. Herstellung kennt die technischen Felder. Vertrieb weiß, welche Plattformen welche Feldtiefe brauchen. IT hat Zugang zum Titelmanagement-System. Wenn du KI-Optimierung einführst, entscheidest du implizit neu, wer welche Felder verantwortet.

Drei Muster tauchen dabei regelmäßig auf:

Das Lektorat sieht KI-Klappentexte als Qualitätsrisiko. Keine überraschende Haltung — Redakteurinnen und Redakteure haben inhaltliches Urteilsvermögen, das die KI nicht hat. Was hilft: den Prüfschritt deutlich machen. Kein KI-Output geht ohne menschliche Freigabe in den Handel. Die KI erstellt den Entwurf, das Lektorat gibt frei. Wer das versteht, verliert die Angst vor Qualitätsverlust.

Der Vertrieb unterschätzt den Aufwand für Territorialrechte. Wenn Territorialrechte lückenhaft gepflegt sind, ist das kein Metadatenproblem — das ist ein Rechteproblem. KI kann daran nichts ändern; du brauchst klare Vertragsunterlagen. Wer glaubt, KI könne dieses Problem lösen, beginnt mit falschen Erwartungen.

Die IT signalisiert „das erledigen wir über eine Schnittstelle” — und liefert sechs Monate später. Wenn dein Titelmanagement-System eine API hat, ist vollautomatischer Export theoretisch möglich. In der Praxis dauern solche Integrationen deutlich länger als geplant. Für den Einstieg empfiehlt sich daher immer ein manueller oder semi-automatischer Workflow: Export aus dem System, KI-Verarbeitung, manueller Import zurück. Erst wenn dieser Prozess stabil läuft, lohnt sich die technische Automatisierung.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Klappentexte sind sorgfältig vom Lektorat erstellt — die sind doch gut genug.” Für den Leseeindruck vielleicht. Für Suchalgorithmen nicht zwangsläufig. Ein exzellent geschriebener Klappentext, der nicht für Online-Suche strukturiert ist, wird auf Amazon schlechter ranken als ein mittelmäßiger Text, der die richtigen Signale sendet. Das Ziel ist nicht, gute Texte durch schlechte zu ersetzen, sondern vorhandene redaktionelle Qualität mit algorithmischer Sichtbarkeit zu kombinieren.

„Wir sind zu klein für ONIX-Optimierung — das lohnt sich erst ab einer gewissen Backlist-Größe.” Ab etwa 30 bis 50 aktiven Titeln lohnt es sich, den Prozess einmal aufzusetzen. Unterhalb dieser Schwelle ist manuelles Vorgehen effizienter — die Zeit, die du ins Prompt-Building investierst, rechnet sich nicht. Für kleinere Verlage gilt: VLB-Pflege direkt im Portal ist die pragmatische Alternative.

„KI erfindet Inhalte — ich will keine falschen Aussagen in meinen Metadaten.” Berechtigte Sorge, falsche Schlussfolgerung. Das Halluzination-Risiko ist kein Argument gegen KI-Einsatz, sondern ein Argument für menschliche Prüfung. Kein seriöser Workflow lässt KI-Output ungeprüft in die Auslieferung. Wenn du den Prüfschritt ernst nimmst, filtert er Fehler heraus — und du bist trotzdem fünfmal schneller als ohne KI.

„Unser Distributor sagt, er will keine KI-generierten Texte.” Was Distributoren in der Regel nicht wollen, sind schlechte Texte. Die meisten Anforderungen betreffen Qualität und Vollständigkeit, nicht die Herstellungsmethode. Wenn du nicht sicher bist: Frag explizit nach und zeig deinem Distributor ein Muster. In vielen Fällen ist die Sorge des Vertriebsteams eher allgemein als spezifisch.

Woran du merkst, dass das zu dir passt

Du hast einen klaren Bedarf, wenn mindestens drei der folgenden Punkte zutreffen:

• Dein Verlag hat 50 oder mehr aktive Backlist-Titel, und du hast keinen Rhythmus für die Metadatenpflege
• Klappentexte in deinem ONIX-Bestand stammen aus dem Erscheinungsjahr und wurden seitdem nicht überarbeitet
• Du stehst vor einem Distributor- oder Systemwechsel und musst die gesamte Backlist in ONIX 3.0 migrieren
• Titel in Kernsegmenten haben merklich schlechter entwickelte Amazon-Ranks als vergleichbare Titel im Markt
• Du hast für Metadatenpflege eine Stelle, die aber regelmäßig für andere Aufgaben abgezogen wird

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

1. Weniger als 30 aktive Titel im Backlist. Der Aufwand für Prompt-Entwicklung, Codelisten-Einarbeitung und Workflow-Etablierung übersteigt den Nutzen. In diesem Fall: VLB direkt pflegen, Klappentexte einmalig manuell überarbeiten, in zwei Jahren erneut prüfen.

2. Kein funktionierender ONIX-Lieferpfad zum Händler vorhanden. KI-optimierte Metadaten bringen nichts, wenn du sie nicht valide ausliefern kannst. Wer noch keine durchgängige ONIX-Lieferkette (eigenes System oder ONIXEDIT → VLB/Distributor → Händler) hat, sollte diese zuerst aufbauen. Der KI-Optimierungsschritt kommt danach.

3. Keine Person mit ONIX-Grundverständnis im Haus. Das ist kein absolutes Ausschlusskriterium, aber: Wer noch nie einen ONIX-Datensatz gesehen hat, wird mit KI-generierten Thema-Code-Vorschlägen nichts anfangen. Entweder eine externe Beratungsstunde für Grundlagen einplanen oder mit einem einfachen Klappentext-Workflow ohne Klassifikationsthemen starten.

Das kannst du heute noch tun

Lade einen Klappentext eines deiner meistverkauften Backlist-Titel und das zugehörige Lektoratsbriefing in Claude hoch. Gib der KI die folgende Aufgabe:

Erstelle drei Varianten des Klappentextes: eine für Amazon (Haupttext 300 Zeichen sichtbar, dann “Weiterlesen”), eine für Thalia (Volltext bis 800 Zeichen) und eine für VLB (sachlich, Informationstext ohne Werbeslogan). Prüfe außerdem, welche Thema-Codes aus der Hauptklasse ‘VFGB’ oder umgebenden Codes am besten passen.

Das kostet dich eine Stunde und zeigt dir sofort, ob der Ansatz für dein Programm funktioniert — bevor du einen Workflow für 200 Titel aufbaust.

Für den produktiven Batch-Einsatz ist hier ein bewährter Prompt:

Quellen & Methodik

• Nielsen Book US/UK Study 2016 — 170% höhere Verkaufszahlen: Nielsen Book, „The Importance of Metadata for Discoverability and Sales”, US- und UK-Studie 2016. Beide Studien über das EDItEUR-Archiv zugänglich. Korrelationsanalyse zwischen VLB-/Nielsen-Bibliografiedaten und Abverkaufszahlen aus BookScan. archive.org/details/nielsen-book-us-study

• Firebrand Technologies / Kadaxis — Keyword-Case-Study (2016): Studie mit sechs Verlagen inkl. Dover Publications, Andrews McMeel und Kaplan. Dover-Titel: 25% Umsatzsteigerung nach Keyword-Ergänzung ohne sonstige Maßnahmen. 11 Dover-Titel: 70% Steigerung innerhalb von 4 Wochen. firebrandtech.com/research/increasing-sales-visibility-keywords

• VLB-Datenqualitätsbericht 2024: MVB (Marketing- und Verlagsservice des Buchhandels), September 2024: Erstmals alle neun Kerndatenfeldkategorien über 90% Vollständigkeit. VLB-Datenbank: ca. 3 Millionen Titel aus über 22.000 Verlagen. mvb-online.de/presse/mitteilungen/2024/vlb-datenqualitaet-mit-erneuten-zuwaechsen

• Kadaxis-Bowker-Studie 2016: Nur 15% von 115.000 untersuchten Verlagen hatten Keywords in ihren ONIX-Datensätzen; Großteil davon ineffektiv. Zitiert in der Firebrand-Studie.

• Thema-Klassifikation als primäres europäisches System: EDItEUR, Thema v1.5 (2023). Internationale Empfehlung, BIC-Codes als ergänzendes, aber nicht primäres System zu führen. thema.editeur.org

• ONIX-Validierungsfehler (territorial rights, contributor roles): Edward Airiants, „The Revenue Impact of Metadata Hygiene”, Medium, Februar 2026. Strukturelle Analyse, keine empirischen Primärdaten. medium.com/@edward.airiants

• Zeitschätzungen und Kostenrechnung: Eigene Schätzwerte basierend auf der Aufgabenbeschreibung der Metadatenpflege (Klappentext, Klassifikation, Keywords, Prüfung) und Erfahrungswerten aus Verlagsworkshops. Keine repräsentative Studie.

Du willst wissen, ob dein Backlist-Bestand in einem Batch-Prozess sinnvoll optimierbar ist und welcher Aufwand realistisch auf dich zukommt? Meld dich — das lässt sich in einem kurzen Gespräch eingrenzen.