// DEEP DIVE | CONTENT FACTORY
AI Quality Assurance: Vertrauen ist gut, Validierung ist besser
Content-Qualitätssicherung für KI-generierte Inhalte ist nicht optional, sie ist die Voraussetzung für produktiven Betrieb. Wer tausende Texte oder Assets automatisiert generiert, braucht eine automatisierte Qualitätskontrolle, sonst skaliert man Fehler statt Wert. Wir setzen ein dreistufiges Sicherheitssystem ein: automatisierte Regel-Prüfungen, Fakten-Abgleich gegen Quelldaten und Human-in-the-Loop für unsichere Fälle. So geht kein fehlerhafter Text live.
DAS PROBLEM
Ein falscher Fakt ruiniert das Vertrauen
KI ist kreativ, aber nicht immer präzise. Was als Stilmittel akzeptabel klingt ("Diese Jacke wirkt edel"), wird zum Problem, wenn die KI Fakten erfindet ("Diese Jacke ist aus 100 Prozent Wolle", obwohl im PIM Polyester steht). Im Produkttext eines Online-Shops ist das eine Rücksendung, in einem Sicherheitshinweis ein Haftungsfall, in einer EU-AI-Act-relevanten Anwendung ein Compliance-Verstoß.
Das Risiko skaliert mit dem Output. Wer 10 Texte pro Tag von Hand schreibt, kann jeden lesen. Wer 10.000 Texte pro Stunde generieren lässt, sieht keinen einzigen davon, bevor er live geht. Die Logik des einzelnen Reviews funktioniert nicht mehr, gleichzeitig wachsen die Konsequenzen eines unentdeckten Fehlers.
Die Alternative ist nicht weniger Volumen, sondern eine automatisierte Qualitätspolizei vor dem Publish. Regel-Checks fangen Tippfehler und Brand-Verstösse, Fakten-Checks fangen Halluzinationen, Human Review fängt die Fälle, in denen die ersten beiden Schichten unsicher sind. Drei Firewalls, jede mit eigener Aufgabe.
Was ist Linguistic Quality Assurance (LQA) für KI-Content?
Linguistic Quality Assurance (LQA) für KI-Content ist ein mehrstufiger Prüfprozess, der vor dem Publish jedes generierte Asset gegen technische, inhaltliche und Brand-Kriterien testet. Anders als manuelles Lektorat funktioniert LQA automatisiert: Grammatik, Tone of Voice, SEO-Konformität und vor allem Faktenlage werden über definierte Regeln und KI-Modelle geprüft. Was alle Schwellen passiert, geht live. Was unsicher ist, geht in den Human-in-the-Loop. Das Ergebnis ist eine messbare Qualitätsquote bei voller Skalierung.
Drei Schichten Sicherheit, ein Freigabe-Workflow
/ UNSER ANSATZ
01
Schritt 01
Automated Rule Checks
Die schnellste Prüfung passiert vollautomatisch. Rechtschreibung und Grammatik (Sprach-Engine), SEO-Score (Keyword-Dichte, Meta-Längen, Lesbarkeit nach Flesch-Index), Tone-of-Voice-Konformität (gegen Ihre Brand-Definition geprüft), verbotene Begriffe (etwa veraltete Markennamen, regulatorisch unzulässige Behauptungen). Was hier durchfällt, geht nie zum Menschen, sondern direkt in die Korrektur-Schleife.
02
Schritt 02
Fact-Validation (Grounding)
Die wichtigste Schicht. Hier vergleicht die KI den generierten Text mit den Quelldaten. Steht im Text "100 Prozent Wolle", obwohl in den PIM-Daten "Polyester" steht, schlägt das System Alarm. Jede inhaltliche Aussage wird rückverfolgt zur Datenquelle. Erfindet die KI Features, die das Produkt nicht hat, oder Zahlen, die nicht im Datensatz stehen, wird der Text aussortiert. Das ist die Anti-Halluzinations-Garantie.
03
Schritt 03
Human-in-the-Loop Review-Interface
Die unsicheren 5 bis 15 Prozent landen bei einem Lektor. Im Review-Interface sieht der Lektor nur die markierten Fälle, nicht den kompletten Bestand. Pro Fall werden Confidence Score, Quelldaten und die Auffälligkeit angezeigt (Beispiel: Material-Konflikt, Tone-Abweichung, Lesbarkeits-Ausreisser). Mit zwei Klicks freigeben, korrigieren oder ablehnen. Jede Korrektur fließt als Feedback zurück in die Modelle und verbessert die Confidence-Schwellen.
04
Schritt 04
Freigabe-Workflow und Versionierung
Was alle drei Schichten passiert hat, geht in einen definierten Freigabestatus in Ihrem PIM oder CMS. Für regulierte Branchen oder Brand-kritische Inhalte können Sie zusätzliche Stages einbauen (Legal Review, Brand Manager Sign-off). Jede Version ist versioniert und mit User-ID plus Zeitstempel auditierbar. Wer später fragt "Wer hat das so freigegeben?", bekommt eine Antwort.
Das Interface, das Lektoren entlastet
Ein guter QA-Workflow ist nur so gut wie das Interface, in dem Lektoren arbeiten. Statt Lektoren mit hundert Texten zu überfluten, zeigt unser Interface gezielt die problematischen Fälle. Pro Fall wird angezeigt, warum die KI unsicher ist (Material-Konflikt, niedriger Confidence Score, Tone-Abweichung), was die Quelldaten sagen, und welche Korrektur die KI vorschlägt. Der Lektor entscheidet, statt zu suchen. Das verkleinert den Review-Aufwand um den Faktor 5 bis 10 gegenüber klassischem Volltext-Lektorat.
5, 15 %
Anteil der Texte, die in den Human-in-the-Loop gehen
Statt 100 Prozent Lektorat (manuell, teuer, langsam) gehen mit den drei automatischen Schichten nur die unsicheren Fälle an einen Menschen. Bei sauberen Produktdaten liegt die Quote bei 5 Prozent, bei komplexem oder neuem Sortiment bei bis zu 15 Prozent. Skaliert auf 10.000 Texte pro Tag: 500 bis 1.500 Reviews pro Tag statt 10.000. Ein Lektor schafft das, ein ganzes Team brauchte vorher Wochen dafür.
Drei Schichten gegen klassisches Volltext-Lektorat
Dimension
Klassisches Volltext-Lektorat
Xanevo QA-Pipeline
Abdeckung
100 % Lektorat von Hand
100 % automatisierte Prüfung, 5 bis 15 % Human Review
Geschwindigkeit
Stunden pro Text
Sekunden pro Text
Halluzinationen
Werden übersehen, wenn Lektor das Produkt nicht kennt
Werden durch Fact-Check gegen PIM aufgedeckt
Konsistenz
Schwankt zwischen Lektoren
Regelbasiert, objektiv
Auditierbarkeit
Manuell dokumentiert
Versioniert mit User-ID und Zeitstempel
Drei Fragen, die Brand und Legal stellen
Wir machen keine Garantie auf 100 Prozent Fehlerfreiheit. Keine Software, kein Lektor und keine Pipeline ist fehlerfrei. Was wir liefern ist eine messbare, drastisch niedrigere Fehlerquote als manuelles Lektorat bei einem Bruchteil der Kosten. Jede Prüfung ist versioniert und auditierbar, sodass Sie im Streitfall nachweisen können, welche Prüfungen durchgeführt wurden und wer freigegeben hat.
Initial setzen wir konservative Schwellen, sodass mehr in den Review geht. Im Laufe der ersten Wochen analysieren wir, wo der Lektor häufig nur durchwinkt (zu strikt) und wo er häufig korrigiert (zu locker). Die Schwellen werden iterativ angepasst, bis die Balance zwischen Aufwand und Qualität stimmt. Für regulierte Branchen bleiben die Schwellen dauerhaft strikt.
Ja. Für Übersetzungen prüfen wir zusätzlich auf Terminologie-Konformität (Brand-Begriffe richtig übersetzt?), Format-Integrität (Variablen und HTML-Tags intakt?) und kulturelle Sensitivität (keine problematischen Konnotationen im Zielmarkt). Das ist die LQA-Schicht, die mit dem Translation Memory und der Lokalisierungs-Pipeline zusammenarbeitet.
Verwandte Deep Dives
Textautomatisierung
QA macht Sinn, wenn Sie automatisierten Output haben, der geprüft werden muss. Textautomation ist der typische Output, den die QA-Pipeline absichert.
Marketing-Asset-Generierung
Für visuelle Assets gilt dieselbe Logik: automatische Brand-Safety-Checks, Fact-Validation gegen Produktdaten, Human Review für unsichere Fälle.
// QUALITY ASSURANCE
Wie viele Halluzinationen sind heute live?
Geben Sie uns einen Auszug Ihres aktuellen KI-Content-Bestands. Wir lassen unsere QA-Pipeline drüberlaufen und zeigen Ihnen konkret, welche Fälle Fakten-Konflikte haben, Tone-Abweichungen oder andere Auffälligkeiten. Pseudonymisiert, in einer Woche.