Kann KI einen Riecher für Nachrichten entwickeln?

KI wird immer besser darin, Nachrichtenartikel zu schreiben, aber nicht viel besser darin, sie zu identifizieren.

Meinung In den fünf Jahren seit ich zuletzt einen Blick auf die Fähigkeit von KI geworfen habe, eine heiße Nachrichtengeschichte zu finden, hat sich die Landschaft erheblich verändert, mit zunehmenden Levels von KI-getriebener Automatisierung und den unvermeidlichen wachsenden Schmerzen und Kontroversen.

Erst kürzlich hat ein WSJ-Bericht über einen produktiven, KI-unterstützten Fortune-Mitwirkenden den Journalisten der Zukunft als befreit von Schmutzarbeit wie der Transliteration von Pressemitteilungen dargestellt, sodass sie den Spielraum haben, um die Features zu schreiben und die Recherchen durchzuführen, die normalerweise nur größere Verlage haben.

Aber was wir viel weniger oft hören, ist die Fähigkeit von KI, eine Nachrichtengeschichte zu entdecken.

Lärmminderung

In dem 2021er Artikel konzentrierte ich mich auf Schriftsteller, die den Forschungsbeat abdecken, da ich dort den größten Teil meiner Zeit verbringe; und vielleicht der größte Effekt, den die neue KI-Revolution auf diesen Bereich hatte, war, dass sie einen ungovernierbaren Blizzard von KI-gesteuerten Forschungspapier-Einreichungen schuf, der das Signal-Rausch-Verhältnis so hoch anhebt, dass sogar die Abdeckung der Arxiv-KI-bezogenen Domänen umfassend über die Anstrengungen einer einzelnen Person hinausgeht.

Sicherlich ist dies der Bereich, in dem KI hervorragt – bei der Iteration durch riesige Datenmengen, die Menschen nicht auflösen können, um “Ausreißer” (die wir später besprechen werden) in Sekunden zu finden, die Menschen Tage benötigen würden, wenn sie es überhaupt könnten.

Warum ist KI dann immer noch so schlecht darin, eine heiße Nachrichtengeschichte aus Tausenden, sogar Zehntausenden, täglicher Kandidaten zu identifizieren?

Rückwärtsgerichtete KI

Diese massive Proliferation von KI-generiertem Inhalt geschieht weit über den akademischen Sektor hinaus, den ich zuvor diskutierte. Im letzten Jahr wurde geschätzt, dass die Hälfte aller neuen Schreibens im Internet von KI geschrieben wird, mit noch größerer Beschleunigung dieser Tendenz, die vermutlich kommen wird. Daher ist der Lärm überall ohrenbetäubend, nicht nur in der Wissenschaft.

Obwohl es in den letzten Jahren einige Fortschritte in der KI/algorithmischen Identifizierung einer “heißen” Geschichte gegeben hat, konzentrieren sich diese Systeme auf stratifizierte und vorhersehbar organisierte Datenfeeds, was bedeutet, dass sie nur in einem eher spröden Kontext operieren können.

In dieser Hinsicht hat der Stanford-Postdoktorand und ehemalige New York Times-Journalist Alexander Spangher mehrere Vorstöße unternommen, um “Nachrichtenwürdigkeit” in Begriffen zu definieren, die auf maschinelle Lernprozesse und statistische Analysen angewendet werden können; und hat Beweise für automatisierte Lead-Generierung in Korpora wie Gerichtsakten, Gesetzesentwürfen und Stadtverordnungen sowie allgemeinen öffentlichen Dokumenten – die Art von schema-getriebenen Ausgaben, die der produktive KI-gesteuerte Schreiber von Fortune in 6-7 Nachrichtenstücken pro Tag umsetzen kann:

Die ‘Hitze’ der Wortverteilungen, die aus Korpora von öffentlichen Dokumenten gewonnen wurden. In diesem Fall können wir sehen, dass ‘authorizing’ einen hohen Score hat, vielleicht weil es Entscheidung, Veränderung und Neuheit repräsentiert. Quelle

Das Problem mit Ansätzen wie dem Spangher-geführten 2023er Angebot Tracking the Newsworthiness of Public Documents ist, dass sie in typischer KI-Manier auf beobachtete Trends in den Daten fokussieren. Mit anderen Worten, sie beobachten Dinge, die vorher gute Nachrichten waren, und suchen nach mehr von dem Gleichen.

In der realen Welt sind unerwartete Quellen fast immer ein “One-Hit-Wonder”; und für wie unbedeutend sie waren, konnte niemand ihre plötzliche Bedeutung vorhersehen. Dann, nachdem sie einmal fruchtbar waren und trotz gelegentlicher Versuche, von ihrem flüchtigen Ruhm oder ihrer Berühmtheit zu profitieren, werden sie normalerweise nie wieder etwas Nützliches produzieren.

Zeichen der Zeit

Daher, da das Überwachen dieser Art von One-and-Done-Nachrichtenquelle normalerweise nur mehr Lärm zum allgemeinen Blizzard hinzufügen wird, kann KI nicht die Signale einer Quelle identifizieren, die eines Tages fruchtbar werden wird? Wenn man herausfinden könnte, was für eine Quelle möglicherweise Nachrichten liefern wird, könnte man sich auf ihre Merkmale konzentrieren, anstatt auf ihren Kontext oder ihre Methoden.

Durch diese Logik könnte man aus den Enthüllungen von Edward Snowden in den 2010er Jahren schließen, dass jeder, der kürzlich die CIA (oder eine ähnliche Organisation) verlassen hat, als potenzielle Quelle für eine zukünftige Sensation zu betrachten wäre.

Es gibt jedoch keine RSS-Feeds oder APIs, die in der Lage wären, diese Art von kontinuierlicher Überwachung zu automatisieren, da LinkedIn und viele andere einst offene Datenquellen sich im Angesicht von rücksichtslosen und gesetzeswidrigen KI-Web-Scrapern zurückziehen. Selbst wenn es sie gäbe, wäre die Frequenz ein Problem, da man eine API oder eine Website nicht alle fünf Sekunden abfragen kann; abgesehen von den Ressourcenkosten würden IP-Sperren von den Plattformen diese Aktivität untragbar machen.

Es gibt auch eine “menschliche Dimension” bei solchen Enthüllungen, die schwer zu automatisieren ist.

Nachrichtensammlung mit persönlicher Note: Aufnahme aus einer Disc-Veröffentlichung des 1976er Alan-J.-Pakula-Films ‘All The President’s Men’, mit dem Informanten, der aus dem Schatten tritt. Quelle

Auch in der realen Welt ist es sehr schwierig, die definierenden Merkmale einer zukünftigen Nachrichtenquelle zu identifizieren. Es ist wahrscheinlich nicht “Menschen, die kürzlich die CIA verlassen haben”, und es ist sicherlich nicht durch ein Protokoll definiert: Plattformen wie X oder GitHub produzieren viel zu viele Signale in sich selbst, und selbst wenn man sich auf Suchbegriffe oder Post-Kategorien konzentriert, macht little einen Unterschied – nur wenn man in das Problem involviert ist und mit der Community (oder Repo usw.) engagiert ist, ist man wirklich wahrscheinlich, die Bedeutung einer Entwicklung zu erkennen.

Sogar ein Begriff wie “Sicherheitswarnung” kann den wahren Schweregrad oder die Nachrichtenwürdigkeit eines Vorfalls nicht kontextualisieren, da solche Bezugnahmen täglich von Tausenden in solchen Gemeinschaften verwendet werden, aber keinen umfassenden Nachrichtenwert haben; und selbst wenn man die Überwachung auf die englische Sprache allein beschränkt, würden die potenziellen Variationen in Idiomen sowie die Verwendung von indirekter Sprache es sehr schwierig machen, einen “wilden” Beitrag in eine wahre Nachrichtenwarnung umzuwandeln.

Der schmale Pfad

Die aktuelle Generation von KI-gesteuerten Systemen zur Erkennung von Nachrichtenwürdigkeit hängt von formalisierten Datenstrukturen (wie JSON-Ausgaben von einer API) oder informellen Datenstrukturen ab, die KI-entwickelte Algorithmen in eine strukturierte Schema umwandeln können (wie Pressemitteilungen einer bestimmten Organisation):

Ein analysierter RSS/XML-Feed, der die starre Hierarchie von Datencontainern zeigt. Quelle

Offensichtlich sind Ansätze dieser Art für programmatischen Output wie die alltägliche Arbeit, von der der erwähnte Fortune-Reporter sagt, dass KI ihn befreit hat, einschließlich Wetter-, Börsen- und Sportberichterstattung sowie routinemäßiger Pressemitteilungen von kommunalen und anderen Regierungsorganisationen, gut geeignet.

Während es möglich ist, “human-alerting”-Trigger an statistische Feeds wie Wetter (plötzliche Stürme), Börsen (plötzliche Einbrüche) und Sport (unvorhersehbare Siege/Verluste, mit einiger Vorbereitung) anzuhängen, benötigt menschliche Aufmerksamkeit immer noch, um die Nachrichtenwürdigkeit auch nur für sehr stratifizierte Regierungsmitteilungen zu bewerten.

Obwohl Begriffe wie “Tod”, “unvorhersehbarer Unfall”, “Leck” und “Unfall” alle helfen können, neue Nachrichten zu finden, können sie nur “alltägliche” Ereignisse ansprechen und alternative Sprache (oder Sprachen) nicht berücksichtigen.

Rückkehr der Elite-Schriftsteller?

In den letzten Jahren ist datengetriebene Journalismus zu einem aufsteigenden Teil der Nachrichtenberichterstattung geworden, mit dem die Redaktionen nicht länger auf “Scoop”-Deals beschränkt sind, die ihnen eine frühe Veröffentlichung von speziellen Berichten und Weißbüchern von großen Verlegern gewähren; stattdessen können sie die Zahlen selbst auswerten.

Es ist jedoch kein Gratis-Essen; da der offensichtliche Wert der Auswertung von öffentlichen Daten mit KI auf diese Weise gewachsen ist, ist eine rentenorientierte/KI-blockierende Reaktion gefolgt – oder hat sogar die Nachfrage vorweggenommen – und treibt die daten hungrigen großen KI-Spieler in Stealth-Taktiken.

Die zusätzliche Reibung der neuen Rückziehung gibt möglicherweise eine gewisse Menge an Macht von “Bürgerjournalisten” zurück an die etablierte Presse – oder zumindest an gut finanzierte Nachrichtenorganisationen, die die Bandbreite haben, um die zusätzliche manuelle Arbeit aufzunehmen, die für die Sammlung, Verfeinerung und Bewertung von Daten in einer Ära erforderlich ist, in der Verleger und Domänen zunehmend den Zugang beschränken.

Vielleicht führt die praktische Manifestation von KI in der Journalismus, in Bezug auf die Art und Weise, wie große Spieler und Märkte auf KI-basierte Innovation und Adoption reagiert haben, tatsächlich dazu, dass wir in die Vergangenheit zurückgehen: die Demokratisierung der Nachrichtenproduktion entdemokratisieren und Hindernisse für bedeutungsvolle datengetriebene Systeme zur Bewertung von Nachrichtenwürdigkeit schaffen.

Gemeinsame Instinkte

Diese Einschränkungen führen uns offensichtlich zurück zu “Bauchgefühl” als unvermeidlichem Bestandteil der Bewertung der Nachrichtenwürdigkeit einer Geschichte.

Natürlich ist dies für diejenigen, die professionell in diesem Bereich tätig sind, tröstlich; aber Selbstzufriedenheit wäre ein Fehler, da dieses Gefühl bis zu einem bestimmten Grad verallgemeinert und operationalisiert werden kann, ohne dass man die Obsessionen oder Steckenpferde eines bestimmten Einzelnen oder einer bestimmten Organisation studieren muss: in einer Studie aus dem Jahr 2022 nutzten Forscher von der Northwestern University crowd-gesourcete Bewertungen von potenziell neuen Nachrichten, um ein prädiktives Modell zu trainieren, das speziell auf die Nachrichtenwürdigkeit von neu veröffentlichten Arxiv-Forschungspapieren ausgerichtet war:

Umfragefragen, die den Teilnehmern zur Verfügung gestellt wurden, um Trainingsdaten für ein ‘Nachrichtenwürdigkeits-Vorhersagemodell’ zu erhalten. Quelle

Das System bewertet Kandidaten ziemlich gut, mit etwa 80% der Top-Ten-Auswahlen, die auch von Experten als neuenwertig bewertet werden. Die Übereinstimmung mit Experten erwies sich jedoch als moderat, mit Ergebnissen, die Faktoren wie Rahmenbedingungen oder Publikumspassung vermissen.

Das System basiert auf den Grundsätzen, die in der 2020er Arbeit Computational News Discovery: Towards Design Considerations for Editorial Orientation Algorithms in Journalism dargelegt sind. Wie bei den meisten ähnlichen Projekten beschäftigt sich diese Arbeit mit Wissenschaftsjournalismus und nicht mit abstrakter Nachrichtensammlung – vielleicht weil die wissenschaftliche Literatur tendenziell zu templatisiertem Output neigt, das potenziell in trainierbare und interpretierbare Datenpunkte umgewandelt werden kann.

Wie ich bereits 2021 bemerkte, wäre dies der Fall, außer dass Forscher häufig die Konventionen der Forschungspapiereinreichung missbrauchen, um unbeeindruckende Ergebnisse zu verbergen oder herunterzuspielen, oder sogar einen völligen Misserfolg.

Noch größerer Herausforderung ist die große Schwierigkeit, die KI-Systeme bei der Interpretation von Abbildungen und Tabellen in wissenschaftlichen Artikeln haben, bis hin zu dem Punkt, dass diese Verfolgung in letzter Zeit zu einem aktiven Strang in der Literatur geworden ist:

Aus dem Papier ‘SciFigDetect: A Benchmark for AI-Generated Scientific Figure Detection’, das reale wissenschaftliche Abbildungen, ihre Generierungsprompts und synthetische Gegenstücke zeigt, die von Nano Banana und GPT in drei Kategorien produziert wurden: Illustration, Überblick und experimentelle Abbildungen. Quelle

Häufig enthält eine Grafik oder Tabelle Ergebnisse, die der Hauptteil des Artikels entweder mit selektiver Voreingenommenheit berichten wird oder die negativen Konsequenzen, die in den Ergebnissen der Tabelle/Grafik impliziert sind, völlig ignorieren wird. Daher ist diese Hürde in der KI-gesteuerten Wissenschaftsjournalismus nicht unbedeutend.

Noch auffälliger ist die Tatsache, dass eine Arbeit, die abgeleitet ist oder nur ein geringer Fortschritt (falls überhaupt) zum Stand der Technik ist, oft in einer fast undurchdringlichen Zitation (d. h. man müsste nach dem Begriff suchen, eine lesbare PDF-Kopie finden und den Umfang des vorherigen Wissens verstehen, bevor man das Fehlen von Originalität oder Neuheit in der neuen Arbeit versteht).

Allein wieder, natürlich

Die crowd-gesourcete Methode, die oben beschrieben wurde, legt einige mögliche Übereinstimmungen zwischen allgemeiner Meinung über potenzielle Nachrichten und professioneller Bewertung derselben nahe. Aber ohne Kontext kann nur die breite Nachrichtenwürdigkeit bestimmt werden.

Die eigentliche Stärke von KI liegt in ihrer Fähigkeit, je nach Konfiguration, Ausreißer zu isolieren – entweder zum Zweck der Entfernung als kurvenbrechender und nicht sinnvoller Ausnahme von Trends in einer Datenmenge oder (mehr relevant für die Nachrichtensammlung) um bedeutungsvolle und wertvolle ungewöhnliche Instanzen und Vorkommen zu identifizieren:

Ausreißer (in rot) in einem Streudiagramm. Quelle

Im Prinzip trifft das Blitze selten zweimal, fast alle Treffer-Nachrichten sind Ausreißer. In Fällen, in denen sie aus einem aktiven und volatilen Bereich wie einem laufenden Krieg stammen, kann dieser Bereich mit hoher Wahrscheinlichkeit auf neue Nachrichten hin überwacht werden – aber auf Kosten massiver Konkurrenz, da die allgemeine Aufmerksamkeit wahrscheinlich auch auf diesen Bereich fokussiert ist.

Viele neue Nachrichtenleads sind per Definition nicht die Mitte der Sprachverteilung. Sie sind seltene Kombinationen von Methoden, überraschende negative Ergebnisse oder anomale Replicationen. Wenn die Kompetenz des Modells auf diesen niedrigen Frequenzgruppierungen unverhältnismäßig abnimmt, wird die Region, in der ein redaktioneller “Riecher” scharf sein muss, zu der Region, in der das Modell am wenigsten zuverlässig ist.

Vertrauensprobleme

Bei der Suche nach neuen Geschichten balancieren Journalisten mehrere Einschränkungen, einschließlich Zeit, Zugang, Glaubwürdigkeit, Publikum und organisatorische Prioritäten), was zu nicht offensichtlichen Entscheidungen führt. Eine Literaturübersicht aus Dänemark charakterisierte Journalisten als balancierend zwischen mehreren Bedenken, sehr bewusst, dass Quellen Agenden haben oder falsch informiert sein können; und häufig indirekte Vertrauenssignale bevorzugend, wenn sie unter Druck stehen.

Diese gleichen “Vertrauensprobleme” wären ein Entwicklungsproblem in jedem definitiven KI-gesteuerten System zur Identifizierung von Nachrichtenwürdigkeit, da die Interaktion mit einer solchen Plattform vom Benutzer verlangt, zu vertrauen, dass alle algorithmisch verworfenen Artikel tatsächlich nicht der Zeit des Schreibers wert sind.

Umfangreiche Beta-Tests und erneutes Training oder Feinabstimmung mit menschlicher Aufsicht, die Ausreißer und Nachzügler aufgreift, könnten letztendlich die Zuverlässigkeit eines solchen Ansatzes verbessern; aber ein Wechsel in der nationalen oder globalen Kultur – wie überraschende Veränderungen in der politischen Landschaft oder der Ausbruch von Krieg – könnte unweigerlich alle Basisprioritäten eines solchen fein abgestimmten Systems untergraben und den KI-abhängigen Schreiber zwingen, sein notwendiges “internes Domänenmodell” fast von vorne zu bauen.

Erstveröffentlicht am Montag, 20. April 2026.
Geändert am Donnerstag, 23. April 2026 14:13:25, um ‘Fortune’ anstelle von ‘WSJ’ in ‘Der schmale Pfad’, Absatz 2, zu ersetzen (vielen Dank an Mark Riley von mathison.ai für den Hinweis).