KI in der technischen Redaktion ist keine Stellenbezeichnung, bei der ein Mensch durch Software ersetzt wurde. Es ist die Form, die die bestehende Rolle annimmt, jetzt da KI den ersten Entwurf fast jedes Dokuments schreibt. Der Engpass beim Entwerfen ist zusammengebrochen. Was früher eine Woche Tippen war, ist heute ein Nachmittag Prompten. Was bleibt und was gewachsen ist, liegt links und rechts vom Entwurf: entscheiden, was überhaupt geschrieben wird, prüfen, was das Modell produziert hat, und die Artikelfläche korrekt halten, während das Produkt ausliefert.
Dieser Text richtet sich an technische Redakteurinnen, Doku-Verantwortliche und die Engineering-Manager, die sie einstellen. Er listet keine Werkzeuge auf, das übernimmt die begleitende Übersicht zu KI-Tools für die technische Redaktion und das breitere Ranking zu KI als Doku-Autor. Er beantwortet die Rollenfrage. Was macht eine erfahrene technische Redakteurin tatsächlich, wenn ein Modell in zwei Minuten einen brauchbaren Entwurf liefert? Mehr Prüfen, mehr Architektur, weniger Prosa. Und dazu eine neue Reihe von Fehlermodi, über die 2022 niemand nachdenken musste.
Das US-Bureau of Labor Statistics prognostiziert bis 2034 rund 1% Beschäftigungswachstum in der technischen Redaktion. Diese Zahl liest sich wie Stillstand. Gegen die Menge an Dokumentation gelesen, die heute pro Person entsteht, liest sie sich als Produktivitätsschub, bei dem die Stellenzahl nicht mitgekommen ist. Eine Person mit KI liefert das, was früher fünf ohne KI lieferten. Die Rolle schrumpft nicht. Sie verdichtet sich.
Was die Rolle heute konkret ist
Kurz gesagt: eine technische Redakteurin, die KI als Entwurfsschicht behandelt und sich selbst als redaktionelle, architektonische und prüfende Schicht darüber. Die Rolle behält ihre alte Aufgabe (komplexes Produktwissen in korrekte, brauchbare Doku übersetzen) und ergänzt drei Dinge.
Erstens Prompt- und Kontextgestaltung. Die Redaktion stellt die Eingaben zusammen, die das Modell braucht (Produktspezifikation, Codeausschnitte, Stilleitfaden, Terminologieliste, ein verwandter bestehender Artikel), und baut den Prompt beziehungsweise das Kontextfenster. Die Qualität des Entwurfs hängt fast vollständig an diesem Schritt. Eine schlechte Eingabe erzeugt einen selbstbewussten, aber falschen Entwurf, den die Redaktion danach entweder neu schreiben oder wegwerfen muss.
Zweitens Prüfen im Maßstab. Die Redaktion liest die Ausgabe zeilenweise gegen das echte Produkt. Passt die Beschriftung in der Oberfläche? Existiert der API-Endpunkt? Hat das Modell ein Flag, eine Berechtigung, einen Fehlerzustand, einen Standardwert erfunden? Prüfen war früher der letzte Schliff. Heute ist es der längste Schritt im Ablauf.
Drittens Systemgestaltung. Wenn Entwürfe billig sind, wandert der Engpass zur Informationsarchitektur: welche Artikel existieren, wie sie zusammenhängen, welche Taxonomie sie zusammenhält, wie die Kundenreise durch die Doku aussieht. KI baut keine Architektur. Eine erfahrene Redakteurin schon. Die Taxonomie-Entscheidung liegt vor jedem Entwurf.
Beachte, was nicht auf der Liste steht. Tippen. Der größte Teil der neuen Rolle ist kein Tippen.
Was sich ändert, wenn KI den ersten Entwurf schreibt
Das Zeitbudget kehrt sich um. Im alten Ablauf brauchte ein Artikel mit 1.500 Wörtern etwa 70% Entwurf, 20% Redigieren, 10% Prüfen. Mit KI im Kreislauf läuft derselbe Artikel eher auf 15% Prompt-Bau, 25% Redigieren und 60% Prüfen und Nacharbeit hinaus. Die tatsächlichen Stunden können sich halbieren oder mehr. Die Zusammensetzung dieser Stunden überschneidet sich kaum mit dem früheren Job.
Die Menge steigt. Promptless nannte für 2025 55% der technischen Redakteurinnen, die KI-Werkzeuge regelmäßig oder halbregelmäßig nutzen. Die meisten Teams, die KI einführen, verdoppeln grob die Zahl der Artikel pro Quartal. Rückstände, die zwei Jahre brauchten, sind in wenigen Monaten abgearbeitet. Die Kehrseite: Die zu pflegende Fläche verdoppelt sich ebenfalls. Mehr Artikel, gleich viele Redakteurinnen, gleiches Produkttempo. Das ist die Pflegefalle in neuem Kostüm. Die Falle der Dokumentationspflege erklärt den Mechanismus: Je mehr Artikel du veröffentlichst, desto mehr musst du aktuell halten, und KI löst den Teil mit dem Aktuellhalten nicht.
Die Abdeckung wird breiter. Artikel, die früher aussortiert wurden, weil sie einen Nischenfall bedienten (eine Integration, die 4% der Kundschaft nutzt, eine Admin-Einstellung, die einmal pro Quartal angefasst wird), werden geschrieben. Die Grenzkosten eines weiteren Artikels gehen gegen null. Die Grenzkosten eines weiteren korrekten Artikels nicht.
Die Prüfwarteschlangen werden länger. Fachexpertinnen (Entwicklung, Produktmanagement, Design) werden häufiger angefragt, weil die Entwurfsstrecke schneller läuft als ihre Verfügbarkeit. Redakteurinnen, die früher der Engpass waren, werden zu Verteilern. Sie bündeln, priorisieren und prüfen vor, damit die Fachexpertise nur bei wirklich strittigen Fragen Zeit investiert.
Was sich nicht ändert
Drei Dinge bleiben genau dort, wo sie waren.
Informationsarchitektur. Ein Modell kann keinen Dokumentationsbaum entwerfen, den es nie gesehen hat. Es kann Taxonomie abstrakt beschreiben, eine generische Hierarchie zeichnen, Kategorienamen vorschlagen. Es kann nicht entscheiden, dass eure Abrechnungs-Sonderfälle unter Konto gehören und nicht unter Abrechnung, weil eure Kundschaft dort zuerst schaut, laut Ticketdaten, die niemand ins Modell gefüttert hat. Architektur ist eine menschliche Entscheidung, gegründet auf Nutzerforschung, die das Modell nicht hat.
Nutzerforschung und Verständnis der Zielgruppe. Zu wissen, was Lesende schon kennen und was sie als Nächstes brauchen, ist die Kernfähigkeit der technischen Redaktion. KI mittelt über alle Dokumentation, die sie je gesehen hat. Deine Kundschaft ist nicht der Durchschnitt. Eine erfahrene Redakteurin hat diesen Monat fünf Support-Gespräche mitgehört und weiß, welcher Satz die nächsten 50 Tickets spart. Das Modell hat keine Ahnung davon.
Redaktionelles Urteil. Die richtige Detailtiefe wählen. Entscheiden, wann verlinkt statt erklärt wird. Einen Absatz streichen, weil er Anfängerinnen verunsichern würde. Einen ergänzen, weil fortgeschrittene Nutzende dem Artikel mehr vertrauen, wenn ein Sonderfall benannt wird. Diese Entscheidungen brauchen Geschmack und Produktkontext, und beides überträgt sich nicht per Prompt auf ein Modell.
Die Knowledge-Centered-Service-Methodik argumentiert das seit den 1990ern, lange bevor KI relevant war. Ihre Kernaussage, dass Wissen im Moment der Kundeninteraktion entsteht und von den Menschen verfeinert wird, die dieser Interaktion am nächsten sind, hält heute noch stärker. Siehe die KCS-Bibliothek für die kanonische Fassung. Das Modell kann entwerfen. Der Mensch muss weiterhin wissen, was das Entwerfen wert ist.
Der neue Fähigkeiten-Stack
Stellenanzeigen für technische Redaktion verlangen heute Fähigkeiten, die vor drei Jahren nicht in der Rollenbeschreibung standen. Die Verschiebung lässt sich in fünf Schichten aufteilen.
| Fähigkeit | Was sie umfasst | Wo sie am meisten zählt |
|---|---|---|
| Prompt- und Kontextgestaltung | Die Eingabe bauen, die einen brauchbaren Erstentwurf erzeugt. Inklusive Stilleitfaden, Terminologielisten, Auswahl von Beispielen. | Bei jedem Artikel. Falscher Prompt, falscher Entwurf. |
| Modellbewertung | Wissen, welches Modell zu welcher Aufgabe passt. GPT für Erzählendes, Claude für lange Kontexte, feinabgestimmte lokale Modelle für sensible Domänen. | Werkzeugwahl, Infrastrukturentscheidungen. |
| Faktenprüfung | Entwürfe gegen das echte Produkt, den Code, die API-Spezifikation laufen lassen. Erfundene Parameter, erfundene Features, Versionskonflikte fangen. | In jedem Release-Zyklus. |
| Taxonomie und Informationsarchitektur | Den Baum entwerfen, die Metadaten, die Beziehungen zwischen Artikeln. Die Struktur verantworten, die die KI mit Text füllt. | Quartalsweise, sobald der Bestand über 200 Artikel wächst. |
| Content Operations | Ablaufgestaltung, Prüfwege, Steuerung der Fachgespräche, Veröffentlichungstakt, Drift-Erkennung. | Laufend. Der größte Kostentreiber bei einem reifen Bestand. |
Das Handwerk des Schreibens ist nicht verschwunden. Es ist auf den Redaktionsplatz gewandert. Die erfahrene Redakteurin schreibt den KI-Entwurf auf Stimme um, streicht Füllmaterial, repariert die strukturellen Fehler des Modells (zu viele Aufzählungen, redundante Einleitungen, der "abschließend"-Tick). Das geht schneller als von Grund auf zu schreiben, verlangt aber dasselbe Können.
Wie du ein KI-Doku-Werkzeug als Redakteurin bewertest
Der Markt hat über 30 Werkzeuge, die dasselbe behaupten. Eine brauchbare Prüfliste deckt die Punkte ab, die die Marketingseiten auslassen.
- Umgang mit Grundwahrheit. Kannst du Produktspezifikationen, Code-Repositories, API-Spezifikationen und Support-Tickets als verankernden Kontext hochladen? Ohne Verankerung ist jeder Entwurf geraten.
- Durchsetzung des Stilleitfadens. Kannst du deinen Stilleitfaden, deine Terminologie und verbotene Wörter laden? Hält sich die Ausgabe daran oder fällt sie nach drei Absätzen in die Modellvorgaben zurück?
- Verlinkung von Referenzen. Wenn das Modell einen internen Artikel zitiert, verlinkt es auf einen Artikel, den es in deinem Help Center tatsächlich gibt, oder erfindet es eine plausibel klingende URL?
- Umgang mit Screenshots. Bindet das Werkzeug einen Recorder oder eine Bildschirmaufnahme ein, und bleibt der Screenshot korrekt, wenn sich die Oberfläche ändert? Das ist 2026 der größte Verfallsvektor. Siehe warum Screenshot-Anleitungen bei jedem Release brechen für den Mechanismus.
- Erkennung von Änderungen. Wenn das Produkt ein Release ausliefert, das einen bestehenden Artikel betrifft, markiert das Werkzeug den Artikel, oder veraltet er einfach still?
- Prüfpfad. Wer hat was wann mit welchem Modell gegen welchen Produktstand bearbeitet? Compliance-Teams werden fragen. Irgendwann fragen auch Kunden.
- Stimmkonsistenz. Lass 20 Artikel durch das Werkzeug laufen. Lies sie nebeneinander. Hält die Stimme, oder driftet sie zwischen den Sätzen?
Werkzeuge, die bei den ersten drei Punkten gut abschneiden, sind leicht zu finden. Solche, die beim Umgang mit Screenshots und bei der Änderungserkennung gut abschneiden, sind selten. Das ist die Grenze. Zum aktuellen Marktstand siehe die begleitende Übersicht zu KI-Tools für die technische Redaktion und das Ranking der KI-Doku-Autoren.
Wo KI aktuell scheitert
Die Fehlermodi sind nicht theoretisch. Jedes Team mit KI in der Doku-Strecke trifft sie im ersten Quartal.
Erfundene APIs und Einstellungen. Das Modell ist sich sicher bei Endpunkten, Berechtigungsnamen und Konfigurations-Flags, die es nicht gibt. Der Text liest sich flüssig. Der Beispielcode wirkt plausibel. Wer der Anleitung folgt, landet bei einem 404 oder einem Berechtigungsfehler. Das ist der häufigste Fehler und der beim schnellen Lesen am schwersten zu erkennende.
Verrottende Screenshots. Der Artikel zeigt den Pfad "Einstellungen, Integrationen, Webhooks". Sechs Wochen später liegt Webhooks unter Entwicklerwerkzeuge. Der Artikel zeigt weiterhin den alten Screenshot. Der Text kam von der KI, der Screenshot nicht. Statische Bilder verfallen mit jedem Release. Die meisten Teams haben keinen Prozess, das zu erkennen, bis sich jemand beschwert. Die tiefere Analyse steht in die versteckten Kosten veralteter Dokumentation.
Stimmdrift zwischen Artikeln. Artikel A entstand letztes Quartal, Artikel B letzte Woche, von derselben Person mit demselben Prompt und einem Modell, das dazwischen aktualisiert wurde. Die Stimme ändert sich. Das Sprachniveau verschiebt sich. Überschriften werden uneinheitlich. Kunden erleben das als uneinheitliches Produkt, selbst wenn das Produkt in Ordnung ist.
Veraltete interne Links. Die KI verweist auf "unseren Artikel zu Berechtigungen" und verlinkt selbstbewusst auf einen Slug, den es nicht gibt. Oder auf einen Artikel, der inzwischen gelöscht und per Weiterleitung auf ein anderes Thema umgelenkt wurde.
Versionskonflikte. Das Modell wurde auf Dokumentation trainiert oder verankert, die Version 4.2 des Produkts abbildete. Aktuell ist Version 5. Der Entwurf spricht über ein Feature, das umbenannt, verschoben oder entfernt wurde.
Keiner dieser Fehler lässt sich mit einem besseren Prompt lösen. Sie brauchen Ablaufgestaltung und Erkennungssysteme, die Drift laufend fangen. Das ist die neue Betriebsschicht der technischen Redaktion.
Was das fürs Einstellen bedeutet
Drei Muster tauchen 2026 in Stellenanzeigen auf.
Erfahrene Redakteurinnen sind mehr wert. Ihr Wert hat sich verzinst. Sie prüfen mehr Entwürfe, entwerfen mehr Architektur und verantworten mehr der Fehlermodi, die KI eingebracht hat. Dieselbe Person, die pro Quartal 12 Artikel lieferte, liefert heute 30 und verantwortet das Pflegesystem für 200. Die Bezahlung spiegelt das, langsam, wo sie es überhaupt tut.
Berufseinsteiger geraten unter Druck. Die Einstiegsaufgabe "aus einer Produktspezifikation entwerfen und aufräumen" ist genau der Teil, den KI in zwei Minuten macht. Unternehmen kürzen zuerst unten in der Pyramide. Der Weg hinein hat sich geändert: Neue müssen mit geübten Fähigkeiten im Umgang mit Modellen und im Prüfen ankommen, sonst fallen sie beim Screening heraus.
Eine hybride Rolle entsteht. Nenn sie "KI-Doku-Operator" oder "Documentation Engineer". Der Mix liegt bei etwa 40% Schreiben, 30% Werkzeugbau und 30% Prüfen und Betrieb. Oft sitzt sie im Produkt oder in der Entwicklung statt im Support. Die Stellenbeschreibung liest sich wie eine technische Redakteurin, die auch eine CI-Pipeline konfigurieren kann, oder wie eine Entwicklerin, die auch einen Hilfeartikel schreiben kann, der klingt, als hätte ihn ein Mensch geschrieben.
Personalverantwortliche sollten vor allem auf eine Eigenschaft achten: die Fähigkeit, eine selbstbewusste Lüge zu erkennen. Wer einen KI-Entwurf liest und sagt "dieser Absatz ist flüssig, aber der dritte Satz beschreibt eine Einstellung, die es nicht gibt", ist die Person, die es einzustellen lohnt. Diese Fähigkeit ist vor allem Produktkenntnis und die Weigerung, dem Modell aufs Wort zu glauben.
Praktischer Ablauf: KI plus Redaktion
Ein funktionierender KI-gestützter Doku-Ablauf sieht 2026 grob so aus. Fünf Schritte, zwei davon überwiegend Modell, drei überwiegend Mensch.
Schritt 1, Umfang und Quellen. Die Redaktion entscheidet, was geschrieben wird. Die Eingaben kommen aus Support-Tickets, Anfragen aus dem Vertrieb, Release Notes, Kundengesprächen und Suchanfragen ohne Treffer. Das ist ein Recherche- und Urteilsschritt, kein Schreibschritt. KI spielt keine Rolle.
Schritt 2, Prompt und Entwurf. Die Redaktion stellt den Kontext zusammen: Produktspezifikation, Codeausschnitte, API-Spezifikation, Stilleitfaden, Terminologieliste, zwei Beispielartikel aus derselben Familie. Baut den Prompt. Lässt das Modell laufen. Bekommt in 60 bis 120 Sekunden einen Entwurf.
Schritt 3, gegen das Produkt prüfen. Die Redaktion öffnet das Produkt in einem zweiten Fenster und geht jede Aussage im Entwurf durch. Klickt jeden Pfad. Probiert jedes Beispiel. Notiert jede Halluzination, jeden Versionskonflikt, jede falsche Beschriftung. Das ist der langsamste Schritt und derjenige, der die Fehler aus dem vorigen Abschnitt fängt.
Schritt 4, auf Stimme und Struktur redigieren. Einleitung neu schreiben (vom Modell immer zu generisch). Die überaufgezählte Mitte kürzen. Den Schluss straffen. Den einen Absatz ergänzen, den das Modell nicht schreiben konnte, weil er Produktkontext brauchte. Screenshots einbetten, idealerweise aus einem Recorder, der DOM und CSS erfasst, damit sie nicht verrotten. Interne Links auf geprüfte Slugs setzen.
Schritt 5, ausliefern und beobachten. Veröffentlichen. Den Artikel in die Aktualitätserkennung einhängen, damit er markiert wird, wenn sich die betroffene Produktfläche ändert. Zwei Wochen lang Tickets und Suchanfragen beobachten. Wenn weiterhin dieselben Fragen kommen, die der Artikel beantworten sollte, ist der Artikel gescheitert. Schreib ihn neu.
Der ganze Ablauf kostet eine erfahrene Redakteurin 2026 drei bis sechs Stunden pro Artikel, gegenüber ein bis zwei Tagen 2022. Der Rückgang ist echt. Der Gewinn ist echt. Der Preis ist, dass die Redaktion heute eine Systembetreiberin mit redaktionellen Fähigkeiten ist und keine Handwerkerin vor einem leeren Blatt.
Wo HappySupport in diesen Ablauf passt
Die größte Lücke im KI-gestützten Doku-Stack liegt zwischen Entwurf und Grundwahrheit. Die KI erzeugt einen selbstbewussten Entwurf. Das Produkt liefert ein Release aus. Der Entwurf ist veraltet. Niemand weiß es, bis sich jemand beschwert. Die Redaktion prüft, aber was, in welcher Reihenfolge, in welchem Takt?
HappySupport schließt diese Lücke. Die Plattform beobachtet das Produkt (Oberflächenänderungen über DOM- und CSS-Metadaten aus HappyRecorder, Codeänderungen über GitHub Sync) und markiert betroffene Artikel, bevor Kunden die Drift finden. Screenshots bleiben auch durch Redesigns korrekt, weil es keine Screenshots sind, sondern Aufzeichnungen von Selektoren, die bei Bedarf neu gerendert werden. Die technische Redaktion behält ihre Urteilsrolle und hört mit dem Teil auf, den niemand machen will: eine Artikelfläche zu bewachen, die in dem Moment verfällt, in dem das nächste Release erscheint. Zur Architektur siehe wie ein selbstaktualisierendes Help Center funktioniert.
HappySupport ist eine Help-Center-Schicht, kein Ersatz fürs Ticketing. Behalte Intercom, Zendesk, HubSpot, Help Scout, Front oder Freshdesk für Posteingang und Servicezeiten. Tausch die Artikelfläche gegen HappySupport, damit sie zwischen Releases nicht mehr abdriftet.
Demo buchen