AI in CS Serie, Interview Nr. 005. Mit Sarah O'Keefe, CEO und Gründerin von Scriptorium. Gründete das Unternehmen 1997. Autorin von Content Transformation und weiteren Büchern zur Content-Strategie im Unternehmen. Sprecherin auf ConVEx- und DITA-Konferenzen weltweit. Gastgeberin des Scriptorium-Podcasts. Zweisprachig Englisch und Deutsch.
Sarah O'Keefe gründete Scriptorium 1997, bevor "Content Strategy" eine Berufsbezeichnung war. Der 28-Jahres-Bogen ihrer Laufbahn ist der Bogen des digitalen Publizierens selbst: Vorlagen, dann Formatierungsautomatisierung, dann strukturiertes Schreiben, dann DITA und jetzt KI. Sie denkt über Inhalte an drei Schnittstellen: Inhalt, Publizieren und Technologie. Im Folgenden: warum strukturiertes Schreiben für Autoren schrecklich und für alle anderen wunderbar ist, warum die Lokalisierungsentscheidung eigentlich nicht von Dokumenten handelt, der echte Unterschied zwischen Backend- und Frontend-KI im Content-Ablauf und der Grund, warum Chatbots das schaffen, wonach Verlage 30 Jahre gejagt haben: unendliche Personalisierung.
HOT TAKES
Sechs ungefilterte Meinungen von Sarah O'Keefe.
Müll rein, Müll bleibt. KI verstärkt schlechte Inhalte, sie repariert sie nicht.
Lokalisierung ist nicht dokumentzentriert. Es geht um Währung, Datumsformate, Feiertage und Gesetze.
Maschinelle Übersetzung ist fantastisch, genau bis zu dem Punkt, an dem sie es nicht mehr ist.
Strukturiertes Schreiben ist schrecklich für Autoren. Wunderbar für Produktion in Breite.
KI leitet Bedeutung aus Mustern ab. Kein Muster, keine brauchbare Ableitung.
Chatbots sind Maschinen für unendliche Personalisierung. Danach jagen wir seit 30 Jahren.
F1. Der 28-Jahres-Bogen
F: Du hast Scriptorium 1997 gegründet. Der Bogen deines Unternehmens ist zugleich der Bogen des digitalen Publizierens. Nimm uns kurz mit.
A: Content Strategy war 1997 kein Thema. Mich interessierte, wie man Dokumentenproduktion in Breite mit vertretbarer Automatisierung hinbekommt. Damals war das bestenfalls vorlagenbasiert. Eine Vorlage anlegen, der Vorlage folgen. Der größte Teil unserer Ergebnisse waren sehr lange Bücher. 300, 400, 500 Seiten, 800, 1200 Seiten. Monströse Inhaltsverzeichnisse, monströse Register.
Der Bogen des Unternehmens ist der Bogen des digitalen Publizierens. Das World Wide Web kam 1992 oder 1993. Es hob ab. Dotcom-Ära, Dotcom-Boom, Dotcom-Crash. Finanzkrise 2008. Irgendwo dazwischen kamen strukturierte Inhalte, und wir bewegten uns weitgehend zur Formatierungsautomatisierung. Die logische Weiterentwicklung von Vorlagen.
Das große Problem mit Vorlagen ist, dass du Menschen überzeugen musst, ihnen zu folgen. Es gibt Formen der Überzeugung bis hin zu "mach das, sonst". Aber meistens ist es weiche Macht. Du musst Menschen ermutigen, der Vorlage zu folgen, ihre Arbeit prüfen und die Sonderfälle aufräumen, die sie sich erlaubt haben. Dann kommt strukturiertes Schreiben. Als Autorin finde ich strukturiertes Schreiben schrecklich. Dir wird gesagt, dass du der Vorlage folgen wirst. Wenn du nicht folgst, bekommst du ungültige Inhalte, und es lässt dich nichts speichern oder veröffentlichen. Als Autorin grauenhaft. Aus Produktionssicht fantastisch. Weil es uns erlaubt, die Vorlagen durchzusetzen. Weniger Streuung, mehr Konsistenz. Beides führt zu besserer Automatisierung.
Jetzt springen wir zu 2023, 2024 und fragen: Wie sieht es aus, KI, Chatbots und KI-Werkzeuge in unseren Content-Abläufen zu haben? Was mich immer interessiert hat, ist die Schnittstelle aus Inhalt, Publizieren und Technologie. Wir sitzen in diesen dreien und versuchen herauszufinden, wie man sie am besten nutzt, um Information zu liefern.
F2. Backend-KI gegen Frontend-KI
F: Du trennst KI in Backend und Frontend. Warum ist diese Unterscheidung wichtig?
A: KI ist eine sehr breite Kategorie, und man kann viele verschiedene Dinge damit tun. Also trenne ich grob in Backend und Frontend.
Backend-KI heißt, die Produzenten von Inhalten, also die Autorin oder die Organisation oder beide, nutzen KI für Produktivität. Konzeptionell ähnlich, wie eine Vorlage zu bauen oder eine Rechtschreibprüfung zu nutzen. Einfach ein Backend-Werkzeug. Auf einfacher Ebene kann man nette Dinge tun. Grammatikprüfung. Übersetzung zwischen Sprachen. Interessanteres: einen Podcast in ein Transkript wandeln, das Transkript übersetzen, den Podcast als synthetisch gesprochene Fassung auf Französisch, Deutsch, Italienisch erzeugen. Man kann zusammenfassen und synthetisieren. Vieles davon ist eine schrittweise Verbesserung dessen, was wir schon können. Die interessante Frage lautet: Wann brauche ich KI und wann klassisches deterministisches Skripting?
Frontend-KI sind du und ich als Konsumenten von Inhalten. Ich habe eine Frage, ich brauche Information, wohin gehe ich? Früher war das die Suche. Davor ging man zu einem gedruckten Buch und nutzte Zugangspunkte: Inhaltsverzeichnis, Register, Literaturverzeichnis. Jetzt sind KI-Chatbots im Grunde Zugangspunkte zu Information. Der große Unterschied: Wenn du einem Chatbot eine Frage stellst, setzt er eine Antwort zusammen. Er baut sie aus der Datenbank, die aus den Dokumenten aufgebaut wurde. Du fragst nicht direkt die Dokumente ab. In den Prozess der Informationsanfrage ist eine Zwischenschicht eingezogen.
F3. Die Lokalisierungsentscheidung handelt nicht von Dokumenten
F: Viele SaaS-Gründer fragen, ob sie ihre Dokumentation lokalisieren sollen. Wie denkst du darüber?
A: Maschinelle Übersetzung macht in der Regel einen wirklich guten Job, genau bis zu dem Punkt, an dem sie es nicht mehr tut. Fantastisch, bis sie scheitert.
Die erste Frage ist das Risiko. Wenn ich auf einen Artikel auf Norwegisch stoße, das ich nicht spreche, lasse ich ihn maschinell übersetzen und lese ihn. Nette Geschichte über den Wal. Passt. Aber sagen wir, ein Unternehmen in Estland schickt mir einen Vertrag auf Estnisch. Ich spreche kein Estnisch. Würdest du dich auf die maschinelle Übersetzung dieses Vertrags verlassen und unterschreiben? Nein. Das Risiko ist die Schranke.
Für ein SaaS-Produkt ist die Rechnung der adressierbare Markt. Wie groß ist der Markt in dieser Sprache? Wenn du nicht lokalisierst und in ein Land verkaufst, welcher Anteil potenzieller Kunden ist nicht willens oder nicht in der Lage, dein Produkt mit begleitenden Inhalten in der falschen Sprache zu nutzen? Speziell Deutschland: Der Anteil der Menschen in Deutschland mit guten Englischkenntnissen ist recht hoch. Der Anteil derer, die ein Produkt nicht kaufen, wenn es nicht mit deutschsprachigem Support und Inhalten verfügbar ist, ist ebenfalls recht hoch. Es gibt eine Kultur des "ihr müsst uns das in unserer Sprache geben, sonst kaufe ich nicht". Das unterscheidet sich je Land.
Und Lokalisierung ist nicht dokumentzentriert. Wenn ich ein in den USA gebautes Produkt nehme, in dem Geld vorkommt, dann sind das Dollar. Kanada hat einen anderen Dollar. Deutschland hat Euro. Selbst wenn du die Oberfläche nicht übersetzt, hast du Lokalisierungsfragen. Währung, Datumsformate, gesetzliche Feiertage, Arbeitsrecht. All das unterscheidet sich. Der Lokalisierungsprozess geht weit über "ist das Sprache A oder B" hinaus. Er muss kulturelle, rechtliche und regulatorische Fragen über die bedienten Märkte hinweg beantworten.
F4. Warum maschinelle Übersetzung bei manchen Sprachpaaren besser ist
F: Du hast gesagt, der Ablauf hat aus einem Grund ein Übersetzungsgedächtnis. Erklär, was das 2026 bedeutet.
A: Übersetzungsgedächtnisse gibt es seit den 1990ern. Wenn du ein Sprachpaar hast, etwa Englisch-Deutsch, wird beim ersten Übersetzen jeder Satz (genauer: jedes Segment) als Sprachpaar gespeichert. Das englische Original und das deutsche Ziel. Taucht derselbe Satz später auf, wird er automatisch übersetzt, weil es eine perfekte Übereinstimmung ist. Vor maschineller Übersetzung, allein mit Übersetzungsgedächtnis, erreicht man in der technischen Dokumentation typischerweise bis zu 50 Prozent Hebel in einem neuen Projekt. Du übersetzt nicht alles neu. Nur das Neue.
Dann kam statistische maschinelle Übersetzung. Neuronale Übersetzung. Jetzt KI. Alles auf einem Kontinuum. Maschinelle Übersetzung für technische Dokumentation ist tatsächlich ziemlich gut, abhängig vom Sprachpaar. Englisch-Deutsch hat unheimlich viele Daten. Wenn du von Polnisch nach Koreanisch gehst, haben das nicht viele Menschen direkt gemacht. Dein Datensatz ist deutlich kleiner. In einem Ablauf ohne KI würdest du über Englisch drehen: Polnisch nach Englisch, Englisch nach Koreanisch. Zwei Sprachpaare, mit allen Problemen, die das einbringt. Wenn du KI und maschinelle Übersetzung anschaust, hat sie unter der Haube dasselbe Problem. Die Qualität hängt vom Sprachpaar ab und davon, wie viele Trainingsdaten es dafür gibt.
F5. Müll rein, Müll bleibt
F: Unternehmen kippen Inhalte in Chatbots und erwarten gute Antworten. Was läuft schief?
A: Der Chatbot nutzt Daten, die in einem Sprachmodell liegen. Die Datenbank wird von den aufgenommenen Inhalten gespeist. KI lebt von Mustern, Konsistenz, Konformität und einheitlicher Terminologie. Wenn du die nicht hast, leitet KI Bedeutung aus dem Fehlen eines Musters ab. Inhalte gehen in die KI-Datenbank, und die KI-Datenbank besteht im Kern aus mathematischen Beziehungen zwischen Dingen. Wenn das Muster konsistent ist, geht die Mathematik auf. Wenn das Muster nicht konsistent ist, ist die Mathematik anders. Wenn deine Inhalte also uneinheitlich hineingehen, kommt Uneinheitliches heraus.
Die Folgerung: Achte darauf, was du in die Datenbank fütterst, damit der Chatbot liefern kann, wonach der Endnutzer fragt. Du brauchst nicht zwingend strukturierte Inhalte im XML-Sinn. Inhalte im Allgemeinen, ob auf einer Seite oder einer Serviette, haben implizite Struktur. Überschriften, Einrückungen, Signale, die Bedeutung tragen. Die Frage lautet: Wie stellst du sicher, dass der Chatbot deine Struktur in das Richtige übersetzt, in die Mathematik, die die korrekte Antwort liefert?
Der einzige Weg, den ich gefunden habe, um Autoren dazu zu bringen, Struktur und Regeln konsequent zu befolgen, ist, sie in eine strukturierte Umgebung zu setzen. Wenn du das nicht tust, folgen sie nicht. Und ich schließe mich in dieses "sie" mit ein.
F6. Der Chatbot als Zugangspunkt zu Information
F: Werden Chatbots die dominante Oberfläche für Dokumentation? Oder zählt ausführliche Doku weiterhin?
A: Sowohl als auch. Bei einer kurzen Frage gehe ich zum Chatbot. Ich lese die Antwort. Ich sage "okay, super" oder "das verstehe ich nicht, mach es einfacher" oder "mach es kürzer, gib mir Schritte". Oder ich sage "das ist interessant, lass mich die echte Quelle lesen". Also frage ich nach einer Quellenangabe und lese das Ausgangsdokument, weil die Antwort zu oberflächlich war.
KI-Chatbots sind klar ein Ausspielkanal. Konsumenten werden sie nutzen. Die wirklich interessante Frage für Content-Schaffende lautet: Wie stellen wir sicher, dass die Information, die durch den Chatbot kommt, auf der richtigen Ebene korrekt ist? Diese Antwort fällt bei öffentlichen Chatbots anders aus als bei privaten. Wenn du auf meiner Website bist und ich einen Chatbot für meine Inhalte gebaut habe, habe ich viel mehr Kontrolle. Über die öffentlichen Chatbots weniger.
Das Interessanteste am Chatbot-Kanal, neben den Genauigkeitsfragen, ist das, was er dem Konsumenten gibt: unendliche Personalisierung des angefragten Inhalts. Wir versuchen seit 30 Jahren, Personalisierung im Publizieren zu lösen, und hatten nie die Möglichkeit, in Breite zu personalisieren. Wir kamen auf acht Personas und personalisierten für acht Kategorien. Mit einem Chatbot sagt der Konsument "ich mag Gedichte, gib es mir in Reimen", und er tut es. Das ist als Konsument sehr befriedigend. Mächtig.
F7. Die drei Investitionsebenen
F: Ein SaaS-Unternehmen überlegt, wo es zuerst in KI für Inhalte investiert. In welcher Reihenfolge?
A: Fang damit an zu verstehen, was du heute tust. Die meisten Unternehmen überspringen diesen Schritt. Sie wollen KI auf einen bestehenden Prozess schrauben, der bereits Probleme hat.
Schritt eins: Sind deine Produktionsmuster konsistent? Wenn nicht, wird KI die Uneinheitlichkeit verstärken. Schritt zwei: Ist deine Struktur explizit oder implizit, und passt das zu dem, was KI braucht? Schritt drei: Welches Erlebnis willst du dem Konsumenten geben? Wähl dann KI-Werkzeuge, die dieses Erlebnis unterstützen.
Die Unternehmen, die das richtig machen, verstehen, dass KI ein Verstärker für alles ist, was du hineingibst. Qualität rein, Qualität raus. Uneinheitlichkeit rein, Uneinheitlichkeit raus, aber in Breite. Die Grundlagen strukturierter Content-Produktion wurden in dem Moment wichtiger, in dem KI real wurde, nicht unwichtiger.
Henriks Schlusswort
Der Satz, der hängen blieb: KI ist fantastisch beim Übersetzen, genau bis zu dem Punkt, an dem sie es nicht mehr ist. Das Risiko entscheidet über Lokalisierung, nicht die Sprache. Der Rahmen der "drei Ebenen" zur unendlichen Personalisierung ist das zweite Stück, das ich mitnehme. Wir versuchen das seit 30 Jahren über Persona-Segmentierung. Der Chatbot hat es nebenbei gelöst. Die Folge für Support- und Doku-Teams: Die Messlatte ist nicht mehr "ist der Inhalt korrekt". Die Messlatte ist "erzeugt die KI, die diesen Inhalt aufnimmt, die richtige Antwort auf der richtigen Ebene". Das ist ein anderes Designproblem. Wenn du 2026 Inhalte oder Support verantwortest, will unsere Umfrage State of Self-Service in SaaS 2026 deine Sicht hören.
Verbinde dich mit Sarah: scriptorium.com | LinkedIn | Content Transformation | der Scriptorium-Podcast
Demo buchen