AI Slop vermeiden: warum Kontext über die Qualität von KI-Content entscheidet

• Dennis Gumprich
• Veröffentlicht 13. November 2026

Warum Content zur Massenware geworden ist, wie ein agentischer Ablauf aussieht und welche Aufgaben im Marketingteam dadurch wichtiger werden, zeigen die folgenden Abschnitte. Zuerst zur Frage, was mit AI Slop gemeint ist.

Was ist AI Slop?

AI Slop, im Deutschen oft KI-Slop genannt, bezeichnet minderwertige Inhalte, die mit generativer KI in großer Menge entstehen. Merriam-Webster hat „slop“ in dieser Bedeutung zum Wort des Jahres 2025 gewählt, das australische Macquarie Dictionary den Begriff „AI slop“. Gemeint sind Texte, Bilder und Videos, die schnell produziert sind, aber weder relevant noch sorgfältig.

Merriam-Webster beschreibt Slop als digitale Inhalte geringer Qualität, die meist in großer Zahl mithilfe von KI erzeugt werden. Das Macquarie Dictionary ergänzt zwei Merkmale: Solche Inhalte enthalten oft Fehler, und niemand hat sie angefragt. Für das Marketing ist eine Unterscheidung wichtig. Nicht jeder KI-Text ist Slop. Ein gut gesteuerter, sorgfältig geprüfter KI-Entwurf ist von einem menschlich geschriebenen Text kaum zu unterscheiden. Slop erkennt man nicht an der Herkunft, sondern an der Wirkung: Der Inhalt könnte von jedem stammen, sagt nichts Eigenes und kostet die Leserin mehr Zeit, als er ihr bringt.

Beispiele begegnen einem im Alltag ständig. Flyer für Elternabende, die alle gleich aussehen, überfrachtet sind und keinen Weißraum mehr lassen, dazu eine KI-Floskel wie „Gemeinsam sind wir stärker“. Speisekarten einer Imbissbude, die nach allem aussehen, nur nicht nach frischen Pommes. Menschen haben für solche Inhalte sehr schnell einen siebten Sinn entwickelt. Für Unternehmen ist das mehr als ein Stilproblem: AI Slop kann einer Marke ernsthaft schaden.

Warum ist Content zur Commodity geworden?

Eine Commodity ist eine austauschbare Massenware, deren Herstellung kaum noch etwas kostet. Genau das ist mit Inhalten passiert: Mit generativer KI entsteht ein Text, ein Bild oder eine Variante in Sekunden. Damit verschiebt sich der Engpass von der Produktion zur Qualität und zur Entscheidung, welcher Inhalt für wen relevant ist.

Vier Stellen kosten in der Content-Arbeit bisher besonders viel Kraft:

• Asset-Erstellung. Immer mehr Formate, gleich viele oder weniger Hände, dazu Text, Design und Freigabeschleifen.
• Qualitätssicherung. Manche Inhalte gehen ungetestet live oder werden nur von der Person geprüft, die sie auch erstellt hat.
• Ausspielung. Ein Inhalt bleibt auf der Website liegen, obwohl andere Kanäle, Zeitpunkte oder Varianten deutlich wirksamer wären.
• Wirkung. Analyse und Reporting über einzelne Inhalte, Kampagnen und Quartale hinweg passieren selten, weil sie viel Zeit kosten.

All das kann KI inzwischen übernehmen. Die entscheidende Gegenfrage lautet: Sollte sie das auch alles autonom tun? Gesunde Skepsis ist angebracht, die Chancen sind trotzdem groß, wenn Effizienz und Qualität zusammenkommen. Daraus ergibt sich die Leitfrage dieses Beitrags: Wenn Content durch KI zur Commodity wird, wie entsteht weiterhin qualitativer Content, und wer entscheidet das überhaupt?

Was sind AI Content Agents?

AI Content Agents sind KI-Agenten, die Aufgaben im Content Marketing eigenständig erledigen. Simon Schultes Formel: Ein KI-Agent ist ein KI-Modell plus ein Ziel, plus Werkzeuge, die er selbst verwenden darf, plus Leitplanken, innerhalb derer er sich bewegt. Er plant die nötigen Schritte selbst, arbeitet mehrstufig und prüft sein Ergebnis. Steuerung und Freigabe bleiben beim Menschen.

Den Unterschied zum Chatbot kennt jeder aus dem Alltag. Ein Chatbot reagiert auf einzelne Prompts. Jeder weitere Schritt braucht eine neue Eingabe, und wer schon einmal versucht hat, ein Bild Prompt für Prompt in Details zu korrigieren, weiß, dass das Ergebnis dadurch nicht unbedingt besser wird. Dazu kommt: Chatbots sind auf öffentliches Allgemeinwissen trainiert, nicht auf eure Marke, eure Prozesse oder eure Tonalität.

Ein Agent bekommt stattdessen ein Ziel und ein Briefing. Er kennt Markenregeln und Tone of Voice, greift bei jedem Schritt darauf zurück und testet sich selbst. Wenn es erlaubt ist, nutzt er Werkzeuge und Systeme, um Inhalte zu erstellen, zu testen und auszuspielen. Entscheidend sind die Leitplanken: was der Agent darf und was nicht. Das wird umso wichtiger, je selbstständiger Agents arbeiten.

Was Agents im Content-Team heute zuverlässig übernehmen und wo der Mensch bleibt, beschreibt KI-Agenten im Content-Team ausführlich.

Wie sieht ein agentischer Content-Workflow aus?

Simon Schulte hat das am Beispiel eines Produktlaunchs gezeigt. Der Mensch legt die Strategie fest, also Ziele, Marke, Budget und Leitplanken, und konfiguriert die Abläufe. Mehrere spezialisierte Agents übernehmen Erstellung, Anpassung, Test, Ausspielung und Reporting. Vor dem Livegang entscheidet wieder der Mensch.

Mit einem Chatbot entsteht der Launch-Content Prompt für Prompt: erst ein LinkedIn-Beitrag, dann eine Fassung für Instagram, dann ein Absatz für den Newsletter. Am Ende setzt ein Mensch alles zusammen, ergänzt Bilder, achtet auf Markenregeln und Formatgrenzen und pflegt jeden Inhalt einzeln ein. Im agentischen Ablauf gibt es ein Briefing, aus dem die Agents alle Formate ableiten. Das ist schneller und, richtig aufgesetzt, auch qualitativ besser.

1. Briefing durch den Menschen. Ziel, Zielgruppe, Thema, Keywords, Tonalität, Kanäle und Call-to-Actions werden so festgehalten, dass Maschinen sie lesen können. Agents reichern das Briefing an: mit einer Analyse, wer in Google und in KI-Suchsystemen zu Thema und Keyword sichtbar ist, mit dem Bestand im CMS, damit nichts doppelt entsteht, und mit Brand Guidelines etwa aus Frontify oder einem Pattern Lab.
2. Text und Bild. Agents erstellen Headlines, Textvarianten, Langform und Teaser samt Metadaten und Call-to-Action. Bilder entstehen markenkonform und im Format, das der Zielkanal erwartet. Varianten für A/B-Tests oder einzelne Zielgruppen kommen gleich mit, Platzhalter markieren Stellen, an denen ein Mensch nachlegen sollte.
3. Composing. Ein eigener Agent prüft Kanal-Fit und Zielgruppenpassung, Lesbarkeit, Struktur, Markenkonformität und Tonalität. Auf einem Kanal wird geduzt, auf dem anderen gesiezt, auch das gehört zu den Regeln.
4. Synthetisches Testing. Mit hinterlegten Personas simuliert ein Agent, welche Fragen eine Zielgruppe stellen würde und wie sie auf einen Inhalt reagiert. Varianten lassen sich vergleichen, bevor sie live gehen.
5. Einpflegen. Über Standardschnittstellen oder MCP-Server landen die Inhalte in CMS, Social-Media-Planung, Newsletter, Marketing-Automation, Intranet oder Werbekonten. Die Zielsysteme behalten die Verwaltung, der Agent meldet zurück, ob alles geklappt hat.
6. Reporting. Ein Agent wertet Reichweite, Engagement und Conversion je Inhalt aus und vergleicht Kanäle, ohne dass jemand Zahlen in einer Tabelle zusammenträgt.
7. Freigabe durch den Menschen. Qualität, Markenstimme, Recht, Compliance und strategische Passung prüft ein Mensch. Erst nach seinem Okay geht ein Inhalt raus.

Eine Einschränkung gehört dazu: Das automatische Einpflegen funktioniert mit einigen Zielsystemen schon sehr gut, mit anderen noch nicht. Welche Anbindung für eure Systeme passt, klärt MCP oder API. Wie ein Briefing aufgebaut sein muss, damit es Mensch und Maschine gleichermaßen steuert, zeigt Content-Briefing: die Vorlage, die Schleifen spart.

Welcher Kontext schützt vor AI Slop?

Ein zentral gepflegter Kontext, der für alle Agents gilt. Oft wird er als Brain bezeichnet: eine strukturierte Sammlung dessen, was erfahrene Redakteurinnen und Redakteure beim Schreiben im Kopf haben. Er wird einmal sorgfältig aufgebaut und gezielt aktualisiert, nicht bei jedem Prompt neu erklärt.

In diesen Kontext gehört alles, was eure Inhalte unverwechselbar macht:

• Euer Bestand. Website, LinkedIn, weitere Social-Media-Kanäle und Newsletter, damit die KI weiß, was ihr schon veröffentlicht habt und wie ihr klingt.
• Markenregeln. Brand Guidelines aus dem Brand Kit, Corporate Language, Farben und Formate.
• Content-Regeln. Wie ihr ansprecht, welche Begriffe ihr nutzt und welche nicht. Ein Beispiel aus der Praxis: Ein Lebensmittelhändler duzt seine Kundschaft im Markt und siezt sie außerhalb.
• Zielgruppen und Strategie. Personas, Ziele und Botschaften, gegen die ein Agent jeden Entwurf prüfen kann.
• Systemwissen. Etwa die Absatzvorlagen eures CMS, damit Inhalte gleich in der richtigen Struktur entstehen.

In der Diskussion nach dem Vortrag wurde der Punkt zugespitzt: Dass ein Chatbot auf die Bitte „Schreib einen Blogpost zu Thema X“ Durchschnitt liefert, liegt nicht an den Modellen, sondern daran, dass zu wenig Kontext und zu wenig Prozess mitgegeben wird. Ohne diesen Startpunkt skaliert ihr mit KI vor allem eines: Chaos. Wie ihr eine solche Grundlage aufbaut, beschreiben Wissensbasis aufbauen und Markensprache hinterlegen.

Warum zu viel Kontext ebenfalls zu AI Slop führt

Ein wunder Punkt: Was passiert, wenn sich Regeln im Kontext mit der Zeit widersprechen? Dann produziert auch viel Kontext wieder Slop. Die Lösung: einen Prüfagenten bauen, der den Kontext regelmäßig liest und meldet, was uneindeutig ist und was sich widerspricht. Je mehr Kontext ihr schafft, desto mehr Kontextmanagement braucht ihr.

Ein Vergleich aus dem E-Mail-Marketing macht das greifbar. Viele Unternehmen fragen über ein Preference Center ab, wofür sich ihre Empfänger interessieren, und halten die Antwort dann für dauerhaft wahr. Wer vor zehn Jahren angegeben hat, kein Interesse an Familienangeboten zu haben, hat heute vielleicht zwei Kinder. Mit Kontext ist es genauso: Eine Website, die vor Jahren einmal eingelesen und nie aktualisiert wurde, hilft der KI nicht. Kontextmanagement ist eine neue, dauerhafte Aufgabe, und sie ist eine der wirksamsten Maßnahmen gegen AI Slop.

Wie sichert KI-Governance die Qualität?

KI-Governance legt fest, was Agents dürfen, welche Prüfungen jeder Inhalt durchläuft und wer freigibt. Sie wirkt auf drei Ebenen: Leitplanken vor der Erstellung, Prüfschritte im Ablauf und die menschliche Freigabe vor dem Livegang.

• Leitplanken. Was darf ein Agent, was nicht? Dazu gehören rechtliche Vorgaben wie die DSGVO, Markenrisiken und die ethischen Maßstäbe, die auch eure Marke prägen.
• Prüfschritte im Workflow. Ein eigener Agent macht ein Review oder prüft gegen die Brand Guidelines. Jeder Agent kann einen einzelnen Schritt übernehmen, etwa Lektorat, Stilpolitur, Corporate Language oder Lokalisierung am Ende eines Ablaufs.
• Menschliche Freigabe. Compliance, Recht, strategische Passung, Qualität und Markenstimme bleiben eine menschliche Entscheidung.

Eine Regel lohnt sich für viele Unternehmen: Den Master Content muss nicht die KI schreiben. Bei technischen Produkten mit Kennlinien und Zertifikaten entsteht die Produktbeschreibung weiterhin beim Menschen, etwa im Produktteam. Agents leiten daraus nur die kanalspezifischen Varianten ab, aus Text, Produktbildern, Grafiken oder Animationen. So bleibt die fachliche Wahrheit in menschlicher Hand, und die Vervielfältigung läuft automatisch. Woran ihr KI-Entwürfe vor der Freigabe prüft, zeigen Prüfkriterien für KI-Texte und Halluzinationen im Marketing-Text abfangen.

Wie verändern AI Content Agents die Rollen im Marketing?

Die Ausführung von Routineaufgaben wandert zu Agents, das Urteilsvermögen des Teams zählt mehr. Die Angst vor Jobverlust ist trotzdem unbegründet: Redaktionen bekommen nicht weniger zu tun, aber die Inhalte ihrer Arbeit verschieben sich. Erfahrung, Ausbildung und Fachwissen hat die KI nicht, und genau das braucht es, um gut mit ihr zusammenzuarbeiten.

Vier menschliche Fähigkeiten werden wichtiger denn je:

• Markenhaltung. Die Werte und die Tonalität, die sich in jedem Inhalt widerspiegeln.
• Strategisches Storytelling. Die Richtung, in die eine Marke erzählt, entscheidet kein Agent, egal wie viel Kontext er hat.
• Kundenverständnis. Motive und feine Nuancen lassen sich nicht immer aus Daten lesen. Menschen können sich besser in Menschen hineinversetzen als Agents.
• Ethik und Compliance. Was KI darf, entscheidet das Unternehmen, nicht das Modell.

Dazu kommen Tätigkeiten, die es bisher kaum gab. Agent Design heißt, Agents strukturiert zu briefen und zu steuern, fast wie Teammitglieder. Prompt Engineering im engeren Sinn wird dagegen unwichtiger, weil Modelle immer besser verstehen, was gemeint ist, ähnlich wie die Google-Suche gelernt hat, die Suchintention zu erkennen. Präzise formulieren müsst ihr trotzdem, damit Agents zuverlässig liefern. Wie beim Sams gilt: Sei vorsichtig, was du dir wünschst. Hinzu kommen Data Literacy, also Ergebnisse lesen und Qualität beurteilen können, und Systemdenken: den ganzen Content-Prozess betrachten statt einzelner Aufgaben.

Dass das kein Zukunftsszenario ist, beobachtet Simon in seinem eigenen Haus. adesso erstellt als Digitalagentur mit einer eigenen Content-Management-Unit Inhalte für Kunden und ihre Kampagnen. Das reine Erstellen von Inhalten wird dort spürbar weniger angefragt, Urteilsvermögen und KI-Kompetenz werden wichtiger. Nicht an einem Tag, aber nach und nach. Welche Rollen ein Content-Team grundsätzlich braucht, beschreibt Wer macht was im Content-Team, die Folgen für Agenturen KI-Agentur 2027.

Was ist AI Content Demand?

AI Content Demand beschreibt, was Agents über die Beschleunigung bestehender Abläufe hinaus möglich machen. Ein Agent prüft die eigene Sichtbarkeit gegen den Wettbewerb, leitet daraus Lücken im Content-Angebot ab und entwickelt Ideen. Der Mensch entscheidet, was umgesetzt wird.

Der Gedanke dahinter: Zu jedem Keyword die ersten zehn Suchergebnisse zu öffnen, deren Inhalte, Keyword-Nutzung, strukturierte Daten und Metadaten zu vergleichen, und das für ein ganzes Keyword- und Prompt-Set, schafft kein Team von Hand. Ein Agent kann das. Der Ablauf sieht so aus:

1. Wettbewerb prüfen. Der Agent analysiert, wer zu euren Haupt- und Nebenkeywords in der Suche und zu euren Prompts in KI-Antworten sichtbar ist.
2. Content Gaps ableiten. Er zeigt, welche Themen euch fehlen und warum ihr vermutlich nicht auf der ersten Ergebnisseite steht.
3. Ideen verdichten. Nicht jede Lücke muss geschlossen werden. Ein Mensch wählt aus, was zur Strategie passt.
4. Ausarbeiten und testen. Agents erstellen Texte und Assets und prüfen die Wirkung vorab mit synthetischem Testing.
5. Einpflegen und freigeben. Die verantwortliche Person findet im CMS neue Entwürfe samt Bericht: Welche Wettbewerber ranken, welche Lücke den Ausschlag gab, warum diese Idee gewählt wurde. Dann gibt sie frei oder schickt zurück.

Auch hier bleibt die Antwort auf die Leitfrage dieselbe. Wer entscheidet, was guter Content ist? Der Mensch, allerdings mit Hilfe von Agents. Wie ihr eure Sichtbarkeit in KI-Antworten überhaupt messt, steht in KI-Sichtbarkeit messen.

Mit welchen Werkzeugen lassen sich AI Content Agents umsetzen?

Es gibt drei Wege: Agents in allgemeinen KI-Assistenten wie Microsoft Copilot, eigene Abläufe mit Automatisierungsplattformen wie n8n oder Make, oder eine Content-Plattform, in der Agents direkt im Content-Prozess mitarbeiten. Die größere Arbeit liegt nicht im Aufsetzen, sondern in der Frage, was ihr wirklich automatisieren wollt.

Wer im Unternehmen Zugriff auf eine Copilot-Instanz hat, kann dort per Prompt einfache Agents bauen und zeitlich steuern. Wer mehr Kontrolle braucht, baut sich ein eigenes Framework. Ein Tipp für alle Wege: Die Anweisungen für einen Agenten müsst ihr nicht selbst runterschreiben. Ein Chatbot kann sie mit euch entwerfen.

Auf die Frage, welches Werkzeug er empfiehlt, war Simon deutlich. adesso hat sich verschiedene Werkzeuge angesehen, eigene Content-Workflows mit n8n gebaut und setzt auf contentbird. Seine Begründung: Das Werkzeug ist für Content-Management und Content-Erstellung gedacht, bringt Basis-Workflows mit und ist durch die Ergänzung um agentische KI aus seiner Sicht ein wirklich gutes Werkzeug, um solche Abläufe aufzusetzen. Zur Einordnung: adesso ist Partner von contentbird, die Masterclass war eine gemeinsame Veranstaltung.

Ob ein freigegebener Assistent im Unternehmen für das Marketing reicht, klärt Copilot ist freigegeben. Reicht das fürs Marketing?

Wie startet ihr mit AI Content Agents, ohne AI Slop zu skalieren?

Schrittweise, wie bei jedem Einführungsprojekt. Legt fest, welche Ziele ihr zuerst erreichen wollt, welcher Ablauf den Anfang macht und für welche Kanäle. Daraus ergeben sich der nötige Kontext und die Schnittstellen.

1. Einen Anwendungsfall wählen. Gut geeignet sind kanalgerechte Varianten aus einem menschlich erstellten Master Content oder ein Reporting über alle Inhalte, das heute niemand schafft.
2. Den Kontext aufbauen. Bestand, Markenregeln, Content-Regeln und Personas einmal sauber erfassen.
3. Den Ablauf mit Freigabe festlegen. Wer brieft, welche Schritte übernehmen Agents, wer gibt frei?
4. Prüfschritte einbauen. Ein Review-Agent gegen Brand Guidelines und Corporate Language gehört von Anfang an dazu.
5. Systeme schrittweise anbinden. Standardintegration, API oder MCP-Server, je nachdem, was eure Zielsysteme anbieten.
6. Kontext pflegen und messen. Ein Prüfagent sucht regelmäßig nach Widersprüchen, das Reporting zeigt, ob die Qualität hält.

Nicht alles muss von Anfang an autonom laufen. Sparring und Arbeitsteilung zwischen Team und Agents sind ein guter erster Schritt. Die richtige Haltung: nicht „alles macht jetzt KI“ und nicht „gar nichts macht KI“, sondern ein hybrider Mittelweg mit gesundem Menschenverstand und viel Pragmatismus. Wie aus einzelnen KI-Experimenten ein dauerhafter Ablauf wird, zeigt KI Content Operations: wie aus KI-Experimenten ein Prozess wird.

Fünf Fehler, die AI Slop produzieren

1. Chatbot ohne Kontext als ProduktionswegEin Prompt ohne Wissen über Marke und Zielgruppe liefert Durchschnitt, und zwar in Serie.
2. Kontext einmal abladen und vergessenVeraltete oder widersprüchliche Regeln führen genauso zu Slop wie fehlende.
3. Die Freigabe an Agents abgebenRecht, Compliance, Markenstimme und strategische Passung bleiben eine menschliche Entscheidung.
4. Mit dem Werkzeug starten statt mit dem ZielWer nicht weiß, was er automatisieren will, automatisiert das Falsche.
5. Fachliche Inhalte generieren lassenKennlinien, Zertifikate und Produktwahrheiten gehören in menschlich erstellten Master Content, Agents leiten nur ab.

Fazit: Qualität entsteht aus Kontext, Ablauf und Urteil

Content ist zur Commodity geworden. Das ist keine Bedrohung, sondern eine Verschiebung: Die Produktion wird billig, das Urteil wird wertvoll. AI Slop entsteht dort, wo Unternehmen KI wie einen Automaten für Massenware nutzen. Wer stattdessen einen gepflegten Kontext aufbaut, Agents in feste Abläufe einbindet und die Qualität mit Prüfschritten und menschlicher Freigabe sichert, bekommt beides: mehr Inhalte und bessere. Die Technik dafür steht bereit. Die eigentliche Arbeit liegt in der Entscheidung, was ihr automatisieren wollt und woran ihr gute Inhalte messt.

Häufige Fragen

Dennis Gumprich

Senior Consultant Content Solutions · contentbird GmbH

Dennis begleitet Marketing- und Kommunikationsteams bei der Frage, wie generative KI in bestehende Content-Prozesse passt, ohne Qualität, Markensprache und Freigaben zu untergraben. Schwerpunkte: Content Operations, KI-Governance und Toolauswahl in Mittelstand und Konzern.

Transparenzhinweis: Dennis arbeitet für contentbird, einen Anbieter von KI-gestützter Content-Software. Produkterwähnungen sind im Beitrag gekennzeichnet. Mehr über Dennis · LinkedIn