Vor zwei Wochen sprach ich mit dem Leiter eines mittelständischen Sachbuchverlags. Er zeigte mir stolz, wie sein Lektorat ChatGPT benutzt, um Klappentexte zu schreiben. Dann fragte er: „Reicht das?”

Die Antwort ist nein — nicht mal annähernd.

Die Zahlen, die niemand ignorieren kann

McKinsey hat im November 2025 einen Bericht veröffentlicht, der eine Debatte hätte auslösen müssen. Die Kernaussage: 57 Prozent aller US-Arbeitsstunden könnten mit heute existierender Technologie automatisiert werden. Nicht mit Zukunftstechnologie. Mit dem, was jetzt da ist.

Das war vor einem Jahr. Seitdem ist die Entwicklung nicht langsamer geworden.

McKinsey selbst betreibt inzwischen 20.000 KI-Agenten neben 40.000 menschlichen Mitarbeitern. Gleichzeitig plant das Unternehmen, nicht-kundenseitige Rollen um 10 Prozent zu reduzieren. Die Berater, die anderen Firmen erklären, wie man mit KI umstrukturiert, strukturieren sich selbst um.

32 Prozent aller befragten Unternehmen erwarten, ihre Belegschaft innerhalb des nächsten Jahres um mindestens 3 Prozent zu reduzieren. Das Bemerkenswerte daran: Die meisten haben ihre KI-Systeme noch nicht einmal vollständig ausgerollt. Die Entlassungen kommen vor dem Beweis, dass die Technologie funktioniert.

Die Nachfrage nach KI-Kompetenz ist in zwei Jahren um das Siebenfache gestiegen. Jobs, die KI-Skills verlangen, zahlen 56 Prozent mehr Gehalt als vergleichbare Positionen ohne. Vor einem Jahr lag die Prämie bei 25 Prozent.

Was das mit Verlagen zu tun hat

Ein modernes Sachbuch entsteht in einer Pipeline, nicht in einem Kopf. In dieser Pipeline liefert der Autor Expertise, der Lektor prüft Sprache und Struktur. Ein Rechercheur validiert Quellen, ein Setzer bringt das Manuskript in Form. Am Ende findet der Korrektor die letzten Fehler.

Jeder einzelne dieser Schritte kann heute von einem spezialisierten KI-Agenten unterstützt oder übernommen werden. Nicht mit einem einzelnen Chatbot, der alles ein bisschen kann. Sondern mit einem orchestrierten System aus spezialisierten Agenten, die jeweils eine klar definierte Aufgabe haben: Quellenrecherche, Faktenprüfung, Stilkontrolle, Plagiatserkennung, medizinische Sprachrisiko-Analyse.

Ich habe ein solches System gebaut. Es hat 15 Produktionsphasen, 20 spezialisierte Scripts und über 30 Agent-Prompts. Es produziert quellenbasierte Sachbücher in Wochen statt Monaten. Das erste Verlagsbuch aus diesem System erscheint im April 2026.

Aber das System zeigt auch ein Problem: Es ist komplex. Es verlangt YAML-Konfigurationsdateien, Terminal-Bedienung, Python-Kenntnisse, ein Verständnis davon, was ein Agent-Prompt tut und warum er manchmal das Falsche tut.

Und genau hier liegt die Frage, die sich jeder Verlag stellen muss.

Die GUI-Illusion

Die naheliegende Antwort auf Komplexität heißt: Bauen wir eine Oberfläche. Eine hübsche Web-App, in der der Lektor auf „Kapitel prüfen” klickt und ein Report erscheint. Ein Dashboard mit Fortschrittsbalken.

Das klingt beruhigend. Und es ist grundlegend falsch.

Eine GUI über ein agentisches System zu legen ist wie ein Lenkrad an einen Autopiloten zu schrauben. Sie gibt dem Bediener das Gefühl von Kontrolle, ohne dass er versteht, was unter der Haube passiert. Und wenn der Agent den Stil eines Autors zerstört, weil der medizinische Sprachprüfer zu aggressiv kalibriert ist, hilft kein Button. Dann muss jemand verstehen, warum der Agent das getan hat, und die Kalibrierung ändern.

Eine Excel-Oberfläche hat auch niemanden zum Datenanalysten gemacht. Excel hat die Einstiegshürde gesenkt, aber wer Pivot-Tabellen nicht versteht, produziert mit Excel schöne Fehler statt keine.

Dasselbe gilt für KI-Systeme. Die GUI senkt die Einstiegshürde. Aber der Mensch, der das System bedient, muss verstehen, was ein Agent tut, warum ein Prompt zu stereotypen Ergebnissen führt, wie man Qualitätskriterien kalibriert, und wann man dem System widerspricht.

Was Verlage tatsächlich brauchen

Verlage brauchen keine Software. Sie brauchen eine neue Rolle.

Ich nenne sie den KI-Produktions-Operator. Diese Person sitzt zwischen Redaktion und Technik. Sie versteht beides: Was ein gutes Sachbuch ausmacht und wie man ein agentisches Produktionssystem steuert.

Das Profil: Grundlegendes Python-Verständnis. Terminal-Bedienung. YAML und Markdown als Arbeitsformate. Prompt Engineering nicht als Buzzword, sondern als Handwerk. Redaktionelles Urteilsvermögen, um Agent-Reports zu interpretieren. Und die Fähigkeit, einem Fachautor zu erklären, warum sein Manuskript in der dritten Iteration besser ist als in der ersten, obwohl es sich anders anfühlt.

Dieses Berufsbild existiert heute fast nirgendwo. Aber es wird in zwei Jahren so selbstverständlich sein wie der Webmaster es ab 2000 war.

Die Rollen verändern sich — alle

Der Lektor wird nicht verschwinden. Aber seine Aufgabe ändert sich fundamental. Statt jeden Satz selbst zu überarbeiten, wird er zum Qualitäts-Architekten: Er definiert die Prüfkriterien, interpretiert die Agent-Reports, entscheidet, welche Befunde berechtigt sind und welche nicht. Er kalibriert statt zu korrigieren.

Der Autor wird nicht überflüssig. Aber sein Beitrag verschiebt sich. Er liefert Expertise, Material, Urteilsvermögen. Er entscheidet, was ins Buch gehört und was nicht. Er gibt iteratives Feedback. Was er nicht mehr tun muss: monatelang an einem Manuskript sitzen und jeden Satz selbst formulieren.

Der Setzer wird durch automatisierte Pipelines ersetzt, die aus Markdown direkt druckfertige PDFs erzeugen. Kein InDesign, kein manuelles Layout. Typst, LaTeX oder Pandoc übernehmen.

Das Verlagsmanagement muss verstehen, dass sich Produktionszeiten von 18 Monaten auf 3 Monate verkürzen können. Dass das nicht nur schneller ist, sondern die Kalkulation verändert. Dass ein Verlag, der vier Bücher im Jahr in einem Segment produzieren kann statt einem, einen strukturellen Wettbewerbsvorteil hat.

Die unbequeme Wahrheit

Hier ist, was ich nach über 1.300 Stunden Systementwicklung und mehr als zehn produzierten Sachbüchern glaube:

Jeder, der in einem wissensintensiven Beruf arbeitet, muss in den nächsten zwei bis drei Jahren lernen, was ein agentisches System ist. Nicht im Detail, aber im Prinzip. Wer nicht versteht, wie ein KI-Agent Entscheidungen trifft, kann nicht beurteilen, ob dessen Output gut ist. Und wer das nicht beurteilen kann, wird ersetzt durch jemanden, der es kann.

Markdown wird die Arbeitssprache der Content-Produktion. Nicht weil es elegant ist, sondern weil es maschinenlesbar ist. YAML wird das Konfigurationsformat. APIs werden die Schnittstellen zwischen den Systemen. Und grundlegende Programmierkenntnisse werden in fünf Jahren so normal sein wie Tabellenkalkulation heute.

Das klingt radikal. Aber schauen Sie sich die Zahlen an: Eine Gehalts-Prämie von 56 Prozent für KI-Skills. Ein siebenfacher Anstieg der Nachfrage in zwei Jahren. Unternehmen, die Stellen streichen, bevor die Technologie überhaupt bewiesen hat, dass sie funktioniert.

Der Markt wartet nicht darauf, dass Verlage sich anpassen. Er belohnt die, die es tun. Und er bestraft die, die glauben, eine hübsche Oberfläche wäre die Antwort auf eine organisatorische Frage.

Was ich empfehle

Wenn Sie in einem Verlag arbeiten und diesen Artikel bis hierher gelesen haben, hier drei Schritte:

Erstens: Identifizieren Sie in Ihrem Team die Person, die am ehesten zum KI-Produktions-Operator werden könnte. Das ist nicht der beste Lektor und nicht der IT-Administrator. Es ist die Person, die sowohl ein gutes Buch erkennt als auch keine Angst vor einem Terminal hat.

Zweitens: Investieren Sie in deren Ausbildung. Markdown, YAML, Prompt Engineering, Grundlagen agentischer Systeme. Das ist keine sechsmonatige Umschulung, das ist ein konzentrierter Monat, wenn die Person die richtige Grundhaltung mitbringt.

Drittens: Starten Sie mit einem Pilotprojekt. Nicht mit dem wichtigsten Buch des Jahres. Mit einem Projekt, bei dem der Operator lernen kann, ohne dass ein Misserfolg das Programm gefährdet. Das erste KI-produzierte Buch wird nicht perfekt sein. Das zweite wird besser. Das dritte wird den Prozess verändern.

Die Frage ist nicht, ob Verlage KI-gestützte Produktion einführen werden. Die Frage ist, ob sie es rechtzeitig tun — oder ob andere es für sie tun.