Social Listening und Medienbeobachtung

Kommunikations- und Marketingteams müssen schnell wissen, was in Nachrichten, Print, TV, sozialen Medien, Foren und seit 2025 auch in KI-Assistenten über ihre Organisation, ihre Produkte, Wettbewerber und Themen gesagt wird. Die Menge ist viel zu groß, um sie von Hand zu lesen. KI-gestützte Beobachtung übernimmt lizenzierte Medien- und Social-Media-Feeds, entfernt Dubletten und syndizierte Kopien, erkennt, welche Entität gemeint ist, bewertet Stimmung und Relevanz, bündelt Meldungen zu Narrativen und löst eine Warnmeldung aus, wenn etwas Ungewöhnliches beginnt. LLMs schreiben inzwischen den täglichen Pressespiegel und den Krisenbericht, mit Links zu jeder Quelle. Das Ergebnis: frühere Erkennung von Themen, weniger manuelles Ausschneiden und Berichten sowie ein messbares Bild des Share of Voice.

Problem & Nutzen

• Heute: PR-Teams erhalten Ausschnittdienste oder Schlagwort-Alarme und lesen und taggen Erwähnungen von Hand. Die Beobachtung sozialer Medien läuft oft als eigenes Werkzeug neben der Nachrichtenbeobachtung. Schlagwortsuchen liefern verrauschte Ergebnisse („Apple" die Frucht oder das Unternehmen), Regeln zur Stimmung erkennen keine Ironie, und Wochenberichte werden von Hand in Folien zusammengestellt.
• KI-Nutzen: Die Auflösung mehrdeutiger Entitäten und die Relevanzfilterung verringern das Rauschen. Mehrsprachige Stimmungs- und Themenklassifikation deckt alle Märkte ab. Erkennung von Ausschlägen und Neuem ermöglicht Frühwarnung, und LLM-Zusammenfassungen ersetzen manuelle Pressespiegel und Berichte.
• Größenordnung kommerzieller Plattformen: Meltwater berichtet, täglich über 1,3 Milliarden Dokumente in über 240 Sprachen für über 27.000 Organisationen zu verarbeiten. Brandwatch nennt über 100 Millionen Quellen [1][2].
• Gemessener Nutzen (von Anbietern berichtet): Radisson Hotel Group berichtete von 33 % weniger Zeitaufwand für Berichte in über 40 globalen Teams, nachdem die Medienbeobachtung auf Meltwater zentralisiert wurde [1]. Verstehen Sie solche Fallstudien der Anbieter nur als Richtwert.
• Neu in 2025–2026: KI-Sichtbarkeit. Die Beobachtung erfasst jetzt, was ChatGPT, Gemini, Claude und Perplexity über eine Marke sagen. Meltwater („AI Visibility Tracking"), Brandwatch (GenAI-Monitoring), pressrelations (GEO-Monitoring) und ARGUS („AI Brand Intelligence") verkaufen dies alle [1][2][4][5]. Die Optimierung dieser Sichtbarkeit ist REC-011.

Varianten

• KMU / lokale Unternehmen: günstige Werkzeuge oder Funktionen in Social-Media-Suiten (Hootsuite, Sprout Social, Brand24, Mention). Sie decken Markenerwähnungen, Bewertungen und einfache Stimmungsanalyse ab. Das Beantworten von Bewertungen ist LANG-038.
• PR und Unternehmenskommunikation im Großunternehmen: medienübergreifende Beobachtung einschließlich lizenziertem Print und Rundfunk, KI-Pressespiegel für die Geschäftsleitung, Krisen- und Themenmanagement sowie Verfolgung von Stakeholdern oder Journalisten.
• Marketing und Konsumentenerkenntnisse: Kampagnenverfolgung, Share of Voice, Auswertung von Konsumtrends und Zulieferung an Produktteams. Kombinieren Sie mit LANG-016 für Trends und LANG-013 für eigenes Feedback.
• Öffentlicher Sektor und politische Kommunikation: Pressestellen von Ministerien, Kommunen und Behörden beobachten die Berichterstattung über Programme und die öffentliche Debatte. Beschränken Sie dies auf aggregierte Themenbeobachtung, nicht auf die Beobachtung einzelner Bürgerinnen und Bürger (siehe Risiken).
• Finanzen / Investor Relations: Beobachtung von Nachrichten und sozialen Medien auf kursrelevante Gerüchte und veröffentlichungspflichtige Ereignisse (MAR).
• Fachvariante: ESG-Kontroversen-Screening und negative Berichterstattung. Investoren und Einkauf prüfen Unternehmen und Lieferanten auf Kontroversen (Umweltvorfälle, Arbeitsrechtsverstöße, Korruption) in Nachrichten und NGO-Berichten, im Stil von RepRisk, oft mit Klassifikatoren für den Klimabereich wie ClimateBERT. Die NLP-Pipeline ist dieselbe wie hier. ESG-Analysen auf Portfolioebene sind LANG-037, CSRD-Berichterstattung ist DATA-012, die Prüfung von Behauptungen ist LANG-021, und die Prüfung eigener Umweltaussagen ist LANG-024.
• Nachbarn mit eigenen Dateien: Logos in Bildern und Videos (VIS-035), Auswahl von Influencern (REC-015), Wettbewerbs- und Marktbeobachtung (LANG-017), Beobachtung regulatorischer Entwicklungen (LANG-020), Fake-Shops und Identitätsmissbrauch (SEC-021), Seuchenbeobachtung aus Nachrichten (HLTH-031) und die Veröffentlichung eigener Beiträge (AGENT-017).
• Private Nutzung: Journalisten, Forschende und Kreative verfolgen Themen mit kostenlosen Werkzeugen (Google Alerts, RSS plus ein LLM zur Zusammenfassung). Die Beobachtung anderer Privatpersonen ist keine legitime Nutzung.

So funktioniert es

1. Quellen (lizenzierte Nachrichten/Print, Rundfunk, Social-APIs, Foren, Bewertungen, Podcasts, Antworten von KI-Assistenten)
2. Erfassung & Normalisierung (Konnektoren, Crawler, RSS; OCR für Print, ASR für TV/Radio/Podcasts)
3. Dublettenerkennung & Syndikations-Clustering (Hashing von Beinahe-Dubletten + Embeddings)
4. Spracherkennung, Übersetzung (optional)
5. Entitätsverknüpfung & Relevanzfilter (ist das unser „Apple"?) — Klassifikator oder kleines LLM
6. Anreicherung: Stimmung/Haltung je Entität, Themen-/Issue-Codes, Autorentyp, Reichweite/Interaktion
7. Meldungs- & Narrativ-Clustering, Trend- und Ausschlagserkennung (Zeitreihen-Anomalie bei Aufkommen/Stimmung)
8. Warnmeldungen (Regeln + Anomalie-Werte)
9. Prüfung durch Analysten
10. LLM-Kurzbericht / Pressespiegel mit Quellenangaben
11. Dashboards, Share-of-Voice-Berichte, Export an BI/CRM

• Klassifikator-Kaskade: Ein schnelles Encoder-Modell oder ein kleines LLM übernimmt die Anreicherung bei hohem Volumen (Relevanz, Stimmung, Thema). Ein größeres LLM kommt nur für Cluster, Top-Meldungen und Zusammenfassungen zum Einsatz. So bleiben die Kosten bei Millionen Erwähnungen beherrschbar.
• Stimmung auf Ebene der Entität (Aspekt) ist wichtiger als Stimmung auf Dokumentebene. Ein Artikel kann über einen Wettbewerber negativ und über Sie neutral sein.
• Zusammenfassungen auf Basis von Abrufen: Kurzberichte werden aus abgerufenen Clustern erzeugt, mit Links zu jedem Artikel. So werden erfundene Aussagen sichtbar, und die Ausgabe bleibt nachprüfbar.
• Mensch-in-der-Schleife (Human-in-the-Loop): Analysten stimmen Suchanfragen und Systematiken ab, bestätigen Krisenwarnungen vor der Eskalation und geben Pressespiegel frei, bevor sie an die Geschäftsleitung gehen. Nichts wird automatisch öffentlich veröffentlicht.

Datenaufbereitung

Erwähnungen stammen aus lizenzierten Nachrichten- und Printarchiven, Social-APIs, Foren, Bewertungsportalen, Podcasts und Rundfunk, daher werden die meisten Daten gekauft oder gesammelt statt aufbereitet. Beisteuern muss die Organisation das Beobachtungsprofil: Namen von Marken, Produkten, Führungskräften und Wettbewerbern, mehrdeutige Begriffe („ist das unser Apple?"), Sprachen und auszuschließende Quellen. In einem KMU steckt dieses Wissen in den Köpfen des Marketingteams, in alten Ausschnittsammlungen und in E-Mails.

Typische Lücken: mehrdeutige oder fehlende Namensvarianten, keine abgestimmte Themensystematik, keine Historie vergangener Krisen zur Kalibrierung der Warnmeldungen, doppelte syndizierte Artikel und personenbezogene Daten in Social-Media-Beiträgen.

Schritte der Aufbereitung: - Eine Schlagwort- und Ausschlussliste mit Synonymen und Schreibweisen erstellen (PREP-015) und Themenkategorien vor der Klassifikation festlegen (PREP-019). - 200–500 frühere Erwähnungen nach Relevanz, Stimmung und Thema labeln, um die Genauigkeit zu testen (PREP-018). - Gedruckte Ausschnitte bei Bedarf digitalisieren (PREP-006) und den Abruf zulässiger öffentlicher Seiten einrichten (DATA-004). - Datenklassifizierung und Aufbewahrung für Autorendaten festlegen (PREP-024, PREP-025).

Aufwandsanteil: gering bis mittel, etwa 15–25 Prozent, überwiegend die Abstimmung des Profils in den ersten Wochen. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU — A: Etablierte Beobachtungssuiten decken lizenzierte Nachrichten, Social-APIs und Stimmungsanalyse bereits zu Abopreisen ab; ein Eigenbau lohnt sich nicht.
• Großunternehmen — A: Medienbeobachtung ist eine Standardfunktion, und lizenzierte Presse- und Social-Daten lassen sich intern nicht nachbauen; B nur für eigene Analysen auf Basis von Exporten ergänzen.
• Entwickler — C: Open-Source-Crawling, Encoder und Modelle mit offenen Gewichten sind für eigene Forschung oder Produktnutzung sinnvoll, auch wenn lizenzierte Feeds der Engpass bleiben.
• Öffentlicher Sektor — B: APIs aus EU-Regionen oder souveränen Clouds mit eigener Analyse passen zu Beschaffungs- und Souveränitätsregeln; A nur für zertifizierte Produkte mit AVV.

Weg A — Kaufen (empfohlen für die meisten Organisationen)

• Globale Suiten: Meltwater (Medien + Social + KI-Sichtbarkeit), Brandwatch (Teil von Cision; Iris AI, Consumer Intelligence), Lumen by Talkwalker (früher Talkwalker, in Luxemburg gegründet und inzwischen enger mit Hootsuite verschmolzen), Sprinklr, Sprout Social, Brand24 (Polen, EU), Mention [1][2][3].
• EU- und deutsche Anbieter der Medienbeobachtung (stark bei lizenziertem Print und Pressespiegeln): pressrelations (Düsseldorf; NewsRadar mit KI-Themen/Tonalität, Zusammenfassungen, Übersetzung und GEO-Monitoring; DSGVO-konforme Verarbeitung) [4], ARGUS DATA INSIGHTS (Berlin/Zürich) [5], Landau Media (Berlin), Unicepta (Köln) und PMG Presse-Monitor. PMG gehört Verlagen und lizenziert digitale Pressespiegel, einschließlich einer „KI-Lizenz für die Erstellung von Pressespiegeln" [6].
• A wählen, wenn Sie lizenzierte Nachrichten-, Print- und Rundfunkabdeckung brauchen oder Social-Daten von Plattformen, die den API-Zugang beschränken. Der Einkauf der Daten ist meist der schwierige Teil, nicht die KI. Prüfen Sie: Hosting in der EU und AVV, Abdeckung Ihrer Märkte und Sprachen, Lizenzierung von Pressespiegeln sowie Export-/API-Zugang.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Daten: lizenzierte News-APIs (z. B. über die oben genannten Anbieter oder Aggregatoren mit kommerziellen Lizenzen), offizielle Plattform-APIs (YouTube Data API, Reddit Data API, kostenpflichtige Stufen der X API, öffentliche Firehose von Bluesky), RSS und eigenes Crawling öffentlicher Seiten, soweit sie es erlauben (DATA-004).
• Modelle: LLM-Endpunkte aus EU-Regionen (Azure OpenAI EU Data Zone, Google Vertex AI EU, AWS Bedrock Frankfurt, La Plateforme von Mistral AI, auf Aleph Alpha/STACKIT gehostete Modelle) für Zusammenfassungen, Haltung und Themen-Labeling. Embedding-APIs übernehmen Clustering und Dublettenerkennung.
• Orchestrierung: Pipelines mit n8n oder Airflow, OpenSearch/Elasticsearch für die Boolesche Suche, ein Vektorindex für das Clustering und Warnmeldungen an Teams oder Slack.
• B wählen, wenn Ihre Quellen speziell sind (Fachpresse, Seiten von Aufsichtsbehörden, Nischenforen) oder Sie die Beobachtung in Ihr eigenes CRM oder Ihren BI-Stack einbauen wollen.

Weg C — Selbst betreiben (Open Source)

• Erfassung & Suche: Scrapy, Trafilatura (Artikelextraktion), RSS-Reader, OpenSearch.
• Modelle zur Anreicherung: mehrsprachige Encoder, für Social-Media-Texte feingetunt, z. B. das XLM-R-Stimmungsmodell von CardiffNLP (trainiert auf rund 198 Mio. Tweets, in 8 Sprachen einschließlich Deutsch feingetunt) [8]. Alternativ GLiNER für Entitäten und kleine offene LLMs (Qwen3 4B/8B, Mistral Small, Llama 3.x 8B) für Zero-Shot-Relevanz und -Haltung.
• Themen & Trends: BERTopic unterstützt Online-Themenmodellierung (inkrementell), dynamische Themen im Zeitverlauf und von LLMs erzeugte Themenbezeichnungen [7]. Verwenden Sie Embeddings von multilingual-e5 oder BGE-M3.
• Betrieb: vLLM oder Ollama auf HW2 (eine GPU mit 24–32 GB) für die Anreicherung mit kleinen Modellen plus Zusammenfassungen. Nutzen Sie HW3, wenn ein Modell mit etwa 70 Mrd. Parametern die Kurzberichte schreibt. ASR der Whisper-Klasse für Rundfunk und Podcasts kann sich die GPU teilen.
• Betriebsaufwand: Konnektoren brechen, wenn Plattformen ihre Bedingungen oder APIs ändern. Planen Sie laufende Wartung ein. Die Abdeckung sozialer Medien bleibt immer dünner als mit kommerziellen Firehose-Lizenzen.

Weg D — Eigenes Training

Lohnt sich für Anbieter mit hohem Volumen oder wenn Ihre Fachsprache ungewöhnlich ist (Nebenwirkungen im Pharmabereich, Finanzjargon, regionale Dialekte, ironiegeprägte Gemeinschaften). Feintunen Sie einen Encoder oder ein kleines LLM auf einige tausend von Analysten gelabelte Erwähnungen für Relevanz, Haltung und Ihre Themensystematik. Das schlägt Zero-Shot-LLMs oft bei Genauigkeit und Kosten je Erwähnung. Korrekturen der Analysten in der Prüfoberfläche sind die natürlichen Trainingsdaten. Ein Training von Grund auf ist nicht sinnvoll.

Stand der Technik (2026)

• LLM-native Plattformen: Alle großen Suiten bieten inzwischen Abfragen in natürlicher Sprache auf dem Bestand an Erwähnungen, KI-Zusammenfassungen, automatische Berichte und „Frag die Daten"-Assistenten (z. B. Brandwatch Iris, Meltwater AI) [1][2].
• Beobachtung der KI-Sichtbarkeit / GEO ist die am schnellsten wachsende neue Quellenkategorie: Markenbezogene Prompts werden regelmäßig an KI-Assistenten gesendet, und die Antworten werden auf Erwähnungen, Stimmung und zitierte Quellen verfolgt [1][4][5].
• Multimodales Zuhören: VLMs lesen Text in Memes, Screenshots und Kurzvideos. ASR transkribiert TikTok, YouTube und Podcasts. Logoerkennung ohne Text ist VIS-035.
• Der Datenzugang ist die Hauptbeschränkung, nicht die Modelle. Mehrere Plattformen haben ihre APIs seit 2023 eingeschränkt oder verteuert. In der EU eröffnet Art. 40 DSA zugelassenen Forschenden, und bei öffentlich zugänglichen Daten auch anderen qualifizierten Forschenden, einen rechtlichen Weg zu Plattformdaten. Er gibt keinen Zugang für kommerzielle Beobachtung [10].
• Grenzen & Fehlerbilder: Sarkasmus und Ironie, Artikel mit mehreren Entitäten, Bots und koordinierte Verstärkung, die das Aufkommen aufblähen, Inhalte hinter Bezahlschranken oder gelöschte Inhalte sowie Abdeckungslücken (geschlossene Gruppen, Messenger, die außerhalb des Umfangs bleiben müssen). LLM-Zusammenfassungen können aus wenigen lauten Beiträgen zu stark verallgemeinern. Zeigen Sie neben dem Narrativ immer die Zahl der Beiträge und Quellen.

Gemeinsame Bausteine & Kombinationen

• Gleicher Text-Stack (llm-small/text-classifier + embedding-text + vector-db + search-engine): LANG-013 Stimmung bei eigenem Feedback, LANG-016 Themen- und Trenderkennung, LANG-017 Wettbewerbsbeobachtung, LANG-020 Beobachtung von Regulierung, LANG-021 Faktenprüfung und LANG-037 ESG-Analysen. Ein Anreicherungsdienst und ein OpenSearch-/Vektor-Cluster können alle auf HW2/HW3 bedienen.
• Gemeinsame Erfassung: Web-Crawling (DATA-004) und die Nachrichten-/RSS-Pipeline teilt dieser Anwendungsfall mit LANG-017, LANG-020 und HLTH-031. ASR für Rundfunk wird mit Transkriptions-Anwendungsfällen der Familie SPEECH geteilt.
• Nachgelagert / angrenzend: LANG-038 (Antworten auf Bewertungen), AGENT-017 (Veröffentlichung und Community-Management), REC-015 (Auswahl von Influencern aus Beobachtungsdaten), REC-011 (Verbesserung der KI-Sichtbarkeit), SEC-021 (Identitätsmissbrauch und gefälschte Profile, die beim Zuhören auffallen), VIS-035 (visuelle Markenerwähnungen), LANG-014 (Toxizitätsfilter für Kommentare) und ANOM-028 (gefälschte Angebote).
• Die Erkennung von Ausschlägen nutzt denselben Baustein zur Anomalieerkennung wie andere Anwendungsfälle der Beobachtung.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen für die Einrichtung (Suchanfragen, Systematik, Dashboards). Die Kosten richten sich nach Lizenzen und wachsen mit Aufkommen an Erwähnungen, Zahl der Nutzer und lizenzierter Print- und Rundfunkabdeckung.
• Weg B: 1–3 Monate für eine Pipeline mit eigenen Quellen. Datenlizenzen kosten meist mehr als LLM-Tokens. Mit der Klassifikator-Kaskade halten Sie die Kosten je Erwähnung niedrig.
• Weg C: 2–4 Monate plus laufende Wartung der Konnektoren, mit einem GPU-Server.
• Kennzahlen: Relevanz-Treffsicherheit des Stroms an Erwähnungen (Anteil irrelevanter Treffer), Vorlauf der Warnmeldungen gegenüber der Berichterstattung der Leitmedien, Rate falscher Warnmeldungen, Analystenstunden je Pressespiegel oder Bericht, Übereinstimmung der Stimmung mit menschlichen Codierern, Share of Voice gegenüber Wettbewerbern und Zeit bis zur ersten Reaktion bei Vorfällen.

Menschen & Veränderung

Früh einbinden: die Geschäftsführung und die Leitung von Kommunikation oder Marketing als Prozessverantwortliche; Anwender (PR, Social Media, Kundenservice) stimmen Relevanz und Warnschwellen in einem Pilot von 4–6 Wochen ab. Die IT bindet Dashboards und Warnkanäle an. Rechtsabteilung und Datenschutzbeauftragte(r) klären die Nutzung von Social-Media-Daten und die urheberrechtlichen Lizenzen für Pressespiegel.

Betriebsrat: In der Regel keine Mitbestimmung nach § 87 Abs. 1 Nr. 6 BetrVG, weil externe Erwähnungen analysiert werden, nicht das Verhalten von Beschäftigten. Relevant wird es, wenn eigene Beiträge von Beschäftigten beobachtet werden; das sollte ausgeschlossen oder schriftlich vereinbart werden. Informieren Sie den Betriebsrat trotzdem nach § 90 Abs. 1 Nr. 3 BetrVG. Öffentlicher Sektor: Binden Sie den Personalrat auf gleicher Grundlage ein.

Datenschutz: Beiträge identifizierbarer Personen sind personenbezogene Daten. Binden Sie daher die Datenschutzbeauftragte(n) ein, schließen Sie einen AVV (Art. 28 DSGVO), dokumentieren Sie die Rechtsgrundlage und prüfen Sie, ob für die systematische Beobachtung eine DSFA (Art. 35 DSGVO) nötig ist. Erstellen Sie keine Profile von Privatpersonen.

KI-Kompetenz: Unterstützen Sie das Team mit Schulungen zu den Grenzen der Stimmungsanalyse (Ironie, Dialekte) und zu Fehlalarmen (GUIDE-006).

Bedenken: „Ist das Überwachung?" Veröffentlichen Sie eine Regel zum Umfang: Marken und Themen, nicht Personen. „Alarmmüdigkeit": Stimmen Sie die Schwellen mit der Pilotgruppe ab. Ein Mensch prüft Warnmeldungen immer, bevor es eine öffentliche Reaktion gibt (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Übliche Marken- und Medienbeobachtung ist minimales Risiko: Sie ist keine Nutzung nach Anhang III, und die Pflicht zur KI-Kompetenz nach Art. 4 gilt. Textbasierte Stimmungsanalyse ist keine „Emotionserkennung" im Sinne von Art. 3 Nr. 39 / Art. 5 Abs. 1 Buchst. f, die biometrische Daten voraussetzt. Achten Sie auf schleichende Ausweitung: Das Ranking oder Profiling einzelner Personen, etwa für Personal, Kredit oder Strafverfolgung, kann zu Hochrisiko (Anhang III) werden oder Praktiken nach Art. 5 wie Social Scoring berühren. Ermittelnde OSINT zu Personen ist ein eigener, sensibler Anwendungsfall (KNOW-026). KI-geschriebene Kurzberichte für den internen Gebrauch brauchen keine Kennzeichnung nach Art. 50, veröffentlichte KI-generierte Texte zu Themen von öffentlichem Interesse unter Umständen schon [9].
• DSGVO: Beiträge in sozialen Medien sind auch dann personenbezogene Daten, wenn sie öffentlich sind. Das berechtigte Interesse (Art. 6 Abs. 1 Buchst. f) ist die übliche Rechtsgrundlage für die Markenbeobachtung. Es braucht eine Interessenabwägung, Datenminimierung (aggregierte Analyse, Pseudonymisierung der Autoren, kurze Aufbewahrung der Rohbeiträge), keine Verarbeitung besonderer Datenkategorien über das Nötige hinaus (politische Meinungen, Gesundheit) und Transparenz in der Datenschutzerklärung. Folgen Sie den EDPB-Leitlinien 1/2024 zum berechtigten Interesse und dem Entwurf der EDPB-Leitlinien zum Web Scraping von 2026 [11]. Öffentliche Stellen können sich meist nicht auf das berechtigte Interesse stützen und brauchen eine gesetzliche Aufgabengrundlage. Bleiben Sie bei der Beobachtung auf Themenebene und erstellen Sie nie Profile von Bürgern oder Journalisten.
• Urheberrecht: Pressespiegel deutscher Medien brauchen Lizenzen (§ 49 UrhG, Lizenzen von PMG/VG Wort, das Leistungsschutzrecht der Presseverleger). Prüfen Sie, ob die KI-Zusammenfassung lizenzierter Inhalte abgedeckt ist [6].
• Nutzungsbedingungen der Plattformen: Scraping entgegen den Nutzungsbedingungen schafft vertragliche und rechtliche Risiken. Bevorzugen Sie offizielle APIs und lizenzierte Daten.
• Branchenregeln: Pharmaunternehmen müssen Meldungen zu Nebenwirkungen, die beim Zuhören auffallen, an die Pharmakovigilanz weiterleiten. Börsennotierte Unternehmen haben MAR-Pflichten bei Gerüchten und Lecks.
• Gegenmaßnahmen: menschliche Freigabe von Krisen-Eskalationen, Quellenangaben in jeder Zusammenfassung, Verzerrungsprüfungen der Stimmungsanalyse über Sprachen und Dialekte hinweg und ein Prüfprotokoll der Suchanfragen (um die Beobachtung einzelner Personen zu verhindern).

Erste Schritte

1. Ziele und Umfang festlegen: Marken, Produkte, Wettbewerber, Themen, Märkte und Sprachen. Ausdrücklich aufschreiben, was nicht zum Umfang gehört (Einzelpersonen, geschlossene Kanäle).
2. Die wichtigen Quellen auflisten: Print, TV, Fachpresse, welche sozialen Plattformen, KI-Assistenten. Prüfen, welche nur über lizenzierte Anbieter verfügbar sind.
3. 2–3 Werkzeuge von Weg A (z. B. eine globale Suite und einen Anbieter der Pressebeobachtung im DACH-Raum) zwei Wochen lang mit denselben Suchanfragen testen. Relevanz-Treffsicherheit und Abdeckung bekannter Ereignisse messen.
4. Eine Themensystematik und Warnschwellen aufbauen und den Eskalationsprozess mit Rechtsabteilung und Kommunikation festlegen.
5. Die DSGVO-Interessenabwägung und den AVV abschließen, dann den täglichen Kurzbericht mit Quellenangaben automatisieren und die Kennzahlen vierteljährlich prüfen.

Quellen

1. Meltwater — Media, social and AI visibility intelligence (platform figures, Radisson case) — https://www.meltwater.com/en
2. Brandwatch — Social suite, Iris AI, GenAI monitoring — https://www.brandwatch.com/
3. Lumen by Talkwalker — social listening & media monitoring — https://www.talkwalker.com/
4. pressrelations — NewsRadar, AI in media monitoring, GEO monitoring — https://www.pressrelations.com/
5. ARGUS DATA INSIGHTS — media monitoring and AI Brand Intelligence — https://www.argusdatainsights.de/
6. PMG Presse-Monitor — press-review licences incl. AI licence — https://www.pressemonitor.de/
7. BERTopic documentation (online, dynamic and LLM-labelled topics) — https://maartengr.github.io/BERTopic/index.html
8. CardiffNLP — twitter-xlm-roberta-base-sentiment model card — https://huggingface.co/cardiffnlp/twitter-xlm-roberta-base-sentiment
9. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Regulation (EU) 2022/2065 (Digital Services Act), Art. 40 — https://eur-lex.europa.eu/eli/reg/2022/2065/oj
11. EDPB — Opinion 28/2024 on AI models, with Guidelines 1/2024 (legitimate interest) and Guidelines 03/2026 (web scraping) — https://www.edpb.europa.eu/our-work-tools/our-documents/opinion-board-art-64/opinion-282024-certain-data-protection-aspects_en