Automatisierter Datenjournalismus (Data-to-Text) & Redaktionsassistent

Regional- und Nationalverlage müssen tausende Ereignisse abdecken, die jeweils für ein kleines Publikum wichtig sind: ein Fußballspiel der Kreisliga, eine Kommunalwahl in einem Wahlbezirk, ein Quartalsergebnis, ein Stau in der Nachtschicht. Redakteure können nicht alles abdecken. Data-to-Text-Systeme verwandeln strukturierte Live-Feeds in Sekunden in kurze, zutreffende, lokalisierte Artikel und aktualisieren sie, wenn sich die Daten ändern. LLM-basierte Redaktionsassistenten helfen dann bei Überschriften, Teasern, SEO-Metadaten, dem Umschreiben von Agenturmeldungen und der Verschlagwortung. Der Nutzen liegt in der Reichweite im „Long Tail" und in der Zeit, die Journalisten für eigene Recherche gewinnen. Redaktionelle Verantwortung, Pressekodex und KI-Kennzeichnung gelten weiterhin.

Problem & Nutzen

• Heute: Lokalredaktionen wählen nur die Ereignisse aus, die sie personell abdecken können, und Agenturmeldungen werden für jede Ausgabe von Hand umgeschrieben. Nacht- und Wochenenddienste decken Verkehr, Wetter und Ergebnisse mit minimaler Besetzung ab. Überschriften, Teaser, SEO-Felder und Tags werden für jede Geschichte manuell eingetippt.
• KI-Nutzen: vollständige Abdeckung datenreicher, formelhafter Ereignisse; sofortige Veröffentlichung; einheitlicher Stil; Redakteure werden für die Recherche frei; mehr Such- und Empfehlungsverkehr durch bessere Verschlagwortung.
• Belege aus Einsätzen:
• Retresco berichtet, dass RP ONLINE seit Juli 2020 mit textengine.io mehr als 3,7 Millionen Texte erzeugt oder aktualisiert hat. Die Texte betrafen Verkehr, Covid-19-Zahlen (mehr als 2.000 Aktualisierungen) und Kommunalwahlen in 280 Wahlbezirken. Die Daten stammten aus öffentlichen Quellen wie dem Landeswahlleiter [1].
• Die Schweizer Verkehrsmeldezentrale Viasuisse nutzt Retresco, um Echtzeitmeldungen zu mehr als 1.000 Verkehrsereignistypen zu erzeugen, beginnend mit der Nachtschicht [2].
• Die RHEINPFALZ hat den AI Content Assistant von Retresco an mehr als 190 Journalistinnen und Journalisten in 13 Lokalredaktionen ausgerollt, gehostet auf europäischen Servern. Retresco meldet 13 % tägliche Nutzung [3].
• Der schwedische Anbieter United Robots liefert automatisierte lokale Inhalte unter anderem an Mediahuis, Schibsted, Bonnier, Reach, DPG Media und McClatchy. Ein Kunde, NDC Mediagroep, deckt damit 60.000 Fußballspiele pro Saison ab [5].
• AP automatisiert seit 2014 Quartalsberichte mit Automated Insights. Dadurch stieg die Zahl der angebotenen Ergebnisberichte um mehr als das Zehnfache, und AP gibt an, rund 20 % der Zeit der Reporter freigesetzt zu haben [8].
• Sicht der Branche: In der Umfrage des Reuters Institute 2026 unter 280 Digital-News-Verantwortlichen hielten 97 % Back-End-Automatisierung (Transkription, Metadaten und Ähnliches) für wichtig. Nur 13 % bezeichneten ihre bisherigen KI-Initiativen als „transformativ" [12].

Varianten

• Ergebnisjournalismus: Wahlen (je Gemeinde und Bezirk), Amateur- und Profisport (Spielberichte, Tabellen, Spielerstatistiken), Börsen und Unternehmenszahlen, Wetter und Unwetterwarnungen, Verkehr, Immobilienverkäufe, amtliche Statistik (Arbeitslosigkeit, Spritpreise).
• Blaulicht / Polizeimeldungen: Pressemitteilungen von Polizei und Feuerwehr werden zusammengefasst und lokalisiert. Das ist sensibel (namentlich genannte Personen, Tatverdächtige, Herkunft von Tatverdächtigen) und erfordert zwingend eine redaktionelle Prüfung.
• Redaktionsassistent: A/B-Varianten für Überschriften und Teaser, SEO-Titel und Meta-Beschreibung, Social-Posts, Kürzen und Umschreiben von Agenturmeldungen je Ausgabe, Entwürfe für Live-Ticker, Verschlagwortung von Entitäten und Themen im CMS, Verknüpfung verwandter Artikel.
• Nachrichtenagenturen und B2B-Information: Agenturen und Anbieter von Finanzinformationen, die Alerts und Kurzberichte für Kunden erstellen. Ein Logistik- oder Fachverlag könnte Frachtindizes oder Hafendaten abdecken.
• Öffentlicher Sektor: statistische Ämter und Kommunen, die Klartext-Zusammenfassungen von Datenveröffentlichungen und Wahlergebnissen veröffentlichen (kombinierbar mit LANG-010 für einfache Sprache).
• Private / kleine Verlage: Hyperlokale Blogs und Vereinswebsites können Spielberichte aus Ergebnis-Feeds der Verbände erzeugen, müssen aber die Datenlizenzbedingungen beachten.

So funktioniert es

1. Live-Feed (API/XML/CSV, Push oder Poll)
2. Einlesen & Validieren (Schema, Plausibilität, Änderungen gegenüber der letzten Version) [Streaming]
3. Ereigniserkennung & Nachrichtenwert-Regeln (Überraschungssieg, Rekordbeteiligung, Schwellenwert überschritten)
4. Inhaltsplanung: zu nennende Fakten, Reihenfolge, lokaler Aufhänger je Ausgabe
5. Realisierung: regel-/vorlagenbasierte NLG und/oder LLM, beschränkt auf gelieferte Fakten
6. Faktencheck: jede Zahl/jeder Name im Text muss mit dem Quelldatensatz übereinstimmen [Guardrails]
7. Verschlagwortung & Metadaten (Entitäten, Ort, Themenseite, SEO-Felder) [Klassifikator/LLM]
8. CMS: automatisch veröffentlichen (risikoarme Formate) | Entwurfswarteschlange für Redakteure (sensible Formate)
9. Aktualisierungen bei neuen Daten; KI-Kennzeichnung; Prüfprotokoll

• Zwei Erzeugungsstile:
• Deterministische Vorlagen-NLG (Retresco textengine, Arria, axite, SimpleNLG/RosaeNLG) ist vollständig nachvollziehbar und kann keine Fakten erfinden. Formate mit hohem Rechtsrisiko nutzen überwiegend noch sie.
• LLM-Realisierung erzeugt abwechslungsreichere Sprache und verarbeitet unstrukturierte Eingaben wie Pressemitteilungen. Sie braucht eine strikte Verankerung: nur die Quellfakten übergeben, strukturierte Ausgabe nutzen und im Nachgang eine Prüfung von Zahlen und Namen durchführen.
• Hybride Systeme nutzen ein LLM für die Formulierung innerhalb eines durch Vorlagen festgelegten Faktenplans.
• Assistenzfunktionen laufen im redaktionellen CMS: Die Redakteurin oder der Redakteur löst ein Umschreiben, einen Überschriftensatz oder einen Tag-Vorschlag aus und übernimmt oder bearbeitet das Ergebnis.
• Mensch-in-der-Schleife (Human-in-the-Loop): Redakteure genehmigen Formate und Vorlagen einmalig und prüfen dann stichprobenartig. Sensible Formate (Kriminalität, Unfälle, Minderjährige, Wahlen am Wahlabend) gehen in eine Entwurfswarteschlange. Eine namentlich benannte Redakteurin bzw. ein Redakteur verantwortet jedes Format.

Datenaufbereitung

Data-to-Text braucht saubere strukturierte Feeds (Sportergebnisse, Wahlzahlen, Finanzdaten, Wetter, statistische Tabellen) sowie das Hauswissen: Styleguide, frühere Artikel, Archiv und Vorlagen. Diese liegen im CMS, in Agentur-Feeds, in Tabellen, in Downloads statistischer Ämter und teils in persönlichen Ordnern von Journalisten oder auf Papier.

Typische Lücken: Feeds mit wechselnden Formaten, fehlende Felddefinitionen, doppelte oder widersprüchliche Zahlen zwischen Quellen, unbeschriftete Archivartikel und ein Styleguide, der nur als PDF oder in den Köpfen existiert. Schritte der Aufbereitung: (1) Feeds erfassen und je Quelle einen validierten Einstiegspunkt festlegen (siehe PREP-005); (2) Tabellen in saubere, maschinenlesbare Form bringen (siehe PREP-011); (3) Begriffe und Kennzahlen definieren (siehe PREP-012); (4) Archivartikel nach Thema, Datum und Typ verschlagworten (siehe PREP-010); (5) Musterartikel je Format als Few-Shot-Beispiele sammeln (PREP-016) und Terminologie sowie Hausschreibweise festhalten (PREP-015); (6) PDF- oder Papierarchive bei Bedarf umwandeln (DOC-014).

Werkzeuge: Python/pandas oder n8n für die Feed-Validierung, die CMS-API, eine Open-Source-OCR für alte Archive. Grober Anteil am Aufwand: 30-40 Prozent, hauptsächlich stabile Feeds und gute Beispieltexte.

Umsetzungswege

Welcher Weg für wen

• enterprise: Weg B — Verlage und Mediengruppen brauchen den Assistenten eingebunden in CMS und Datenfeeds, und das Volumen macht Lizenzen je Arbeitsplatz teuer.
• smb: Weg A — ausgereifte Redaktions- und Texterzeugungsprodukte gibt es zu KMU-Preisen für lokale Verlage und Unternehmenskommunikation.
• developer: Weg C — Open-Weight-Modelle mit Vorlagen und Feed-Adaptern erlauben Data-to-Text ohne API-Kosten je Artikel.
• public: Weg C — Pressestellen und öffentlich-rechtliche Sender legen Wert auf Souveränität und Beschaffungsregeln, und ein selbst betriebenes Modell auf HW2 bewältigt Berichte aus strukturierten Daten gut.

Weg A — Kaufen (empfohlen für die meisten Verlage)

• Data-to-Text-Plattformen: Retresco textengine.io (Berlin, DE; EU), United Robots (Malmö, SE; EU), axite, früher AX Semantics (Stuttgart, DE; EU), Arria NLG (UK/US). Jede deckt Sport, Wahlen, Finanzen, Verkehr oder Immobilien als fertige „Formate" ab.
• Redaktionsassistenten: Retresco AI Content Assistant (früher Rewrite) und die KI-Funktionen in redaktionellen CMS wie Arc XP, CUE (Stibo DX) und WordPress-Plugins. Große deutsche Gruppen bauen auch eigene Werkzeuge; Ippen Media und RND sind Beispiele.
• A wählen, wenn der Feed Standard ist (Fußball, Wahlen, Märkte, Wetter) und Sie schnell einen CMS-Konnektor brauchen. Prüfen Sie Datenlizenz, EU-Hosting, wie Vorlagen bearbeitet werden können, die Aktualisierungslogik und den Prüfpfad.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Modelle: Mistral (Mistral Medium/Large, Mistral Small; EU-Anbieter), Claude über AWS Bedrock Frankfurt oder Google Vertex EU, Gemini in den EU-Regionen von Vertex AI, OpenAI-Modelle über Azure OpenAI EU Data Zone. Souveränes Hosting in Deutschland gibt es über IONOS AI Model Hub und STACKIT AI Model Serving.
• Muster: Der Feed geht in ein Faktenplan-JSON, dann an ein LLM mit JSON-Schema-Ausgabe, dann an einen Validator, der Zahlen und Namen mit der Quelle abgleicht, dann an die CMS-API.
• Orchestrierung: n8n, Airflow oder ein Kafka-Consumer. Prompt-Vorlagen werden je Format versioniert.
• B wählen, wenn die Formate Ihre eigenen sind (regionale Statistiken, spezielle Datensätze) oder wenn Sie Assistenzfunktionen in Ihr eigenes CMS einbauen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Open-Weight Mistral Small 3.x, Qwen3 (dicht 8B-32B oder MoE), Llama 3.x und gpt-oss-20b, betrieben mit vLLM oder Ollama mit geführter JSON-Dekodierung. Die Qualität deutscher Ausgaben ist ab etwa 14B Parametern gut.
• Deterministische NLG: RosaeNLG (unterstützt Deutsch) und SimpleNLG.
• Verschlagwortung: ein feingetunter NER- und Themenklassifikator der deutschen BERT-Klasse, mit Embeddings (z. B. multilingual E5, BGE-M3) in Qdrant oder OpenSearch für die Zuordnung verwandter Artikel und Themenseiten.
• Hardware: HW2 (eine GPU mit 24-32 GB) genügt für ein quantisiertes 14-32B-Modell, das tausende kurze Texte pro Stunde erzeugt. HW3 für größere Modelle oder viele parallele Assistenznutzende. Der Betriebsaufwand ist moderat: die Überwachung der Feeds ist wichtiger als der Modellbetrieb.

Weg D — Eigenes Training

• Lohnt sich bei sehr hohen Volumina eines Formats, für einen unverwechselbaren Hausstil oder für ein kleines Modell, das Spiel- oder Wahlberichte günstig auf CPU oder kleiner GPU schreibt. Feintuning (LoRA) auf früheren Paaren aus Feeddaten und dem veröffentlichten redigierten Text; typisch sind einige tausend Paare je Format.
• Ein Verschlagwortungs-Klassifikator, feingetunt auf die eigene Tag-Taxonomie des Verlags, ist meist das wertvollste eigene Modell.

Stand der Technik (2026)

• Hybride NLG ist Best Practice: deterministische Faktenauswahl plus LLM-Formulierung, mit automatischer Faktenprüfung. Forschungs-Benchmarks für Data-to-Text (RotoWire für Sport, WebNLG, ToTTo) zeigen durchgängig, dass neuronale Generatoren flüssigen Text erzeugen, aber Fakten hinzufügen oder verändern. Deshalb prüfen Produktivsysteme Fakten nach der Erzeugung.
• Agentische Redaktionswerkzeuge: LLMs entwerfen inzwischen Live-Ticker aus Feeds, schlagen Überschriftenvarianten zum Testen vor und optimieren Texte für KI-Antwortmaschinen (Generative Engine Optimization) ebenso wie für Google.
• Transkription und multimodale Eingaben (Interviews, Ratssitzungen) speisen Redaktionsassistenten. Siehe SPEECH-001 und SPEECH-021.
• Die Akzeptanz beim Publikum ist begrenzt. Der Digital News Report 2025 des Reuters Institute stellt fest, dass das Publikum Nachrichten, die überwiegend von KI stammen, weiter skeptisch sieht, KI-Unterstützung für Journalisten eher akzeptiert und Europa skeptischer ist als die USA [13]. Eine vom Reuters Institute zitierte EBU-Studie fand, dass KI-Assistenten Nachrichteninhalte fast die Hälfte der Zeit falsch wiedergeben [12]. Kennzeichnung und menschliche Verantwortung sind daher ebenso kommerzielle wie rechtliche Anforderungen.
• Grenzen:
• Feed-Fehler werden mit Maschinengeschwindigkeit veröffentlicht.
• Dünne Vorlagentexte können für Suchmaschinen als minderwertiger Inhalt gelten.
• LLMs übertreiben dramatisierend („sensationeller Sieg") und erfinden Zitate.
• Berichte über Kriminalität und Unfälle riskieren die Identifizierung von Personen und Stereotypisierung.

Gemeinsame Bausteine & Kombinationen

• Derselbe LLM-Serving-Stack (llm-general auf HW2/HW3) wie LANG-001 Marketingtexte, LANG-005 SEO-Inhalte, LANG-007 Social-Posts, LANG-011 Stilumschreibung und LANG-010 einfache Sprache. Ein Verlag kann für all das einen einzigen vLLM-Server betreiben.
• Verschlagwortungs- und Entitätsschicht (text-classifier, embedding-text, vector-db) wird gemeinsam genutzt mit LANG-015 NER, DATA-007 Metadatenanreicherung, REC-002 Nachrichtenempfehlungen, KNOW-019 Archiv-Entdeckung und KNOW-016 multimodale Archivsuche.
• Streaming- und Workflow-Schicht wird gemeinsam genutzt mit DATA-002 automatisierten Berichtstexten, die dieselbe Data-to-Text-Technik für interne Zielgruppen einsetzen.
• Natürliche Kombinationen:
• LANG-009 Übersetzung für mehrsprachige Ausgaben
• LANG-021 Faktencheck
• SPEECH-006 Text-to-Speech für Audio-Fassungen
• SPEECH-004 Live-Untertitelung
• VIS-025 und VIS-055 für Sport-Video-Highlights neben Textberichten
• PRED-017 Wettervorhersage als Eingangs-Feed
• ANOM-015 Herkunftsnachweis und Kennzeichnung von KI-Inhalten (C2PA, Art. 50)
• LANG-018 Medienbeobachtung

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen je Standardformat, sobald der CMS-Konnektor steht. Die Preise richten sich meist nach Format, Textvolumen oder – bei Assistenten – nach Arbeitsplätzen.
• Weg B: 1-3 Monate für ein erstes eigenes Format mit Validierung und CMS-Integration. Die Token-Kosten je Kurzartikel sind gering im Vergleich zu Redaktions- und Datenlizenzkosten.
• Weg C: 2-4 Monate plus ein GPU-Server und Feed-Überwachung.
• Kostentreiber: Datenlizenzen (Sport- und Marktdaten sind oft der größte Posten), Vorlagen- und Formatdesign, Zeit für redaktionelle Qualitätssicherung.
• Kennzahlen:
• produktive Formate und veröffentlichte Texte pro Tag
• Fehlerquote (Korrekturen je 1.000 Texte)
• Zeit vom Datenereignis bis zur Veröffentlichung
• Seitenaufrufe und Abonnements aus automatisierten Texten
• Anteil der übernommenen Assistenzvorschläge
• freigesetzte Redakteursstunden
• Such- und Discover-Reichweite verschlagworteter Artikel

Menschen & Veränderung

Binden Sie die Chefredaktion bzw. Geschäftsleitung (redaktionelle Leitlinien, Kennzeichnungsregeln), die Ressortleitungen als Prozessverantwortliche und die Journalistinnen und Journalisten ein, die das Werkzeug täglich nutzen, denn die Akzeptanz hängt von ihnen ab. Die IT bindet CMS und Feeds an; die Rechtsabteilung prüft Urheberrecht, Presserecht und Kennzeichnung; die oder der Datenschutzbeauftragte wird gebraucht, wo Berichte Personen nennen oder Leserdaten verwenden (AVV mit jedem Anbieter, DSFA nur bei Profiling in großem Umfang).

Betriebsrat: abhängig. Wo ein Betriebsrat besteht, muss er über KI-gestützte Arbeitsprozesse informiert werden (§ 90 Abs. 1 Nr. 3 BetrVG), und Werkzeuge, die die individuelle Nutzung protokollieren, fallen unter § 87 Abs. 1 Nr. 6. Beachten Sie, dass Presseunternehmen Tendenzbetriebe sind (§ 118 BetrVG), was die Mitbestimmung in redaktionellen Angelegenheiten einschränken kann; klären Sie das früh mit der Rechtsberatung. Bei öffentlich-rechtlichen Sendern gilt der Personalrat.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit Schulungen zu Halluzinationen, Quellenprüfung und Kennzeichnungspflichten (Art. 4 KI-Verordnung (AI Act) in der geänderten Fassung; die Transparenzpflicht nach Art. 50 gilt seit dem 2. August 2026). Kommunizieren Sie, dass die KI routinemäßige Datengeschichten entwirft, damit Journalisten Zeit für Recherche haben. Beginnen Sie als Pilot mit einem standardisierten Format (z. B. Spielberichte) und einer kleinen freiwilligen Redaktion. Typische Bedenken sind Arbeitsplatzverlust und Fehler: Begegnen Sie ihnen mit der Regel, dass nichts ohne redaktionelle Prüfung erscheint, mit sichtbaren Korrekturen und einem klar umrissenen Rahmen dafür, was die KI schreiben darf.

Siehe GUIDE-008, GUIDE-006 und GUIDE-014.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise begrenztes Risiko.
• Art. 50 Abs. 4, anwendbar ab 2. August 2026, verpflichtet Betreiber, KI-generierte Texte offenzulegen, die zur Information der Öffentlichkeit über Angelegenheiten von öffentlichem Interesse veröffentlicht werden. Die Pflicht entfällt, wenn der Text einer menschlichen Prüfung oder redaktionellen Kontrolle unterzogen wurde und eine Person die redaktionelle Verantwortung trägt [9].
• Vollautomatisierte Formate, die ohne Prüfung jedes Textes veröffentlicht werden, sollten daher gekennzeichnet werden.
• Anbieter müssen synthetische Ausgaben nach Art. 50 Abs. 2 maschinenlesbar markieren, außer bei unterstützender Standardbearbeitung.
• Der endgültige Verhaltenskodex der Kommission zur Transparenz KI-generierter Inhalte (Juni 2026) ist die Referenz für die Praxis der Markierung und Kennzeichnung [10].
• Keine Kategorie nach Anhang III trifft zu. Die KI-Kompetenz (Art. 4) gilt für Redakteure.
• Presseethik (DE): Die Präambel des Pressekodex (Fassung vom März 2025) stellt klar, dass die redaktionelle Verantwortung auch für künstlich erzeugte Inhalte gilt [11]. Der Pressekodex verlangt zudem Sorgfalt bei der Genauigkeit (Ziffer 2) und Zurückhaltung bei der Nennung der Herkunft von Tatverdächtigen (Ziffer 12, Richtlinie 12.1). Ähnliche Selbstregulierungskodizes gibt es in AT und CH sowie die Kodizes von IPSO und IMPRESS im Vereinigten Königreich.
• DSGVO: Wahl- und Marktdaten sind überwiegend nicht personenbezogen. Amateursport (Spielernamen, oft Minderjährige) und Polizeimeldungen sind personenbezogene Daten.
• Die journalistische Verarbeitung profitiert vom Medienprivileg (Art. 85 DSGVO, umgesetzt in den Landespressegesetzen und im Medienstaatsvertrag), doch Datensicherheit und Auftragsverarbeitungsverträge mit Anbietern gelten weiterhin.
• EU-Hosting bevorzugen.
• Datenlizenzen und Urheberrecht: Liga-, Verbands- und Börsendaten sind lizenziert. Prüfen Sie die Rechte zur Nutzung der Daten für automatisierte Veröffentlichung und für das Modelltraining.
• Gegenmaßnahmen:
• Plausibilitätsprüfungen an Feeds und Notausschalter je Format
• Prüfung von Zahlen und Namen
• Entwurfswarteschlangen für sensible Formate
• sichtbare KI-Kennzeichnungen und Korrekturabläufe
• ein Prüfprotokoll, das jeden Text mit seinen Quelldaten und der Vorlagenversion verknüpft

Erste Schritte

1. Listen Sie formelhafte, datenreiche Ereignisse auf, die Sie heute nicht abdecken, und prüfen Sie, welche Datenfeeds und Lizenzen dafür existieren (Wahlämter, Verbände, offene Wetterdaten des DWD, Marktdaten).
2. Wählen Sie ein risikoarmes Format (Wetter, Verkehr, Ligaergebnisse) und pilotieren Sie einen Anbieter nach Weg A mit Ihrem CMS.
3. Legen Sie vor dem Start je Format die redaktionelle Verantwortung, den Wortlaut der KI-Kennzeichnung und den Korrekturprozess fest.
4. Ergänzen Sie einen Redaktionsassistenten für Überschriften, Teaser und Tags. Messen Sie die Akzeptanzquote und die eingesparte Zeit.
5. Erweitern Sie auf Wahlen und Sport und erst danach auf sensible Formate wie Polizeimeldungen mit verpflichtender Prüfung.

Quellen

1. Retresco — Case study: automated reporting at RP ONLINE — https://www.retresco.de/case-study/automatisierte-berichterstattung-rponline/
2. Retresco — Case study: Viasuisse automated traffic news — https://www.retresco.de/case-study/viasuisse-automatisierte-nachrichten/
3. Retresco — Case study: Die RHEINPFALZ AI Content Assistant — https://www.retresco.de/case-study/lokal-zeitung-ki-die-rheinpfalz-ai-content-assistant/
4. Retresco — Products (textengine.io, AI Content Assistant) and case studies — https://www.retresco.de/
5. United Robots — automated local content for publishers — https://www.unitedrobots.ai/
6. Arria NLG — data-to-text and hybrid LLM authoring — https://www.arria.com/
7. axite (AX Semantics GmbH) — https://axite.io/
8. Wikipedia — Automated journalism (AP earnings and Automated Insights, Quakebot) — https://en.wikipedia.org/wiki/Automated_journalism
9. EU AI Act Article 50 — transparency obligations — https://artificialintelligenceact.eu/article/50/ ; Regulation (EU) 2024/1689 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. European Commission — Code of Practice on transparency of AI-generated content — https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content
11. Deutscher Presserat — Pressekodex — https://www.presserat.de/pressekodex.html
12. Reuters Institute — Journalism, media and technology trends and predictions 2026 — https://reutersinstitute.politics.ox.ac.uk/journalism-media-and-technology-trends-and-predictions-2026
13. Reuters Institute — Digital News Report 2025, executive summary — https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2025/dnr-executive-summary