Kreatives Schreiben mit KI als Co-Autor & Manuskriptbewertung

Ein Roman oder ein erzählendes Sachbuch kostet hunderte Stunden. Der größte Teil dieser Zeit geht dafür drauf, Handlung, Figuren und Stil über 100.000+ Wörter hinweg konsistent zu halten und Entwürfe zu überarbeiten. Verlage haben das umgekehrte Problem: Es treffen weit mehr unverlangt eingesandte Manuskripte ein, als Lektorate lesen können. Sprachmodelle mit langem Kontext arbeiten heute als Co-Autoren. Sie brainstormen, gliedern, entwerfen Szenen in der Stimme der Autorin bzw. des Autors, führen eine „Story Bible" und weisen auf Kontinuitätsfehler hin. Auf Verlagsseite sichten sie Einsendungen vor und entwerfen Klappentexte und Metadaten. Der Nutzen hängt davon ab, dass der menschliche Autor die Kontrolle behält. Urheberrecht, Rechtmäßigkeit der Trainingsdaten und Urheberrechte der Autoren sind ebenso zentral wie die Modellqualität.

Problem & Nutzen

• Autorinnen und Autoren (professionell, Selfpublishing, Hobby): Schreibblockaden, langsame erste Entwürfe, Kontinuitätsfehler in langen Serien und teures Entwicklungslektorat. Selfpublisher brauchen besonders viele Titel pro Jahr und eigene Werbetexte.
• Verlage und Agenturen: Stapel unverlangt eingesandter Manuskripte („Slush Pile"), begrenzte Lektoratszeit und der Bedarf, für jeden Titel Klappentexte, Schlagwörter und Metadaten zu erstellen.
• Wobei KI hilft: Ideenfindung und Gliederung, Entwurf anhand von Beats, Umschreiben in anderem Ton oder anderer Erzählperspektive, Zeilen- und Kontinuitätslektorat, „Beta-Leser"-Feedback und schnelle Vorfilterung von Einsendungen. LiSA von QualiFiction wirbt zum Beispiel mit einer Relevanz-Vorfilterung eines Manuskripts in 60 Sekunden sowie mit Genre- und Schauplatz-Metadaten und einer Schätzung des Leserpotenzials [3].
• Gemessener Effekt, mit Einschränkung: In einem kontrollierten Experiment (Doshi & Hauser, Science Advances 2024) wurden Schreibende, denen fünf KI-generierte Story-Ideen gegeben wurden, als 8,1 % neuartiger bewertet. Weniger kreative Schreibende gewannen 10,7 %. KI-gestützte Geschichten ähnelten einander außerdem stärker, was die kollektive Vielfalt verringert [5]. Nutzen Sie KI, um die Optionen der Autorin bzw. des Autors zu erweitern, nicht um deren Entscheidungen zu ersetzen.

Varianten

• Private / Hobby-Schreibende: Fan-Fiction, Memoiren und Familiengeschichten, persönliche Projekte. Chat-Assistenten oder günstige Schreib-Apps, zunehmend aus Datenschutzgründen lokal betrieben (siehe PERS-005).
• Professionelle und Indie-Autoren: spezielle Romanschreib-Werkzeuge mit Story Bible. Sie bringen ihr eigenes Modell oder ihren eigenen API-Schlüssel mit und brauchen einen vertrauenswürdigen Ablauf für Übersetzung und Hörbuch-Ausgabe (LANG-009, SPEECH-006).
• Drehbuch, Spiele und interaktive Fiktion: Beat Sheets, Dialogdurchgänge und verzweigte Erzählungen. Spieldialoge zur Laufzeit werden in GEN-013 behandelt.
• Verlag / Literaturagentur (zusammengeführte Variante): Manuskript-Triage, Vergleichstitel, Schätzungen der Leseransprache, Sensibilitäts- und Konsistenzlektüre, dann Klappentexte, Umschlagtexte, Schlagwörter und Thema-/ONIX-Metadaten (DATA-007). Illustrierte Kinderbücher gehören zu GEN-016.
• Bildung: Feedback zum kreativen Schreiben in Schulen und Hochschulen. Bewertung wird in EDU-003 behandelt.

So funktioniert es

1. Material der Autorin bzw. des Autors (Notizen, Gliederung, Kapitel, Stilproben)
2. Story Bible / Codex (Entitäten, Zeitleiste, Beziehungen; eingebettet + strukturiert)
3. Aufgaben-Prompt (Brainstorming | Gliederung | Szene entwerfen | Umschreiben | Kritik) + Abruf relevanter Codex-Einträge und früherer Kapitel (langer Kontext + RAG)
4. LLM-Erzeugung (stilkonditioniert; Reasoning-Modell für Analyse von Handlung und Struktur)
5. Prüfungen: Kontinuitätsabgleich gegen den Codex, Wiederholungs-/„Slop"-Filter, Prüfung auf Auswendiggelerntes und Plagiat
6. Autorin bzw. Autor prüft, übernimmt, bearbeitet oder verwirft (immer)
7. Änderungsverlauf hält fest, welche Passagen von Menschen geschrieben oder KI-gestützt sind (für die Offenlegung) Verlagsvariante: Manuskript
8. Einlesen
9. Genre-/Themenklassifikation + LLM-Bericht (Exposé, Struktur, Vergleichstitel, Risiken)
10. Lektorin bzw. Lektor liest Bericht und Probekapitel
11. Entscheidung durch einen menschlichen Lektor
12. bei angenommenen Titeln: Entwürfe für Klappentext + Metadaten
13. Freigabe durch das Lektorat
14. ONIX-Feed

• Konsistenz über langen Kontext ist das zentrale technische Problem. Werkzeuge kombinieren einen Kontext von 128k-1M Token mit einem strukturierten Codex, der automatisch eingeblendet wird, sobald eine Entität auftaucht.
• Stilkonditionierung: Few-Shot-Proben der Prosa der Autorin bzw. des Autors oder (Weg D) ein LoRA, trainiert auf deren eigenem Gesamtwerk.
• Mensch-in-der-Schleife (Human-in-the-Loop): Die Autorin bzw. der Autor entscheidet über jede erzeugte Passage. Im Verlag bleiben Ablehnungsentscheidungen beim Lektorat, und der KI-Bericht ist nur beratend.

Datenaufbereitung

Die wichtigste Eingabe ist der Text selbst: Manuskripte, Gliederungen, Figuren- und Weltnotizen, Stilproben und – für die Bewertung – Einsendungswarteschlangen und Gutachten. Sie liegen meist in Word- oder Google-Dateien, Scrivener-Projekten, persönlichen Ordnern, E-Mail-Anhängen oder auf dem gemeinsamen Laufwerk eines Verlags, manchmal nur als Typoskript auf Papier.

Typische Lücken: viele Entwurfsfassungen mit unklarem Endstand, gescannte Typoskripte, über mehrere Werkzeuge verstreute Notizen, keine einheitliche Kapitelstruktur und fehlende Rechteangaben (wem gehört der Text, was darf in einen Cloud-Dienst hochgeladen werden). Schritte der Aufbereitung: (1) je Werk eine aktuelle Fassung festlegen und den Rest archivieren; (2) in Klartext oder Markdown mit Kapitelmarken umwandeln (siehe DOC-014); (3) Scans per OCR verarbeiten (siehe PREP-006); (4) ein kurzes Stilblatt und ein Glossar der Namen und Begriffe anlegen (siehe PREP-015); (5) für die Bewertung einige Muster-Gutachten als Referenz zusammenstellen (PREP-016); (6) entscheiden, was in welches Werkzeug darf (siehe PREP-024).

Werkzeuge: Pandoc für die Umwandlung, Paperless-ngx oder ein beliebiges DMS für Einsendungen, ein Modell mit langem Kontext, damit keine aufwendige Indexierung nötig ist. Grober Anteil am Aufwand: 10-15 Prozent; die meiste Arbeit steckt im Aufräumen der Fassungen und im Klären der Rechte.

Umsetzungswege

Welcher Weg für wen

• smb: Weg A — ausgereifte Schreibassistenten gibt es zu KMU-Preisen (mit in der EU hostbaren Optionen), und der Prozess ist für Agenturen, kleine Verlage und Content-Teams Standard.
• private: Weg C — unveröffentlichte Manuskripte sind wertvoll und sensibel, und lokale Apps wie LM Studio oder Ollama laufen mit einem kleinen Modell auf einem normalen Laptop.
• enterprise: Weg B — Verlagshäuser und Agenturen integrieren die Manuskriptbewertung mit Einreichungssystemen und brauchen Mengenpreise und Prüfprotokolle.
• developer: Weg B — Bauen Sie Schreibwerkzeuge auf APIs in EU-Regionen und verwenden Sie die Orchestrierung für Geschichts- und Bewertungsfunktionen wieder.

Weg A — Kaufen (Standardsoftware)

• Romanschreib-Apps: Sudowrite (Story Bible, Kapitelentwurf, eigenes Fiktionsmodell „Muse"; ab 10 US$/Monat) [1]. NovelCrafter (Codex über eine Serie hinweg geteilt, eigener Schlüssel für OpenAI, Anthropic, Google, Mistral, 300+ Modelle über OpenRouter oder lokale Modelle über Ollama/LM Studio; ab 4 US$/Monat) [2]. NovelCrafter mit einem lokalen Modell ist die datenschutzfreundliche Option für unveröffentlichte Werke.
• Allgemeine Assistenten: ChatGPT, Claude, Gemini oder Mistral Le Chat (EU-Anbieter) mit Projekten oder Datei-Upload. Gut genug für Brainstorming und Kritik, schwächer bei der Kontinuität über ein ganzes Buch.
• Zeilenlektorat: DeepL Write (DE), dazu Grammarly oder ProWritingAid für den Feinschliff der Prosa (siehe LANG-011).
• Verlagsseite: QualiFiction LiSA (DE) für die Vorfilterung von Manuskripten und Metadaten [3]. Große Verlage nutzen intern auch LLM-Plattformen für Klappentexte und Metadaten.
• A wählen, wenn: Sie einzelne Autorin bzw. einzelner Autor oder ein kleiner Verlag sind. Prüfen Sie die Bedingungen jedes Anbieters zum Training mit Ihren Manuskripten und zum Eigentum an den Ausgaben.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Spitzenmodelle mit langem Kontext und guter Prosa: Anthropic Claude, Google Gemini, OpenAI GPT und Mistral Large / Medium (EU). Nutzen Sie Endpunkte mit EU-Datenresidenz (Azure OpenAI EU Data Zone, Vertex AI EU, AWS Bedrock Frankfurt, Mistral La Plateforme).
• Architektur: Dokumentenspeicher für Kapitel, Codex als JSON plus Vektorindex und eine Orchestrierungsschicht für agentische Mehrfach-Überarbeitung (Gliederung → Entwurf → Kritik → Überarbeitung).
• B wählen, wenn: ein Verlag einen hauseigenen Lektoratsassistenten baut, der in sein Manuskriptverwaltungssystem und seine Titel-/ONIX-Systeme integriert ist, oder ein Schreib-App-Startup ein Produkt entwickelt.

Weg C — Selbst betreiben (Open Source)

• Für Prosa genutzte Open-Weight-Modelle: Mistral Small 3.2 (24B, Apache-2.0, EU) [8], die Qwen3-Familie, Gemma 3 und Llama-3.x/4-Ableger sowie Community-Feintunings für Fiktion. Prüfen Sie Lizenzen und die Herkunft der Feintuning-Daten.
• Stack: Ollama oder LM Studio auf dem Arbeitsplatz der Schreibenden, verbunden mit NovelCrafter. Für Verlage: vLLM und Open WebUI, Embeddings (z. B. multilingual-e5, BGE-M3) und Qdrant für den Codex-Abruf.
• Hardware: HW2 (GPU mit 24-32 GB oder ein Apple-Silicon-Mac mit 32-64 GB) betreibt quantisierte 24-32B-Modelle mit genug Kontext für Arbeit auf Kapitelebene. HW3 wird für 70B+-Modelle oder die Analyse ganzer Manuskripte gebraucht.
• Hauptvorteil: Unveröffentlichte Manuskripte und Einsendungen verlassen das Haus nie. Das ist für Vertraulichkeitsvereinbarungen mit Autorinnen und Autoren wichtig.

Weg D — Eigenes Training

Lohnt sich in zwei Fällen. Erstens trainiert eine etablierte Autorin bzw. ein etablierter Autor (oder ein Nachlass) ein Stil-LoRA auf dem eigenen Gesamtwerk, wofür einige hunderttausend Wörter eigenen Texts nötig sind. Zweitens trainiert ein Verlag einen Klassifikator für Genre, Programmpassung oder Vorhersage der Leserresonanz auf Basis seiner historischen Einsendungen, Entscheidungen und Verkäufe. Das Training mit Büchern Dritter ohne Lizenz ist in der EU (siehe das GEMA-Urteil unten) und in den USA rechtlich angreifbar. Nutzen Sie nur Korpora mit geklärten Rechten.

Stand der Technik (2026)

• Modelle: Spitzen-LLMs halten inzwischen Kontexte von 1 Mio. Token und schreiben ordentliche Genreprosa. Die Modellwahl sollte sich auf Bewertungen des kreativen Schreibens stützen, etwa EQ-Bench Creative Writing v3 und den Longform-Benchmark. Longform bewertet mehrkapitelige Geschichten anhand von 14 Rubrik-Dimensionen und misst auch „Slop", Wiederholung und Qualitätsverlust über Kapitel hinweg [9].
• Produktmuster: Story Bible / Codex plus Erzeugung auf Szenenebene plus ein Kritik-Agent ist heute Standard. Sudowrite liefert ein eigenes, auf Fiktion getuntes Modell, Muse [1]. Werkzeuge mit eigenem Modell haben lokale Inferenz praktikabel gemacht [2].
• Bekannte Fehlerbilder: klischeehafte „KI-Stimme" und überladene Prosa, vereinheitlichte Ideen [5], Wiederholung und Drift über lange Texte, schwacher Subtext und schwache Schlüsse, anbiedernde Rückmeldungen, Sachfehler in erzählender Sachliteratur und auswendig gelernte Passagen aus den Trainingsdaten. Die „Erfolgsvorhersage" für Manuskripte ist probabilistisch und kann bestehende Marktverzerrungen verstärken.
• Markt- und Rechtsentwicklungen: Amazon KDP verlangt die Offenlegung von KI-generierten (nicht bloß KI-unterstützten) Texten, Bildern und Übersetzungen [7]. Die Authors Guild bietet eine Zertifizierung „Human Authored" an [4]. In Bartz v. Anthropic (USA) erhielt ein Vergleich über 1,5 Mrd. US$ wegen raubkopierter Trainingsbücher im Juli 2026 die endgültige gerichtliche Genehmigung [4][6]. Das Landgericht München I (LG München I, 42 O 14139/24, 11. Nov. 2025) entschied, dass in den Modellgewichten gespeicherte Liedtexte Vervielfältigungen sind, die nicht unter die TDM-Schranke fallen. Das Urteil ist nicht rechtskräftig [10].

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack (llm-general + embedding-text + vector-db): LANG-001 Marketingtexte (für Klappentexte), LANG-008 Zusammenfassung (Exposés), LANG-011 Korrektorat, LANG-028 Redaktionsassistent. Ein selbst betriebener vLLM-+Qdrant-Server (HW2/HW3) kann in einem Verlagshaus alle bedienen.
• Nachgelagerte Produktionskette: LANG-009 literarische Übersetzung, SPEECH-006 Hörbuch-Einsprache, SPEECH-007 Stimmklonen / Synchronisation, GEN-016 Illustrationen und Kinderbücher, DATA-007 Metadatenanreicherung.
• Leser-Simulation: LANG-027 synthetische Personas, als „KI-Beta-Leserpanel" nur für Feedback und nie als Marktbeleg.
• Herkunftsnachweis: ANOM-015 für Kennzeichnung und Erkennung von KI-Inhalten (Offenlegung, Einreichungsrichtlinien).
• Private Nutzung: PERS-005 lokaler Assistent auf einem Heimserver oder einem Mac. Bildung: EDU-003 Feedback.

Aufwand, Kosten & Kennzahlen

• Weg A: Stunden für die Einrichtung. Abonnements beginnen bei wenigen US$ pro Monat [1][2] plus API-Nutzung, wenn Sie Ihren eigenen Schlüssel mitbringen.
• Weg B: Ein Lektoratsassistent eines Verlags braucht etwa 2-4 Monate für die Integration mit Manuskriptverwaltung und ONIX. Die Kosten werden von Tokens bei langem Kontext dominiert; nutzen Sie daher Caching und Abruf je Kapitel.
• Weg C: eine Workstation-GPU oder ein Mac für eine einzelne Autorin bzw. einen einzelnen Autor. Für Verlage ein GPU-Server plus Modellbewertung und Betrieb.
• Kennzahlen: Für Autoren: überarbeitete Wörter pro Woche, Zeit vom Entwurf zum fertigen Manuskript, vor dem Lektorat gefundene Kontinuitätsfehler und Anteil der übernommenen KI-Vorschläge. Für Verlage: Lektoratsstunden je Einsendung, Zeit bis zur Antwort, Anteil der angenommenen Titel, die durch die Triage-Schicht aufgefallen sind (auf falsch-negative Fälle achten), und die Editierdistanz zwischen erzeugten und endgültigen Metadaten/Klappentexten.

Menschen & Veränderung

Autorinnen, Autoren und Lektorate, die das Werkzeug nutzen werden, sind die Schlüsselgruppe; binden Sie sie zuerst ein und lassen Sie sie festlegen, wo KI helfen darf (Ideen, Feedback, Konsistenzprüfungen) und wo nicht. Die Geschäftsleitung oder Verlagsleitung legt die Richtlinie zu Rechten, zur Offenlegung des KI-Einsatzes und zu Verträgen mit Autoren fest. Die IT stellt Konten bereit; die Rechtsabteilung prüft Urheberrecht und Autorenverträge; die oder der Datenschutzbeauftragte wird einbezogen, wenn Manuskripte personenbezogene Daten realer Personen enthalten (Memoiren, Journalismus), mit einem AVV für jeden Anbieter.

Betriebsrat: in der Regel nein, da das Werkzeug kreative Arbeit unterstützt und nicht die Leistung von Beschäftigten bewertet. Wird die Nutzung pro Person protokolliert, kann § 87 Abs. 1 Nr. 6 BetrVG nach objektiver Eignung greifen, und der Betriebsrat sollte über KI-gestützte Prozesse informiert werden (§ 90 Abs. 1 Nr. 3); Freiberufler sind nicht erfasst. Privatnutzer haben keine solchen Pflichten.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einem kurzen Workshop zu Prompting, Grenzen (flacher Stil, erfundene Fakten, Urheberrecht an Ausgaben) und Vertraulichkeit (KI-Verordnung (AI Act) Art. 4 in der geänderten Fassung). Kommunizieren Sie offen, dass KI ein Sparringspartner ist, kein Autor, und vereinbaren Sie die Offenlegung gegenüber Lesern. Beginnen Sie als Pilot mit einigen freiwilligen Autorinnen und Autoren oder einem Imprint für eine Saison. Typische Bedenken sind der Verlust der kreativen Stimme und das Abfließen von Manuskripten: Begegnen Sie ihnen mit freiwilliger Nutzung, lokalen oder in der EU gehosteten Werkzeugen und der Regel, dass die menschliche Autorin bzw. der menschliche Lektor entscheidet.

Siehe GUIDE-007, GUIDE-006 und GUIDE-008.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko. Kreative Unterstützung und Manuskript-Triage sind keine Anwendungsfälle nach Anhang III. Art. 50 Abs. 2 verpflichtet Anbieter generativer Systeme, synthetischen Text maschinenlesbar zu markieren, außer bei unterstützenden Bearbeitungsfunktionen. Die Offenlegung nach Art. 50 Abs. 4 für Betreiber betrifft nur Texte, die zur Information der Öffentlichkeit über Angelegenheiten von öffentlichem Interesse veröffentlicht werden, und entfällt bei menschlicher redaktioneller Prüfung und Verantwortung. Fiktion liegt grundsätzlich außerhalb. Art. 50 gilt ab 2. August 2026 [11]. Anbieter von GPAI-Modellen müssen Zusammenfassungen der Trainingsdaten veröffentlichen und TDM-Vorbehalte beachten.
• Urheberrecht: Rein KI-generierter Text ist grundsätzlich nicht geschützt (EU-Maßstab der Originalität „eigene geistige Schöpfung des Urhebers"; Part-2-Bericht des US Copyright Office, Jan. 2025 [12]). Dokumentieren Sie den menschlichen Beitrag. Prüfen Sie Ausgaben auf auswendig gelernten Text Dritter. Deutsche Verlage (Börsenverein) fordern Lizenzierung, Vergütung und die Beachtung des Nutzungsvorbehalts nach § 44b UrhG [13].
• Verträge und Plattformen: Verlagsverträge enthalten zunehmend KI-Klauseln (Zusicherungen zum KI-Einsatz, Verbote des Trainings mit dem Werk). KDP und andere Plattformen verlangen Offenlegung [7].
• DSGVO: An Verlage eingereichte Manuskripte enthalten personenbezogene Daten der Autorin bzw. des Autors, und Memoiren enthalten Daten Dritter, auch besonderer Kategorien. Nutzen Sie AVVs und EU-Hosting, lassen Sie Anbieter nicht mit den Daten trainieren und legen Sie Aufbewahrungsfristen für abgelehnte Einsendungen fest. Eine vollautomatisierte Ablehnung könnte Art. 22 DSGVO berühren, behalten Sie daher die Entscheidung beim Lektorat.
• Vertraulichkeit: Unveröffentlichte Manuskripte sind Geschäftsgeheimnisse. Nutzen Sie API-Einstellungen ohne Datenspeicherung (Zero-Retention) oder betreiben Sie sie selbst.
• Qualität und Fairness: Vereinheitlichung [5], Verzerrung zugunsten der Muster früherer Bestseller und anbiedernde Rückmeldungen. Mindern Sie dies durch mehrere Kritik-Personas, menschliche Lektorate und vielfältige Auswahlkriterien.

Erste Schritte

1. Legen Sie die Rolle der KI je Stufe fest (Ideenfindung, Entwurf, Lektorat, Marketing) und schreiben Sie sie auf. Das wird Ihre Grundlage für die Offenlegung gegenüber Plattformen, Verlagen und Lesern.
2. Autorinnen und Autoren: Testen Sie NovelCrafter oder Sudowrite an einem vorhandenen Manuskript. Bauen Sie zuerst den Codex auf und testen Sie die Kontinuitätsprüfungen, bevor Sie Prosa erzeugen.
3. Datenschutzbewusste Autorinnen und Autoren: Betreiben Sie Mistral Small 3.2 oder ein Qwen3-Modell lokal über Ollama und verbinden Sie es mit der Schreib-App.
4. Verlage: Führen Sie einen Blindpilot mit 50-100 früheren Einsendungen mit bekanntem Ausgang durch. Vergleichen Sie die KI-Triage-Berichte mit den Lektoratsentscheidungen, bevor Sie sie bei laufenden Einsendungen einsetzen. Aktualisieren Sie den Datenschutzhinweis für Einsendungen.
5. Ergänzen Sie eine Ausgabeprüfung auf auswendig gelernte oder plagiierte Passagen und führen Sie einen Änderungsverlauf von menschlichem gegenüber KI-Text.

Quellen

1. Sudowrite — product page (Story Bible, Muse, pricing) — https://www.sudowrite.com/
2. NovelCrafter — product page (codex, BYO model, OpenRouter, Ollama/LM Studio, pricing) — https://www.novelcrafter.com/
3. QualiFiction — LiSA for publishers (manuscript pre-filtering in 60 s, metadata) — https://www.qualifiction.info/
4. Authors Guild — Artificial Intelligence advocacy, Human Authored certification, Anthropic settlement — https://www.authorsguild.org/advocacy/artificial-intelligence/
5. Doshi & Hauser (2024), "Generative AI enhances individual creativity but reduces the collective diversity of novel content", Science Advances — https://pmc.ncbi.nlm.nih.gov/articles/PMC11244532/
6. Bartz v. Anthropic settlement website (final approval 20 July 2026) — https://www.anthropiccopyrightsettlement.com/
7. Amazon KDP — Content guidelines, AI-generated vs AI-assisted content disclosure — https://kdp.amazon.com/en_US/help/topic/G200672390
8. Mistral Small 3.2 24B Instruct model card — https://huggingface.co/mistralai/Mistral-Small-3.2-24B-Instruct-2506
9. EQ-Bench — Creative Writing v3 and Longform Creative Writing benchmarks — https://eqbench.com/creative_writing_longform.html
10. Landgericht München I — press release on GEMA v. OpenAI (42 O 14139/24), Nov 2025 — https://www.justiz.bayern.de/gerichte-und-behoerden/landgericht/muenchen-1/presse/2025/11.php
11. EU AI Act, Article 50 (transparency obligations) — https://artificialintelligenceact.eu/article/50/
12. U.S. Copyright Office — Copyright and Artificial Intelligence reports (Part 2: Copyrightability, Jan 2025) — https://www.copyright.gov/ai/
13. Börsenverein des Deutschen Buchhandels — position on artificial intelligence — https://www.boersenverein.de/politik-positionen/kuenstliche-intelligenz/