Wo der Mensch in den Workflow gehört

In einem realen Sport-Equipment-Projekt 2026 wäre beinahe folgendes live gegangen: eine Caption für einen neuen Trail-Schuh, mit der Behauptung „vegan zertifiziert". Der Schuh war nicht zertifiziert. Stand in keinem Brief, in keinem Produktdatenblatt, in keiner Kampagnen-Notiz. Das Modell hatte die Aussage aus dem Kontext erfunden, weil andere Produkte der Marke vegan sind und „Trail" und „nachhaltig" in den Briefing-Notizen nebeneinander standen. Wäre die Caption live gegangen, hätten Folge-Kosten in Form von Abmahnung und Reputation begonnen. Aufgefangen hat es nicht die KI. Aufgefangen hat es ein Quality Gate.

Was Quality Gates sind

Ein Quality Gate ist ein definierter Punkt im Workflow, an dem etwas geprüft wird, bevor es weiterläuft. Das Wort kommt aus der Software-Entwicklung, dort ist es seit zwei Jahrzehnten Standard. Im Marketing-Werktag gibt es das Konzept noch nicht lange in dieser Schärfe. Was heute Quality Gate heißt, war früher das Drüberlesen des Account-Managers oder der Senior-Konzeptionerin. Implizit, beim Versand, manchmal nur im Kopf.

KI verschiebt das. Wenn ein Modell 30 Captions in 4 Minuten schreibt, ist Drüberlesen-vor-Versand nicht mehr ausreichend. Aufmerksamkeit wird selektiv, und genau bei der einen Caption mit der erfundenen Zertifizierung passiert das Übersehen. Quality Gates machen aus impliziten Prüfungen explizite, dokumentierte, wiederholbare Schritte.

Vier Gates, vier Verantwortungen

In der Praxis haben sich vier Gates etabliert.

• Pre-Generation. Bevor das Modell überhaupt schreibt, wird der Input gegen drei Listen gehalten. Welche Fakten sind verifizierbar, welche Annahmen? Welche Aussagen sind aus rechtlichen Gründen heikel (Health Claims, Sustainability Claims, Vergleichswerbung)? Welche No-Go-Wörter gehören in den Negativ-Prompt? Wer Pre-Generation ernst nimmt, spart die Hälfte der späteren Korrekturen.
• Post-Generation. Direkt nach dem Modell-Output, vor jeder weiteren Verarbeitung. Drei Fragen: Ist der Output rechtlich sauber? Ist er markenkonform? Ist er sprachlich noch im KI-Pattern? Pre-Generation verhindert Halluzinationen meistens, Post-Generation fängt die Reste.
• Pre-Publication. Strukturierte Variante dessen, was der Account-Manager früher implizit gemacht hat. Sechs Punkte, jeder Punkt mit Häkchen, kein Auge-zudrücken. Checkliste digital im Projektordner und physisch im Studio.
• Post-Publication. Erst nach dem Live-Gang. Was hat funktioniert, was nicht, was ist im Community-Management aufgeschlagen. Erkenntnisse fließen zurück in Pre-Generation. So wird der Workflow über die Zeit besser.

Verantwortungs-Matrix

In kleineren Teams kollabieren diese Rollen. Eine Person macht zwei oder drei Gates. Das ist tragbar, solange die Gates trotzdem getrennt durchlaufen werden. Was nicht tragbar ist: ein Gate weglassen, weil es schnell gehen muss. Genau dann passiert der Trail-Schuh-Fehler.

Die Pre-Publication-Checkliste

Sechs Punkte, alle Häkchen müssen sitzen.

1. Sind alle Fakten gegen die Originalquelle geprüft?
   (Brief, Produktdatenblatt, Studie, Kunden-OK)

2. Wurden Health Claims, Sustainability Claims, Vergleiche
   gegen das geltende Recht geprüft? (UWG, HCVO, EU AI Act)

3. Ist die Tonalität markenkonform?
   Adjektivketten, Floskeln, generische LLM-Pattern raus.

4. Ist die Quellen-Attribution für Zahlen sauber?
   Eine Zahl, eine Quelle, kein „im selben Report" ohne Beleg.

5. Sind keine personenbezogenen Daten im Output?
   Inklusive Namen, die das Modell aus dem Kontext erfunden hat.

6. Ist der Output rechtlich kennzeichnungspflichtig?
   Wenn ja, ist die Kennzeichnung dran und plattformkonform?

Diese Checkliste verursacht keine Mehrarbeit. Sie macht die Arbeit nur sichtbar.

Drei Markt-Fälle, drei Mal das gleiche Muster

Eine Modemarke ließ einen KI-generierten Brand-Film auf Instagram laufen, in einer Einstellung hatte die Hauptfigur sechs Finger. Kommentare brutal, Reichweite einbrechend. Kein Compliance-Problem, ein Aufmerksamkeits-Problem. Pre-Publication-Gate hätte es gefangen.

Ein Energie-Anbieter behauptete in einem KI-augmented Blogpost, sein Tarif sei „der günstigste in Bayern", basierend auf einem veralteten Vergleichsportal-Snapshot. Wettbewerber zog vor Gericht, Marke verlor. Ein Rechts-Gate-Problem. Post-Generation hätte es gefangen.

Eine FMCG-Marke erwähnte in einer Always-on-Caption-Serie ein Produkt, das nicht mehr im Sortiment war. Das Modell hatte aus dem Archiv-Material gezogen, weil der Brief nicht klar war. Pre-Generation-Gate hätte es gefangen, plus eine bessere Verbindung zum aktuellen Produktkatalog.

Drei Fälle, dasselbe Muster. Kein Tool-Problem, ein Workflow-Problem.

Take

Quality Gates klingen nach Bürokratie. Sie sind Strukturierung dessen, was Senior-Profile früher implizit gemacht haben. Damit sind sie auch eine Antwort auf das Skill-Shift-Problem. Wenn Senior-Profil nicht skaliert, muss das, was Senior-Profil gemacht hat, in eine Form, die andere Profile ausführen können. Quality Gates sind diese Form.

Was offen bleibt

Eine Frage drängt nach: automatisierte Gates. Erste Tools bieten Claim-Detection, Source-Verification, Tonalitäts-Checks gegen einen Style-Guide. Funktionieren teilweise, haben aber die gleiche Halluzinations-Schwäche wie der Output, den sie prüfen. Ein KI-Gate, das einen KI-Output prüft, ist kein Quality Gate, sondern eine geschlossene Echokammer. Hybrid bleibt deshalb der Standard. Maschine schlägt vor, Mensch prüft, Mensch trägt.