Brand-Voice ohne Fine-Tuning

Eine Marke klingt nach sich, wenn ihre Tonalität durchgängig sitzt. Das ist mit Sprachmodellen 2026 erreichbar, ohne dass irgendwer ein eigenes Modell trainiert. Drei Wege führen dorthin: RAG mit Markentexten, Systemprompts mit Style-Anker, Voice-Sample-Bank im Skill oder Custom GPT.

Warum nicht Fine-Tuning

Schwäche 1: Kosten. Fine-Tuning eines großen Modells kostet vier- bis fünfstellig pro Trainings-Lauf. Bei Tonalitäts-Updates muss neu trainiert werden.

Schwäche 2: Daten-Bedarf. Für saubere Marken-Tonalität braucht Fine-Tuning hunderte bis tausende Beispiel-Texte. Die meisten Marken haben das nicht in publizierbarer Qualität.

Schwäche 3: Lock-in. Ein fine-tuned Modell läuft nur beim Trainings-Anbieter. Wer wechseln will, fängt von vorne an.

Weg 1: System-Prompt mit Style-Anker

Der einfachste Weg. Im Skill oder Custom GPT wird die Tonalität als System-Prompt definiert.

Du schreibst im Stil von Marke X.

Tonalitäts-Anker:
- Editorial, kein Marketing-Pep.
- Variable Satzlängen.
- Konkrete Beobachtungen statt Abstraktionen.
- Take haben, Position beziehen.

Verbotene Floskeln:
- „eintauchen“, „nahtlos“, „ganzheitlich“
- „bahnbrechend“, „revolutionär“, „im digitalen Zeitalter“
- „es ist wichtig zu beachten“

Pflicht:
- Deutsche Anführungszeichen „...“.
- Kein Em-Dash.
- Keine Apostrophe beim Genitiv.

Wenn diese Vorgaben verletzt werden, formuliere neu,
bevor du den Output zurückgibst.

Vorteile: schnell aufgesetzt, leicht aktualisierbar, anbieter-unabhängig. Schwäche: bei sehr komplexen Tonalitäten reicht ein System-Prompt nicht.

Weg 2: Voice-Sample-Bank im Skill

Der mittlere Weg. Im Skill oder Custom GPT werden 10-30 Beispiel-Texte aus der Marke abgelegt. Das Modell zieht diese Beispiele als Stilreferenz heran.

Du schreibst im Stil von Marke X.

Tonalitäts-Anker: [wie oben]

Stilreferenzen (15 Beispiel-Texte angefügt):
- Marken-Manifest 2024.
- Drei Blog-Posts der letzten sechs Monate.
- Fünf LinkedIn-Captions.
- Zwei Pressemitteilungen.
- Vier Reporting-Story-Abschnitte.
- Krisen-Statement aus 2023.

Diese Beispiele werden als Reference Files (Claude Skills) oder Knowledge Files (Custom GPTs) eingespielt. Vorteile: deutlich konsistentere Tonalität. Schwäche: Pflege-Aufwand.

Weg 3: RAG mit erweitertem Marken-Wissen

Der tiefste Weg. RAG steht für Retrieval-Augmented Generation. Das Modell sucht bei jeder Anfrage in einer Markentexte-Datenbank nach relevanten Stellen und nutzt sie als Kontext.

1. 01Markentexte werden in einer Vektor-Datenbank abgelegt (z.B. Pinecone, Weaviate, Supabase pgvector).
2. 02Bei jeder Anfrage werden semantisch ähnliche Texte abgerufen (etwa 5-10 Stück).
3. 03Diese Texte werden in den Prompt eingespielt.
4. 04Das Modell antwortet mit dem zusätzlichen Kontext.

Vorteile: skaliert auf hunderte oder tausende Markentexte. Schwäche: Setup-Aufwand etwa eine Woche plus laufende Pflege. Für mittelständische Marken meistens Overkill.

Welcher Weg wann

Praxis: Aufbau einer Voice-Sample-Bank in vier Schritten

Schritt 1: Texte sammeln. 15-30 Texte, die die Marken-Stimme am besten repräsentieren. Mischung aus Format-Typen.

Schritt 2: Tonalitäts-Beschreibung formulieren. 8-15 Sätze, die die Tonalität in Worten fassen.

Schritt 3: Skill oder Custom GPT erstellen. Tonalitäts-Beschreibung als System-Prompt, Voice-Sample-Texte als Reference oder Knowledge Files.

Schritt 4: Testlauf. Drei bis fünf typische Aufgaben durchspielen, Output gegen Marken-Stimme prüfen.

Gesamt-Aufwand: zwei bis vier Stunden pro Marke. Pflege quartalsweise, je nach Marken-Entwicklung.

Take

Brand-Voice ist 2026 kein Fine-Tuning-Problem mehr, sondern ein Setup-Problem. Wer System-Prompt plus Voice-Sample-Bank sauber aufsetzt, hat in zwei bis vier Stunden eine markenspezifische Schreib-Maschine.