Die meisten Marketingteams kennen das Problem: Aus einem guten Webinar werden ein YouTube-Cut, ein LinkedIn-Karussell, drei X-Threads, ein Newsletter-Teaser und ein Blogbeitrag — und bis Freitag kann sich niemand mehr erinnern, welche Version was gesagt hat. Die Lösung sind nicht mehr Hände. Es ist ein kleiner Agent zur Wiederverwendung von Inhalten, der Ihre Long-Form-Quelle überwacht, jeden Abschnitt klassifiziert und fertige Entwürfe an die passenden Kanäle sendet. Sie können so einen an einem Wochenende aufsetzen, und Sie brauchen dafür kein Machine-Learning-Team.
Beginnen Sie damit, eine Quelle auszuwählen, die Sie bereits zuverlässig erstellen — einen wöchentlichen Podcast, ein aufgezeichnetes Kundengespräch, einen Long-Form-Blogentwurf — und ein Ziel, das Sie zuerst bedienen möchten, etwa LinkedIn-Posts oder einen Newsletter. Der Versuchung zu widerstehen, am ersten Tag alles zu automatisieren, ist der wichtigste Prädiktor dafür, ob das Projekt live geht. Ein fokussierter Agent, der aus einem Podcast drei LinkedIn-Posts macht, ist besser als eine ausufernde Pipeline, die nichts produziert.
Als Nächstes bauen Sie den Segmentierungsschritt. Audio und Video funktionieren am besten, wenn Sie zuerst transkribieren und dann das Transkript an natürlichen Pausen und Themenwechseln aufteilen. Für Text teilen Sie nach Überschriften oder mit einem einfachen Sliding Window von 500 bis 800 Tokens. Das Ziel ist, den nachgelagerten Prompts eine in sich geschlossene Idee zu geben, nicht einen aus dem Kontext gerissenen Absatz. Ohne saubere Segmentierung halluziniert selbst das beste Modell, und Ihre Markenstimme driftet innerhalb des ersten Monats ab.
Dann kommt der Repurposing-Prompt, und genau hier scheitern die meisten Weekend-Builds stillschweigend. Schreiben Sie nicht eine riesige Anweisung, die gleichzeitig nach einem LinkedIn-Post, einem Tweet-Thread und einem Newsletter fragt. Schreiben Sie einen Prompt pro Ausgabetyp, jeweils gestützt auf einige kurze Beispiele aus Ihren echten früheren Inhalten. Zwei oder drei Beispiele pro Format reichen in der Regel aus, um Tonalität, Länge und Struktur festzulegen. Halten Sie den System-Prompt versioniert und behandeln Sie Änderungen daran wie Produktänderungen — per Diff, Review und mit der Möglichkeit zum Revert.
Bevor Sie das Projekt als fertig bezeichnen, binden Sie zwei unspektakuläre Schutzmaßnahmen ein. Erstens eine menschliche Freigabewarteschlange. Selbst ein selbstbewusstes Modell erfindet gelegentlich ein Zitat, ordnet eine Statistik falsch zu oder wählt den falschen Aufhänger. Jede Ausgabe sollte in einem Entwurfsstatus landen, bis ein Mensch sie freigibt. Zweitens eine Feedback-Schleife, die aufzeichnet, welche Entwürfe veröffentlicht, bearbeitet oder gelöscht werden. Nach ein paar Wochen haben Sie einen gelabelten Datensatz, den Sie nutzen können, um Prompts zu schärfen, schwache Formate auszusortieren und die schlechtesten Outputs des Agenten zu verabschieden.
Veröffentlichen Sie die kleinste Version, die Ende-zu-Ende funktioniert, und iterieren Sie dann anhand realer Nutzungsdaten. Innerhalb eines Monats haben Sie eine Pipeline, die ein einzelnes Stück Quellinhalt nimmt und daraus eine Woche an kanalreifen Entwürfen macht — mit einem Menschen im Prozess, wo es zählt. Wenn Sie einen Vorsprung möchten, enthält unsere Plattform für Content-Automatisierung eine Starter-Vorlage für genau diesen Workflow, mit bereits verbundenen Segmentierung, Prompt-Bibliothek und Freigabewarteschlange, damit Sie vom Signup bis zum ersten veröffentlichten Entwurf kommen, bevor das Wochenende vorbei ist.