Build-Tagebuch: ein KI-Research-Digest, der sich selbst betreibt

Eines der Projekte, die ich betreibe, ist eine Content-Plattform, die über neue wissenschaftliche Publikationen auf dem Laufenden bleiben muss. Von Hand heißt das: Jemand durchsucht jeden Morgen Datenbanken, liest Abstracts, entscheidet über Relevanz und schreibt Zusammenfassungen. Ein klassischer Kandidat für Automatisierung — hohes Volumen, repetitiv, klare Qualitätskriterien.

Das ist die Form der Pipeline, bei der wir gelandet sind — sie lässt sich auf viele „Beobachten → Filtern → Zusammenfassen → Veröffentlichen"-Workflows übertragen:

Die Pipeline

1. Ingest — ein geplanter Job fragt öffentliche Research-APIs nach allem Neuen ab, das seit dem letzten Lauf zu unseren Themen passt.
2. Filter — zuerst der günstige Durchgang: Dubletten entfernen, Sprachprüfung, Keyword-Vorfilter. Nur was übrig bleibt, geht ans Modell. Das hat unsere Token-Kosten massiv gesenkt.
3. Anreichern — ein KI-Durchgang bewertet die Relevanz, extrahiert das Kernergebnis und entwirft eine allgemein verständliche Zusammenfassung mit striktem Output-Schema. Was die Validierung nicht besteht, bekommt einen zweiten Versuch und wird dann zur menschlichen Prüfung geparkt.
4. Veröffentlichen — freigegebene Einträge landen in der Website-Datenbank und erscheinen in einem täglichen Digest. Ein Mensch kann jederzeit ein Veto einlegen, muss den Normalfall aber nicht anfassen.

Was ich einem Kunden aus diesem Build mitgeben würde

Das Schema ist das Produkt. Der größte Qualitätssprung kam nicht von einem besseren Prompt oder einem größeren Modell, sondern davon, das Modell in eine starre Output-Struktur zu zwingen und diese zu validieren.

Planen Sie leere Tage ein. Die erste Version wirkte an Tagen ohne relevante Paper „kaputt". Automatisierungen müssen kommunizieren können: „Heute nichts — und das ist in Ordnung." Stille liest sich als Fehler.

Das menschliche Veto schafft das Vertrauen. Niemand musste jeden Eintrag freigeben, aber zu wissen, dass man könnte, hat die Pipeline akzeptiert gemacht. Volle Autonomie verdient man sich nach Wochen sauberen Outputs — man liefert sie nicht am ersten Tag.

Günstige Filter vor teuren Modellen. Im Nachhinein offensichtlich, in den meisten Builds, die ich sehe, übersprungen.

Die gesamte Bauzeit lag bei Tagen, nicht Monaten — weil der Umfang eine Pipeline mit einem klaren Output war, nicht „KI für unser Content-Team". Diese Zuschnitts-Disziplin ist auf fast jeden Workflow übertragbar, den wir automatisieren.