Wie Radar AI aus einem Datensatz 300 lokale Stories produziert

Martin Ashplant, Direktor für Produktentwicklung und Operations bei PA Media, Datenjournalistin Clara Margotin und Redakteurin Lesley-Anne Kelly (rechts) erklären, wie Radar AI funktioniert. Nicht im Bild: Chefredakteur Jack Lefley

Die britische Nachrichtenagentur Radar AI hat eine Technologie entwickelt, die ihre Reichweite vergrößert. Die Skalierung nutzt lokalen Communities und ist zugleich eine modellhafte Lösung für die grundlegenden wirtschaftlichen Herausforderungen der regionalen und lokalen Medienberichterstattung. Ich habe Radar AI vor einem Monat in ihrer Londoner Zentrale als Mitorganisatorin der Chefrunde Study Tour getroffen. Bei unserem Meeting wurde klar, dass die Agentur ein einzigartiges Unternehmen mit einer wichtigen Rolle im Lokaljournalismus ist.

Radar veröffentlichte im letzten Jahr 630 Beiträge und produzierte dabei über 38 Millionen Wörter an Content. Redakteurin Lesley-Anne Kelly sagt, das macht das Radar AI Team möglicherweise zu "den produktivsten Journalisten des Landes." Dennoch betont Kelly: "Jedes Wort, das wir veröffentlichen, wurde von menschlichen Journalisten geschrieben und bearbeitet. Alles wird redaktionell überprüft."

Radar nutzt Natural Language Generation (NLG) als Skalierungs-Tool. Ein Reporter schreibt eine Geschichte, und das System passt sie für verschiedene Regionen an, wobei es denselben Datensatz verwendet. Wo eine traditionelle Redaktion drei oder vier Versionen einer Geschichte produzieren könnte, kann Radar das auf Hunderte skalieren. Dieses Unternehmen mit nur wenigen Mitarbeitern, quer über Großbritannien verteilt, bedient Hunderte von Lokalmedien.

Hinter Radars Output steckt ein proprietäres NLG-System. Datenjournalistin Clara Margotin führte uns durch die Plattform, die Rohdaten aus Behörden in lokalisierte Stories verwandelt.

Der Prozess beginnt mit strukturierten Datensätzen von Quellen wie dem britischen ONS (Office for National Statistics) oder dem NHS (National Health Service). "Wir nehmen einen Datensatz, den unser nationaler Statistikanbieter herausgibt, und produzieren daraus 300 Geschichten für lokale Medien", erklärt Kelly.

Das System verwendet Skripte mit Bedingungslogik: Wenn Manchesters Kriminalitätsstatistiken gestiegen sind, verwendet es Skript A; wenn sie gefallen sind, Skript B. Das System integriert gebietsspezifische Informationen wie Demografiedaten, Vergleiche mit Nachbarregionen und relevanten lokalen Kontext. Eine eingebaute Fehlerkorrektur verwaltet fehlende Daten, vertrauliche Informationen und statistische Ausreißer, die Aussagen verzerren könnten.

Wenn das ONS Daten veröffentlicht, kann Radar aus diesem einen Datensatz 300 lokalisierte Stories produzieren. Jede Story ist regional, bzw. lokal zugeschnitten, aber der journalistische Aufwand ist nur einmal erforderlich.

Lokalen Redaktionen fehlt oft die Kapazität für tiefgehende Datenanalysen, besonders wenn diese Analyse über mehrere geografische Gebiete mit ähnlichen Datensätzen wiederholt werden muss. Radar verwandelt das von Hunderte individuelle Arbeitsvorgänge in einen einzigen, skalierbaren Prozess.

Radars Inhaltskategorien zeigen die Breite ihrer Berichterstattung: vollautomatisierte tägliche Geschichten über Lebensmittelhygiene-Bewertungen, wöchentliche Updates zu Straßensperrungen (ihr beliebtester Content bei lokalen Medien) und monatliche Berichte zu Wohnungspreisen und NHS-Wartezeiten. Berichterstattung zu Kriminalitätsstatistiken, Gesundheitsdaten und Bildungsmetriken sind etwas aufwändiger, denn sie brauchen Kontext und Zitate. Bei diesen Themen beträgt die typische Bearbeitungszeit zwei Tage.

Die Technologie verarbeitet die zugrundeliegenden Daten, um lokalisierte Stories zu produzieren. Wenn die Daten zeigen, dass die Arbeitslosigkeit in Manchester steigt, aber in Bristol fällt, generiert das System entsprechend unterschiedliche Beiträge für jeden Markt, komplett mit lokalem Kontext und relevanten Vergleichen.

Radars Ansatz stellt ein spezifisches Modell der Mensch-KI-Zusammenarbeit dar: Jede Story beginnt mit menschlichem redaktionellem Urteil: welche Perspektive man wählt, welchen Kontext man bietet, wie man die Daten für maximale lokale Relevanz einbettet. Der oder die Journalist(in) schreibt die Vorlage, bestimmt den Ton und trifft die redaktionellen Entscheidungen, die prägen, wie der Beitrag in all seinen Variationen aussehen wird.

Die NLG-Technologie übernimmt dann die Dateneingabe und regionale Anpassung. Sie fügt die spezifischen Zahlen für jedes Gebiet ein, passt geografische Referenzen an und stellt sicher, dass die Story für ihr beabsichtigtes Publikum Sinn macht. Aber das System führt redaktionelle Entscheidungen aus, anstatt sie zu treffen.

Radar entwickelte sich aus einem privaten Unternehmen namens Urbs Media, das 2015 NLG für Nachrichten aus Londoner Stadtbezirken erforschte. 2017 ging Radar einer formelle Partnerschaft mit der Nachrichtenagentur PA Media ein, finanziert durch Googles Digital News Initiative.

Chefredakteur Jack Lefley umriss PA Medias breiteren Kontext: "Wir bedienen jedes Medienunternehmen in Großbritannien und Irland" mit Content von Text über Bilder und Videos bis hin zu Live-Feeds. Die Agentur arbeitet nach dem Prinzip "schnell, fair, genau".

Der anfängliche Rollout war kostenlos für lokale Verleger und diente als wichtige Marktforschung, um die Nachfrage zu demonstrieren, bevor Radar ein Abonnement-Geschäft aufbaute. 2018 starteten sie ihren Nachrichtendienst, der es Lokalmedien ermöglicht, spezifische geografische Gebiete zu abonnieren.

Dass Medienunternehmne bereit sind zu zahlen, beweist, dass der Service funktioniert, besonders da lokale Verleger bekanntermaßen kostenbewusst und skeptisch gegenüber neuen Services sind. Einige Hauptkunden sind große Verlagskonglomerate, die je nach auf Verbreitungsgebiet und Publikumsgröße zahlen.

Das Team arbeitet remote und verteilt über Großbritannien. Diese Struktur gibt dem Unternehmen bessere Einblicke in lokale Eigenheiten und Themen, während sie die Overhead-Kosten niedrig hält. Das wiederum ist für das Abo-Preismodell wesentlich.

Die dezentrale Struktur von Radar liegt auch in einer größten technischen Herausforderungen begründet: Großbritanniens komplexe Verwaltungsstruktur. Kelly beschrieb die Komplexität so: mehrere Arten von Ratssitzungen und Versammlungen in Kommunen und Landkreisen mit oberen und unteren Ebenen, unterschiedliche Zuständigkeitsbezirke von Polizei, NHS und Feuerwehr sowie Variationen zwischen Schottland, Wales und England in puncto Datenstruktur und in der Zuordnung von Zuständigkeiten.

Während Radar seinen Erfolg auf traditioneller NLG-Programmierung aufgebaut hat, entwickelt PA Media generative KI-Projekte, die das Automatisierungsmodell auf ein neues Terrain ausweiten.

Martin Ashplant, PA Medias Direktor für Produktentwicklung und Operations, umriss den Ansatz zur Audio-Content-Erstellung: "Wir bauen LLM-unterstützte Zusammenfassungen für Radio-Content", die Radars lokale Geschichten für regionale Radiostationen integrieren können. Das System umfasst Sprachsynthese-Partnerschaften mit Unternehmen wie ElevenLabs, mit regionalen Anpassungsoptionen.

Entscheidend ist, dass die Entwicklung redaktionelle Aufsicht beibehält. "Unsere Kunden behalten die Kontrolle. Das erfordert menschliche Genehmigung für alle KI-generierten Inhalte", betont Ashplant.

Das Unternehmen bekennt sich zu seinen aktuellen Grenzen. Kelly bemerkte, dass Radar mangels Kapazitäten nur nationale Quellen bearbeitet und "nicht mit der Geschwindigkeit hauseigener Datenjournalisten von Lokalmedien" bei lokalen Breaking News mithalten kann.

Radar hat einen Expansion nach Deutschland und Australien mit begrenztem Erfolg versucht und stieß auf kulturellen Widerstand und fragmentierte Medienbesitzstrukturen, die stark mit Großbritanniens konsolidiertem Markt kontrastieren. Großbritanniens einzigartige Kombination aus zuverlässiger Regierungsdateninfrastruktur, konsolidiertem Medienbesitz und etablierten Nachrichtenagenturen schafft Bedingungen, die anderswo schwer zu replizieren sein könnten.

Radar hat ein System gebaut, das die Wirkung von menschlichem Journalismus vervielfacht. Aus einer gut recherchierten Story werden Hunderte lokal relevanter Stücke.

Das Abonnementmodell deutet auf echte Nachfrage lokaler Verleger nach dieser Art von skaliertem, datengetriebenem Content hin. In einer Branche, die mit Ressourcenknappheit kämpft, bietet Radar einen Weg, lokale Relevanz ohne den Overhead eigener Datenjournalismus-Teams zu erhalten.

Radar demonstriert ein nachhaltiges Modell für Mensch-KI-Zusammenarbeit im lokalen Journalismus und baut ein Geschäft auf, das Journalisten produktiver und ihre Arbeit für lokale Communities wertvoller nacht.

Die Automatisierung dient der Kernmission des Journalismus: relevante Informationen für Communities zu bringen, die sie brauchen. Die Technologie übernimmt die repetitive Arbeit der Anpassung und Lokalisierung, während menschliche Journalisten die Arbeitsanteile übernehmen, die Urteilsvermögen, Analyse und redaktionelle Fähigkeiten erfordern.

Radars Erfolg bietet mehrere praktische Einsichten für andere Medienunternehmen, die mit Automatisierung experimentieren:

Beginnt mit repetitiven, schematischen Inhalten. Radar konzentriert sich auf datengetriebene Stories, bei denen die Struktur konsistent bleibt, aber Details je nach Region variieren.

Testet, bevor ihr skaliert. Radars kostenloser Rollout an Publisher diente als wichtige Marktforschung und bewies, dass Nachfrage existierte, bevor sie ein Abonnement-Geschäft aufbauten.

Bewahrt menschliche redaktionelle Kontrolle. Jede automatisierte Story hat ihren Ursprung in menschlichen journalistischen Entscheidungen über Perspektive, Kontext und Einbettung.

Geografische Spezifität schafft Wert. Lokale Publisher zahlen für lokal relevanten Content, den sie nicht effizient selbst produzieren können.

Remote-First-Betrieb ermöglicht nachhaltige Wirtschaftlichkeit. Radars dezentrales Team hält die Kosten niedrig genug, um kostenbewussten lokalen Verlegern wettbewerbsfähige Preise zu bieten.