Welche Medien verdienen mit KI wirklich Geld – und wie machen sie das?

Hallo, ich bin Medien-Innovationsjournalistin Ulrike Langer und du liest News Maschinen. Falls dir jemand diesen wöchentlichen Newsletter weitergeleitet hat, kannst Du ihn ganz einfach selbst abonnieren und keine Ausgabe mehr verpassen.

Von 1.047 Newsroom-KI-Initiativen, die AI For Newsroom erfasst – das detaillierteste öffentliche Verzeichnis seiner Art –, drehen sich exakt 77 ums Geldverdienen. Knapp über sieben Prozent. Und als ich in dieser Woche alle 77 Datensätze ausgewertet habe, fand ich darin eine zweite Zahl, die noch mehr verrät: 70 Prozent dieser Erlösprojekte haben keine erkennbare Verbindung zu den großen generativen KI-Systemen, um die sich jede Branchendebatte dreht – kein ChatGPT, kein Gemini, kein Claude. 

Den ganzen Sommer über hat dieser News Maschinen analysiert, wie die geschäftlichen Beziehungen zwischen Medien und KI funktionieren könnten: Sichtbarkeit, Lizenzierung, Bezahlung, Auffindbarkeit. Diese Ausgabe ist der Realitätscheck – welche Medien verdienen Geld mit KI, in welchen geografischen Regionen und auf welchem Sektor. Und weil die Datenbank dahinter kostenlos ist und Fragen in Alltagssprache beantwortet, zeigt Dir die zweite Hälfte dieser Ausgabe, wie Du sie selbst befragen kannst – zur Monetarisierung oder zu anderen interessanten Aspekten, die sich in den Einträgen verbergen.

Sergei Yakupov – Gründer der Medienberatung Novocean und Dozent im JournalismAI Strategy Lab – sammelt seit Jahren KI-Implementierungen aus Redaktionen. Sein Verzeichnis AI For Newsroom umfasst 1.047 davon und reicht rund ein Jahrzehnt zurück, zu Projekten aus der Zeit vor der generativen KI-Ära. Vergangene Woche kam etwas Neues hinzu: ein MCP-Server, eine standardisierte Schnittstelle, über die KI-Assistenten die Datenbank direkt abfragen können, statt dass ein Mensch sich durch eine Website klickt.

Am Montag habe ich den Server mit Claude verbunden und angefangen, Fragen zu stellen. In der Nacht schickte ich Yakupov per LinkedIn-DM Nachfragen nach Portugal. Seine Antworten – und ein CSV-Export aller 77 Monetarisierungs-Datensätze – waren schon da, bevor ich am Dienstagmorgen meinen ersten Kaffee ausgetrunken hatte.

In das Verzeichnis führen drei Wege: Entweder Redaktionen reichen Initiativen selbst ein, oder Yakupov entdeckt sie in den RSS-Feeds und E-Mail-Newslettern, die sein System abonniert hat, oder er macht eigene Recherchen mit Claude- und Groq-Modellen. Die Ergebnisse bereinigt er mit Skripten und geht sie zum Schluss von Hand durch. Seine Aufnahmeregeln sind streng: Initiativen müssen skalierbar und technikbasiert sein, „keine Einzelanwendung“. Einmal-Experimente wie „wir haben mit NotebookLM über einen Datensatz gechattet und einen Artikel daraus gemacht“ blieben außen vor. Die Zahl 77 ist also nicht entstanden, weil beiläufiges Herumprobieren übersehen, sondern weil es bewusst ausgeschlossen wurde.

Volle Transparenz: News Machines (die englische Ausgabe dieses Newsletters), gehört zu den Publikationen, die Yakupov als Quellen für sein Verzeichnis auswertet. Keiner der 77 Monetarisierungs-Datensätze geht aber auf meine eigene Berichterstattung zurück. Ich habe jedes Quellenfeld geprüft, um keinen selbstreferenziellen Beitrag zu schreiben.

Zuerst die geografische Situation: Von den 77 Monetarisierungs-Projekten sind 66 in Europa und Nordamerika basiert. Asien hat fünf Einträge, Südamerika drei, Ozeanien zwei, Afrika einen. Umsätze mit KI im Journalismus sind bislang eine nordatlantische Angelegenheit.

Die 77 Datensätze teilen sich außerdem in zwei sehr verschiedene Arten von Erlösen. Rund 30 sind Lizenz- und Plattform-Deals:

Dreißig Datensätze klingen nach einem echten Trend – bis man merkt, dass fast alle davon Teilnahmen an den sieben aufgezählten Programmen sind; die Datenbank erfasst jeden Publisher einzeln. Das ist Geld von den Maschinen: Erlöse, die ankommen, weil ein KI-Unternehmen einen Scheck ausstellt – nicht, weil eine Redaktion irgendetwas selbst betreibt.

Die anderen 47 Datensätze sind Publisher, die mit ihrem eigenen Einsatz von KI Geld verdienen – und fast all diese Projekte basieren auf Machine Learning, nicht auf generativer KI.

Die neuesten Einträge erledigen die gleichen Aufgaben mit besseren (teilweise Gen AI) Tools:

Eine kleine Gruppe von Publishern erfindet gleich neue Produkte – Hearsts Houston Chronicle hat aus öffentlichen Bezirksdaten TX Tax gebaut, ein Tool für Einsprüche gegen Grundsteuerbescheide, das an Leser verkauft wird, und Dow Jones hat einen KI-gebauten französischsprachigen Finanznachrichtendienst gestartet.

Projekte, die mit dem Generieren von Inhalten Erlöse erzeugen – Text, Bilder, Audio –, tauchen kaum auf. Genau das misst die anfangs erwähnte 70-Prozent-Angabe. Die Datenbank vermerkt, auf welchem KI-System jede Initiative läuft, und innerhalb der 77 nennt dieses Feld nur 23 mal eines der großen generativen Modelle. Die übrigen 54 Datensätze lassen es leer oder tragen „Custom“ ein: hausintern gebaute Systeme, ganz überwiegend für Vorhersageaufgaben wie die oben. Aussagen darüber, ob manche dieser Eigenbauten intern generative Komponenten nutzen, gibt das Feld nicht her. 

Was aber deutlich wird: Die Monetarisierung des aktiven Einsatzes von KI im Journalism beruht zumindest bisher nicht auf ChatGPT oder Claude.

„Ich war überrascht, dass sich so wenige Beispiele um Monetarisierung drehen“, schrieb mir Yakupov. Seine Erklärung: „Es scheint, dass wir in dieser ‚generativen‘ Natur der modernen KI gefangen sind – es fällt sehr schwer, sie jenseits von ‚Text erstellen‘ und ‚Bild generieren‘ zu denken.“ Die Branche starrt auf die spektakulärste Fähigkeit, während, in seinen Worten, „die am meisten unterschätzte Stärke von KI der Umgang mit Chaos und Durcheinander ist. Und jeder Datensatz ist Chaos und Durcheinander. Und KI in der Monetarisierung muss auf Daten aufbauen.“

Die Zahlen oben geben ihm recht. Es verdienen genau die Projekte Geld, die die unglamouröse Arbeit machen: Abonnentendaten säubern, Kündigungen vorhersagen, Abo-Zugänge bepreisen.

In einer Prognose, die das Reuters Institute in seinem KI-Ausblick für 2026 veröffentlichte, sagte Yakupov voraus, der Fokus der Branche werde sich von der Produktion zu Distribution und Monetarisierung verschieben. Ich habe ihn gefragt, ob seine eigene Datenbank diese Verschiebung schon zeigt. Seine Antwort: noch nicht. Die Generierungsphase sei nicht vorbei, aber Redaktionen begännen, darüber hinauszuschauen. Was die Verschiebung aufhält, sind aus seiner Sicht Infrastruktur und Kompetenz: KI jenseits eines Chatfensters zu implementieren, sei nach wie vor „Rocket Science“, und Medienunternehmen ohne externe Förderung kämen selten über die einfachste Nutzung hinaus – das Generieren.

Falls die Verschiebung kommt, stehen ihre ersten Einträge schon im Verzeichnis. Die neuesten Monetarisierungs-Datensätze sind agentisch: 

Die Spitze der Entwicklung deutet exakt darauf, was seine Prognose zeigt.

Dieser Beitrag beruht darauf, dass ich meine Fragen in Alltagssprache an die Datenbank gestellt habe, und das kannst Du genauso. Das Verzeichnis selbst ist kostenlos unter aifornewsroom.in erreichbar. Die MCP-Verbindung funktioniert so:

Claude: Das funktioniert schon im Gratis-Plan – kostenlose Accounts haben genau einen eigenen Connector frei, und mehr braucht es nicht. Gehe in die Einstellungen, dort zu „Connectors“, dann auf „Add custom connector“. Namen vergeben, die Server-Adresse https://aifornewsroom.in/mcp/server einfügen, auf „Add“ klicken und die Anmeldung bestätigen. Danach stellst Du Deine Fragen und Anweisungen einfach im Chat: „Welche Monetarisierungs-Initiativen erfasst die Datenbank in meinem Land?“ – „Gruppiere alle Initiativen nach Region und Typ.“ – „Welche Projekte nennen das KI-Modell, auf dem sie laufen?“ Und so weiter.

ChatGPT: Eigene Connectors stecken hinter einer Beta-Funktion, die OpenAI selbst „Developer Mode“ nennt und ausdrücklich als Entwickler-Feature einstuft. In den bezahlten Einzel-Plänen (ab Plus) aktivierst Du ihn in den Einstellungen unter „Connectors“ und dort unter „Advanced“; danach fügst Du die Server-Adresse auf dem gleichen Weg hinzu. In Business- und Enterprise-Workspaces kann nur ein Admin den Developer Mode einschalten – Normale Nutzer können selbst keine Connectors anlegen. Mit einem kostenlosen ChatGPT-Account geht es gar nicht.

Microsoft 365 Copilot: Relevant für alle, deren Arbeitgeber die Tools vorgibt – selbst hinzufügen kannst Du hier nichts. Eigene MCP-Quellen laufen als „Federated Connectors“, und einrichten kann sie nur eine Microsoft-365-Administratorin oder ein Administrator. Der praktische Weg: Schick Deiner IT die Server-Adresse und leite diese Newsletter-Ausgabe weiter.

Wichtig: Sei Dir darüber im Klaren, was Du abfragst. AI for Newsroom ist ein kuratiertes Verzeichnis, keine repräsentative Erhebung – das europäische Übergewicht spiegelt vermutlich auch wider, dass Yakupovs Netzwerk dort am stärksten ist. Einzelne Abfragen liefern gedeckelte Ergebnislisten, und die ältesten Einträge haben nur Jahresangaben. Für komplette Datensätze frag am besten den Kurator Yakupov: Mir hat er das vollständige CSV binnen Stunden geschickt – und er hat mir verraten, dass er womöglich bald eine Export-Funktion für komplette Datensätze direkt in den Server einbaut.

Dieses letzte Detail ist der Aspekt, der mir bei meiner Recherche eigentlich am besten gefallen hat. Eine Ein-Personen-Datenbank, eine Ein-Personen-Recherche über 24 Stunden hinweg – und das Tool wird wohl bald verbessert, weil eine Journalistin (ich) einen kompletten Zahlensatz prüfen wollte. Die Landkarte der KI-Erlöse im Journalismus besteht vor allem aus weißen Flecken: wenige Einträge, fast alle im globalen Norden – und generativ ist daran so gut wie nichts. Aber analysieren lässt sich das jetzt so leicht wie noch nie. Danke, Sergei, für dieses nützliche kostenlose Tool.