Wie der Toronto Star eine engagierte News-Community aufgebaut hat

Vor zwei Wochen war ich bei der jährlichen ONA Conference (es war mein neuntes Mal!). Bei Konferenzen versuche ich normalerweise, gesponserte Sessions zu meiden, weil sie (mit einigen Ausnahmen wie Canva) oft nur schlecht getarnte Produktpräsentationen sind. Da Konferenzen aufgrund schrumpfender Budgets geiziger werden, scheint die Hauptattraktion gesponserter Sessions oft nur Häppchen, Happy Hours und Swag zu sein. Die Session, die von der in Toronto ansässigen Audience Engagement-Plattform Viafoura gesponsert wurde, war anders. Es gab kein Essen, keine Drinks, keine kostenlosen Notizblöcke, Socken oder Hot Sauce-Flaschen zum Mitnehmen, nur drei wirklich interessante Case Studys. Für diesen Newsletter-Post konzentriere ich mich auf Case Study Toronto Star.

Let’s dive in:

Vor fünf Jahren waren die Audience Engagement-Metriken des Toronto Star miserabel. Heute übertrifft der Star Konkurrenten, die schon viel länger Communities aufbauen. Diese dramatische Transformation wurde von künstlicher Intelligenz angetrieben, die Content-Moderation automatisiert, Story-Potential in Leser-Kommen identifiziert und Engagement personalisiert skaliert. Das Ergebnis bietet Learnings für Medienunternehmen, das KI für authentischen Community-Aufbau in einer zunehmend fragmentierten Medienlandschaft nutzen möchte.

In seinem aktuellen Umfang erreicht der Toronto Star über 6 Millionen Leser wöchentlich über Print-, Desktop-, Mobile- und Tablet-Plattformen mit sechs täglichen News-Websites und 25 Community-Websites.

Die Transformation konzentrierte sich auf die Entwicklung dessen, was Viafoura einen "strategischen Community-Ansatz" nennt. Was mir auffällt: Im Gegensatz zu vielen anderen News-Sites stehen Artikel beim Toronto Star hinter einer Paywall, aber Kommentieren ist kostenlos. Das mag kontra-intuitiv erscheinen, und Star-Redakteure hatten anfangs einige Bedenken, Off-Topic-Kommentare von Leuten zu ermutigen, die den Artikel nicht gelesen hatten, aber das KI-gestützte Kommentarsystem verhindert, dass das passiert. Laut Viafoura stammt inzwischen ein Viertel aller Registrierungen aus Kommentar-Community.

KI durchsucht Leser-Kommentare nach aktuellen Story-Ideen

Ein innovativer Aspekt der Community-Strategie des Toronto Star ist die Implementierung von Viafouras "Story Agent" – ein KI-System, das Kommentare aus der Community in neue Ideen for Storys verwandelt, unter Verwendung großer Sprachmodelle, die auf mehrere Jahre an nutzergenerierten Inhalten trainiert wurden.

So funktioniert die KI: Jeden Morgen erhalten Redakteure eine E-Mail mit 6 verschiedenen Story-Pitches, die aus den Kommentar-Diskussionen des Vortages abgeleitet wurden. Die KI analysiert Unterhaltungen, Kommentare und Likes. Sie identifiziert interessante Cluster-Gruppen und liefert Pitches mit spezifischen Perspektiven per E-Mail direkt an die Redaktion. Die KI sucht speziell nach authentischen menschlichen Erfahrungen. "Eines der Dinge, für das wir wirklich versuchen, dieses LLM zu optimieren, ist, persönliche Storys und Anekdoten zu finden," betonte Viaforas CEO Mark Zohar während der Präsentation.

Freilaufende Hunde-Diskussion und Eiscreme-Reviews: Nutzerengagement hervorheben

Das System identifizierte 108 Kommentare über 7 Artikel über freilaufende Hunde und synthetisierte sie in zwei unterschiedliche Story-Winkel, die am vielversprechendsten für anhaltendes Engagement schienen:

Jeder Pitch enthält hervorgehobene Leser-Kommentare, die persönliche Storys und Community-Stimmung demonstrieren – genau die Art authentischer Stimmen, die Abonnenten-Engagement antreiben.

Die praktische Anwendung dieses Ansatzes wurde deutlich, als der Kultur-Reporter des Toronto Star einen Artikel veröffentlichte, der Torontos beste Eisdielen rezensierte. Der Artikel generierte 77 Kommentare, in denen Leser ihre Lieblings-Eisdielen diskutierten, Sorten und Preise verglichen.

Christine Loureiro, Senior Editor für Digital Strategy and Initiatives des Star, bemerkte die anschwellende Diskussion und postete: "Hallo alle, ich bin eine Redakteurin beim Star. Wir wollen Eure Lieblings-Locations für einen sommerlichen Eisbecher wissen. Erzählt uns davon, und wir werden sie mit den Star-Lesern in einer zukünftigen Story teilen."

Vier Tage später veröffentlichte der Star eine Follow-up-Story, die vollständig auf Leser-Empfehlungen basierte, komplett mit klickbaren Links zurück zu den ursprünglichen Kommentatoren-Profilen. Featured Leser erhielten persönliche Dankeschön-E-Mails von der Redakteurin – genau die Art von Beziehungsaufbau, die Abonnenten-Loyalität antreibt.

Über das Generieren von Story-Pitches hinaus dient das KI-System des Toronto Star als On-Demand-Recherche-Tool für Reporter, die bereits an Aufträgen arbeiten. Wenn ein Reporter im Ressort Verkehrswesen das System über ÖPNV-Probleme befragt, die Toronto-Bewohner betreffen, scannt die KI Community-Kommentare und schlägt spezifische Story-Ansätze vor, basierend auf Kommentaren zu früheren Storys, die Erfahrungen und Frustrationen der Leser mit Torontos ÖPNV-ystem aus erster Hand ausdrücken.

Das sind einige der Toronto ÖPNV-Story-Ideen, die vom Bot vorgeschlagen wurden:

Dieser Ansatz ermöglicht neue und effizientere Wege für Redaktionen, Quellenpflege und Story-Recherche zu betreiben. "Stellt Euch das wie Werkbank für eine Redaktion vor," erklärte Zohar. "Ihr habt vielleicht schon eine Story identifiziert, an der ihr arbeiten wollt, ob sie nun vom Story Agent kam oder nicht, aber jetzt könnt ihr einsteigen und sagen, okay, ich arbeite an dieser Story. Findet mir einige Leute, die dieses Problem erlebt haben." Die KI verwandelt effektiv Monate von Community-Unterhaltungen in eine durchsuchbare Datenbank von potenziellen Quellen, Story-Ansätzen und echten Leser-Problemen – und macht Audience Engagement zu einem Wettbewerbsvorteil.