Video, Podcast, Bild: Was KI-Systeme davon wirklich verwerten

Unternehmen investieren erhebliche Summen in Video und Podcast und wundern sich, dass diese Inhalte in KI-Antworten nie auftauchen. Der Grund ist selten die Qualität. Er liegt darin, dass zwischen dem Medium und dem, was ein Retrieval-System verarbeitet, ein Übersetzungsschritt liegt — und der fehlt in den meisten Produktionen.

Was Systeme tatsächlich verarbeiten

Der Stand ist differenzierter, als beide Extrempositionen nahelegen.

Video: Große Modelle können Videoinhalte analysieren, in der Breite arbeiten Retrieval-Systeme aber mit dem Text drumherum: Titel, Beschreibung, Kapitelmarken, Untertitel und Transkript. Bei Plattformvideos kommt die maschinelle Untertitelung hinzu, die je nach Sprache und Tonqualität unterschiedlich zuverlässig ist.

Audio: Ohne Transkript ist eine Podcastfolge für die meisten Systeme nicht vorhanden. Automatische Transkription ist bei Plattformen zunehmend Standard, aber die Qualität bei Fachbegriffen, Eigennamen und Dialekt ist begrenzt — und genau diese Wörter tragen die Information.

Bild: Modelle können Bildinhalte beschreiben, doch in der Quellenauswahl zählt weiterhin überwiegend der Kontext: Dateiname, Alt-Text, Bildunterschrift und der umgebende Text. Ein Diagramm mit den entscheidenden Zahlen, das nirgends im Text auftaucht, ist verlorene Information.

Die Regel, die alles zusammenhält

Was nicht als Text existiert, existiert für die Quellenauswahl nicht. Diese Regel klingt banal und wird trotzdem systematisch missachtet. Das teuerste Beispiel ist die Fachkonferenz: Ein Vortrag mit substanziellen Ergebnissen wird aufgezeichnet, das Video auf die Website gestellt — und die Inhalte bleiben unauffindbar, weil kein Wort davon in Textform vorliegt.

Was konkret zu tun ist

Transkript als eigenständiger Inhalt

Nicht als Rohtext-Wüste unter dem Player, sondern redaktionell aufbereitet: Absätze, Zwischenüberschriften, korrigierte Fachbegriffe, Sprecherzuordnung. Ein aufbereitetes Transkript ist ein vollwertiger Fachartikel — und wird als solcher zitiert, während die Rohfassung meist zu unstrukturiert ist, um in brauchbare Abschnitte zu zerfallen.

Der Aufwand liegt bei etwa einer Stunde pro dreißig Minuten Aufnahme, wenn eine maschinelle Rohfassung als Grundlage dient.

Zusammenfassung mit Kernaussagen

Über dem Transkript ein Block mit fünf bis acht Kernaussagen in ganzen Sätzen, jeweils mit Zeitmarke. Dieser Block wird am häufigsten übernommen, weil er die Substanz in isoliert verständlichen Einheiten enthält.

Kapitelmarken mit sprechenden Titeln

Kapitel benennen die behandelte Frage, statt Einleitung und Teil 2 zu heißen. Sie strukturieren zugleich das Transkript und liefern die Schnittkanten für die Zerlegung.

Schema-Auszeichnung

VideoObject beziehungsweise PodcastEpisode mit Titel, Beschreibung, Dauer, Veröffentlichungsdatum, Vorschaubild und — entscheidend — transcript. Bei Bildern ImageObject mit caption, wo das Bild eigenständige Information trägt.

Alt-Texte, die Information tragen

Ein Alt-Text beschreibt, was zu sehen ist und was es bedeutet, nicht welches Stichwort untergebracht werden soll. Bei Diagrammen gehört die Kernaussage zusätzlich in die Bildunterschrift und die Datenreihe in eine HTML-Tabelle. Das ist zugleich eine Anforderung der Barrierefreiheit — beide Ziele fallen hier zusammen.

Wo der Aufwand sich lohnt und wo nicht

Nicht jedes Medium verdient diese Behandlung. Eine sinnvolle Priorisierung:

• Lohnt sich klar: Fachvorträge, Erklärvideos zu wiederkehrenden Fragen, Interviews mit Fachaussagen, Produktdemonstrationen mit technischen Details, Webinare mit Substanz.
• Lohnt sich selten: Imagefilme, Messerückblicke, Grußbotschaften, Recruiting-Clips ohne konkrete Angaben. Diese Formate haben andere Zwecke, und für die Quellenauswahl geben sie nichts her.

Als Faustregel: Wenn sich aus dem Medium kein Absatz extrahieren lässt, der eine Frage beantwortet, bringt auch das beste Transkript nichts.

Der doppelte Nutzen

Transkripte und aufbereitete Zusammenfassungen zahlen auf mehrere Ziele gleichzeitig ein: Barrierefreiheit, klassische Suchsichtbarkeit, Nutzbarkeit für Menschen, die nicht dreißig Minuten Video ansehen wollen, und Zitierfähigkeit in KI-Systemen. Wenige Maßnahmen im Content-Bereich haben ein so gutes Verhältnis von Aufwand zu Wirkung — und kaum eine wird so konsequent ausgelassen.

Wie Textabschnitte in der Auswahl konkurrieren, beschreibt der Beitrag zu Retrieval und Quellenauswahl.