Wer KI für Social Content, Kampagnen oder Kundenkommunikation nutzt, muss die eigene Markenstimme nicht nur in Prompt-Regeln beschreiben. Echte Meeting-, Beratungs- und Brainstorming-Transkripte können zusätzlich zeigen, wie ein Team tatsächlich argumentiert, entscheidet und formuliert. Ein von Social Media Examiner vorgestelltes Framework nennt diese verdichtete Wissensbasis einen „Cognitive Fingerprint“.
Der Begriff klingt nach Modelltraining, technisch ist der Ansatz aber meist etwas anderes: Die vorhandenen Modelle werden nicht neu trainiert. Stattdessen wird aus ausgewählten Gesprächen eine strukturierte Kontextdatei gebaut, die in Projekte, Custom-Workflows oder andere KI-Arbeitsbereiche geladen werden kann.
Warum ein Styleguide allein oft nicht reicht
Ein klassischer Brand-Voice-Guide beschreibt meist sichtbare Regeln: Tonalität, bevorzugte Begriffe, verbotene Formulierungen, Satzlänge oder Beispiele für gute Posts. Das hilft bei konsistentem Output, erfasst aber nur einen Teil der tatsächlichen Expertise.
Im Interview mit Social Media Examiner teilt Max Bernstein das Wissen in vier Ebenen ein:
- Deklarativ: Was wir wissen und wie wir unsere Arbeit beschreiben.
- Prozedural: Wie wir eine Aufgabe Schritt für Schritt lösen.
- Konditional: Wann wir welchen Weg wählen – also die eigentliche Entscheidungslogik.
- Metakognitiv: Welche mentalen Modelle und wiederkehrenden Denkmuster hinter Entscheidungen stehen.
Gerade die letzten beiden Ebenen tauchen in normalen Styleguides selten auf. Sie werden sichtbarer, wenn Menschen echte Probleme diskutieren, Einwände beantworten oder zwischen mehreren Optionen abwägen.
Das ergänzt einen Ansatz, den wir bereits beim Claude-Workflow als AI Creative Director beschrieben haben: Gute KI-Ausgaben entstehen weniger durch einen magischen Prompt als durch gutes Quellmaterial, klare Regeln und einen wiederholbaren Prozess.
Welche Transkripte sich eignen
Bernstein empfiehlt nicht möglichst viele Dateien, sondern unterschiedliche Gesprächssituationen. Als Startpunkt nennt er drei bis fünf Transkripte aus verschiedenen Kontexten.
Besonders nützlich sind zum Beispiel:
- Kampagnen- oder Content-Brainstormings,
- Kunden- und Beratungsgespräche,
- Reviews, in denen ein Entwurf kritisiert und verbessert wird,
- Sales- oder Discovery-Calls,
- interne Entscheidungen, bei denen mehrere Optionen gegeneinander abgewogen werden,
- sowie freie Sprachmemos, in denen ein Experte ein Problem spontan durchdenkt.
Weniger wertvoll sind stark geskriptete Präsentationen. Sie zeigen vor allem bereits polierte Aussagen und weniger davon, wie eine Entscheidung zustande kommt.
Eine kurze Kontextzeile vor jedem Transkript hilft zusätzlich: etwa „Kundenberatung“, „Redaktionsplanung“ oder „Kampagnen-Retrospektive“. So kann das Modell ähnliche Aussagen besser nach Situation einordnen.
So wird aus Gesprächen eine nutzbare KI-Wissensbasis
Der praktische Workflow lässt sich relativ klein halten.
Zuerst werden nur Transkripte ausgewählt, die tatsächlich relevante Expertise enthalten. Danach lässt man das Modell nicht einfach „eine Brand Voice zusammenfassen“, sondern getrennt nach Mustern suchen: wiederkehrende Aussagen, Prozesse, Wenn-dann-Regeln, typische Einwände, bevorzugte Argumentationslinien und erkennbare Ausnahmen.
Anschließend lohnt sich eine zweite Runde mit Gegenbeispielen: Wann gilt die Regel nicht? Welche Entscheidung hängt vom Kundentyp, Kanal, Risiko oder Ziel ab? Genau diese Ausnahmen machen die Kontextdatei nützlicher als einen statischen Prompt.
Das Ergebnis sollte keine unstrukturierte 30-Seiten-Zusammenfassung sein, sondern eine gepflegte Arbeitsdatei mit klaren Abschnitten wie:
- Tonalität und Sprachmuster,
- Entscheidungsregeln,
- wiederkehrende Prozesse,
- Qualitätskriterien,
- typische Fehler,
- Beispiele und Gegenbeispiele,
- sowie offene Annahmen, die ein Mensch weiterhin prüfen muss.
So kann dieselbe Wissensbasis später beim Schreiben von Social Posts, Briefings, Antworten, Landingpages oder internen Reviews genutzt werden. Wer daraus später ein eigenes wiederholbares Produkt oder Tool macht, landet schnell bei dem Ansatz, den wir im Guide zu KI-Tools aus eigener Expertise beschrieben haben.
Der wichtige Unterschied: Kontext statt echtes Training
Marketingteams sollten sprachlich sauber bleiben. Wenn eine Datei in ein ChatGPT-Projekt, ein Claude-Projekt oder einen ähnlichen Workspace geladen wird, bedeutet das normalerweise nicht, dass das Basismodell auf die Person oder Marke feintrainiert wurde.
Praktisch handelt es sich eher um eine zusätzliche Wissens- und Kontextschicht. Das hat einen Vorteil: Die Datei bleibt portabel und kann bei einem Modellwechsel aktualisiert oder in einem anderen System weiterverwendet werden.
Der Nachteil ist, dass diese Kontextdatei ebenfalls gepflegt werden muss. Entscheidungen ändern sich, Produkte entwickeln sich weiter und Teams passen ihre Positionierung an. Ein sechs Monate alter „Fingerprint“ kann genauso veraltet sein wie ein alter Styleguide.
Datenschutz ist kein Nebenthema
Meeting-Transkripte können personenbezogene Daten, vertrauliche Kundeninformationen, interne Zahlen oder nicht veröffentlichte Strategien enthalten. Bevor solche Dateien in ein KI-System geladen werden, sollten Teams daher prüfen, ob sie die Daten überhaupt verwenden dürfen, welche Einwilligungen oder internen Regeln gelten und welche Inhalte vorher entfernt oder anonymisiert werden sollten.
Auch die verwendete Produktversion ist relevant. OpenAI erklärt beispielsweise, dass Inhalte aus ChatGPT Business, Enterprise und der API standardmäßig nicht zum Training der Modelle verwendet werden. Bei persönlichen ChatGPT-Workspaces können Inhalte dagegen zur Modellverbesserung genutzt werden, sofern die entsprechende Datenfreigabe nicht deaktiviert wurde.
Für Unternehmen ist deshalb ein Governance-Schritt vor dem Upload sinnvoller als ein späteres Aufräumen: Welche Gesprächsarten dürfen verwendet werden? Welche Namen oder Kundendaten werden entfernt? Wer darf die resultierende Wissensbasis sehen und aktualisieren?
Das gleiche Prinzip gilt für automatisierte Qualitätskontrolle. Eine KI kann Muster sichtbar machen, sollte aber nicht die einzige Instanz sein, die entscheidet, was zur Marke passt. Ergänzend können etwa KI-Personas und Feedback-Loops helfen, Entwürfe gegen definierte Zielgruppen- und Qualitätskriterien zu prüfen.
Was Social-Teams davon haben
Der interessanteste Effekt ist nicht, dass KI plötzlich „wie ein Mensch denkt“. Das lässt sich aus einigen Transkripten nicht seriös ableiten. Praktischer ist etwas anderes: Implizites Teamwissen wird dokumentiert und wiederverwendbar.
Damit kann ein Social-Team neue Mitarbeiter schneller onboarden, Briefings konsistenter formulieren und AI-Workflows mit deutlich mehr Kontext versorgen als mit einem einzelnen Systemprompt. Gleichzeitig entsteht eine Wissensbasis, die auch ohne KI wertvoll ist – weil sie sichtbar macht, welche Regeln und Abwägungen bisher nur in Köpfen oder Meetings existierten.
Für Marken ist das der eigentliche Hebel: nicht „KI soll uns imitieren“, sondern gute Entscheidungen so dokumentieren, dass Menschen und KI sie reproduzierbarer anwenden können.