KI im Radio: Hype oder hilfreiches Werkzeug?

Künstliche Intelligenz hält Einzug in den Radiomarkt – nicht aus Innovationslust, sondern unter wirtschaftlichem Druck. Sinkende Werbeerlöse, Konkurrenz durch digitale Plattformen und steigende Kosten zwingen besonders private Sender, Prozesse zu rationalisieren. KI-basierte Systeme und sogenannte „AI Agents“, die eigenständig analysieren, entscheiden und handeln, werden dabei als Effizienzhebel positioniert. Doch gerade im Radio ist der Einsatz ambivalent: zwischen Hoffnung auf Entlastung und Sorge um Substanzverlust redaktioneller und vertrieblicher Kompetenz.

Moderne Radiostudio mit KI-Analysewerkzeugen (Bild: ChatGPT)

Kurz-Version:
Ein Blick auf die Zahlen verdeutlicht die Schieflage: Ein privater Radiosender sendet wöchentlich etwa 1.400 bis 1.800 Werbespots, während redaktionelle Wortbeiträge – Nachrichten, Service, Interviews, Rubriken – auf rund 200 bis 350 pro Woche kommen. Rein quantitativ stehen damit etwa fünf bis sieben Spots einem Wortbeitrag gegenüber. Vertrieb dominiert den Takt, redaktioneller Output bleibt knapper, wird aber als qualitativ relevanter wahrgenommen. Diese Asymmetrie prägt die KI-Debatte.Die zentrale Frage lautet daher nicht, ob KI eingesetzt wird, sondern wofür und mit welchem Verständnis. Viele Anbieter versprechen skalierbare Effizienz, bessere Prognosen und messbaren ROI – im Vertrieb ebenso wie in der Analyse von Programmen und Märkten. Technologisch sind diese Systeme oft beeindruckend. Offen bleibt jedoch, ob sie tatsächlich neuen Markteinfluss und bessere Inhalte erzeugen oder vor allem bekannte Abläufe automatisieren. Effizienz allein ist kein Qualitätsbeweis.Für Redaktionen ist diese Unterscheidung nicht nebensächlich. Programm, Markt und Vertrieb sind im Radio eng miteinander verwoben. Werbung spiegelt regionale Wirtschaftsrealität, Branchenentwicklung und Konjunktur. Eine systematische, automatisierte Inhalts- und
Marktbeobachtung – etwa durch Audioanalysen real ausgestrahlter Programme – kann daher sinnvoll sein: zur Einordnung von Konkurrenz,
Themengewichtung oder Werbedruck. KI kann helfen, blinde Flecken sichtbar zu machen. Sie ersetzt jedoch keine redaktionelle Bewertung.Ein oft übersehener Schwachpunkt KI-basierter Agenten liegt im Vertrieb: Systeme erkennen Muster, Frequenzen und formale Strukturen, bleiben aber schwach bei Motiven, Machtverhältnissen und informellen Entscheidungswegen. Wer entscheidet über Budgets, warum Kampagnen verändert werden, wann Kontakte „reif“ sind – das entzieht sich häufig automatischer Erfassung. Die Gefahr besteht, dass scheinbar valide Daten echte Einschätzungsfähigkeit ersetzen. Erfahrungswissen droht zu erodieren, wenn Marktbeobachtung und Anbahnung vollständig delegiert werden. Der Fachbegriff dafür lautet ‚Deskilling‘.

Gleichzeitig wäre eine pauschale Ablehnung verkürzt. KI kann redaktionelle Arbeit sinnvoll unterstützen: bei Recherche, Transkription, Übersetzung, Zusammenfassungen von Serviceinhalten oder strukturierter Marktbeobachtung. Auch im Vertrieb entstehen reale Effizienzgewinne, etwa durch Wettbewerbsanalysen oder datenbasierte Kampagnenmodelle.

Kritisch wird es dort, wo Systeme Entscheidungen nicht unterstützen, sondern vorstrukturieren – ohne Transparenz über ihre Annahmen. Die eigentliche Trennlinie verläuft daher nicht zwischen Mensch und Maschine, sondern zwischen kontextloser Automatisierung und verstehender Einordnung. KI kann Werkzeuge liefern, Hinweise geben, Volumen beherrschbar machen. Verantwortung, Haltung und
Relevanzentscheidung bleiben menschliche Aufgaben. Ob KI im Radio Hype oder Hilfe ist, entscheidet sich nicht im Pitch-Deck, sondern im redaktionellen und strategischen Umgang mit ihren Ergebnissen – und mit dem, was sie nicht zeigen.

Lang-Version:
Ist das Gras grüner bei den anderen – helfen Nielsen Statistiken oder andere Verfahren – muss weiterhin händisch gezählt werden – wie verteilen sich lokale Nachrichten und Werbung im Verhältnis zu ihren nationalen Pendants?

Der Einsatz von Künstlicher Intelligenz und sogenannten AI Agents, also softwarebasierten KI-Systemen, die eigenständig Ziele verfolgen, Entscheidungen treffen und Handlungen ausführen, gewinnt insbesondere in einem Medienmarkt an Bedeutung, der in wirtschaftlich angespannten Zeiten unter Druck steht und sich zugleich im intensiven Wettbewerb mit digitalen Werbeplattformen befindet. Gerade im Radio sorgt diese Entwicklung jedoch für ambivalente Reaktionen: zwischen Neugier, Skepsis und der Sorge vor einem schleichenden Bedeutungsverlust redaktioneller Arbeit.

Was aussagefähige Werbestatistiken und den analytischen Vergleich von Radioprogrammen anbelangt, scheint ein gewisses Vakuum zu bestehen.

Einige Zahlen vorab aus Redaktion und Werbung: Ein durchschnittlicher privater Radiosender strahlt rund 1.400–1.800 Radiospots pro Woche in Deutschland aus (Basis: 6–8 Minuten Werbung pro Stunde, übliche Spotlängen im Privatradio: 20–30 Sekunden, konzentriert auf ca. 16–18 Sendestunden pro Tag, 6–7 Tage pro Woche; eigene Berechnungen).

Übersicht

Realistische Richtwerte aus der Programmbeobachtung privatwirtschaftlicher Radios in Deutschland

Übliche redaktionelle Wortformate pro Tag: Nachrichten: 10–20 Meldungen, Service (Wetter, Verkehr): 10–15 Einheiten, Interviews, O-Töne, Features, Rubriken: 5–15 Beiträge. Das ergibt einen konservativen Mittelwert von 30–50 redaktionellen Wortbeiträgen pro Tag, was etwa 200–350 Wortbeiträgen pro Woche je Sender entspricht.

Nebenbei bemerkt heißt dies: 5–7 Werbespots kommen auf einen Wortbeitrag. Das erklärt, warum Vertrieb und Vermarktung zeitlich dominieren. Editorialer Output ist zwar quantitativ kleiner, wird aber – zumindest empfunden – als relevanter betrachtet. Dies als kleine Spitze eines Vermarkters.

Die gängige Frage lautet: Wie kann man den Workflow in diesen beiden „Abteilungen“ verkürzen, ihn kostengünstiger gestalten? Wie können höhere Umsätze aus dem Werbegeschäft durch den Einsatz von KI-Agenten erzielt werden? Wie lässt sich die Attraktivität des Programms und die Anzahl der Hörer steigern?

KI-Agenten im Radio – Hype oder Help?

Sie lässt sich nicht mit einem einfachen Ja oder Nein beantworten. Zu unterschiedlich sind die Versprechen, zu groß die Spannbreite der Anwendungen. Zwischen Automatisierungseuphorie, der Angst vor Deskilling und einer häufig unbequemen Wahrheit über den tatsächlichen Zustand von Vertrieb und Marktbeobachtung (brutto, netto, …) öffnen sich Spannungsfelder, die auch Redaktionen betreffen.

Viele KI-Systeme versprechen Effizienz, Skalierbarkeit und messbaren ROI. Je lauter diese Versprechen werden, desto notwendiger ist allerdings die Gegenfrage: Optimieren wir Produktions- und Vertriebsprozesse sinnvoll – oder automatisieren wir zentrale Funktionen, ohne ihren Kern zu verstehen?

Denn nicht alles, was effizient erscheint, ist auch redaktionell oder strategisch klug.

Ein Blick auf spezialisierte Vertriebs- und Analyseanbieter wie spotwise.ai, allego.ai, Salesforce und einen weiteren Anbieter, auf den später eingegangen wird, zeigt dieses Dilemma exemplarisch. Technologisch sind viele Lösungen beeindruckend aufgestellt: Finanzierung, skalierbares Narrativ, internationale Ausrichtung, zahlreiche Versprechungen, was Umsatzsteigerungen und den ROI betrifft. Doch eine entscheidende Frage bleibt häufig offen: Handelt es sich um nachweisbar gewonnenen Markteinfluss durch den Vertrieb und um „gut gemachte“ Wortbeiträge der Programmverantwortlichen – oder primär um technische Automatisierung bekannter Abläufe?

Auch für Redaktionen ist diese Unterscheidung relevant. Vertrieb, Markt und Programm existieren im Radio nicht isoliert, deshalb ist es sinnvoll, beide miteinander zu vergleichen – nicht nur wegen der Refinanzierung des Angebots. Werbung spiegelt wirtschaftliche Realität in der Gesellschaft und ist, wie gesagt, lebenswichtig für die Anbieter. Kampagnen, Motive und Frequenzen erzählen etwas über Branchen, Konjunktur und regionale Schwerpunkte.

Darum kann ein automatisierter Inhaltscheck von Radioprogrammen quer durch die Nation zu festgelegten Uhrzeiten, Tagen und in Zeitreihen ungemein hilfreich sein. Für den Vertrieb wie auch für die Programmerstellung gibt es kein reines Datenproblem.

Zwischenmenschliche Zwischentöne, Machtverhältnisse, Entscheidungslogiken, „The News Behind the Story“ und Vertrauen lassen sich nicht vollständig automatisieren.

Alexander Zeitelhack bringt eine grundlegende Perspektive für den Vertrieb ein: „Die eigentliche Frage ist: Wie segmentieren wir unsere Radiokunden? Welche sind für qualitative Ansprache geeignet – und welche erreicht man sinnvoll über quantitative Systeme? Dafür braucht es eine systematische Segmentierung nicht nur nach ABC-Kunden, sondern nach Kauf- und Entscheidungsgründen. Diese Verfahren hat im Radio bisher noch niemand wirklich umgesetzt.“

Ein häufig übersehener Punkt bei KI-Agenten liegt insbesondere im Vertrieb: Sie erkennen Strukturen sehr gut, sind aber schwach im Erfassen von Motiven, impliziten Interessen und stillen Widerständen. Die Gefahr besteht darin, dass Systeme scheinbar valide Ansprechpartner liefern. Das trifft bereits mit Schwierigkeiten bei der Identifizierung und Adressierung von Ansprechpartnern und Entscheidern bei Werbekunden zu, ohne deren tatsächliche Relevanz einschätzen zu können. Von der Identifizierung valider Ansprechpartner und Entscheider ganz zu schweigen – sie ist nur in seltenen Fällen machbar. Dieser Personenkreis verbirgt sich gerne. Ganz zu schweigen von der Erkennbarkeit bestehender und sich verändernder Machtstrukturen sowie kurzfristiger Strategieänderungen. – Kurzum: Entscheiderrollen sind selten offiziell sichtbar.

Für Marketing, Vertrieb und auch für Redaktionen stellt sich eine Reihe unbequemer, aber notwendiger Fragen: Erkennen automatisierte Systeme wirklich wirtschaftlich relevante Entwicklungen – oder lediglich sichtbare Oberflächen? Für Programmredaktionen: Erkennt KI lokale, implizite Kontexte, Stimmungen, Brüche, Ironie und – noch kritischer – Fake News? Im Vertrieb: Liefern sie Hinweise auf Entscheidungen – oder nur auf Erreichbarkeit bei Werbepartnern? Und vor allem: Wird der persönliche Kontakt, der Vertrauen schafft und regionale Besonderheiten kennt, schleichend entwertet? Erbringen maschinell erstellte Produktionen austauschbare Ergebnisse?

Andreas Sprengart (Bild: Antenne Kaiserslautern)

„Zwischenmenschliche Töne werden nicht erkannt. KI findet Firmen. Menschen finden Entscheider.“
(Andreas Sprengart, Marketingleitung RadioGroup)

Ein weiterer kritischer Aspekt ist das mögliche Deskilling. Wenn Anbahnung, erste Marktbeobachtung und Qualifizierung vollständig ausgelagert werden, geht Erfahrungswissen auch im Vertrieb verloren. Marktgefühl, Gesprächskompetenz und Einordnungstiefe lassen sich nur begrenzt rekonstruieren, wenn sie nicht mehr aktiv gepflegt werden. Der Mensch wird vom Beobachter und Einordner zum Verwalter von Output.

Gleichzeitig wäre es verkürzt, KI pauschal abzulehnen. Sinnvoll eingesetzt können Analyseverfahren unterstützen – etwa bei der systematischen Beobachtung von Werbemärkten, Konkurrenzaktivitäten und der Programmnutzung auch rivalisierender Sender. Besonders wertvoll sind Lösungen, die reale Audioprogramme auswerten und damit berücksichtigen, was im Alltag oft übersehen wird: UKW bleibt trotz aller digitalen Narrative weiterhin der zentrale Träger von Radioreichweite.

Einige Anbieter ermöglichen das mit entsprechenden Geräten. Analysiert werden Content und Musik, Inhalte, Moderationen und Formate mit einer strategischen Zielrichtung – durch menschliche Akteure.

Hier zeigt sich möglicherweise die eigentliche Trennlinie der Debatte: Die relevante Gegenüberstellung verläuft nicht zwischen KI und menschlichen Akteuren, sondern zwischen kontextloser Automatisierung und fundierter, verstehender Einordnung.

Für Redaktionen kann KI dann hilfreich sein, wenn sie als ergänzendes Instrument verstanden wird – zur Nachrichtenanalyse und -beobachtung, zur Unterstützung von Recherche und zur besseren Einordnung von Zusammenhängen, zur Erstellung fester Serviceelemente wie Wetter oder Verkehr. Die Verantwortung für Bewertung, Haltung und Programm bleibt dabei konsequent beim Menschen.

Hype oder Help?

Die Antwort findet sich nicht im Pitch-Deck, sondern im reflektierten Umgang mit den Ergebnissen – und im Gespräch über das, was sie nicht zeigen.

Hier eine Darstellung aktueller Entwicklungen in Radios im Kontext KI-Agenten beginnend mit Kostenblöcken:

Kostenblock	Anteil an Gesamtkosten	Einordnung
Redaktion & Programm (inkl. Personal On Air, Redaktion, Produktion)	30-40%	Größter Kostenblock; stark personalgetrieben
Vertrieb / Vermarktung / Marketing	15-25%	Verkauf von Werbezeiten, Akquise, Provisionen, Marketing
Technik & Verbreitung	15-20%	Sendetechnik, Studios, DAB+/UKW, Lizenzkosten
Verwaltung, Geschäftsführung, IT	10-15 %	Overhead
Rechte & Abgaben (GEMA/GVL etc.)	5-8%	Einnahmenabhängig

(Quellen: LfM NRW, poppe media-service, Interview mit Funkhaus Nürnberg, weitere eigene Berechnungen)

Gegenwärtig ist das Radio Business durch folgende Merkmale und Entwicklungen gekennzeichnet: Einsatz von KI-Agenten in Contenterstellung, in Verwaltung und Vertrieb. Datenanalyse & Audience Insights, Podcast-Strategien, Brand Extensions (Events, Merch, Streams), digitale Reichweitenmessung, Smart Speaker Optimierung.

1. Redaktion & Content-Produktion

a) KI wird eingesetzt für:

Themenrecherche & Ideation (Trend-, Social-, News-Scanning)
Textentwürfe für Moderationen, Nachrichten, Teaser
Automatisierte Zusammenfassungen (z. B. Verkehr, Wetter, Sport)
Transkription & Übersetzung von Interviews und Beiträgen
Metadata-Erstellung (Kapitelmarken, Schlagworte, Au indbarkeit)

Diese Anwendungen werden branchenweit als Workflow-Beschleuniger beschrieben, nicht als Ersatz von Redaktionen.

b) KI-Stimmen & synthetische Moderation sind bereits im Einsatz:

nächtliche Programme / Randstunden
Serviceelemente (Wetter, Verkehr, Programmansagen)
Experimentelle KI-Radiosender (z. B. bigFM / RadioGPT, Absolut Radio AI)

Gilt branchenweit als Kosten- und Skalierungstool, nicht als Primetime-Ersatz.

c) Musik & Programmplanung

Playlist-Optimierung (Zielgruppen, Tageszeiten, Stimmungen)
Audience-Response-Analyse
Simulation von Rotationen vor On-Air-Einsatz
Erste KI-Musikexperimente (rechtlich umstritten, stark reguliert)

Einsatz nimmt zu, rechtliche Grenzen bremsen Vollautomation.

2. Verwaltung & interne Prozesse

Weniger öffentlich sichtbar, aber wirtschaftlich sehr relevant.

a) Administrativer KI-Support

KI-Agenten übernehmen:

Dokumentenerstellung & -prüfung
Vertrags- und Angebotsentwürfe
Reisekosten, HR-Fragen, interne Auskünfte
Wissensmanagement (interne FAQs, Richtlinien)

Entspricht dem unternehmensweiten KI-Einsatz, wie ihn auch Bitkom für deutsche Unternehmen beschreibt.

b) Compliance & Regulierung

Vorprüfung von Inhalten (Werberegeln, Jugendschutz)
Transparenz-Checks (KI-Kennzeichnung)
Dokumentation für Medienanstalten

Zunehmend wichtig durch AI Act & Landesmedienaufsicht (noch überwiegend teilautomatisiert). Dokumentation für Medienanstalten.

3. Vertrieb & Vermarktung (sehr dynamisch)

Hier entsteht aktuell der größte wirtschaftliche Hebel.

a) KI im Sales

KI-Agenten werden eingesetzt für:

Wettbewerbsbeobachtung
Automatisierte Spot-Texte & Kampagnenvarianten
Pitch-Unterlagen & Angebotslogiken
Zielgruppen- & Branchenanalyse
Lead-Priorisierung & Forecasting
Optimierung von TKP-Argumentationen

Private Sender berichten explizit von Effizienz- und Margengewinnen im Vertrieb.

b) Programmatische & personalisierte Werbung

Datenbasierte Spot-Aussteuerung
Regionale & tagesaktuelle Anpassung
Personalisierte Audio-Ads (v. a. Online-Audio, Apps, Car-Interfaces)

KI wird hier als Monetarisierungs-Booster beschrieben, nicht als redaktionelles Risiko.

4. Distribution, Audience & Produktentwicklung

a) Audience Analytics

Wettbewerbsbeobachtung
Hörverhaltensanalyse
Abwanderungs- & Bindungsmodelle
Format-Tests & Szenarien
Smart-Speaker & Car-Interface-Integration

KI verändert Radio von einem „Lean-Back-Medium“ zu interaktiven, konversationalen Angeboten, d.h. content on demand (zuhause und auch im Auto). Quelle: itu.int

Es bleibt nun abzuwarten, wenn es um den pekuniären Aspekt geht, in welchem Umfang Agentic AI sowohl in der Programmgestaltung und noch eher im Vertrieb eingesetzt werden wird bei einer fortlaufenden Überprüfung der Nutzenversprechungen. Schaut man auf die Darstellungen eines baltischen Anbieters ist der ‚ROI-Return on Investment‘ dargelegt in einer ‚Monthly ROI Summary‘ schnell realisiert.

Skepsis auch was eine Übertragbarkeit auf andere Länder betrifft, ist wohl angebracht. Böse Stimmen sagen „In lokalen Märkten muss ich nur über die Straße gehen um zu erfahren, was der potentielle Kunde anbietet und wie er oder sie heißt, dafür brauche ich keine AI“. Auf der anderen Seite gibt es mit Sicherheit Spot – und Programmideen in Stationen mehrere Hundert Kilometer entfernt auf die man nicht unbedingt von selbst gekommen wäre.

Schade nur, dass bei einer Analyse von Zeitreihen „Branchen im Radio“ eine massive Reduzierung festzustellen ist. Die Top-5 bis Top-7 Branchen bündeln einen zunehmend größeren Anteil der nationalen Radiowerbeumsätze. Gleichzeitig verlieren mehrere klassische Branchen spürbar an Gewicht laut Nielsen. Was sich auf lokalen Märkten abspielt, ist nur den jeweiligen Sendern bekannt. Ein Grund mehr, sich die
geeigneten Analyseinstrumente anzuschauen. Das Gras ist woanders möglicherweise grüner.

Soundcloud-Playlists nach Branche

Helmut Poppe gehört zu den Privatradiopionieren in Deutschland und hat früh den Blick über den Tellerrand gewagt. Er war in der RTL-Gruppe (seinerzeit IPA) und bei Studio Gong für Vertrieb und Marketing leitend für den Vertrieb des Werbeinventars verantwortlich und kennt auch das Lokalgeschäft durch seine Vertriebstätigkeit u.a. bei Radio RPR.

Mit seinem Mediaforschungs- und Marketinghintergrund berät er Agenturen, Start-Ups und Audioanbieter in Fragen der Strategie und Markenbekanntheit sowohl in Deutschland und benachbarten Ausland, insbesondere in Frankreich. Als Experte für Radiomarketing und Medienstrategie setzt er sich intensiv mit der Rolle der künstlichen Intelligenz in der Medienbranche auseinander.

Fun Fact zum Schluss:

Eine Minute weniger warm duschen spart etwa so viel Energie wie mehrere Hundert KI-Anfragen – jeden Tag. Neuere KI-Modelle liegen teils deutlich darunter. Beim Wasserverbrauch ist es ähnlich.

Quelle: University of California, Riverside, FAS, Zeit, Guardian, WaPo