Fachverlage sitzen auf dem wertvollsten AI-Asset – und verschenken es

Die These

LLMs sind brillant im Allgemeinen und mittelmäßig im Speziellen. Sie wissen, wer Goethe war, aber nicht, welche DIN-Norm letzten Monat geändert wurde, welche Steuerrechtsprechung gestern erging, welche Pharmakokinetik bei Patienten mit Niereninsuffizienz tatsächlich gilt.

Diesen Gap füllen seit Jahrzehnten Fachverlage: Beck, Haufe, Wolters Kluwer, Springer, Thieme, Elsevier, VDI, DWA. Sie kuratieren, validieren, versionieren – und verkaufen das Ergebnis als PDF, Loseblatt oder Datenbank-Login.

Genau dieses Asset – verifiziertes, redaktionell gepflegtes Domänenwissen – ist im AI-Zeitalter wertvoller als je zuvor. Und die meisten Verlage verschenken es gerade, indem sie an ihrem alten Distributionsmodell festhalten.

Warum LLMs Fachverlage brauchen

Ein Foundation-Model löst drei Probleme nicht, egal wie groß es wird:

1. Aktualität. Trainingsdaten sind nach Cut-off-Datum eingefroren. Eine BGH-Entscheidung von gestern existiert für das Modell nicht.
2. Verifizierbarkeit. Ein LLM kann nicht erklären, woher es etwas weiß. Im regulierten B2B (Recht, Medizin, Steuern, Engineering) ist das ein Show-Stopper.
3. Tiefe. Allgemeine Trainingsdaten enthalten Lehrbuchwissen. Sie enthalten nicht den Kommentar zu §613a BGB in der 19. Auflage mit den letzten 47 Urteilen seit Drucklegung.

Genau hier sitzen Fachverlage auf einem Goldschatz: kuratiertes, versioniertes, zitierbares, ständig aktualisiertes Domänenwissen. Das ist exakt das, was ein produktiver AI-Workflow im B2B braucht – und was kein noch so großes Foundation-Model selbst halten kann.

Context Engineering – die Disziplin, die das löst

Context Engineering ist die Disziplin, dem Modell zur richtigen Zeit das richtige Wissen in den Kontext zu legen. Nicht alles auf einmal (Token-Budget), nicht zu wenig (Halluzination), sondern genau das, was für die aktuelle Aufgabe relevant ist.

In der Praxis heißt das:

User-Anfrage
   ↓ Intent erkennen
Relevanz-Routing
   ↓ welche Quellen, welche Zeitscheibe, welche Jurisdiktion?
Retrieval (Vektor / GraphRAG / strukturierte Query)
   ↓ Top-k Snippets mit Zitierungen
LLM-Call mit kuratiertem Kontext
   ↓
Antwort mit Quellenangabe

Das funktioniert nur, wenn die Quelle maschinell zugreifbar ist – strukturiert, granular, mit stabilen IDs und Versionsständen. Genau das ist der Übergabepunkt, an dem Verlage heute scheitern: Ein PDF im Login-Portal ist für einen Agent nicht erreichbar.

MCP – der Verteilkanal, der fehlt

Das Model Context Protocol (MCP) ist die Standard-Schnittstelle, über die LLM-Agents externe Datenquellen ansprechen. Statt jeder Verlag baue eine eigene API mit eigenem SDK, gibt es ein einheitliches Protokoll – und der Agent (in Claude, ChatGPT, Cursor, Lovable, in jedem eigenen B2B-Tool) verbindet sich per Klick.

Für einen Fachverlag bedeutet das konkret:

• Ein MCP-Server pro Produktlinie (z. B. „Beck Steuerrecht", „Thieme Innere Medizin", „DWA Regelwerke").
• Authentifizierung via bestehendes Abo – kein neues Abrechnungsmodell nötig, der Lizenz-Login wandert in den OAuth-Flow.
• Granulare Tools statt Dokument-Dumps: search_judgments(topic, jurisdiction, date_range), get_commentary(paragraph, edition), cite(document_id).
• Strukturierte Outputs mit stabilen Zitier-IDs, Versionsständen, Confidence-Levels.

Der Agent in der Anwaltskanzlei zieht sich beim Schreiben des Schriftsatzes selbständig den passenden Kommentar – mit Zitat, das vor Gericht hält. Der Arzt-Workflow im Krankenhaus fragt die aktuelle Leitlinie an, bevor er den Behandlungsplan vorschlägt. Der Ingenieur-Agent prüft die DIN-Konformität in Echtzeit.

Vom PDF-Verkauf zum AI-Feed

Das alte Modell ist: Dokument hinter Paywall, Mensch loggt ein, liest.

Das neue Modell ist: Wissens-Atom hinter MCP-Endpoint, Agent ruft ab, zitiert, verrechnet pro Query.

Drei Implikationen für das Geschäftsmodell:

1. Pricing wird usage-based. Statt Jahres-Lizenz pro Sitzplatz: Cent-Bruchteile pro abgerufenem Wissens-Atom. Das skaliert mit dem AI-Workflow des Kunden, nicht mit der Anzahl seiner Mitarbeiter.
2. Der Brand bleibt zitiert. Jede Antwort, die der Agent gibt, trägt die Quellenangabe. „Quelle: Münchener Kommentar, 9. Aufl., §613a Rn. 47" ist Brand-Building in jedem einzelnen LLM-Output – etwas, das ein generisches Foundation-Model nie liefern kann.
3. Die Konkurrenz heißt nicht mehr Verlag X, sondern „das Modell weiß es eh". Genau deshalb ist Geschwindigkeit jetzt entscheidend. Wer in 12 Monaten keinen MCP-Endpoint hat, wird in den Workflows der Kunden nicht mehr vorkommen – nicht weil das Wissen schlechter wäre, sondern weil es nicht abrufbar ist.

Was Verlage jetzt konkret bauen müssen

Drei Bausteine, in dieser Reihenfolge:

1. Content-API mit stabilen IDs. Bevor MCP funktioniert, muss der Content adressierbar sein. Jeder Absatz, jeder Paragraph, jede Tabelle braucht eine Permanent-ID, eine Versionsnummer, ein Änderungsdatum. Viele Verlage haben das im Backend längst – es ist nur nie nach außen exponiert worden.

2. Retrieval-Layer. Vektor-Embeddings über den gesamten Bestand, optional ein Knowledge Graph für strukturierte Beziehungen (Kommentar → Paragraph → Urteil → Folge-Urteil). Das ist der Layer, der „semantische Suche" möglich macht – die Grundlage jedes Agent-Workflows.

3. MCP-Server. Dünner Wrapper über Auth + Retrieval + Tool-Definitionen. Technisch in Wochen baubar, wenn die ersten zwei Schritte stehen. Das ist der Teil, der nach außen sichtbar wird – und auf den sich die Aufmerksamkeit fokussieren wird.

Der Business-Hook

Fachverlage haben in zwei Jahren die Chance, vom „Distributor von Wissensdokumenten" zum „Wissens-Infrastruktur-Anbieter für AI-Workflows" zu werden. Wer das nicht tut, wird disintermediated – nicht weil sein Content schlechter wäre, sondern weil er für die neue Generation von Workflows schlicht nicht existiert.

Genau dieses Modell – Content-Audit, ID-Strategie, Retrieval-Layer, MCP-Server, Abrechnungs- und Lizenz-Integration – ist das, was wir bei Till Freitag für Verlage und wissensgetriebene B2B-Unternehmen bauen. Wer auf einem kuratierten Wissensbestand sitzt und ihn AI-tauglich machen will, sollte das jetzt tun, nicht in 18 Monaten.

Das wertvollste Asset eures Hauses liegt aktuell hinter einer Paywall, die kein Agent öffnen kann. Macht die Tür auf – und stellt einen Token-Zähler daneben.