Künstliche Intelligenz revolutioniert den Datenjournalismus mit der Umwandlung von CSV-Dateien in überprüfbare Artikel

Revolution in der Datenaufbereitung: Wie KI CSV-Dateien in verifizierbare Nachrichtenartikel verwandelt

Die Transformation von Rohdaten in verständliche und vertrauenswürdige Geschichten ist eine Kernaufgabe des Datenjournalismus. Dieser Prozess ist traditionell zeitaufwendig und ressourcenintensiv. Eine aktuelle Entwicklung im Bereich der Künstlichen Intelligenz verspricht nun, diese Abläufe maßgeblich zu beschleunigen und gleichzeitig die Verifizierbarkeit der Inhalte zu erhöhen. Forscher der Universitäten Oxford und Stanford haben ein System namens "Data Journalist Agent" (Data2Story) vorgestellt, das in der Lage ist, aus einer einfachen CSV-Datei einen vollständigen, interaktiven und überprüfbaren Online-Artikel zu generieren.

Die Architektur hinter Data2Story: Ein virtueller Newsroom

Data2Story basiert auf einem Multi-Agenten-Framework, das den Workflow einer traditionellen Nachrichtenredaktion nachbildet. Sieben spezialisierte KI-Agenten arbeiten dabei zusammen, um eine kohärente und datengestützte Geschichte zu erstellen. Diese "virtuellen Newsroom"-Agenten übernehmen unterschiedliche Rollen:

• Detective: Dieser Agent führt Webrecherchen durch, um Kontextinformationen zu den bereitgestellten Daten zu sammeln. Beispielsweise verknüpft er im Falle von FIFA World Cup-Daten die Austragungsorte mit Klimadaten und Risikobewertungen.
• Analyst: Der Analyst ist für die Datenanalyse zuständig. Statt Zahlen zu schätzen, führt er Code aus, um statistische Erkenntnisse aus den Rohdaten zu gewinnen.
• Editor: Der Editor wählt die wichtigsten Erkenntnisse aus, die die narrative Struktur des Artikels bilden sollen.
• Designer: Dieser Agent entscheidet über die optimale multimediale Darstellung der Informationen, beispielsweise die Verwendung einer Karte für geografische Daten oder eines Audioclips für musikalische Themen.
• Programmer: Der Programmer ist für die Erstellung der HTML-Seite verantwortlich und setzt die visuellen und interaktiven Elemente um.
• Auditor: Der Auditor überprüft das Layout und die technische Umsetzung auf Fehler.
• Inspector: Eine Schlüsselrolle nimmt der Inspector ein. Er verknüpft jede Aussage, jedes Diagramm und jedes interaktive Element des Artikels mit seiner ursprünglichen Quelle – sei es eine spezifische Codezeile, die zugrunde liegende Datendatei oder eine externe URL.

Das zugrunde liegende Modell ist Claude Opus 4.7, das auf Claude Code läuft. Für multimediale Inhalte wie Bilder, Videos und Audio greift das System auf Modelle wie gpt-5.4-image-2, seedance-2.0 und lyria-3-pro-preview von OpenRouter zurück.

Verifizierbarkeit als Kernmerkmal: Der "Inspector"

Ein Alleinstellungsmerkmal von Data2Story ist der sogenannte "Inspector". Dieses Panel ermöglicht es den Lesern, die Herkunft jeder einzelnen Aussage im Artikel nachzuvollziehen. Jede kommentierte Aussage, jedes Diagramm und jedes interaktive Element ist mit einer "Indexkarte" versehen, die entweder die exakte Codezeile (samt der dahinter liegenden Datendatei) oder die externe URL anzeigt, die die Behauptung untermauert.

Diese Transparenz ermöglicht es, 93 Prozent aller sichtbaren Aussagen auf ihre Quelle zurückzuführen. Die Forscher betonen, dass dies nicht automatisch die Korrektheit der Aussage garantiert, aber ihre Verifizierbarkeit sicherstellt. Im Vergleich dazu liegt die Verifizierbarkeit bei menschlich verfassten Artikeln oft bei etwa 25 Prozent, da Analyse-Code selten veröffentlicht wird. Dieser Unterschied hebt die Stärke des Systems in Bezug auf Datentransparenz hervor.

Leserpräferenzen: KI-generierte Artikel im Vorteil?

Um die Qualität der generierten Artikel zu bewerten, führten die Forscher eine Studie mit 53 Lesern durch. Sie verglichen 18 öffentliche Datensätze mit entsprechenden, von Menschen verfassten Originalartikeln aus Quellen wie The Economist, The Pudding und TidyTuesday. Die Leser bewerteten beide Versionen in fünf Kategorien:

• Visuelles Design
• Narrativer Rhythmus
• Datentransparenz
• Verifizierbarkeit der Aussagen
• Gewonnene Erkenntnisse

Data2Story gewann in allen fünf Kategorien. Der größte Vorsprung zeigte sich bei der Transparenz mit einem Wert von +1,49 auf einer siebenskaligen Skala. Insgesamt bevorzugten 74 Prozent der Teilnehmer den KI-generierten Artikel, 25 Prozent die menschliche Version und 2 Prozent bewerteten sie als gleichwertig.

Detailanalysen zeigten jedoch Nuancen: Bei datenlastigen Briefings von The Economist und TidyTuesday-Artikeln war der Vorsprung der KI deutlich. Gegenüber den aufwendig gestalteten Long Reads von The Pudding, deren Erstellung oft Wochen in Anspruch nimmt, war das Ergebnis statistisch unentschieden. Die KI konnte die handwerkliche Präsentation in diesen Fällen nicht übertreffen.

In Bezug auf den Inhalt deckt der KI-Agent etwa die Hälfte der menschlichen Perspektive ab. Umgekehrt finden sich nur 35 Prozent der Aussagen des Agenten im menschlichen Text wieder. Dies deutet darauf hin, dass die KI zwar viele eigene Perspektiven hinzufügt, aber den redaktionellen Kern menschlicher Beiträge nicht vollständig erfasst.

Grenzen der KI: Wo menschliche Expertise weiterhin entscheidend ist

Die Forscher identifizieren drei Bereiche, in denen menschliche Autoren nach wie vor überlegen sind:

• Redaktionelle Perspektive: Menschliche Reporter können Hintergründe und Ursachen erklären, die aus den reinen Daten nicht ersichtlich sind. Ein Bericht über Repair Cafés könnte beispielsweise niedrige Reparaturquoten auf Hersteller zurückführen, die den Zugang zu Diagnosetools blockieren. Dies ist eine auf Recherche basierende Theorie, die über die reine Datenanalyse hinausgeht.
• Kreatives Design: Ein Beispiel von The Pudding, das ein komplettes Transkript einer Stand-up-Comedy-Show als interaktive Benutzeroberfläche nutzt, um Lacher zu visualisieren, übertrifft die Fähigkeit der KI, die lediglich ein statisches YouTube-Thumbnail einbetten würde.
• Dichte Einzelgrafiken: Eine Economist-Visualisierung zum Wettlauf ins All, die Regierungs- und kommerzielle Anbieter, Erfolgsquoten und Anmerkungen in einer einzigen komplexen Grafik schichtet, kann von der KI nicht in gleicher Weise reproduziert werden. Die KI verteilt die Daten über mehrere Diagramme, wodurch der zentrale Punkt verloren gehen kann.

Data2Story als Kollaborationswerkzeug

Die Entwickler positionieren Data2Story nicht als Ersatz, sondern als Werkzeug für Nachrichtenredaktionen. Es soll menschliche Fähigkeiten durch die Automatisierung von Berechnungen, Grafikerstellung und maschinell überprüfbarer Quellenangabe ergänzen. Das System könnte besonders nützlich für Themen sein, die Nachrichtenredaktionen mangels Kapazitäten nicht abdecken können, oder für Nischendatensätze, die sonst nie zu einer lesbaren Geschichte würden.

Eine aktuelle Einschränkung ist, dass Data2Story derzeit vollautomatisch arbeitet. Eine Version, die eine menschliche Beteiligung (Human-in-the-Loop) ermöglicht, ist für zukünftige Entwicklungen vorgesehen. Die Technologie ist bereits auf data2story.github.io verfügbar und der Code auf GitHub einsehbar.

Die maschinelle Verifizierbarkeit ist ein Bereich, in dem aktuelle KI-Systeme oft noch Schwierigkeiten haben. Eine Studie der Peking-Universität zeigte, dass führende Modelle bei der Dokumentenanalyse zwar oft die richtigen Antworten liefern, aber falsche Quellen zitieren – ein Problem, das als "Attributionshalluzination" bezeichnet wird. Data2Story versucht, diese Lücke zu schließen, indem der Analyst Zahlen mit ausführbarem Code berechnet und der Inspector jede Aussage mit ihrer Quelle verknüpft. Ansätze wie "Search as Code" von Perplexity verfolgen ähnliche Ziele, indem sie KI-Modellen ermöglichen, eigene Suchpipelines zu schreiben, anstatt auf fest definierte APIs zurückzugreifen.

Bibliografie

• Kemper, J. (2026, 20. Juni). Data2Story turns a CSV file into a verified interactive news article using seven AI agents. The Decoder. Abgerufen von https://the-decoder.com/data2story-turns-a-csv-file-into-a-verified-interactive-news-article-using-seven-ai-agents/
• Lin, K. Q., El, B., Shi, Y., Lu, P., Torr, P., & Zou, J. (2026). Data Journalist Agent: Transforming Data into Verifiable Multimodal Stories. arXiv. Abgerufen von https://arxiv.org/html/2606.11176
• Lin, K. Q. (2026, 16. Juni). AI Generates Trustworthy News with Verifiable Data Sources. LinkedIn. Abgerufen von https://www.linkedin.com/posts/kevinqhlin_ai-datajournalism-agent-activity-7472697688598323200-t31e
• Petersen, B. (2026, 20. Juni). Data2Story converts CSVs to articles with 7 AI; 53… AI Daily Post. Abgerufen von https://aidailypost.com/news/data2story-converts-csvs-articles-7-ai-53-readers-prefer-them-human
• QinghongLin. (2026, 23. Mai). QinghongLin/data2story-skill. GitHub. Abgerufen von https://github.com/QinghongLin/data2story-skill