Creator Intelligence im DACH-Markt

Executive Summary

Influencer-Marketing ist wirksam, aber nicht automatisch. Die Forschung zeigt ein konsistentes Muster: Creator können Engagement, Markenwahrnehmung und Kaufabsicht positiv beeinflussen; die Wirkung hängt jedoch wesentlich von Glaubwürdigkeit, Botschaft, Zielgruppe, Produkt, Plattform und insbesondere vom Fit zwischen Creator und Marke ab (Pan et al., 2025; Barari et al., 2026). Eine hohe Followerzahl ist deshalb keine ausreichende Entscheidungsgrundlage. Sie beschreibt Reichweite, nicht Passung, Kontext oder Risiko.

In der operativen Praxis wird Creator-Auswahl dennoch häufig auf Profilkennzahlen reduziert: Follower, durchschnittliche Engagement-Rate, wenige sichtbare Posts und die Erfahrung des auswählenden Teams. Dieses Verfahren ist schnell, komprimiert aber genau jene Informationen, die für eine belastbare Entscheidung entscheidend sind. Ein Profil-Durchschnitt zeigt nicht, welche Themen tatsächlich dominieren, wie eine Marke erwähnt wird, ob Aussagen im Audio von der Caption abweichen, ob einzelne Posts ein Reputationsrisiko erzeugen oder ob die Passung zu einem konkreten Briefing nur oberflächlich besteht.

VIBEFISH schlägt deshalb einen anderen Analysegegenstand vor: nicht den Creator als ungeteiltes Profil, sondern den einzelnen Post als Evidenzeinheit. Captions, sichtbare Inhalte, gesprochene Sprache, Markenbezüge, Tonalität, Werbekennzeichnung, Kommentare und Performance-Signale werden zunächst postweise strukturiert. Erst danach entstehen aggregierte Creator-Profile, Risikoindikatoren und briefingbezogene Match-Scores.

Das Whitepaper entwickelt dafür das VIBEFISH Per-Post Creator Intelligence Framework mit drei Ebenen:

1. Evidence Layer: nachvollziehbare Signale auf Post-Ebene.
2. Profile Layer: gewichtete Aggregation zu Themen, Tonalität, Brand Safety und Brand Suitability.
3. Decision Layer: Bewertung gegen ein konkretes Kampagnen-Briefing, einschließlich Begründung, Ausschlusskriterien und Unsicherheit.

Der zentrale Unterschied lautet:

Erst Evidenz, dann Aggregation, dann Entscheidung.

Diese Reihenfolge ist nicht nur analytisch sauberer. Sie schafft zugleich eine prüfbare Belegkette: Jede wesentliche Aussage über einen Creator muss auf konkrete Posts, Transkripte oder sichtbare Signale zurückgeführt werden können. Das ist für Agenturen, Marken und Creator gleichermaßen relevant, weil KI-gestützte Bewertung damit nicht als Black Box, sondern als dokumentierte Entscheidungsunterstützung eingesetzt wird.

VIBEFISH ist für den DACH-Markt konzipiert: deutsche Sprache und kultureller Kontext, regionale Marken und Nischen, DE/AT/CH-spezifische Briefings sowie europäische Infrastruktur. Gleichzeitig gilt: Öffentlich zugängliche Social-Media-Inhalte liegen nicht außerhalb des Datenschutzrechts. Der Europäische Datenschutzausschuss stellt klar, dass die DSGVO auf Web Scraping anwendbar ist, sobald personenbezogene Daten erhoben, gespeichert, strukturiert oder anderweitig verarbeitet werden. Eine verantwortbare Plattform benötigt deshalb eine konkrete Rechtsgrundlage, Zweckbindung, Datenminimierung, Transparenz, Lösch- und Widerspruchsprozesse sowie eine fallbezogene rechtliche Prüfung (EDPB, 2024; EDPB, 2026).

Das Ergebnis ist kein autonomes Buchungssystem. Es ist ein Evidence System für Creator-Entscheidungen: schneller als rein manuelle Recherche, breiter als die Betrachtung weniger Posts und nachvollziehbarer als ein nicht erklärter Gesamtscore.

1. Ausgangslage: Creator-Auswahl ist kein Reichweitenproblem

1.1 Influencer-Marketing wirkt – aber unter Bedingungen

Die Frage, ob Influencer-Marketing grundsätzlich wirken kann, ist wissenschaftlich weitgehend beantwortet. Zwei aktuelle Meta-Analysen bündeln eine große Zahl experimenteller Studien und zeigen positive Effekte auf relevante Marketinggrößen. Barari, Eisend und Jain analysieren 135 experimentelle Studien und kommen zu dem Ergebnis, dass Social-Media-Influencer Glaubwürdigkeit, Werbe- und Markeneinstellung, Engagement und Kaufabsicht positiv beeinflussen können. Gegenüber markeneigenen Social Posts und keiner Empfehlung sind Influencer in den untersuchten Daten bei Engagement und Kaufabsicht wirksamer. Die Wirkung wird vor allem über Glaubwürdigkeit und Attraktivität vermittelt (Barari et al., 2026).

Pan und Kollegen zeigen zugleich, weshalb einfache Rankings problematisch sind. Influencer-Brand-Fit, Selbstoffenbarung, Kommunikationsweise, Informationswert und Interaktion wirken je nach Zielgröße unterschiedlich. In ihrer Meta-Analyse ist der Fit zwischen Influencer und Marke besonders relevant für Einstellung und Kaufabsicht, während andere Faktoren stärker auf Engagement wirken (Pan et al., 2025).

Damit ist eine wichtige Managementfolgerung verbunden:

Es gibt nicht den allgemein besten Creator. Es gibt nur einen mehr oder weniger geeigneten Creator für eine konkrete Marke, Zielgruppe, Botschaft und Risikotoleranz.

Eine universelle Rangliste kann Reichweite oder durchschnittliches Engagement sortieren. Sie kann jedoch nicht ohne zusätzliches Briefing beantworten, ob ein Creator für eine bestimmte Kampagne geeignet ist.

1.2 Followerzahl und Engagement sind Signale, keine Entscheidung

Followerzahl, Views und Engagement-Rate bleiben relevant. Sie beschreiben potenzielle Reichweite und beobachtete Reaktionen. Sie beantworten jedoch nicht automatisch:

• ob die Reaktionen positiv, negativ, ironisch oder konfliktgetrieben sind,
• ob das Publikum zum Kampagnenziel passt,
• ob der Creator bereits häufig mit Wettbewerbern verbunden ist,
• ob ein einzelner Post ein erhebliches Reputationsrisiko erzeugt,
• ob der Creator über ein Thema tatsächlich substanziell spricht oder es nur gelegentlich erwähnt,
• ob die sichtbare Performance durch wenige Ausreißer verzerrt wird,
• ob die Art der Empfehlung glaubwürdig zur bisherigen Content-Historie passt.

Auch die Forschung spricht gegen eine lineare Logik „größer ist besser“. Barari et al. finden, dass kleinere und mittelgroße Influencer in den ausgewerteten Studien stärker beim Engagement sein können, während größere Influencer eher Kaufabsicht beeinflussen. Die optimale Größe hängt damit vom gewünschten Outcome und weiteren Kontextfaktoren ab (Barari et al., 2026).

1.3 Die operative Entscheidung benötigt mehr als ein Profil

Eine Kampagnenentscheidung ist eine Mehrkriterienentscheidung. Mindestens fünf Fragen müssen beantwortet werden:

1. Relevance: Spricht der Creator in ausreichender Tiefe und Häufigkeit über das relevante Themenfeld?
2. Credibility: Wirkt die geplante Botschaft im Kontext des bisherigen Contents glaubwürdig?
3. Safety: Gibt es Inhalte, die eine allgemein nicht akzeptable Risikoschwelle überschreiten?
4. Suitability: Passt der Creator zu den spezifischen Werten, Zielgruppen und Toleranzen dieser Marke?
5. Execution: Ist die erwartete Reichweite, Community-Reaktion und Content-Form für die Kampagne geeignet?

Die ersten vier Fragen sind inhaltlich. Ein rein metrisches Profil kann sie nicht zuverlässig beantworten.

2. Die strukturellen Lücken klassischer Creator-Datenbanken

2.1 Aggregation verdeckt Verteilungen und Ausreißer

Ein Profilwert ist eine Verdichtung. Verdichtung ist nützlich, aber sie entfernt Information. Ein durchschnittlicher Safety-Score kann beispielsweise aus zwei sehr unterschiedlichen Verläufen entstehen:

• Creator A publiziert 40 unauffällige Posts.
• Creator B publiziert 39 unauffällige Posts und einen hochkritischen Post.

Der Durchschnitt kann ähnlich aussehen, die Entscheidungslage ist es nicht. Für Markenrisiken ist häufig nicht der Mittelwert entscheidend, sondern das Vorkommen, die Schwere, Aktualität und Wiederholung einzelner Ereignisse.

Dasselbe gilt für Themenprofile. Ein Creator kann in seiner Bio „Fitness, Food und Lifestyle“ nennen. Eine postweise Analyse kann jedoch zeigen, dass 70 Prozent der jüngsten Inhalte aus Comedy bestehen, Fitness nur randständig vorkommt und Food überwiegend in bezahlten Kooperationen erscheint. Die Selbstbeschreibung ist dann kein hinreichender Beleg für tatsächliche thematische Autorität.

2.2 Short-Form-Video ist multimodal

Bei Reels, TikToks und anderen Kurzvideos liegt Bedeutung nicht ausschließlich in der Caption. Sie kann verteilt sein auf:

• gesprochenes Audio,
• eingeblendeten Text,
• sichtbare Produkte und Logos,
• Handlungen und Bildkontext,
• Caption und Hashtags,
• Kommentare und Reaktionen.

Eine reine Caption-Analyse ist deshalb strukturell unvollständig. Sie kann den Text unter dem Post lesen, aber nicht zwingend die eigentliche Aussage des Videos. Automatische Spracherkennung schafft hierfür eine zusätzliche Evidenzquelle. Whisper wurde auf 680.000 Stunden mehrsprachiger und multitaskbasierter Audiodaten trainiert und ist als robuste Grundlage für Speech-to-Text entwickelt worden (Radford et al., 2022). Dennoch bleiben Fehler möglich, insbesondere bei Dialekten, Musik, Eigennamen, schlechter Audioqualität oder überlappender Sprache. Transkripte sollten deshalb als maschinell erzeugte Belege mit Konfidenz und Originalverweis behandelt werden, nicht als unfehlbare Primärquelle.

2.3 Kontextlose Brand-Safety-Logik ist zu grob

Im digitalen Advertising wird zwischen Brand Safety und Brand Suitability unterschieden. Brand Safety bezeichnet eine allgemeine Mindestgrenze für Inhalte, die für Werbung grundsätzlich ungeeignet oder schädlich sind. Brand Suitability bezieht sich auf markenspezifische Parameter und Risikotoleranzen. Was für eine Marke akzeptabel ist, kann für eine andere ungeeignet sein (IAB, 2020).

Diese Unterscheidung ist für Creator-Auswahl besonders wichtig. Ein Creator kann allgemein als niedriges Risiko gelten und dennoch nicht zu einer spezifischen Marke passen. Beispiele:

• Ein provokanter Comedy-Stil kann für eine Entertainment-Marke funktionieren, für eine Kinder- oder Gesundheitsmarke aber ungeeignet sein.
• Politische Inhalte können zulässig und seriös sein, für eine bewusst neutrale Consumer-Kampagne aber außerhalb der Suitability liegen.
• Häufige Konkurrenzmarken können kein Safety-Risiko darstellen, aber einen klaren Brand-Fit-Konflikt erzeugen.

Ein einziger Gesamtscore ohne Trennung von Safety und Suitability vermischt deshalb unterschiedliche Entscheidungslogiken.

2.4 Briefings sind semantisch, nicht nur kategorisch

Klassische Filter arbeiten mit festen Kategorien: Beauty, Fitness, Travel, Food, Gaming. Reale Briefings enthalten jedoch semantische Bedingungen:

• „urban, aber nicht elitär“
• „glaubwürdige Nutzung im Alltag, keine klassische Produktdemo“
• „familiennah, ohne Parenting als Hauptthema“
• „B2B-Entscheider, aber kein Corporate-Influencer-Stil“
• „hohe visuelle Qualität, dennoch nicht zu werblich“

Solche Anforderungen lassen sich nicht vollständig in eine einzelne Nische übersetzen. Sie benötigen eine Kombination aus Themenhistorie, Tonalität, Format, Zielgruppensignalen, Markenbezügen und Ausschlusskriterien.

2.5 DACH ist mehr als eine Sprachvariable

Eine DACH-first-Analyse muss mehrere Ebenen abbilden:

• Hochdeutsch, österreichische und schweizerische Varianten,
• Dialekte und Code-Switching,
• regional bekannte Marken und Händler,
• lokale Werbe- und Kennzeichnungspraxis,
• spezifische Musik-, Humor- und Lifestyle-Nischen,
• länderspezifische Sensibilitäten und Zielgruppenbegriffe.

Die Qualität hängt deshalb nicht nur vom Basismodell ab, sondern von Taxonomie, Prompting, Referenzdaten, Evaluationsfällen und menschlicher Prüfung im jeweiligen Markt.

3. Was die Forschung für Creator-Auswahl tatsächlich nahelegt

3.1 Glaubwürdigkeit ist ein zentraler Wirkmechanismus

Die Meta-Analyse von Barari et al. zeigt, dass Influencer-Wirkung nicht nur direkt über Sichtbarkeit entsteht. Glaubwürdigkeit und Attraktivität vermitteln wesentliche Teile der Wirkung auf Markeneinstellung, Engagement und Kaufabsicht. Dabei ist Glaubwürdigkeit besonders relevant für Kaufabsicht, während Attraktivität stärker mit Engagement verbunden ist (Barari et al., 2026).

Für Creator Intelligence bedeutet das: Ein Ranking nach Reichweite oder Engagement bildet den zentralen Wirkmechanismus nur indirekt ab. Glaubwürdigkeit muss aus beobachtbaren Kontextsignalen erschlossen werden, etwa aus:

• thematischer Konsistenz,
• Art und Häufigkeit von Empfehlungen,
• Transparenz bei Kooperationen,
• Verhältnis von organischem zu werblichem Content,
• sprachlicher Sicherheit und Expertise,
• Community-Reaktion auf Empfehlungen,
• Passung zwischen früherem Content und neuer Markenbotschaft.

3.2 Fit ist mehrdimensional

Che et al. unterscheiden funktionalen Fit und Image-Fit. Beide beeinflussen die Markenhaltung positiv; in den drei Studien war der funktionale Fit stärker. Funktionaler Fit beschreibt, ob Creator-Kompetenz und Content logisch zur Produktfunktion passen. Image-Fit beschreibt, ob Stil und Markenbild zusammenpassen (Che et al., 2025).

Diese Unterscheidung sollte in einem Matching-System sichtbar bleiben. Ein Creator kann visuell hervorragend zu einer Marke passen, aber keine glaubwürdige Produktkompetenz besitzen. Umgekehrt kann ein Fachexperte funktional passen, aber nicht die gewünschte Bildsprache oder Tonalität liefern.

Das VIBEFISH-Framework trennt deshalb mindestens:

• Topic Fit: inhaltliche Nähe zum Thema,
• Functional Fit: glaubwürdige Verbindung zur Nutzung oder Produktfunktion,
• Image Fit: Übereinstimmung von Stil, Tonalität und Markenbild,
• Audience Fit: Passung der beobachtbaren Community-Signale,
• Risk Fit: Vereinbarkeit mit der markenspezifischen Risikotoleranz.

3.3 Authentizität ist ein Verlauf, kein Etikett

Zniva, Weitzl und Lindmoser zeigen experimentell, dass insbesondere Einzigartigkeit und Konsistenz die wahrgenommene Authentizität von Influencern erhöhen (Zniva et al., 2023). Daraus folgt, dass Authentizität nicht zuverlässig aus einem einzelnen Post oder einer Profilbeschreibung abgeleitet werden kann. Sie ist ein Muster über Zeit.

Eine postweise Historie kann beispielsweise zeigen:

• ob Empfehlungen zum bisherigen Verhalten passen,
• ob Meinungen abrupt wechseln,
• ob Marken nur in bezahlten Kontexten erscheinen,
• ob Tonalität und Werte stabil sind,
• ob die Community einen Bruch als unglaubwürdig wahrnimmt.

3.4 Werbekennzeichnung ist ein eigener Analysegegenstand

Die deutschen Medienanstalten weisen darauf hin, dass kommerzielle Inhalte in Social-Media-Angeboten transparent gemacht werden müssen. Grundlage sind unter anderem Medienstaatsvertrag und Digitale-Dienste-Gesetz; der Leitfaden von Mai 2025 erläutert die Kennzeichnung für Plattformen wie Instagram, TikTok und YouTube (Die Medienanstalten, 2025).

Ein Creator-Intelligence-System sollte deshalb nicht pauschal behaupten, „versteckte Sponsorings“ sicher zu erkennen. Es kann Sponsoring-Signale erfassen, etwa wiederholte Markenintegration, Rabattcodes, Affiliate-Hinweise, ungewöhnlich werbliche Sprache oder fehlende Kennzeichnung trotz typischer Kooperationsmerkmale. Die rechtliche Einordnung bleibt jedoch kontextabhängig und darf nicht allein aus einem Modellscore folgen.

4. Definition: Was ist Creator Intelligence?

4.1 Arbeitsdefinition

Creator Intelligence ist die systematische, evidenzbasierte Analyse von Creator-Inhalten, Kontext, Community-Reaktionen und Kampagnenpassung, um Auswahl-, Vetting- und Portfolioentscheidungen nachvollziehbar zu unterstützen.

Creator Intelligence unterscheidet sich von einer Influencer-Datenbank durch vier Merkmale:

1. Sie bewertet Inhalte, nicht nur Reichweitenmetriken.
2. Sie bildet zeitliche Verläufe und Ausreißer ab.
3. Sie trennt allgemeine Risiken von markenspezifischer Suitability.
4. Sie begründet Entscheidungen gegen ein konkretes Briefing.

4.2 Definition: Per-Post Creator Intelligence

Per-Post Creator Intelligence analysiert jeden erfassten Post als eigenständige Evidenzeinheit und aggregiert erst anschließend zu Creator-Profilen und Entscheidungsscores.

Das Prinzip kann als Reihenfolge formuliert werden:

Post → Evidenz → Profil → Briefing-Match → menschliche Entscheidung

Diese Reihenfolge verhindert, dass ein Profilscore ohne zugängliche Begründung zum primären Entscheidungsobjekt wird.

4.3 Der VIBEFISH-Grundsatz

Kein Score ohne Dimension. Keine Dimension ohne Beleg. Kein Match ohne Briefing.

Dieser Grundsatz ist zugleich ein Qualitätskriterium für die Plattform:

• Ein Safety-Score muss in Risikokategorien zerlegbar sein.
• Eine Themenzuordnung muss auf Posts zurückführbar sein.
• Ein Match-Score muss die Briefing-Kriterien nennen.
• Unsichere oder widersprüchliche Signale müssen sichtbar bleiben.

5. Das VIBEFISH Per-Post Creator Intelligence Framework

5.1 Drei Ebenen der Entscheidung

Ebene 1: Evidence Layer

Der Evidence Layer enthält die beobachtbaren oder maschinell extrahierten Signale pro Post. Dazu gehören:

Wichtig ist die Trennung zwischen beobachteter Evidenz und modellbasierter Interpretation. Ein eingeblendetes Logo ist beobachtbare Evidenz. Die Aussage „wahrscheinliche Kooperation“ ist eine Interpretation und muss als solche gekennzeichnet werden.

Ebene 2: Profile Layer

Der Profile Layer aggregiert die Post-Evidenz zu einem zeitbezogenen Creator-Profil:

• Themenverteilung statt bloßer Nischenbezeichnung,
• Marken- und Wettbewerberhistorie,
• Tonalitätsprofil,
• Werbe- und Empfehlungshäufigkeit,
• Safety-Risikomatrix,
• Suitability-Merkmale,
• Format- und Performance-Muster,
• Datenabdeckung und Aktualität.

Der Profile Layer muss die Verteilung sichtbar machen. Statt nur „Fitness 80“ sollte nachvollziehbar sein, welche Unterthemen vorkommen, über welchen Zeitraum analysiert wurde und wie viele Posts die Aussage tragen.

Ebene 3: Decision Layer

Der Decision Layer verbindet Creator-Profil und Kampagnen-Briefing. Er beantwortet nicht „Wie gut ist dieser Creator allgemein?“, sondern:

Wie geeignet ist dieser Creator für dieses Briefing unter den definierten Zielen, Ausschlusskriterien und Risikotoleranzen?

Das Ergebnis besteht aus:

• Match-Score,
• Teilbewertungen,
• positiver Begründung,
• Risiken und offenen Fragen,
• relevanten Beleg-Posts,
• Unsicherheits- und Aktualitätshinweis,
• Empfehlung zur menschlichen Prüfung.

5.2 Pipeline

Profil- und Post-Erfassung
          ↓
Medien- und Metadatenaufbereitung
          ↓
Speech-to-Text für Reels und Videos
          ↓
Per-Post-Analyse: Text, Audio, Bildkontext, Marken, Tonalität, Werbung
          ↓
Evidence Store mit Provenienz, Datum und Modellversion
          ↓
Creator-Profil: Themen, Safety, Suitability, Tonalität, Historie
          ↓
Briefing-Verständnis und harte Filter
          ↓
Creator-spezifisches Re-Ranking mit Begründung
          ↓
Menschliche Prüfung, Shortlist und Kampagnenentscheidung

5.3 Warum der Evidence Store entscheidend ist

Ein KI-System kann plausible, aber falsche Begründungen erzeugen. Deshalb darf die Begründung nicht nur ein generierter Text sein. Sie muss an konkrete Evidenzobjekte gebunden werden:

• Post-URL oder interne Post-ID,
• analysierter Ausschnitt,
• Transkriptsegment,
• Datum und Scan-Zeitpunkt,
• Extraktions- und Modellversion,
• Konfidenzwert,
• gegebenenfalls menschliche Korrektur.

Das entspricht dem Grundgedanken vertrauenswürdiger KI-Systeme: Dokumentation, Messung, menschliche Rollen und Risikomanagement sind Teil des Systems, nicht ein nachträglicher Zusatz. Der NIST AI Risk Management Framework ordnet diese Aufgaben den Funktionen Govern, Map, Measure und Manage zu und betont den Nutzen von Dokumentation, Evaluation und klarer Human-AI-Interaktion (NIST, 2023).

6. Scoring: Wie aus Evidenz eine Entscheidung wird

6.1 Warum ein Score allein nicht genügt

Ein Score erzeugt Vergleichbarkeit, kann aber Scheingenauigkeit vermitteln. Drei Regeln begrenzen dieses Risiko:

1. Scores werden immer mit Teilkomponenten gezeigt.
2. Scores enthalten Datenabdeckung und Aktualität.
3. Scores werden nicht über unterschiedliche Briefings hinweg als identische Messgröße behandelt.

6.2 Brand-Safety-Score

Der Brand-Safety-Score soll allgemeine Risikoindikatoren über definierte Kategorien zusammenfassen. Eine mögliche Struktur umfasst:

• Gewalt und Verherrlichung von Gewalt,
• Hass oder gruppenbezogene Herabwürdigung,
• illegale oder gefährliche Handlungen,
• sexualisierte oder explizite Inhalte,
• Desinformation oder irreführende Behauptungen,
• Substanzmissbrauch,
• Belästigung und extreme Toxizität,
• schwerwiegende Rechts- oder Compliance-Signale.

Der Score muss mindestens folgende Informationen enthalten:

• analysierter Zeitraum,
• Zahl der analysierten Posts,
• Kategorien mit Signalen,
• Schweregrad,
• Häufigkeit,
• Aktualität,
• Beleg-Posts,
• Datenabdeckung.

Ein Wert von 95 darf deshalb nicht bedeuten „dieser Creator ist sicher“. Er bedeutet nur: In den erfassten Inhalten wurden nach der definierten Methodik wenige oder geringe Risikosignale gefunden.

6.3 Brand Suitability

Brand Suitability ist briefing- und markenspezifisch. Sie kann als mehrdimensionales Profil dargestellt werden:

Safety und Suitability sollten getrennt angezeigt werden. Ein allgemein niedriges Risiko kann mit einem schwachen Marken-Fit einhergehen; ein hoher Marken-Fit kann durch konkrete Risiken überlagert werden.

6.4 Match-Score pro Briefing

Der Match-Score entsteht in drei Schritten:

1. Briefing Parsing: Ziele, Zielgruppe, Plattform, Formate, Themen, Stil, harte Ausschlüsse und Risikotoleranz werden strukturiert.
2. Candidate Filtering: Nicht geeignete Profile werden anhand harter Kriterien ausgeschlossen.
3. Evidence-based Re-Ranking: Die verbleibenden Kandidaten werden einzeln gegen das Briefing bewertet.

Eine nachvollziehbare Gewichtung könnte beispielsweise enthalten:

• 25 % Topic und Functional Fit,
• 20 % Audience und Community Fit,
• 15 % Image und Tonalitäts-Fit,
• 15 % Safety und Risk Fit,
• 10 % Format-Fit,
• 10 % Performance-Eignung,
• 5 % Datenqualität und Aktualität.

Die konkrete Gewichtung muss je Use Case anpassbar sein. Für eine Awareness-Kampagne kann Reichweite stärker zählen; für eine regulierte oder besonders sensible Marke kann Safety deutlich höher gewichtet werden.

6.5 Unsicherheit ist ein Ergebnis

Ein professionelles System gibt nicht nur einen Score aus, sondern auch einen Unsicherheitsindikator. Unsicherheit kann steigen bei:

• wenigen analysierten Posts,
• veraltetem Scan,
• schlechter Audioqualität,
• widersprüchlichen Themen- oder Sentimentsignalen,
• fehlenden Kommentardaten,
• neuem oder seltenem Dialekt,
• unklaren Sponsoring-Signalen,
• hoher Modellabweichung zwischen Wiederholungsanalysen.

Ein hoher Match-Score mit niedriger Datenabdeckung sollte anders behandelt werden als derselbe Score auf Basis einer breiten, aktuellen Historie.

7. VIBEFISH als Plattformumsetzung

7.1 Discovery und analysierter Pool

VIBEFISH baut einen durchsuchbaren Pool von Creatorn auf TikTok und Instagram auf. Laut internem Plattform-Snapshot umfasst dieser im Juli 2026 mehr als 2.000 analysierte Creator; die Zahl muss vor Veröffentlichung gegen den aktuellen Datenbestand verifiziert und mit einem Stichtag versehen werden.

Die Discovery kombiniert klassische Filter mit inhaltlichen Dimensionen:

• Plattform und Größenklasse,
• Themen und Unterthemen,
• Brand-Safety-Mindestwert,
• Brand-Suitability,
• Sprache und DACH-Region,
• Formatstärke,
• Datenaktualität,
• relevante Marken- oder Wettbewerberhistorie.

7.2 Creator-Profil

Ein Creator-Profil soll nicht nur Ergebnisse, sondern Begründungen zeigen:

• Safety-Score plus Risikomatrix,
• Themenprofil mit Gewichten und Beleg-Posts,
• Tonalität und Community-Reaktion,
• Marken- und Empfehlungshistorie,
• Vertical- und Fit-Scores,
• Markt- und Nischenvergleich,
• analysierte Einzelposts mit Transkripten,
• Scan-Datum, Datenabdeckung und Modellversion.

7.3 Briefing Matching

Das Briefing Matching übersetzt Freitext in eine strukturierte Entscheidung:

• Welche Zielgruppe wird angesprochen?
• Welche Themen und Anwendungsfälle sind zentral?
• Welche Stil- und Formatmerkmale sind gewünscht?
• Welche Ausschlusskriterien gelten?
• Welche Risikotoleranz hat die Marke?
• Welche Erfolgsgröße ist primär: Reichweite, Engagement, Glaubwürdigkeit, Conversion oder Content-Produktion?

Die Shortlist enthält pro Creator:

• Match-Score,
• Teilbewertungen,
• zwei bis vier zentrale Gründe für die Passung,
• Risiken oder offene Prüfpunkte,
• relevante Beleg-Posts,
• vorgeschlagene Rolle im Kampagnen-Mix.

7.4 Kampagnen-Mix statt Einzelranking

Ein gutes Creator-Portfolio optimiert nicht zwingend jeden Creator isoliert. Es kann unterschiedliche Rollen kombinieren:

VIBEFISH kann daraus unterschiedliche Mix-Strategien ableiten: Top Match, Max Reach, Budget Efficiency, Authenticity Focus oder Balanced Portfolio. Entscheidend ist, dass die Optimierungslogik offenliegt und nicht nur ein fertiges Ergebnis erzeugt.

7.5 Agentur-Workflows

Für Agenturen sind zusätzliche Governance- und Mandantenfunktionen relevant:

• getrennte Workspaces pro Marke,
• briefingbezogene Creator-Pools,
• gespeicherte Ausschlusslisten und Risikoprofile,
• Whitelabel-Reports,
• Rollen und Freigaben,
• Custom Scans,
• dokumentierte Re-Runs,
• Export der Beleg- und Entscheidungsebene.

8. DACH-first als methodische Anforderung

8.1 Sprachliche Kalibrierung

Deutschsprachige Creator-Kommunikation enthält regionale Varianten, Ironie, Anglizismen, Dialekte und Code-Switching. Ein DACH-first-System benötigt deshalb:

• eigene Testsets aus DE, AT und CH,
• Fehleranalysen für Dialekt und Umgangssprache,
• regionale Marken- und Entitätenlisten,
• kontextbezogene Prompt- und Taxonomiepflege,
• menschliche Reviews für kritische Fälle.

8.2 Lokale Nischen und Entitäten

Globale Kategorien sind oft zu grob. DACH-relevante Taxonomien können beispielsweise unterscheiden zwischen:

• deutschsprachigem Rap, Schlager, Volksmusik und elektronischer Musik,
• Drogerie-, Discounter- und Handelsmarken,
• regionaler Food- und Getränkekultur,
• lokaler Mobilität und Tourismus,
• Fußball-, Vereins- und Fan-Kultur,
• regionalen Medienformaten und Humorcodes.

8.3 Regulatorischer Kontext

Die Werbekennzeichnung ist in Deutschland nicht nur eine Plattformregel, sondern Teil eines rechtlichen und aufsichtsrechtlichen Rahmens. Analysen müssen daher klar trennen zwischen:

• beobachteter Kennzeichnung,
• maschinell erkannten Sponsoring-Signalen,
• möglicher Unklarheit,
• juristischer Bewertung.

Die Plattform kann Hinweise für eine Prüfung liefern. Sie sollte keine abschließende Rechtsentscheidung simulieren.

9. Datenschutz, Web Scraping und verantwortbare KI

9.1 Öffentlich zugänglich bedeutet nicht rechtsfrei

Die DSGVO gilt für die Verarbeitung personenbezogener Daten. Der Europäische Datenschutzausschuss betont in seinen Leitlinien zu Web Scraping von Juli 2026, dass bereits Erhebung, Speicherung, Organisation und Abruf personenbezogener Daten Verarbeitungsoperationen sein können. Auch bei öffentlich zugänglichen Quellen sind unter anderem Transparenz, Zweckbindung, Datenminimierung, Fairness und Richtigkeit zu berücksichtigen (EDPB, 2026).

Daraus folgt: EU-Hosting und die Beschränkung auf öffentliche Inhalte sind sinnvolle Schutzmaßnahmen, begründen aber allein keine vollständige DSGVO-Konformität.

9.2 Rechtsgrundlage und Interessenabwägung

Soweit eine Verarbeitung auf berechtigte Interessen nach Art. 6 Abs. 1 lit. f DSGVO gestützt werden soll, verlangt der EDPB eine strukturierte Prüfung:

1. Besteht ein rechtmäßiges, gegenwärtiges und konkret beschriebenes Interesse?
2. Ist die Verarbeitung für dieses Interesse erforderlich?
3. Überwiegen Rechte und Freiheiten der betroffenen Personen?

Die Beurteilung ist fallbezogen und muss dokumentiert werden (EDPB, 2024). Für Creator Intelligence sind insbesondere relevant:

• Art und Umfang der erhobenen Daten,
• vernünftige Erwartungen der Creator,
• Profiling-Tiefe und potenzielle Auswirkungen,
• Umgang mit sensiblen oder besonders privaten Inhalten,
• Aufbewahrungsdauer,
• Transparenz- und Widerspruchsmechanismen,
• menschliche Prüfung und Korrekturmöglichkeiten.

9.3 Empfohlene Compliance-Architektur

Eine belastbare Umsetzung sollte mindestens enthalten:

• Verzeichnis der Datenquellen und Verarbeitungstätigkeiten,
• dokumentierte Rechtsgrundlage je Verarbeitung,
• Legitimate Interests Assessment, sofern einschlägig,
• Prüfung einer Datenschutz-Folgenabschätzung,
• Datenminimierung und definierte Erhebungsgrenzen,
• Ausschluss oder besondere Behandlung sensibler Daten,
• transparente Creator-Information,
• Lösch-, Berichtigungs- und Widerspruchsprozess,
• festgelegte Aufbewahrungsfristen,
• Zugriffskontrollen und Mandantentrennung,
• Protokollierung von Modell- und Datenänderungen,
• Verfahren für menschliche Korrektur.

9.4 Human-in-the-loop

VIBEFISH sollte als Entscheidungsunterstützung positioniert werden, nicht als autonome Instanz. Vor einer Buchung oder Ablehnung sind insbesondere zu prüfen:

• die wichtigsten Beleg-Posts,
• kritische Audio- oder Kontextsignale,
• mögliche Ironie oder Mehrdeutigkeit,
• Aktualität und Datenabdeckung,
• markenspezifische Ausschlusskriterien,
• rechtliche und vertragliche Aspekte.

Der NIST AI RMF empfiehlt klare Rollen, dokumentierte Prozesse und fortlaufende Messung für vertrauenswürdige KI-Systeme. Erklärbarkeit erleichtert Monitoring, Audit und Governance, ersetzt aber keine Verantwortung der Organisation (NIST, 2023).

10. Geschäftlicher Nutzen und belastbare Rechenlogik

10.1 Pitch-Vorbereitung

Der typische Prozess beginnt mit einem Kundenbriefing und endet mit einer Shortlist. Manuell werden Profile gesucht, gesichtet, verglichen und in Präsentationen überführt. VIBEFISH verlagert die Arbeit:

• von unstrukturierter Suche zu voranalysierter Discovery,
• von Profil-Screening zu evidenzbasierter Prüfung,
• von generischen Rankings zu briefingbezogenem Matching,
• von subjektiver Begründung zu dokumentierbaren Kriterien.

10.2 Vetting vor Vertragsabschluss

Vor der Buchung kann die Plattform eine standardisierte Prüfebene bereitstellen:

• Datenabdeckung,
• allgemeine Safety-Signale,
• markenspezifische Suitability,
• Wettbewerber- und Markenbezüge,
• relevante Beleg-Posts,
• offene Fragen für die manuelle Prüfung.

Der Mehrwert liegt nicht in der Behauptung, Risiken vollständig auszuschließen, sondern in einer breiteren und nachvollziehbareren Prüfung.

10.3 Always-on Creator Pool

Ein gespeicherter Pool kann fortlaufend aktualisiert werden. Neue Posts verändern Themengewichte, Safety-Signale und Suitability. Ein Creator, der vor sechs Monaten gut passte, kann heute anders einzuordnen sein. Deshalb sollte ein Matching immer mit Scan-Datum und Datenalter verbunden sein.

10.4 Rechenlogik ohne erfundene ROI-Prozente

Eine belastbare Wirtschaftlichkeitsrechnung nutzt kundeneigene Werte:

Manuelle Recherchekosten pro Monat =
Kampagnen × geprüfte Creator je Kampagne × Minuten je Creator × interner Stundensatz / 60

Zusätzlicher Wert =
vermiedene Doppelarbeit
+ schnellerer Pitch
+ dokumentierte Safety- und Suitability-Prüfung
+ wiederverwendbare Pools und Briefings
+ geringeres Risiko offensichtlicher Fehl-Matches

Nach ersten Piloten sollten anonymisierte Vorher-Nachher-Daten ergänzt werden:

• Zeit bis zur ersten Longlist,
• Zeit bis zur finalen Shortlist,
• Zahl geprüfter Posts pro Creator,
• Anteil manuell verworfener KI-Vorschläge,
• Gründe für Abweichungen,
• Nutzerzufriedenheit und Wiederverwendung.

Diese Daten wären wertvoller als pauschale Effizienzversprechen, weil sie direkt zur tatsächlichen Arbeitsweise der Zielgruppe passen.

11. Grenzen der Methode

11.1 Datenabdeckung

Ein Profil ist nur so vollständig wie der erfasste Zeitraum und die verfügbaren Daten. Nicht erfasste Stories, gelöschte Inhalte, private Kommunikation oder nicht zugängliche Posts können die tatsächliche Historie verändern.

11.2 Transkriptions- und Modellfehler

Speech-to-Text kann Namen, Dialekte oder stark verrauschte Passagen falsch erkennen. Bild- und Textmodelle können Ironie, Kontext oder kulturelle Codes missverstehen. Kritische Signale müssen daher am Original geprüft werden.

11.3 Keine sichere Erkennung verdeckter Werbung

Muster können Sponsoring-Signale anzeigen. Ob eine Kooperation vorliegt und ob sie rechtskonform gekennzeichnet wurde, kann häufig nur mit zusätzlichem Kontext beurteilt werden.

11.4 Kein Zugang zur tatsächlichen Audience-Demografie

Öffentliche Kommentare und Interaktionen liefern Community-Signale, aber keine vollständige, verifizierte Audience-Struktur. Behauptungen über Alter, Einkommen oder Kaufkraft dürfen nicht ohne belastbare Datenquelle abgeleitet werden.

11.5 Kein dauerhaft gültiger Score

Creator-Profile verändern sich. Scoring muss deshalb versioniert, datiert und regelmäßig aktualisiert werden. Ein Score ist ein zeitbezogener Befund, keine dauerhafte Eigenschaft einer Person.

12. Schlussfolgerung

Die zentrale Schwäche vieler Creator-Auswahlprozesse liegt nicht im Fehlen weiterer Profilmetriken. Sie liegt in der falschen Analyseeinheit.

Followerzahl und Engagement sind Profilgrößen. Brand Fit, Glaubwürdigkeit, Safety und Suitability entstehen jedoch aus konkreten Inhalten und ihrem Verlauf. Deshalb muss die Analyse auf Post-Ebene beginnen.

Das VIBEFISH Per-Post Creator Intelligence Framework formuliert hierfür eine klare Reihenfolge:

Erst Evidenz, dann Aggregation, dann Entscheidung.

Ein solches System kann manuelle Expertise nicht ersetzen. Es kann sie jedoch auf eine bessere Datengrundlage stellen, mehr Content abdecken, Entscheidungen konsistenter dokumentieren und Risiken früher sichtbar machen.

Für Marken und Agenturen entsteht damit ein neuer Standard für Creator-Auswahl: nicht „Welche Profile sehen gut aus?“, sondern „Welche belegbaren Signale machen diesen Creator für dieses Briefing geeignet – und welche offenen Risiken müssen wir vor der Buchung prüfen?“

VIBEFISH befindet sich im Early Access. Demo und Pilotzugang: vibefish.ai/demo

FAQ

Was ist Creator Intelligence?

Creator Intelligence ist die systematische Analyse von Creator-Inhalten, Kontext, Community-Reaktionen und Kampagnenpassung, um Auswahl- und Vetting-Entscheidungen evidenzbasiert zu unterstützen.

Was ist eine Per-Post-Analyse?

Bei einer Per-Post-Analyse wird jeder erfasste Beitrag einzeln ausgewertet. Themen, Marken, Audio, Tonalität, Werbung, Kommentare und Performance werden zunächst auf Post-Ebene dokumentiert und erst danach zu einem Creator-Profil aggregiert.

Warum reichen Followerzahl und Engagement-Rate nicht aus?

Sie beschreiben Reichweite und Reaktion, aber nicht automatisch Glaubwürdigkeit, Markenpassung, Kontext oder Risiko. Außerdem können Durchschnittswerte einzelne kritische Posts und Veränderungen im Zeitverlauf verdecken.

Was ist der Unterschied zwischen Brand Safety und Brand Suitability?

Brand Safety bezeichnet eine allgemeine Mindestgrenze für schädliche oder grundsätzlich ungeeignete Inhalte. Brand Suitability beschreibt, ob ein Creator zu den spezifischen Werten, Zielgruppen und Risikotoleranzen einer Marke passt.

Kann KI verdeckte Werbung sicher erkennen?

Nein. KI kann Sponsoring-Signale und ungewöhnliche Muster markieren. Ob tatsächlich eine Kooperation vorliegt oder eine Kennzeichnung rechtlich unzureichend ist, benötigt zusätzlichen Kontext und gegebenenfalls juristische Prüfung.

Entscheidet VIBEFISH autonom über Creator?

Nein. VIBEFISH ist als Entscheidungsunterstützung konzipiert. Die Plattform strukturiert Evidenz, Scores und offene Risiken; die finale Auswahl und Buchung bleibt eine menschliche Verantwortung.

Warum ist DACH-first relevant?

Sprache, Dialekte, Marken, Nischen, Humor, Werbepraxis und kultureller Kontext unterscheiden sich. Eine DACH-first-Analyse benötigt eigene Taxonomien, Testfälle und menschliche Qualitätskontrolle für Deutschland, Österreich und die Schweiz.

Sind öffentlich zugängliche Social-Media-Daten automatisch frei nutzbar?

Nein. Öffentlich zugänglich bedeutet nicht, dass die DSGVO oder andere rechtliche Anforderungen entfallen. Rechtsgrundlage, Zweckbindung, Datenminimierung, Transparenz und Betroffenenrechte müssen konkret geprüft und umgesetzt werden.

Glossar

Quellen und Literatur

Barari, M. M., Eisend, M. & Jain, S. P. (2026). A meta-analysis of the effectiveness of social media influencers: Mechanisms and moderation. Journal of the Academy of Marketing Science, 54, 28–48. https://doi.org/10.1007/s11747-025-01107-3

Che, S., Jin, X., Sheng, G. & Lin, Z. (2025). Seeking effective fit: The impact of brand-influencer fit types on consumer brand attitude. Journal of Retailing and Consumer Services, 84, 104188. https://doi.org/10.1016/j.jretconser.2024.104188

Die Medienanstalten (2025). Leitfaden Werbekennzeichnung bei Online-Medien. https://www.die-medienanstalten.de/service/merkblaetter-und-leitfaeden/leitfaden-werbekennzeichnung-bei-online-medien/

EDPB – European Data Protection Board (2024). Guidelines 1/2024 on processing of personal data based on Article 6(1)(f) GDPR. https://www.edpb.europa.eu/system/files/2024-10/edpb_guidelines_202401_legitimateinterest_en.pdf

EDPB – European Data Protection Board (2026). Guidelines 03/2026 on web scraping in the context of AI model development. Version 1.0 for public consultation, 7 July 2026. https://www.edpb.europa.eu/system/files/2026-07/edpb_guidelines_2020603_webscraping_v1_en_0.pdf

European Union (2016). Regulation (EU) 2016/679 – General Data Protection Regulation. https://eur-lex.europa.eu/eli/reg/2016/679/oj

IAB (2020). Understanding Brand Safety & Brand Suitability in a Contemporary Media Landscape. https://www.iab.com/wp-content/uploads/2020/12/IAB_Brand_Safety_and_Suitability_Guide_2020-12.pdf

NIST (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://www.nist.gov/itl/ai-risk-management-framework

Pan, M., Blut, M., Ghiassaleh, A. & Lee, Z. W. Y. (2025). Influencer marketing effectiveness: A meta-analytic review. Journal of the Academy of Marketing Science, 53, 52–78. https://doi.org/10.1007/s11747-024-01052-7

Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C. & Sutskever, I. (2022). Robust Speech Recognition via Large-Scale Weak Supervision. arXiv:2212.04356. https://arxiv.org/abs/2212.04356

Zniva, R., Weitzl, W. J. & Lindmoser, C. (2023). Be constantly different! How to manage influencer authenticity. Electronic Commerce Research, 23, 1485–1514. https://doi.org/10.1007/s10660-022-09653-6

Dokumentstatus und Prüfhinweise

• Produkt- und Bestandszahlen von VIBEFISH sind interne Angaben und vor Veröffentlichung mit Stichtag zu verifizieren.
• Das Datenschutzkapitel ist eine fachliche Einordnung und keine Rechtsberatung. Vor Veröffentlichung und produktiver Umsetzung ist eine juristische Prüfung erforderlich.
• Die EDPB-Leitlinien zu Web Scraping vom 7. Juli 2026 sind zum Zeitpunkt dieser Version für die öffentliche Konsultation angenommen; der finale Status ist vor Veröffentlichung erneut zu prüfen.
• Screenshots, Fallbeispiele und Pilotdaten sollten erst ergänzt werden, wenn Herkunft, Einwilligung beziehungsweise Nutzungsrecht und Anonymisierung geklärt sind.