In der Flut digitaler Nachrichten bleiben redaktionelle Verzerrungen, einseitige Berichterstattung und manipulative Tonalitäten oft unsichtbar. Gerade im Finanz- und Rohstoffbereich können stimmungsgetriebene Meldungen zu Fehlentscheidungen führen. Ziel war zu prüfen, ob eine KI-Lösung Nachrichtentexte systematisch sammelt, analysiert und ihre Neutralität bewertbar macht.

Das Team wählte einen prototypischen Ansatz: Zunächst wurden Marktanalyse und Problembeschreibung erarbeitet, bevor die technische Architektur festgelegt wurde. Die Lösung kombiniert News‑Scraping, NLP bzw. LLM‑basierte‑ Sentiment und Bias‑Analysen, eine kennzahlengestützte Neutralitätsformel, sowie ein interaktives Dashboard. Kernstück ist ein Neutrality Score, der Aussagen aus verschiedenen Quellen einordnet und so Transparenz über mögliche Verzerrungen schafft. Zur Validierung diente ein Pilotkunde aus dem Goldhandel. Die Ergebnisse wurden sowohl fachlich als auch wirtschaftlich beurteilt.

Ergebnis ist ein funktionsfähiger Prototyp, der News automatisiert importiert, analysiert und mit Kursverläufen verknüpft. Der Neutrality Score fasst Bias und Sentiment nachvollziehbar zu einem neutralen Rating zusammen und macht Unterschiede zwischen Quellen transparent. Das Dashboard visualisiert die Resultate nutzerfreundlich. Nutzen für die Auftraggeberschaft: schnellere Einordnung von Meldungen, reduzierte Risiko- und Fehlentscheidungen durch mehr Transparenz sowie eine Grundlage für den Einsatz im B2B-Kontext. Erste Anwender-Tests deuten auf Mehrwert hin. Für die Weiterentwicklung sind mehr Datenquellen, vertiefte Nutzerfeedbacks und eine erweiterte Bewertungslogik geplant.