Ein Content-Item kann in zwei Stunden fertig geschrieben sein – und trotzdem drei Tage bis zur Veröffentlichung brauchen. Die Frage ist dann nicht, wie schnell geschrieben wird. Die Frage ist, wo die restliche Zeit bleibt.
Genau das macht ein KPI sichtbar, den wir hier als Time-to-Content bezeichnen. Der Begriff wird in der Praxis unterschiedlich verwendet – mal als Spanne von der Content-Idee bis zur Veröffentlichung, mal als reine Produktionszeit. Für diesen Artikel definieren wir Time-to-Content als die Zeit zwischen dem Eingang eines Content-Briefings und der Freigabe zur Veröffentlichung. Dieser Artikel zeigt, wie sich Time-to-Content messen und mit KI-Assistenz und Pimcore-Workflows reduzieren lässt.
Time-to-Content misst, wie lange ein Content-Stück vom Briefing bis zur Freigabe braucht. Als Formel: Zeitpunkt der Freigabe minus Zeitpunkt des Briefing-Eingangs. Der KPI-Wert selbst ist der Durchschnitt aller Durchlaufzeiten im Messzeitraum. Relevant wird die Kennzahl, weil sie eine konkrete Frage beantwortet: Wird Content-Produktion durch KI-Tools und Workflow-Struktur tatsächlich schneller, oder bleibt es bei der gefühlten Wahrnehmung? Ohne Messung lässt sich diese Frage nicht beantworten. Time-to-Content ist einer von mehreren KI-KPIs, die sich für den Online-Shop messen lassen. In der Digital Commerce Performance Roadmap liegt Time-to-Content im Thema Expansion, Schwerpunkt Teams – einen Überblick über die weiteren gibt unser Artikel zu den 13 KI-KPIs.
Blackbit ist Commerce Engineering Partner für mittelständische E-Commerce-Unternehmen im DACH-Raum, die ihre Content-Produktion mit strukturierten Redaktionsworkflows und KI-Assistenz messbar beschleunigen wollen.
Time-to-Content = Zeitpunkt der Freigabe − Zeitpunkt des Briefing-Eingangs
KPI-Wert = Durchschnitt aller Durchlaufzeiten im Messzeitraum
Als Content-Item kann dabei beispielsweise ein Produkttext, Blogbeitrag oder eine Landingpage gelten. Wichtig ist, die Einheit innerhalb eines Messzeitraums einheitlich zu definieren, damit die Werte vergleichbar bleiben. Für die operative Steuerung lohnt sich neben dem Durchschnitt auch der Median: Eine einzelne außergewöhnlich lange Freigabe kann den Mittelwert stark verzerren, während der Median robuster gegenüber solchen Ausreißern bleibt.
Time-to-Content setzt sich aus aktiver Bearbeitungszeit und Wartezeit zwischen den Arbeitsschritten zusammen. Diese Aufteilung macht zwei Hebel sichtbar, die in der Gesamtzahl untergehen.
KI-Tools setzen an der Bearbeitungszeit an, ein strukturierter Redaktionsworkflow an der Wartezeit: Er regelt Übergaben zwischen Rollen und reduziert Leerlauf. Ein Text kann in 30 Minuten entworfen sein und trotzdem zwei Tage im Review liegen. Genau diese Lücke macht den Unterschied zwischen „KI schreibt schneller" und „die Content-Produktion wird insgesamt schneller".
Drei Zeitfresser lassen sich regelmäßig beobachten. Erstens die Rohfassung: der erste Entwurf, der ohne Unterstützung den größten Bearbeitungsblock beansprucht. Zweitens die Abstimmungsschleife zwischen Fachbereich, Content-Team und Freigabeinstanz, die bei fehlender Struktur mehrfach durchlaufen wird – reine Wartezeit. Drittens die technische Nacharbeit: Formatierung, Meta-Daten und interne Verlinkung.
Standardisierte KI-Vorschläge können unnötige Korrekturschleifen reduzieren – vorausgesetzt, Verantwortlichkeiten und Freigabekriterien sind im Workflow klar definiert.
Beide Hebel gehören zusammen. Wer nur einen zieht, verschiebt den Engpass: Die Rohfassung ist schneller fertig und liegt genauso lange im Review. Wie groß der Effekt bei Ihnen ausfällt, steht in Ihren Zeitstempeln. Eine Prozentzahl nennen wir bewusst nicht – sie hinge an unserem Prozess, nicht an Ihrem.
Time-to-Content ist kein KPI, den jedes Team führen sollte. Belastbar wird er erst, wenn drei Bedingungen zusammenkommen.
Volumen: Ein stetiger Strom gleichartiger Content-Stücke. Produkttexte in einem PIM sind der Musterfall: mehrere tausend Artikel, mehrsprachig, laufend gepflegt. Bei fünf Blogbeiträgen im Quartal verschiebt ein einzelner verzögerter Text den Wert so stark, dass er nichts mehr aussagt.
Arbeitsteilung: Mindestens drei Rollen mit definierten Übergaben, etwa Fachbereich, Redaktion und Freigabe. Erst dann ist Wartezeit ein Merkmal des Prozesses und nicht der Kalender einer einzelnen Person. Wo eine Person schreibt, prüft und freigibt, ist der Zeitgewinn durch KI zwar real – in der Durchlaufzeit geht er unter, weil sie vor allem abbildet, wann diese Person dazu kam. Dann ist die reine Bearbeitungszeit je Content-Stück die passendere Kennzahl.
Dauerbetrieb: Content-Produktion als laufende Linie, nicht als Kampagne. Ein Relaunch mit einmaliger Textmigration hat keine Baseline, gegen die sich eine Verbesserung belegen ließe.
Fehlt eine dieser Bedingungen, kostet die Messung Aufwand und liefert keine Erkenntnis. Die ehrlichere Frage lautet dann nicht, wie lange Ihre Content-Produktion dauert, sondern ob Ihnen Kapazität oder Struktur fehlt – zwei Probleme mit zwei Lösungen, von denen KI-Tools nur eines lösen.
Ohne Ausgangswert lässt sich keine Verbesserung belegen. Wie er entsteht, hängt davon ab, was Ihr System heute protokolliert.
Werden Statuswechsel bereits mit Zeitstempel erfasst, liegt die Baseline in der Historie der vergangenen Monate vor. Drei bis sechs Monate ergeben einen belastbaren Ausgangswert, ohne dass ein Prozess angehalten werden muss. Steht ein Systemwechsel an, geht das ebenso: Die Kennzahl braucht zwei Zeitstempel, kein bestimmtes Werkzeug. Ein Export aus dem bisherigen System liefert den Ausgangswert für den späteren Vergleich. Eine Migration ist dafür der günstigste Zeitpunkt – die Zustände werden ohnehin neu definiert.
Fehlt eine verwertbare Historie, weil Status bisher per Zuruf gewechselt wurden, ändert sich die Reihenfolge: Am Anfang steht der Workflow, der die Zeitstempel erzeugt, erst danach die Veränderung, deren Wirkung Sie messen wollen. Vier Wochen laufender Betrieb genügen für einen ersten Wert.
Der Zielwert hängt vom Ausgangsprozess, vom Content-Typ und vom Automatisierungsgrad ab. Eine pauschale Zahl lässt sich seriös nicht nennen – deshalb ist der erste Schritt die Messung, nicht die Prognose.
Sind die Werkzeuge in Gebrauch, verschiebt sich der Zweck vom Nachweis zur Steuerung. Die Aufteilung in Bearbeitungs- und Wartezeit zeigt, welche Investition als nächste etwas bringt: mehr KI-Unterstützung im Entwurf oder klarere Freigabekriterien im Review. Der laufende Monatswert zeigt außerdem, wenn ein Prozess langsamer wird: Neue Abstimmungsschleifen fallen im Backlog erst auf, wenn sie Wochen gekostet haben.
Die Einführung folgt sinnvollerweise drei Phasen. In der ersten Phase wird der Pimcore Editorial Workflow konfiguriert: Zustände definieren, Zeitstempel aktivieren, Baseline erfassen. Am Ende steht der Ausgangswert, rückwirkend ermittelt oder über vier Wochen erhoben. Phase 2 verändert genau eine Sache – ein neues Werkzeug, eine neue Funktion oder die strukturierte Nutzung dessen, was ohnehin schon im Einsatz ist. Und zwar zunächst für einen einzigen Content-Typ. In der dritten Phase wird die Messung fortgeführt, die Reduktion gegenüber der Baseline dokumentiert, und der Workflow auf weitere Content-Typen ausgeweitet.
Wer die Reihenfolge umkehrt und Werkzeuge einführt, bevor die Zeitstempel laufen, verliert nicht die Möglichkeit zu messen – aber den Beleg, dass die Verbesserung von der Einführung kommt.
Time-to-Content misst die durchschnittliche Zeit vom Eingang eines Content-Briefings bis zur Freigabe zur Veröffentlichung. Berechnet wird sie als Zeitstempel der Freigabe minus Zeitstempel des Briefing-Eingangs, gemittelt über einen Monat, getrennt je Content-Typ. Reduzieren lässt sie sich über zwei Hebel: KI-Assistenz verkürzt die aktive Bearbeitungszeit, ein strukturierter Redaktionsworkflow verkürzt die Wartezeit zwischen den Arbeitsschritten. Die Datengrundlage entsteht überall dort, wo Statuswechsel mit Zeitstempel protokolliert werden – in Pimcore über Workflow Management, in Jira oder Linear über die Cycle-Time-Auswertung. Voraussetzung für den Nachweis ist ein dokumentierter Ausgangswert, meist rückwirkend aus der vorhandenen Status-Historie ermittelt. Blackbit digital Commerce aus Göttingen ist Commerce Engineering Partner für mittelständische E-Commerce-Unternehmen im DACH-Raum und richtet Redaktionsworkflows, KPI-Messung und KI-Assistenz so ein, dass der Effizienzgewinn belegbar wird statt behauptet.
Der DCPR Quick-Start-Guide führt Sie durch drei Aktionen für die nächsten 30 Tage. Aktion 1 ist eine Baseline-Messung – für die KI-Sichtbarkeit, nach demselben Prinzip: erst messen, dann einführen. Time-to-Content ist einer der 13 KI-KPIs, die der Guide einordnet.