KI-Texte und SEO: Wann generative KI zum Problem wird
Zuletzt aktualisiert:
Schaden KI-Texte den Google-Rankings? Diese Frage wird seit dem Start von ChatGPT immer wieder gestellt. Die kurze Antwort lautet: Der Einsatz generativer KI verstößt nicht automatisch gegen Googles Richtlinien. Ein Text wird allerdings auch nicht dadurch hilfreich, dass ein Mensch ihn Satz für Satz selbst getippt hat.
In meiner Arbeit nutze ich Sprachmodelle für Recherche, Gegenprüfung, Gliederung und Formulierung. Ohne fachliche Quellen, eigene Erfahrung und eine abschließende Kontrolle veröffentliche ich den erzeugten Text jedoch nicht. Denn ein Sprachmodell kann überzeugend formulieren und zugleich eine Quelle falsch wiedergeben, eine Lücke mit einer plausiblen Behauptung füllen oder zehn bereits bekannte Ratgeber zu einem elften zusammenfassen.
Wo verläuft also die Grenze zwischen sinnvoller Unterstützung und problematischer Content-Produktion? Um diese Frage zu beantworten, müssen drei Ebenen getrennt werden: Googles Spam-Richtlinien, die Qualität einer einzelnen Seite und die Verantwortung des Herausgebers.
Google verbietet KI-Texte nicht pauschal
Google erklärt in seiner aktuellen Anleitung zu generativ erstellten Website-Inhalten, dass generative KI bei der Recherche und beim Strukturieren eigener Inhalte nützlich sein kann. Entscheidend bleiben Genauigkeit, Qualität und Relevanz. Wer KI zur Unterstützung verwendet, verletzt damit noch keine Richtlinie.
Diese Einordnung ist älter als der derzeitige KI-Boom. Bereits im Februar 2023 schrieb Google, dass hochwertige Inhalte unabhängig von ihrer Herstellungsweise bewertet werden sollen. Automatisierung war auch vorher nicht grundsätzlich verboten. Wetterdaten, Sportergebnisse und Transkripte werden schließlich seit Jahren automatisch erzeugt.
Aus dieser Aussage folgt allerdings keine Garantie für Rankings. Google beschreibt die Ziele der eigenen Systeme und die geltenden Richtlinien. Ob eine konkrete Seite indexiert oder für eine bestimmte Suchanfrage angezeigt wird, hängt von vielen weiteren Signalen und vom Wettbewerb ab.
Skalierter Missbrauch hängt vom Zweck und Ergebnis ab
In den Spam-Richtlinien zum Scaled Content Abuse geht es um viele Seiten, die vorrangig zur Manipulation von Rankings und nicht zur Unterstützung von Nutzern erstellt werden. Typisch sind große Mengen wenig origineller Inhalte, die kaum einen eigenen Nutzen bieten. Google nennt generative KI als ein mögliches Werkzeug dafür. Dieselbe Richtlinie erfasst jedoch auch Scraping, leicht veränderte Kopien und zusammengefügte Fremdinhalte.
Die Richtlinie unterscheidet nicht danach, ob ein Mensch oder ein Sprachmodell die Seiten formuliert hat. Sie betrachtet den Umfang, den Zweck und den fehlenden zusätzlichen Nutzen.
Ein einzelner schwacher KI-Text ist deswegen nicht automatisch Scaled Content Abuse. Hunderte manuell geschriebene Standortseiten können die Richtlinie hingegen verletzen, wenn sie lediglich Ortsnamen austauschen und für Rankings erstellt wurden. Die Herstellungsweise allein beantwortet die Spam-Frage also nicht.
Für die redaktionelle Arbeit bleibt trotzdem ein deutlicher Unterschied. Mit einem Sprachmodell lassen sich schwache Seiten sehr viel schneller und günstiger vervielfältigen. Dadurch wächst das Risiko, dass niemand mehr jede Aussage prüft, dass sich Fehler über viele URLs ausbreiten und dass zahlreiche Seiten denselben bereits vorhandenen Inhalt wiederholen.
Wenig Aufwand und wenig Originalität bleiben Qualitätsprobleme
Die Search Quality Rater Guidelines vom September 2025 behandeln sowohl skalierten Missbrauch als auch Hauptinhalte, die mit wenig Aufwand, wenig Originalität und wenig zusätzlichem Nutzen erstellt wurden. Diese drei Merkmale können bei kopierten, paraphrasierten oder automatisch erzeugten Inhalten gemeinsam auftreten.
Die Bewertungen der Quality Rater verändern allerdings kein einzelnes Ranking. Google verwendet sie, um die Leistung der Suchsysteme insgesamt zu beurteilen. Aus einer Formulierung in den Richtlinien lässt sich daher weder ein konkreter Rankingfaktor noch eine Optimierungsformel ableiten.
Für Website-Betreiber sind die Kriterien dennoch hilfreich. Ein Text, der vorhandene Quellen lediglich umformuliert, enthält womöglich keine falsche Information. Er kann für Leser trotzdem entbehrlich sein, wenn die besseren Originalquellen dieselbe Frage bereits genauer beantworten.
contentEffort belegt nur ein dokumentiertes Datenfeld
In den 2024 öffentlich gewordenen Content-Warehouse-Dokumenten steht ein Feld namens contentEffort. Die kurze Beschreibung nennt eine LLM-basierte Aufwandsschätzung für Artikelseiten. Der Datentyp speichert einen Zahlenwert zusammen mit einer Versions-ID.
Mehr lässt sich aus diesem Eintrag allein nicht sicher ableiten. Die Dokumentation erklärt weder die verwendeten Kriterien noch den Zeitpunkt der Berechnung. Ebenso bleibt offen, ob das Feld für Rankings verwendet wurde, ob es heute noch verwendet wird und welches Gewicht es gegebenenfalls hätte.
Damit belegt contentEffort keine allgemeine Regel, nach der Google den menschlichen Anteil eines Textes erkennt. Das Feld beweist auch nicht, dass eigene Bilder, Interviews, Satzbau oder eine bestimmte Zahl an Quellen direkt in einen bekannten Aufwandsscore einfließen. Derartige Erklärungen sind Interpretationen der knappen Feldbeschreibung.
Wie vorsichtig einzelne Namen aus dem Content Warehouse zu behandeln sind, erkläre ich ausführlicher im Beitrag Wie Google Seiten bewertet und was du daraus für deine Website ableiten kannst. Ein gespeichertes Attribut zeigt zunächst, dass es in einem internen Datenmodell vorgesehen war. Seine konkrete Ranking-Verwendung folgt daraus nicht.
Austauschbare Inhalte verlieren ihren eigenen Zweck
Seit Mai 2026 verwendet Google in seinem Leitfaden für generative Suchfunktionen den Begriff Non-Commodity-Content. Gemeint sind einzigartige, hilfreiche und verlässliche Inhalte, die über allgemeines Wissen hinausgehen. Google stellt einen Erfahrungsbericht mit konkretem Einblick einer Zusammenfassung gegenüber, die lediglich vorhandene Informationen wiederholt.
Das ist für mich die nützlichere Arbeitsgrundlage. Ein allgemeiner Artikel über die Optimierung von Title Tags kann fachlich richtig sein und dennoch austauschbar bleiben. Tausende Seiten erklären bereits Zeichenlängen, Keywords und eindeutige Titel. Ein weiterer Text benötigt daher einen konkreten Grund, weshalb er gerade auf dieser Website erscheinen sollte.
Dieser Grund könnte in einer eigenen Auswertung liegen. Hat ein Unternehmen die Titles von 300 Produktseiten geändert, lassen sich Vorgehen, betroffene Seitengruppen, Zeitraum, Search-Console-Daten und Grenzen der Auswertung dokumentieren. Ein Sprachmodell kann aus diesen Informationen einen Entwurf formulieren. Die erhobenen Daten und die fachliche Einordnung entstehen dadurch jedoch nicht automatisch.
Auch Erfahrung allein reicht nicht für jede Aussage. Ein einzelnes Projekt zeigt zunächst, was in diesem Projekt passiert ist. Ob sich die Beobachtung verallgemeinern lässt, muss anhand weiterer Daten oder Quellen geprüft werden. Gerade hierbei ist KI-Unterstützung hilfreich, wenn das Modell gezielt nach Gegenargumenten, fehlenden Variablen und abweichenden Erklärungen suchen soll.
Drei Rollen der KI in der Content-Produktion
Das Sprachmodell erzeugt den vollständigen Artikel
Ein kurzer Prompt nennt Thema, Zielgruppe und gewünschte Länge. Den Rest erzeugt das Modell aus seinem vorhandenen Wissen und den Mustern im Prompt. Solch ein Text kann gut lesbar sein. Ohne zusätzliche Quellen und fachliche Informationen bleibt allerdings unklar, welche Aussagen stimmen und welche Passage einen eigenen Beitrag zum Thema leistet.
Besonders riskant wird dieses Vorgehen bei medizinischen, rechtlichen, finanziellen oder sicherheitsrelevanten Themen. Eine flüssige Formulierung ist kein Nachweis für fachliche Richtigkeit. Wer den Text veröffentlicht, bleibt für falsche Angaben verantwortlich.
Das Sprachmodell verarbeitet vorgegebene Quellen
Bei einer quellengebundenen Arbeit werden Originaldokumente, Daten und konkrete Fragen vorgegeben. Das Modell sucht passende Stellen, vergleicht Aussagen und formuliert einen Entwurf. Hierdurch lässt sich die Recherche beschleunigen. Trotzdem muss jede fachliche Aussage bis zur Quelle zurückverfolgt werden, denn auch eine bereitgestellte Quelle kann falsch zusammengefasst oder über ihren Geltungsbereich hinaus interpretiert werden.
Meine lokale SEO-Wissensbibliothek mit Hybrid Retrieval und Wiki wurde genau für diesen Zwischenschritt gebaut. Sie zeigt Fundstellen mit Dokument und Abschnitt. Die Ausgabe ersetzt dennoch keine Quellenkritik, weil auch das Retrieval eine relevante Passage übersehen kann.
Das Sprachmodell unterstützt eine fachliche Redaktion
Am verlässlichsten funktioniert KI für mich innerhalb eines redaktionellen Prozesses. Das Thema und die eigene Substanz stehen vor dem Schreiben fest. Anschließend hilft das Modell bei Recherche, Gliederung, Gegenprüfung und Formulierung. Eine fachkundige Person entscheidet, welche Aussagen belegt sind, welche Beispiele passen und was gestrichen werden muss.
Zu diesem Prozess kann auch ein persönliches Stilprofil gehören. Wie ich aus manuellen Textproben syntaktische Regeln, Register und eine Kontrollliste entwickelt habe, steht im Artikel über den eigenen Schreibstil mit ChatGPT und Codex. Stil ändert allerdings nichts an der Fachprüfung. Ein falscher Satz bleibt falsch, auch wenn er genau wie der Autor klingt.
Kontrollfragen vor der Veröffentlichung
Bevor ein KI-unterstützter Artikel veröffentlicht wird, sollte sich jede zentrale Aussage auf ihre Herkunft und ihren Nutzen prüfen lassen. Dafür verwende ich folgende Fragen:
- Welche Information stammt aus eigener Erfahrung, eigenen Daten oder einem konkreten Projekt?
- Welche Aussagen beruhen auf externen Quellen, und wurden die ursprünglichen Dokumente gelesen?
- Wo endet die Quelle, und an welcher Stelle beginnt die eigene Interpretation?
- Kann eine fachkundige Person Zahlen, Namen, Daten und Zitate nachvollziehen?
- Erfüllt der Artikel eine konkrete Aufgabe besser als die bereits vorhandenen Quellen?
- Würde derselbe Text auch ohne erwarteten Suchtraffic für das eigene Publikum veröffentlicht?
Weitere Kontrollfragen aus Googles Dokumentation habe ich im Beitrag Hilfreiche Inhalte: Was Google Website-Betreibern wirklich empfiehlt für Unternehmerinnen und Unternehmer eingeordnet. Dort geht es auch um E-E-A-T, websiteweite Signale und die Bereinigung älterer Inhalte.
KI spart Formulierungszeit, aber keine redaktionelle Verantwortung
Generative KI kann einen großen Teil der Textarbeit beschleunigen. Sie findet mögliche Quellen, ordnet Material, formuliert Varianten und hilft bei der Suche nach Widersprüchen. Dadurch wird Content-Produktion nicht automatisch oberflächlich.
Problematisch wird der Einsatz, wenn das Sprachmodell fehlende Fachkenntnis ersetzen soll und der erzeugte Text ohne Prüfung veröffentlicht wird. Bei vielen ähnlichen Seiten kommt zusätzlich das Risiko des skalierten Missbrauchs hinzu. Googles Richtlinien betrachten hierbei vorrangig Zweck, Originalität und Nutzen.
Deswegen frage ich bei einem KI-unterstützten Artikel nicht nach dem prozentualen Anteil menschlich getippter Wörter. Mich interessiert, welche Informationen überprüfbar sind, welchen eigenen Beitrag die Seite leistet und wer für die Veröffentlichung fachlich einsteht. Erst anhand dieser Fragen lässt sich beurteilen, ob KI die redaktionelle Arbeit unterstützt oder lediglich mehr austauschbare Seiten erzeugt.
Über diesen Artikel
Die inhaltliche Verantwortung für jeden Artikel auf diesem Blog liegt bei mir, Patrick Stolp. Thema, These, Recherche und fachliche Prüfung sind meine Arbeit – hier wird nichts veröffentlicht, das ich nicht selbst konzipiert, geschrieben und als korrekt verifiziert habe. Generative KI (Claude von Anthropic) kommt punktuell als Werkzeug zum Einsatz – etwa für Formulierungsentwürfe oder das Gegenlesen technischer Erklärungen. Kein KI-Output landet ungeprüft oder unverändert auf dieser Seite. Beitragsbilder werden mit Google Nano Banana 2 erstellt.
Mehr dazu in meinen Redaktionsrichtlinien.
