AI-gestützte Content-Erstellung: Was funktioniert und was bestraft wird

Warum die Produktionsmethode nicht ueber das Ranking entscheidet

Die Frage "Bestraft Google KI-Content?" ist im DACH-B2B falsch gestellt. Eine Analyse von 600.000 Seiten zeigt, dass 86,5 Prozent der Top-rankenden Seiten einen gewissen Anteil KI-generierten Content enthalten, aber nur 4,6 Prozent vollstaendig KI-generiert sind. Die grosse Mehrheit von 81,9 Prozent nutzt einen Mix aus beidem, waehrend 13,5 Prozent rein menschlich geschrieben sind. Die Korrelation zwischen KI-Anteil und Ranking-Position liegt bei 0,011, also praktisch null.

Diese internationale Datenlage hat eine klare Konsequenz: Google bewertet Qualitaet, nicht Herkunft. Fuer oesterreichische und DACH-Unternehmen ist das relevant, weil KI im Marketing laengst Standard ist. Laut der AI-Readiness-Studie 2025 von Handelsverband und Google Austria nutzen 68 Prozent der befragten heimischen Betriebe KI, der haeufigste Anwendungsfall ist Texterstellung mit 49 Prozent. Die Studie ist laut eigener Angabe nicht repraesentativ, zeigt aber die Richtung. Wer KI einsetzt, ist nicht im Nachteil. Wer KI ohne redaktionelle Kontrolle skaliert, riskiert hingegen Abstrafungen.

Wo Google die Grenze zwischen KI-gestuetzt und missbraeuchlich zieht

Google straft nicht die Technologie ab, sondern den Missbrauch. Die entscheidende Kategorie heisst Scaled Content Abuse. In den offiziellen Spam-Richtlinien nennt Google als Beispiel ausdruecklich das Vorgehen, "generative KI-Tools zu nutzen, um viele Seiten ohne Mehrwert fuer Nutzer zu erzeugen". Die Definition stellt nicht auf das Werkzeug ab, sondern auf die Absicht: Massenproduktion zur Manipulation von Rankings ohne Nutzen.

Drei Spam-Muster sind fuer B2B-Redaktionen relevant:

Scaled Content Abuse: Das massenhafte Erzeugen von Seiten, deren primaerer Zweck die Ranking-Manipulation ist. Die Grenze verlaeuft nicht bei der Stueckzahl, sondern beim fehlenden Mehrwert pro Seite. Zehn fundierte KI-assistierte Fachartikel sind kein Abuse, tausend generische Keyword-Variationen schon.

Site Reputation Abuse: Das Platzieren von minderwertigem Drittanbieter-Content auf einer etablierten Domain, um deren Autoritaet auszunutzen. Im B2B betrifft das etwa eingekaufte "Partner-Sektionen" oder ausgelagerte Blog-Bereiche.

Expired Domain Abuse: Das Aufkaufen ausgelaufener Domains, um deren Linkprofil fuer neuen, oft KI-skalierten Content zu missbrauchen.

Diese Politik hat messbare Wirkung. Mit dem March 2024 Core Update und den begleitenden Spam-Policies erwartete Google urspruenglich 40 Prozent weniger minderwertige Inhalte, nach Abschluss des Rollouts meldete das Unternehmen sogar 45 Prozent weniger minderwertige, unoriginelle Inhalte in den Suchergebnissen. Die Botschaft fuer DACH-B2B ist eindeutig: Skalierung ohne Substanz wird systematisch entwertet.

E-E-A-T als Bewertungsraster fuer KI-Content

Wenn nicht die Methode zaehlt, dann die nachweisbare Qualitaet. Googles Raster dafuer heisst E-E-A-T: Experience, Expertise, Authoritativeness und Trust. Jede dieser Dimensionen laesst sich bei KI-assistiertem Content gezielt staerken.

Experience: Eigene Erfahrung ist die Dimension, die ein Sprachmodell nicht liefern kann. Ein LLM hat ein Tool nie selbst eingesetzt, ein Projekt nie selbst betreut. Hier entsteht der groesste menschliche Beitrag: konkrete Projektbeispiele, eigene Screenshots, dokumentierte Ergebnisse aus realen Mandaten.

Expertise: Fachliche Tiefe muss durch verifizierbare Aussagen belegt sein. Genau hier scheitert ungeprueft uebernommener KI-Text, weil Modelle plausibel klingende, aber falsche Details produzieren.

Authoritativeness: Autoren-Signale sind zentral. Eine reale Autorenbiografie mit Qualifikation, eine verlinkte Profilseite und konsistente Themen-Autoritaet ueber mehrere Artikel hinweg signalisieren, dass hinter dem Text eine zurechenbare Person steht.

Trust: Quellenangaben, Aktualitaet, Impressum und Korrektheit. Vertrauen ist die uebergeordnete Dimension, die alle anderen zusammenhaelt.

Dass hier eine Luecke klafft, zeigt der deutsche Markt: Laut Bitkom Research sagen 52 Prozent der Unternehmen, dass es in Marketingabteilungen haeufig an den noetigen Kompetenzen fehlt, um KI sinnvoll einzusetzen. Gleichzeitig sind 51 Prozent ueberzeugt, dass generative KI heute schon einen erheblichen Teil der kreativen Marketingarbeit uebernimmt. Diese Kombination, hoher Einsatz bei niedriger Kompetenz, ist genau das Umfeld, in dem Scaled Content Abuse unbeabsichtigt entsteht.

Information Gain: der entscheidende Differenzierungsfaktor

Information Gain bezeichnet den zusaetzlichen Informationswert, den eine Seite gegenueber bereits indexierten Inhalten bietet. Ein generischer LLM-Output hat per Definition geringen Information Gain, weil er aus denselben Trainingsdaten schoepft wie tausende andere Texte. Wer im DACH-B2B sichtbar bleiben will, muss diesen Mehrwert aktiv erzeugen.

Konkrete Hebel fuer Information Gain:

Originaldaten: Eigene Umfragen, Branchenkennzahlen, anonymisierte Mandatsdaten oder Auswertungen aus dem eigenen Toolstack. Diese Zahlen existieren in keinem Trainingsdatensatz.

Fallstudien: Dokumentierte Vorher-Nachher-Szenarien aus echten Projekten, idealerweise mit Kontext zu Branche, Ausgangslage und Ergebnis.

Praxisbeispiele: Konkrete Anwendungen statt abstrakter Prinzipien. Ein realer Redaktionsworkflow ist wertvoller als die Aufzaehlung generischer Best Practices.

Eigene Analyse: Eine begruendete fachliche Position, die ueber die Zusammenfassung vorhandener Quellen hinausgeht.

Information Gain ist der Grund, warum die hoechstrankenden Seiten tendenziell etwas weniger KI-Content aufweisen: An der Spitze entscheidet das, was nur Menschen mit echter Erfahrung beitragen koennen.

Hybrid-Workflow in der Praxis

Der belegbar erfolgreiche Ansatz ist hybrid: KI uebernimmt Skalierung und Vorarbeit, der Mensch sichert Qualitaet und E-E-A-T. Ein praxistauglicher Redaktionsprozess fuer DACH-B2B-Content laesst sich in vier Phasen gliedern.

Phase 1, Recherche und Struktur (KI): Themen-Recherche, Suchintention-Mapping, Gliederungsvorschlaege und Abdeckung semantischer Keywords. Hier ist KI schnell und gruendlich.

Phase 2, Entwurf (KI mit Briefing): Ein erster Textentwurf auf Basis eines praezisen Briefings inklusive Tonalitaet, Zielgruppe und einzubindender Eigendaten. Der Entwurf ist Rohmaterial, kein Endprodukt.

Phase 3, Faktencheck und Anreicherung (Mensch): Jede Zahl, jede Studie und jede Aussage wird gegen eine reale Quelle geprueft. Hier fliessen Eigendaten, Fallstudien und Praxisbeispiele ein, die das Modell nicht kennt.

Phase 4, Qualitaetssicherung (Mensch): Tonalitaet, sprachliche Korrektheit, E-E-A-T-Signale, Autorenzuordnung und finale Freigabe. Erst nach dieser Phase geht der Text live.

Verbindliche Qualitaetskriterien vor Veroeffentlichung: jede Statistik mit verifizierter Quelle belegt, keine erfundenen Studien, klar zugeordneter Autor, nachweisbare Erfahrung im Text und ein erkennbarer Information Gain gegenueber dem, was ein Standard-LLM ausgeben wuerde.

Haeufige Fehler: Thin Content, Duplicate Content und Halluzinationen

Automatisierte Produktion bringt drei wiederkehrende Fehlerquellen mit sich. Jede laesst sich vor der Veroeffentlichung abfangen.

KI-Halluzinationen: Sprachmodelle erfinden Statistiken, Studien, Zitate und Quellenangaben, die ueberzeugend wirken, aber nicht existieren. Das ist die gefaehrlichste Fehlerquelle, weil sie direkt das Trust-Signal zerstoert. Gegenmittel: ausnahmslose Quellenpruefung. Keine Zahl ohne belegbare Originalquelle in den Text.

Thin Content: KI fuellt Absaetze mit korrekten, aber wertlosen Allgemeinplaetzen. Der Text wirkt vollstaendig, liefert aber keinen Information Gain. Gegenmittel: jeden Absatz auf die Frage pruefen, ob er etwas enthaelt, das nicht in zehn anderen Artikeln steht.

Duplicate Content: Da viele Unternehmen dieselben Modelle mit aehnlichen Prompts nutzen, entstehen nahezu identische Texte. Gegenmittel: substanzielle Eigenanteile, eigene Daten und eine eigene fachliche Perspektive.

Eine wirksame QA prueft vor dem Livegang systematisch: Sind alle Zahlen belegt? Existiert jede zitierte Studie wirklich? Ist der Text gegenueber generischen LLM-Antworten unterscheidbar? Genau an dieser Schwelle trennt sich nuetzlicher Hybrid-Content von Scaled Content Abuse.

EU AI Act: Kennzeichnungspflicht ab August 2026

Fuer oesterreichische und DACH-B2B-Unternehmen kommt eine rechtliche Dimension hinzu. Artikel 50 des EU AI Act regelt Transparenzpflichten fuer KI-generierte Inhalte. Kuenstlich erzeugte oder manipulierte Inhalte muessen demnach so gekennzeichnet werden, dass erkennbar ist, dass sie kuenstlich erzeugt wurden, einschliesslich einer maschinenlesbaren Markierung. Die entsprechenden Transparenzpflichten gelten ab August 2026.

Was Unternehmen jetzt vorbereiten sollten:

Transparenz: Eine nachvollziehbare Praxis, wie und wo KI im Content-Prozess eingesetzt wird. Die hybride Arbeitsweise mit menschlicher redaktioneller Verantwortung ist hier ein Vorteil, weil der Mensch als verantwortliche Instanz klar benennbar bleibt.

Maschinenlesbare Markierung: Technische Vorbereitung darauf, KI-Anteile maschinenlesbar zu kennzeichnen, wo die Verordnung dies verlangt.

Prozessdokumentation: Eine interne Richtlinie, die den Redaktionsprozess festhaelt, schafft Rechtssicherheit und ist zugleich ein Qualitaetsinstrument.

Da sich die konkrete Auslegung und Umsetzung im Detail noch entwickelt, sollte die rechtliche Bewertung im Einzelfall fachkundig begleitet werden. Der strategische Punkt bleibt: Wer ohnehin auf nachvollziehbare, redaktionell verantwortete Prozesse setzt, ist auf die Transparenzanforderungen gut vorbereitet.

Zero-Click und GEO: sichtbar in KI-Antworten

Sichtbarkeit verschiebt sich von Klicks zu Erwaehnungen. Eine internationale Pew-Research-Erhebung mit 900 US-Erwachsenen zeigt, dass Nutzer mit einer KI-Zusammenfassung im Ergebnis nur in 8 Prozent der Besuche auf ein klassisches Suchergebnis klicken, ohne KI-Zusammenfassung sind es 15 Prozent, also fast doppelt so oft. Auf den Link innerhalb der Zusammenfassung selbst wird nur in 1 Prozent der Besuche geklickt. Eine Ahrefs-Analyse von 300.000 Keywords kommt zu einem aehnlichen Bild: Die Praesenz einer AI Overview korreliert mit einer um rund 58 Prozent niedrigeren durchschnittlichen Klickrate fuer das Top-Ergebnis.

Die strategische Antwort heisst Generative Engine Optimization. Laut der GEO-Studie kann gezielte Optimierung die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern. Wirksam ist Content, der zitierbar aufgebaut ist:

Statistiken: Konkrete, belegte Zahlen, die ein KI-System direkt uebernehmen kann.

Zitate und Quellenangaben: Klar attribuierte Aussagen und verlinkte Originalquellen erhoehen die Zitierwahrscheinlichkeit.

Klare Struktur: Praezise Definitionen, eindeutige Antworten auf Suchfragen und eine saubere Gliederung mit aussagekraeftigen Zwischenueberschriften.

DACH-Strategie: warum generischer KI-Content im B2B nicht ausreicht

Im DACH-B2B verstaerken sich die Argumente gegen Skalierung ohne Substanz. Drei Markt-Spezifika sind ausschlaggebend.

Sprache und Lokalisierung: Oesterreichischer Sprachgebrauch, lokale Begriffe und rechtliche Rahmenbedingungen wie der EU AI Act unterscheiden sich von generischem, oft aus dem Englischen uebersetztem KI-Output. Wer den oesterreichischen Markt adressiert, muss lokal denken, nicht uebersetzen.

B2B-Buyer-Journey: B2B-Kaufentscheidungen sind lang, beratungsintensiv und beruhen auf Vertrauen. Generischer Content ueberzeugt fachkundige Einkaeufer nicht, weil ihm genau die nachweisbare Erfahrung fehlt, die E-E-A-T verlangt.

Markt-Spezifika: Branchenkontext, regulatorische Besonderheiten und regionale Referenzen sind im DACH-Raum kaufentscheidend. Diese Tiefe entsteht nur durch menschliche Fachexpertise, nicht durch ein global trainiertes Modell.

Genau hier liegt die Chance: Wenn ein Grossteil des Marktes generischen KI-Content produziert, hebt sich lokal verankerter, erfahrungsgestuetzter Content umso staerker ab.

Predictive SEO und Topic-Cluster-Architektur

KI entfaltet ihren groessten legitimen Wert in der strategischen Vorarbeit, nicht im ungeprueften Schreiben. Drei Einsatzfelder sind besonders ergiebig.

Topic Cluster und Pillar Pages: KI hilft, Themenfelder vollstaendig zu kartieren, eine Pillar Page mit zugehoerigen Cluster-Artikeln zu planen und semantische Luecken zu identifizieren.

Suchintention-Mapping: Die systematische Zuordnung von Keywords zu informationaler, navigationaler, transaktionaler oder kommerzieller Intention laesst sich mit KI deutlich beschleunigen.

Semantische und LSI-Keywords: KI deckt verwandte Begriffe und thematische Nachbarschaften auf, die eine Seite abdecken sollte, um ihr Thema vollstaendig zu behandeln.

In all diesen Faellen bleibt die menschliche Kontrolle entscheidend: KI liefert Hypothesen und Struktur, der Mensch validiert sie gegen reale Marktdaten und eigene Erfahrung.

Messung und Monitoring: Ranking-Verluste richtig diagnostizieren

Wer KI-Content skaliert, braucht ein Monitoring, das zwischen normalen Schwankungen und echten Abstrafungen unterscheidet. Eine pragmatische Vorgehensweise:

Core- und Spam-Updates abgleichen: Bei Ranking-Verlusten zuerst pruefen, ob ein bekanntes Google-Update zeitlich zusammenfaellt. Ein Einbruch parallel zu einem Spam-Update deutet auf ein Qualitaets- oder Skalierungsproblem hin.

Manual Actions kontrollieren: Die Google Search Console zeigt manuelle Massnahmen direkt an. Eine gemeldete Manual Action wegen Scaled Content Abuse erfordert eine Bereinigung der betroffenen Seiten und einen Antrag auf erneute Pruefung.

KI-Content-Qualitaet tracken: Auf Seiten-Ebene beobachten, welche Inhalte Sichtbarkeit verlieren. Haeufen sich Verluste bei duenn ausgearbeiteten, KI-lastigen Seiten, ist das ein Signal fuer fehlenden Information Gain.

Auf Demotions reagieren: Betroffene Seiten substanziell ueberarbeiten statt loeschen, sofern das Thema relevant bleibt. Eigendaten, Fallstudien und nachweisbare Erfahrung ergaenzen, schwachen Massentext entfernen.

Das uebergeordnete Prinzip bleibt ueber alle Metriken hinweg gleich: Google misst Nutzen, nicht Produktionsmethode. Ein Monitoring, das Qualitaet und Information Gain in den Mittelpunkt stellt, ist deshalb wirksamer als jede Suche nach dem einen KI-Schwellenwert, den es nicht gibt.

Weiterfuehrendes

KI-gestuetzte Content-Erstellung ist im DACH-B2B kein Ranking-Risiko, solange menschliche redaktionelle Kontrolle, E-E-A-T und Information Gain gesichert sind. Vertiefend relevant sind die Themen E-E-A-T und Autoren-Signale, Information Gain als Differenzierungsstrategie, Thin- und Duplicate-Content-Vermeidung, Zero-Click- und GEO-Strategie sowie die rechtlichen Anforderungen des EU AI Act fuer oesterreichische Unternehmen.