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

Warum die Produktionsmethode nicht über 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 vollständig KI-generiert sind. Die grosse Mehrheit von 81,9 Prozent nutzt einen Mix aus beidem, während 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 Qualität, nicht Herkunft. Für österreichische und DACH-Unternehmen ist das relevant, weil KI im Marketing längst Standard ist. Laut der AI-Readiness-Studie 2025 von Handelsverband und Google Austria nutzen 68 Prozent der befragten heimischen Betriebe KI, der häufigste Anwendungsfall ist Texterstellung mit 49 Prozent. Die Studie ist laut eigener Angabe nicht repräsentativ, 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-gestützt und missbräuchlich 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 ausdrücklich das Vorgehen, "generative KI-Tools zu nutzen, um viele Seiten ohne Mehrwert für 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 für B2B-Redaktionen relevant:

Scaled Content Abuse: Das massenhafte Erzeugen von Seiten, deren primärer Zweck die Ranking-Manipulation ist. Die Grenze verläuft nicht bei der Stückzahl, 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 Autorität auszunutzen. Im B2B betrifft das etwa eingekaufte "Partner-Sektionen" oder ausgelagerte Blog-Bereiche.

Expired Domain Abuse: Das Aufkaufen ausgelaufener Domains, um deren Linkprofil für 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 ursprünglich 40 Prozent weniger minderwertige Inhalte, nach Abschluss des Rollouts meldete das Unternehmen sogar 45 Prozent weniger minderwertige, unoriginelle Inhalte in den Suchergebnissen. Die Botschaft für DACH-B2B ist eindeutig: Skalierung ohne Substanz wird systematisch entwertet.

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

Wenn nicht die Methode zählt, dann die nachweisbare Qualität. Googles Raster dafür heisst E-E-A-T: Experience, Expertise, Authoritativeness und Trust. Jede dieser Dimensionen lässt sich bei KI-assistiertem Content gezielt stärken.

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 größte menschliche Beitrag: konkrete Projektbeispiele, eigene Screenshots, dokumentierte Ergebnisse aus realen Mandaten.

Expertise: Fachliche Tiefe muss durch verifizierbare Aussagen belegt sein. Genau hier scheitert ungeprüft übernommener 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-Autorität über mehrere Artikel hinweg signalisieren, dass hinter dem Text eine zurechenbare Person steht.

Trust: Quellenangaben, Aktualität, Impressum und Korrektheit. Vertrauen ist die übergeordnete Dimension, die alle anderen zusammenhält.

Dass hier eine Lücke klafft, zeigt der deutsche Markt: Laut Bitkom Research sagen 52 Prozent der Unternehmen, dass es in Marketingabteilungen häufig an den nötigen Kompetenzen fehlt, um KI sinnvoll einzusetzen. Gleichzeitig sind 51 Prozent überzeugt, dass generative KI heute schon einen erheblichen Teil der kreativen Marketingarbeit übernimmt. 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 zusätzlichen Informationswert, den eine Seite gegenüber bereits indexierten Inhalten bietet. Ein generischer LLM-Output hat per Definition geringen Information Gain, weil er aus denselben Trainingsdaten schöpft wie tausende andere Texte. Wer im DACH-B2B sichtbar bleiben will, muss diesen Mehrwert aktiv erzeugen.

Konkrete Hebel für 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 Aufzählung generischer Best Practices.

Eigene Analyse: Eine begründete fachliche Position, die über die Zusammenfassung vorhandener Quellen hinausgeht.

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

Hybrid-Workflow in der Praxis

Der belegbar erfolgreiche Ansatz ist hybrid: KI übernimmt Skalierung und Vorarbeit, der Mensch sichert Qualität und E-E-A-T. Ein praxistauglicher Redaktionsprozess für DACH-B2B-Content lässt sich in vier Phasen gliedern.

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

Phase 2, Entwurf (KI mit Briefing): Ein erster Textentwurf auf Basis eines präzisen Briefings inklusive Tonalität, 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 geprüft. Hier fliessen Eigendaten, Fallstudien und Praxisbeispiele ein, die das Modell nicht kennt.

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

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

Häufige Fehler: Thin Content, Duplicate Content und Halluzinationen

Automatisierte Produktion bringt drei wiederkehrende Fehlerquellen mit sich. Jede lässt sich vor der Veröffentlichung abfangen.

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

Thin Content: KI füllt Absätze mit korrekten, aber wertlosen Allgemeinplätzen. Der Text wirkt vollständig, liefert aber keinen Information Gain. Gegenmittel: jeden Absatz auf die Frage prüfen, ob er etwas enthält, das nicht in zehn anderen Artikeln steht.

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

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

EU AI Act: Kennzeichnungspflicht ab August 2026

Für österreichische und DACH-B2B-Unternehmen kommt eine rechtliche Dimension hinzu. Artikel 50 des EU AI Act regelt Transparenzpflichten für KI-generierte Inhalte. Künstlich erzeugte oder manipulierte Inhalte müssen demnach so gekennzeichnet werden, dass erkennbar ist, dass sie künstlich 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 festhält, schafft Rechtssicherheit und ist zugleich ein Qualitätsinstrument.

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 Erwähnungen. 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 ähnlichen Bild: Die Präsenz einer AI Overview korreliert mit einer um rund 58 Prozent niedrigeren durchschnittlichen Klickrate für 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 übernehmen kann.

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

Klare Struktur: Präzise Definitionen, eindeutige Antworten auf Suchfragen und eine saubere Gliederung mit aussagekräftigen Zwischenüberschriften.

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

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

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

B2B-Buyer-Journey: B2B-Kaufentscheidungen sind lang, beratungsintensiv und beruhen auf Vertrauen. Generischer Content überzeugt fachkundige Einkäufer 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, erfahrungsgestützter Content umso stärker ab.

Predictive SEO und Topic-Cluster-Architektur

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

Topic Cluster und Pillar Pages: KI hilft, Themenfelder vollständig zu kartieren, eine Pillar Page mit zugehörigen Cluster-Artikeln zu planen und semantische Lücken zu identifizieren.

Suchintention-Mapping: Die systematische Zuordnung von Keywords zu informationaler, navigationaler, transaktionaler oder kommerzieller Intention lässt 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 vollständig zu behandeln.

In all diesen Fällen 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 prüfen, ob ein bekanntes Google-Update zeitlich zusammenfällt. Ein Einbruch parallel zu einem Spam-Update deutet auf ein Qualitäts- 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 Prüfung.

KI-Content-Qualität tracken: Auf Seiten-Ebene beobachten, welche Inhalte Sichtbarkeit verlieren. Häufen sich Verluste bei dünn ausgearbeiteten, KI-lastigen Seiten, ist das ein Signal für fehlenden Information Gain.

Auf Demotions reagieren: Betroffene Seiten substanziell überarbeiten statt löschen, sofern das Thema relevant bleibt. Eigendaten, Fallstudien und nachweisbare Erfahrung ergänzen, schwachen Massentext entfernen.

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

Weiterführendes

KI-gestützte 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 für österreichische Unternehmen.