Ein KI-gestützter SEO-Assistent verbindet technische Website-Signale, Inhaltsanalyse und priorisierte Handlungsempfehlungen in einem nachvollziehbaren Workflow. Diese anonymisierte Fallstudie konzentriert sich auf Architektur, Datenqualität und menschliche Kontrolle; Produkt- und Kundenidentität werden nicht veröffentlicht.
Anonymisierte Projektstudie: Die Darstellung dokumentiert technische Produktarbeit. Sie ist kein Leistungsangebot; aktuell werden keine freiberuflichen oder gewerblichen Projekte angenommen.
Problem
Klassische SEO-Audits erzeugen oft lange Listen einzelner Hinweise. Ohne Kontext bleibt unklar, welche Maßnahme zuerst umgesetzt werden sollte, welches Signal tatsächlich belegt ist und wo nur eine mögliche Interpretation vorliegt. Ein KI-Modell kann Texte gut zusammenfassen, darf aber keine fehlenden Messwerte erfinden oder technische Regeln ersetzen.
Der Assistent wurde deshalb nicht als autonomer „Ranking-Autopilot“ gedacht. Er strukturiert vorhandene Daten, erklärt Zusammenhänge und unterstützt die Priorisierung. Veröffentlichung und Umsetzung bleiben bewusst menschliche Entscheidungen.
Systemgrenzen
- Technische Fakten müssen aus abrufbaren Dokumenten oder Messungen stammen.
- Generierte Empfehlungen werden getrennt von Rohdaten und Regelresultaten gespeichert.
- Jede wichtige Empfehlung soll auf ein konkretes Signal zurückverweisen.
- Unsicherheit, fehlende Daten und widersprüchliche Befunde werden sichtbar gemacht.
- Änderungen an einer Website erfolgen nie automatisch ohne Prüfung.
Analyse-Pipeline
| Stufe | Verarbeitung | Ergebnis |
|---|---|---|
| Erfassung | URL, Status, Canonical, Überschriften, Metadaten, Links, strukturierte Daten und Text | Reproduzierbarer Dokument-Snapshot |
| Normalisierung | URLs vereinheitlichen, Duplikate erkennen, Seitentyp und Sprache zuordnen | Vergleichbare Datensätze |
| Deterministische Checks | Indexierbarkeit, Statusketten, fehlende Felder, Widersprüche und interne Verlinkung prüfen | Belegbare technische Findings |
| Semantische Analyse | Suchintention, Themenabdeckung, Redundanz und Verständlichkeit einordnen | Kontext für redaktionelle Entscheidungen |
| Priorisierung | Impact, Sicherheit des Befunds, Aufwand und Seitentyp gewichten | Sortierte Maßnahmen statt ungeordneter Liste |
| Menschliche Freigabe | Empfehlung, Quelle und mögliche Nebenwirkung prüfen | Bewusste Entscheidung mit Audit-Trail |
Deterministische Regeln vor KI
Viele SEO-Fragen benötigen kein Sprachmodell. Ein fehlerhafter Canonical, ein 404-Link, eine blockierte Seite oder mehrere H1-Elemente lassen sich direkt prüfen. Solche Regeln liefern reproduzierbare Resultate und bilden die Grundlage für spätere Erklärungen.
Die KI wird dort eingesetzt, wo Kontext zählt: Passen Titel und Einleitung zur vermuteten Suchintention? Wiederholen mehrere Seiten dasselbe Thema? Ist eine Empfehlung für eine Profilseite anders zu bewerten als für einen Blogartikel? Das Modell ergänzt die Regeln, es ersetzt sie nicht.
Priorisierung mit nachvollziehbaren Faktoren
Ein Finding wird nicht allein deshalb wichtig, weil es leicht zu formulieren ist. Die Priorisierung berücksichtigt mindestens vier Dimensionen: erwarteter Einfluss, Verlässlichkeit des Signals, Umsetzungsaufwand und Reichweite der betroffenen Vorlage. Ein Fehler in einer globalen Seitenschablone kann höher priorisiert werden als zehn kleine Textdetails auf einzelnen Seiten.
Empfehlungen mit unsicherer Datenlage werden entsprechend markiert. So kann eine Person entscheiden, ob zuerst weitere Messung, ein kleiner Test oder eine direkte Korrektur sinnvoll ist.
Schutz vor Halluzinationen
Der Assistent darf keine Rankings, Suchvolumina, Conversion-Werte oder technische Zustände behaupten, wenn diese nicht in den Eingangsdaten enthalten sind. Prompts und Ausgabeschemata trennen daher Beobachtung, Schlussfolgerung und Empfehlung. Quellenfelder verweisen auf den analysierten Seitenausschnitt oder das technische Prüfergebnis.
Zusätzliche Validierung stellt sicher, dass URLs zum untersuchten Host gehören, Zahlen aus dem Input stammen und Pflichtfelder im erwarteten Format vorliegen. Kann eine Aussage nicht belegt werden, wird sie als Hypothese formuliert oder verworfen.
Leitprinzip
KI kann die Aufmerksamkeit auf relevante Muster lenken. Die Wahrheit über eine Website liefern jedoch reproduzierbare Messungen, Quelltexte, Suchdaten und überprüfbare Änderungen.
Datenschutz und Zugriff
Ein SEO-System kann öffentliche Seiten, unveröffentlichte Inhalte und Analysewerte verarbeiten. Deshalb werden Datenquellen, Aufbewahrung und Zugriffsrechte getrennt betrachtet. Sensible Zugangsdaten gehören nicht in Prompts oder Protokolle; Projekt- und Kundendaten werden nur im notwendigen Umfang verarbeitet.
Auch bei öffentlichen Websites sollten gespeicherte Snapshots und Analysehistorien nicht unbegrenzt wachsen. Klare Lösch- und Aktualisierungsregeln verhindern, dass alte Inhalte später als aktueller Zustand interpretiert werden.
Ergebnis
Der Workflow verwandelt heterogene SEO-Signale in eine geordnete, überprüfbare Aufgabenbasis. Technische Findings bleiben reproduzierbar, semantische Hinweise erhalten Kontext und menschliche Prüfer sehen, warum eine Empfehlung vorgeschlagen wurde.
Der wichtigste Nutzen liegt nicht in möglichst vielen automatisch erzeugten Texten. Er liegt in besserer Entscheidungsqualität: weniger ungeordnete Hinweise, klarere Belege und eine Priorisierung, die sich diskutieren und korrigieren lässt.
Was die Fallstudie belegt
- Architektur eines KI-gestützten Analyseworkflows
- Verbindung deterministischer Webchecks mit semantischer Auswertung
- Strukturierte Ausgaben, Validierung und Quellenbezug
- Risikobewusster Einsatz generativer Modelle
- Priorisierung nach Impact, Sicherheit, Aufwand und Reichweite
- Human-in-the-loop statt automatischer Website-Änderung
Mehr zu Architektur und SEO
Weitere Projektbeiträge und Artikel dokumentieren meine Arbeit an TYPO3, PrestaShop, APIs, Performance und technischer SEO.
ProjektübersichtTechnologieprofilArtikel