Agentic Content Engineering: Der KI Workflow für die Optimierung Ihrer Website

Vereinfacht dargestellt verlieren Websites Besucherinnen und Besucher an drei kritischen Stationen der User-Journey.

1. Recherche. Nutzer suchen bei Google, Bing oder Ecosia genauso wie in KI-Systemen wie ChatGPT, Perplexity oder Gemini. Unser Ziel als Website-Betreiber: in Ergebnissen und KI-Antworten sichtbar sein und idealerweise empfohlen werden. Das Risiko: keine Sichtbarkeit, kein Ranking oder keine Erwähnung. Nutzer finden Sie nicht und die User-Journey ist zu Ende bevor sie richtig begonnen hat.

2. Impression. Ihre Seite erscheint im Suchergebnis oder ein KI-System empfiehlt sie. Position, Title und Description entscheiden jetzt über den Klick auf Ihre Seite oder einen Konkurrenten. Ihr Ziel: Seitenbesuche. Das Risiko Zero-Click: die Nutzer sehen Sie zwar, klicken aber nicht.

3. Besuch der Seite. Jetzt zählt, ob Sie die Nutzerabsicht (Suchintent) treffen und das Vertrauen des Users gewinnen können. Ist der Nutzen Ihres Angebots klar? Entsteht genug Vertrauen? Ihr Ziel: Conversions, also Anfragen, Käufe oder Buchungen. Das Risiko: der Absprung.

Drei Stationen, drei Ziele, drei Abbruchgründe. Wer nur an einer Station optimiert, verschiebt das Problem nach hinten.

Für jede Station der User Journey können wir auf umfangreiche Daten zur Optimierung zurückgreifen:

• Recherche: Sistrix, DataForSEO und vergleichbare Tools liefern Daten zur Sichtbarkeit, Keyword-Daten, Wettbewerbsinformationen und Daten zu KI-Erwähnungen und Prompt-Monitoring.
• Impressions und Klicks: Die Google Search Console zeigt Impressionen, Klicks, Click-Through-Rate und durchschnittliche Position – aufgeschlüsselt nach Seite, Keyword, Land und Gerät.
• Nutzerverhalten: Matomo oder Google Analytics liefern Besuche, Absprungrate, Verweildauer, Seiten pro Sitzung, Traffic-Quellen und Ziel-Conversions.

Daten sind also reichlich vorhanden. Trotzdem zeigt sich in Workshops immer wieder dasselbe Muster: Die Daten liegen in getrennten Silos, und kaum jemand nutzt sie systematisch. Alle paar Monate schaut jemand in Matomo. Ab und zu gibt es einen SEO- oder GEO-Workshop. Die Search Console öffnet man vor allem dann, wenn der Verdacht auf eine Google-Penalty im Raum steht.

Die Analyse bleibt deshalb oft fragmentiert. Ein Ranking-Verluste, schwache CTRs und hohe Absprungraten werden oft nicht erkannt oder erscheinen als drei getrennte Befunde, obwohl sie gemeinsame Ursache haben können. 

Dahinter steckt keine Nachlässigkeit, sondern eine schlichte Begrenzung: Menschen erkennen Muster und Abweichungen in großen, verteilten Datenmengen nur schwer. Genau darin sind Sprachmodelle stark, wenn sie die Daten im Zusammenhang sehen.

Das Bild aus dem Talk: ein Schweizer Taschenmesser. In der Mitte das Sprachmodell Claude, ringsum die Datenquellen, angebunden über MCP-Server (Model Context Protocol). MCP ist ein offener Standard, über den ein KI-Assistent externe Systeme direkt abfragen und beschreiben kann.

• DataForSEO für SEO- und GEO-Daten, Keyword-Rankings und Wettbewerbsanalysen
• Sistrix für Sichtbarkeit, Keywords, Potenziale und individuelles Prompt-Monitoring
• Google Search Console für Impressionen, Klicks und CTR (in unserem Fall über einen n8n-Workflow angebunden)
• Matomo und Google Analytics für Besucherzahlen, Verhalten und Conversions
• Firecrawl für das Crawling von externem Content und Seitenstrukturen 
• Markdown-Dateien mit unseren Vorgaben und Text-Guidelines
• Das CMS TYPO3: damit kann das LLM Inhalte unserer Website lesen, ändern oder neu erstellen

Da TYPO3 als Werkzeug angebunden ist, liest unser AI Agent nicht nur Performance-Daten, sondern auch die Struktur der Seite: Überschriften, Inhaltselemente und Metadaten. Der Clou: Änderungsvorschläge schreibt er direkt in einem eigenen Workspace ins CMS zurück.

Entwürfe statt Live-Änderungen. Nichts geht ungeprüft online. Die Redaktion plant, prüft und gibt frei. Dieses Prinzip – Human in the Loop – ist keine Bremse, sondern die Bedingung dafür, dass Sie den Workflow überhaupt auf produktive Seiten loslassen können.

Dokumentation nach Fakt, Folgerung, Annahme. Der AI Agent muss offenlegen, worauf eine Empfehlung beruht: auf einer gemessenen Zahl, auf einer Ableitung daraus oder auf einer Vermutung. Das macht die Vorschläge prüfbar, statt sie als gleich gültige Wahrheiten nebeneinanderzustellen.

Keine Zwischenfragen. Klingt nach einem Detail für die Bühne, ist aber der Unterschied zwischen einem Chat und einem Workflow: Der Durchlauf soll ohne Rückfragen bis zum Ergebnis kommen, damit Sie ihn wiederholen und später planen können.

Der Workflow ist nicht auf eine einzelne Seite beschränkt. Sobald Daten und CMS am selben Assistenten hängen, öffnen sich weitere Anwendungsfälle:

• Übersetzungen direkt im Redaktionssystem
• Content-Migration über verschiedene Systeme hinweg
• Content-Creation und -Checks nach strikten Vorgaben, etwa HWG im Gesundheitsbereich, EmpCo-Anforderungen oder Gender-Vorgaben, etc. 

Gerade der dritte Punkt ist für regulierte Branchen interessant. Eine Regel, die einmal sauber formuliert ist, wendet ein AI Agent konsequent auf alle Seiten an.

Was noch nicht rund läuft

Ein ehrlicher Rückblick gehört dazu. Diese Punkte sind offene Baustellen:

• Bilder, Videos und Assets lassen sich über das TYPO3-MCP bisher nur eingeschränkt verwalten.
• Automatisierte Alt-Texte erzeugen Sie derzeit besser über andere Workflows oder Extensions.
• Die Stabilität: Einzelne Verbindungen zu MCP-Servern fallen immer wieder aus.
• Die Google Search Console bietet kein eigenes MCP. Wir haben sie über n8n angebunden.

Wer heute damit startet, sollte diese Lücken einplanen. Sie sind Gründe für eine saubere Prozessgestaltung, nicht gegen den Ansatz.

Die häufigste und berechtigte Frage aus dem Publikum. Unserer Erfahrung nach liegt der Unterschied liegt im Kontext.

Ein freier Prompt ohne Vorgaben erzeugt austauschbare Texte. Ein Prompt, der auf echten Performance-Daten zurückgreift und dazu klare Textregeln mitbekommt, liefert deutlich bessere Ergebnisse. Bei uns sind das zwei Ebenen: generelle Vorgaben gegen KI-typische Sprachmuster und individuelle Text-Guidelines pro Kunde, etwa konsequente Kundenperspektive, keine Passivkonstruktionen, festgelegte Regeln zum gendern usw..

Trotzdem müssen AI generierte Texte umfassend geprüft und überarbeitet werden: Rund 15-20 Prozent manuellen Feinschliff brauchen wir am Ende immer. Wer diesen Anteil einspart, riskiert tatsächlich AI-Slop zu produzieren.

Der Mehrwert dieses Workflows liegt auch nicht darin, dass ein AI Agent perfekte Texte schreibt. Der Mehrwert liegt darin, dass Inhalte konsequent datenbasiert geplant und optimiert werden. Für den perfekten Text brauchen wir immer einen guten Redakteur. 

Transparenz-Hinweis: Dieser Beitrag wurde von Nepomuk konzipiert, recherchiert und strukturiert. AI unterstützte den Prozess bei der Vor-Formulierung, Optimierung und Pflege der Inhalte in TYPO3. Nepomuk hat den Artikel im Anschluss redigiert, geprüft und umfassend überarbeitet.