Wir spüren den Traffic-Rückgang deutlich. Dreißig bis vierzig Prozent weniger Besuche sind kein Ausschlag, das ist ein Bruch. KI-basierte Antworten nutzen unsere Inhalte, ohne dass jemand unsere Seiten besucht. Verhindern können wir das nicht. Aber wir haben uns gefragt, ob wir genau diese Technologie nutzen können, um gegenzusteuern.
Was wir aktuell ausprobieren, ist kein schnellerer Reporting-Zyklus, sondern etwas anderes: Wir verknüpfen KI mit den echten Suchdaten, Inhalten und der Änderungshistorie einer Website, um Einsichten zu bekommen, deren Fragen wir früher gar nicht gestellt hätten. So können wir nicht nur Änderungen dokumentieren, sondern rückwirkend bewerten, ob sie wirklich etwas gebracht haben.
Fragen stellen, wenn sie entstehen
Suchmaschinenoptimierung war immer ein iterativer Prozess. Man analysiert die Sichtbarkeit einer Website, identifiziert Schwächen, nimmt Änderungen vor und schaut einige Wochen oder Monate später, was daraus geworden ist.
Das Problem dabei ist, dass solche Analysen vorbereitet werden müssen. Daten müssen gesammelt, Berichte definiert und Auswertungen programmiert werden. Neue Fragen bedeuten neuen Aufwand. Und häufig merkt man erst im laufenden Prozess, dass man eigentlich etwas ganz anderes wissen möchte.
Genau an dieser Stelle verändert KI für uns die Arbeitsweise. Wir müssen Analysefragen nicht mehr im Voraus festzurren. Wir können sie dann stellen, wenn sie sich aus einer konkreten Beobachtung heraus ergeben und können sie dann auf die vorhandene Historie anwenden.
Dafür verbinden wir die Daten der Google Search Console mit den Inhalten und Strukturen einer Website. Bei dateibasierten Systemen können zusätzlich Änderungen aus der Git-Historie einfließen, bei datenbankbasierten Systemen die jeweiligen Änderungsprotokolle. Das LLM einer KI-Anwendung bekommt so einen holistischen Blick auf die Inhalte und kann Zusammenhänge erkennen, die wir nicht oder nur mit viel Rechercheaufwand sehen.
Vom Befund zum To-do
Analysen helfen uns allerdings nur, wenn wir daraus etwas tun können. Das System sucht deshalb gezielt nach Verbesserungspotenzialen: Offensichtliche Schwächen, aber auch weniger sichtbare Chancen. Seiten, die knapp vor den vorderen Positionen stehen, Themen, die noch nicht gut genug beantwortet sind, Kannibalisierungen oder veraltete Inhalte.
Daraus entstehen To-dos, die nach der Umsetzung wieder in die Historie einfließen. Diese Spur ist nicht in erster Linie für uns gedacht, sondern für das System selbst. Es kann später nachvollziehen, warum etwas geändert wurde, was danach passiert ist und wie sich Kennzahlen entwickelt haben. So entsteht eine Erfahrungsbasis, auf die das System bei künftigen Analysen zurückgreifen kann.
Wann funktioniert ein neuer Artikel?
Ein Beispiel hat uns besonders deutlich gezeigt, was dadurch möglich wird. Wir wollten eine Frage beantworten, die uns eigentlich schon immer begleitet: Wann kann man überhaupt beurteilen, ob ein neuer Artikel funktioniert? Wann ist er im Index? Wann kommen die ersten Impressionen und Klicks? Ab wann sind Daten belastbar genug, um Entscheidungen zu treffen? Die Search Console liefert einzelne Datenpunkte, aber keine direkte Antwort darauf.
Das LLM hat selbstständig eine Kohortenanalyse erstellt. Alle neuen Webseiten wurden automatisch mit dem Median der gleich alten Seiten verglichen – so konnten wir sehen, ob sich ein Artikel besser, schlechter oder im Rahmen entwickelt.
Neu war für uns dabei weniger das statistische Verfahren an sich, sondern wie schnell die KI die passende Analyse für unsere Fragestellung ausgewählt und umgesetzt hat … und wie einfach sich diese Analyse anpassen lässt, wenn wir andere Schwerpunkte setzen wollen.
Wie es weitergeht
Die nächste Herausforderung liegt für uns darin, die Analyse mit der Struktur der Website zu verbinden. Gute Websites bilden fachliche Zusammenhänge ab und verwenden unterschiedliche Dokumenttypen und semantische Modelle. Diese Semantik muss verstanden und technisch angebunden werden. Nicht nur zum Lesen, sondern perspektivisch auch, um freigegebene Änderungen gezielt zurückzuschreiben.
Daran arbeiten wir gerade mit unserem Werkzeug Trailmarks. Aktuell setzen wir es vor allem auf eigenen Websites ein. Im nächsten Schritt wollen wir die gewonnenen Erfahrungen auf unsere TYPO3-Projekte übertragen.