Das Pew Research Center hat neu veröffentlichte Webinhalte auf Merkmale maschinell erzeugter Sprache untersucht. Das Ergebnis: Bei etwa 35 Prozent der neuen Webseiten finden sich solche Spuren. Seit der Veröffentlichung von ChatGPT ist der Anteil deutlich gestiegen.

Die Zahl beschreibt zunächst nur eine Beobachtung, keine Bewertung. Ein Text mit KI-Spuren ist nicht automatisch schlecht, und ein rein manuell geschriebener Text ist nicht automatisch gut. Interessant ist die Zahl aus einem anderen Grund: Sie zeigt, dass Textproduktion aufgehört hat, ein Engpass zu sein. Wenn Inhalte in beliebiger Menge verfügbar sind, entscheidet nicht mehr die Existenz eines Textes über Sichtbarkeit, sondern seine Unterscheidbarkeit.

Was sich für Website-Betreiber tatsächlich ändert

Viele Unternehmen haben ihre Content-Strategie in einer Zeit aufgebaut, in der das Schreiben teuer war. Redaktionspläne, Themencluster und Keyword-Listen waren Werkzeuge, um knappe Schreibkapazität sinnvoll zu verteilen. Diese Knappheit gibt es so nicht mehr.

Damit verlagert sich der Aufwand. Nicht das Erzeugen eines Rohtexts kostet Zeit, sondern die Arbeit davor und danach: Welche Frage soll der Text beantworten? Welche Information ist im Unternehmen vorhanden und sonst nirgends? Und stimmt am Ende alles, was dort steht?

Genau an dieser Stelle entstehen in der Praxis die Probleme. Sprachmodelle formulieren souverän auch dann, wenn ihnen die Sachgrundlage fehlt. Ein Text kann flüssig, gut strukturiert und in Teilen falsch sein — eine Kombination, die schwerer auffällt als ein sichtbar holpriger Text.

Substanz kommt aus dem Unternehmen, nicht aus dem Modell

Der Unterschied zwischen austauschbarem und tragfähigem Content liegt selten in der Formulierung. Er liegt in der Substanz: konkrete Projektzahlen, Erfahrungen aus dem Betrieb, technische Entscheidungen samt Begründung, Grenzen des eigenen Angebots.

Diese Informationen stecken in Köpfen, Tickets, Angeboten und Protokollen — nicht in den Trainingsdaten eines Sprachmodells. Wer sie in den Content-Prozess einspeist, produziert Inhalte, die sich nicht beliebig reproduzieren lassen. Wer es nicht tut, erzeugt Texte, die jeder Wettbewerber in ähnlicher Form ebenfalls erzeugen kann.

Sinnvolle Arbeitsteilung im Content-Prozess

Aus dieser Beobachtung lässt sich eine praktikable Aufteilung ableiten. Sprachmodelle sind stark bei Aufgaben, deren Ergebnis leicht überprüfbar ist:

  • Rohfassungen aus vorhandenen Notizen, Interviews oder Dokumentationen strukturieren
  • Vorhandene Texte kürzen, gliedern oder für ein anderes Format anpassen
  • Meta-Beschreibungen, Zusammenfassungen und Teaser aus fertigen Texten ableiten
  • Übersetzungen als Grundlage für ein fachliches Lektorat erstellen
  • Terminologie und Ansprache über größere Textbestände hinweg prüfen

Weniger geeignet sind Aufgaben, bei denen das Modell Inhalte erst erfinden muss: Fachaussagen ohne Quelle, Zahlen, Kundenbeispiele, rechtliche Hinweise. Hier verschiebt sich der Aufwand nur — vom Schreiben zum Gegenprüfen, oft ohne Zeitgewinn.

Qualitätssicherung braucht eine Zuständigkeit

Ein KI-gestützter Content-Prozess funktioniert nur mit einer klaren Freigabeinstanz. Konkret bedeutet das: Eine Person mit Fachkenntnis liest den Text vor der Veröffentlichung und übernimmt die Verantwortung für die Aussagen. Diese Rolle lässt sich nicht an ein Werkzeug delegieren.

Hilfreich sind zusätzlich einfache organisatorische Festlegungen:

  • Herkunft dokumentieren: Im Redaktionssystem festhalten, welche Inhalte maschinell vorbereitet wurden. Das erleichtert spätere Überarbeitungen und Fehlersuche.
  • Faktenprüfung als eigener Schritt: Zahlen, Namen und technische Angaben gegen eine belastbare Quelle prüfen, nicht gegen ein zweites Sprachmodell.
  • Weniger, aber tragfähiger: Ein gepflegter Beitrag pro Monat nutzt mehr als zehn generische. Alte Seiten pflegen statt neue anlegen.
  • Bestand aufräumen: Inhalte ohne Substanz belasten Struktur, Navigation und Vertrauen. Löschen ist eine legitime Maßnahme.

Technische Voraussetzungen im CMS

Ob solche Prozesse eingehalten werden, hängt auch am Redaktionssystem. In TYPO3 lassen sich Workflows mit getrennten Rollen für Erstellung und Freigabe abbilden, Arbeitsversionen vor der Veröffentlichung prüfen und strukturierte Inhaltselemente vorgeben, die eine gewisse inhaltliche Disziplin erzwingen.

Wo KI-Unterstützung direkt in der Redaktionsoberfläche eingebunden wird, sollte sie diese Struktur ergänzen und nicht umgehen. Ein Assistent, der Vorschläge in ein Arbeitsversionsfeld schreibt, ist unkritisch. Ein Automatismus, der ohne Prüfschritt veröffentlicht, verlagert das Risiko unmittelbar in die Öffentlichkeit.

Glaubwürdigkeit als knappe Ressource

Wenn ein erheblicher Teil neuer Webinhalte maschinelle Merkmale trägt, wächst der Wert von Inhalten, die erkennbar aus Erfahrung stammen. Leserinnen und Leser entwickeln ein Gespür für Texte, die viele Worte machen und wenig sagen. Suchsysteme und KI-Antwortdienste bewerten Quellen ebenfalls danach, ob sie belastbare Informationen liefern.

Für Unternehmen heißt das nicht, KI aus dem Content-Prozess zu verbannen. Es heißt, sie dort einzusetzen, wo sie Arbeit abnimmt, und die eigene Fachkenntnis dort einzubringen, wo sie den Unterschied macht.

Für Web- und Softwareprojekte folgt daraus eine nüchterne Konsequenz: Der Engpass verschiebt sich von der Produktion zur Redaktion und Pflege. Wer ein Projekt plant, sollte Budget nicht primär für die Menge an Inhalten einplanen, sondern für Freigabeprozesse, fachliche Prüfung und die laufende Aktualisierung des Bestands. Ein CMS, das Rollen, Versionen und Freigaben sauber abbildet, ist dabei kein Komfortmerkmal, sondern die Grundlage dafür, dass Qualitätssicherung im Alltag tatsächlich stattfindet.

Quellen