Zeit gespart, neue Arbeit geschaffen: SEO-Routine mit KI-Agenten automatisieren

Im SEO gibt es viele Aufgaben, die wir automatisieren können, zum Beispiel den technischen Website-Audit. Die Anforderungen an dieses Audit sind ziemlich standardisiert. Wenn ich die notwendige Wissensbasis im Voraus gesammelt habe und dem Agenten die erforderlichen Informationen bereitstelle, kann ich einen recht guten Audit im automatischen Modus erhalten.

Das Hauptproblem besteht darin, dass einer meiner automatisierten Prozesse funktioniert, indem er Daten von einem KI-Agenten übernimmt. Dabei sparen wir zwar Zeit, aber wir müssen auf der anderen Seite genauso viel Zeit an anderer Stelle zurückgeben: beim Nachprüfen dessen, was die Agenten liefern.

Ja, darum geht es auch in diesem Text: die ehrliche Rechnung hinter einer Automatisierung und die drei Schichten, mit denen ich verhindere, dass ungeprüfter KI-Output bei mir landet.

Dieser Artikel basiert auf einem neunminütigen Video, das ich für den SEO-Club von Marie Haynes aufgenommen habe. Darin zeige ich, wie meine KI-Agenten eine grundlegende Aufgabe des technischen Audits einer Website durchführen.

▶ Auf YouTube ansehen

Das eigentliche Nadelöhr ist die Interpretation der Daten

Das Datensammeln ist kein Problem mehr, und es gibt mehr Werkzeuge dafür, als ich Lesezeit habe. Die schwierige Frage lautet: Was bedeutet das? Genau da ist KI am schwächsten. Sie präsentiert Korrelation als Ursache. Sie füllt Lücken mit plausibler Logik, die aber nie in den Daten stand. Der Text liest sich sauber, die Zahl klingt richtig, und trotzdem stimmt sie nicht. Deshalb existiert mein System. Es ist darauf aufgebaut, dass ein Modell eine Sache falsch deutet.

Die Architektur dahinter: ein Team aus Agenten

In meinem Setup ist die KI ein spezialisiertes Team aus Agenten. Jeder Akteur besitzt eine feste Rolle, spezifische Fähigkeiten und Zugriff auf eigene Werkzeuge. Ein Lead-Agent steuert dabei die Aufgabenverteilung.

Ich habe die Rollen nach der Serie “The Office” benannt, weil ich Fan bin. Michael übernimmt die Führung und Delegation. Dwight verantwortet das Technische: Crawling, Schema-Daten, Bot-Zugriffe und die robots.txt. Pam fokussiert sich auf Content und E-E-A-T. Oscar extrahiert die harten Daten aus Peec.ai, der Search Console und via MCP angebundenen Tools. Angela ist die Qualitätssicherung.

Die eine Regel des Prozesses: Vier Agenten sind rein für Analyse und Produktion zuständig. Lediglich ein einziger Agent darf am Ende das finale Dokument schreiben, und das erst, nachdem zwei separate Freigabestufen durchlaufen wurden.

Drei Schutzschichten gegen ungesiebten KI-Output

Die Zeitersparnis ist groß, und genau darin liegt die Falle. Was früher Stunden dauerte, liefern die Agenten heute in Minuten. Genau hier ist das Risiko: Jede dieser schnellen Lieferungen muss akribisch geprüft werden, um keinem Kunden selbstbewusst vorgetragenen Unsinn zu präsentieren. Mein System nutzt dafür drei Filter.

Erste Schicht: das Fundament aus Regeln. Jeder Agent arbeitet gegen strikte Dokumentationen und eng definierte Anforderungen, die als Skills und Instruktionen fest im System verankert sind. Er prüft genau gegen seine Vorgabe, ohne Abweichung.

Zweite Schicht: der faktenbasierte Gegencheck. Diesen Schritt macht Angela. Sie gleicht jedes Resultat mit der Live-Quelle ab, sei es ein aktueller HTTP-Request, der neueste Snapshot oder das reale HTML der Seite. Das System verlässt sich nie auf das im Modell gespeicherte Allgemeinwissen.

Für jede Zeile gibt es drei Szenarien: Ist sie belegt, bleibt sie stehen. Ist ein Detail falsch, erfolgt eine explizite Korrektur. Fehlt der Beleg teilweise, wird die Zeile gestrichen, um den restlichen Report zu retten.

Dritte Schicht: die manuelle Endabnahme. Der “Human-in-the-Loop” bleibt unverzichtbar. Keine Automatisierung ersetzt meinen prüfenden Blick. Bevor ein Dokument den Kunden erreicht, schaue ich mir Strategie, Befunde und den Wortlaut genau an. Erst nach meiner persönlichen Freigabe geht der Report raus.

Wie wichtig das ist, zeigt ein Beispiel aus meinem Video: Dwights Bericht scheiterte an Angelas Prüfung. Eine Synthese behauptete einen Sichtbarkeitsverlust von 6 Punkten, während die Live-Daten nur 4 zeigten. Es klang plausibel, war aber schlicht falsch. Solche Fehler sind gefährlich, weil sie bei flüchtiger Betrachtung als wahr durchgehen könnten.

Datenschutz: Kundendaten bleiben innerhalb der Maschine

Für komplexe Tasks nutze ich Cloud-Modelle, doch kein Prompt verlässt ungefiltert mein System. Ein lokal betriebenes Modell (Ollama) schaltet sich dazwischen und ersetzt sensible Daten wie Namen oder Domains durch Platzhalter wie {{KANZLEI}} oder {{HAUPTDOMAIN}}.

Das externe Modell bearbeitet lediglich die strukturelle Aufgabe, ohne den eigentlichen Absender zu kennen. Die Zuordnung der Platzhalter findet ausschließlich lokal auf meiner Seite statt, wenn das finale Ergebnis kompiliert wird.

Man muss hier ehrlich sein: Das Verfahren schützt die Identität und Geheimnisse des Kunden vor dem Zugriff externer Modelle, auch wenn die Art des Projekts strukturell erkennbar bleibt.

Ein Sofort-Prompt für Ihren Alltag

Diesen Ansatz können Sie auch ohne komplexe Agenten-Struktur nutzen. Lassen Sie das Modell antworten, dann geben Sie ihm das zurück:

Lies deine Antwort noch einmal. Bewerte sie nach drei Kriterien:
1) Richtigkeit der Fakten, 2) Vollständigkeit, also ob etwas
Wichtiges fehlt, 3) Klarheit, also ob auch jemand ohne Vorwissen
sie versteht. Schlage Änderungen vor, die in den Text einfließen
sollten.

Es ist oft erstaunlich, wie viele Ungenauigkeiten die KI im zweiten Anlauf selbst erkennt. Dieser zusätzliche Filter hebt die Qualität Ihres ersten Entwurfs erheblich an.

Investition und Voraussetzungen für den Aufbau

Der finanzielle Aufwand ist überschaubarer als gedacht. Die genutzten Modelle laufen über bestehende Abonnements, ohne dass zusätzliche Token-Kosten anfallen. Die Steuerung übernimmt ein einfacher VPS.

In etwa zwei Stunden steht das Grundgerüst. Den technischen Server-Part kann man Tools wie Claude Code überlassen. Der eigentliche Aufwand liegt in der Vorbereitung: Sie müssen die Rollen-Instruktionen, die Skills und vor allem den zu automatisierenden Prozess präzise definieren. Diese Denkarbeit nimmt Ihnen keine KI ab.

Einsatzgebiete: wo Automatisierung funktioniert und wo nicht

Man muss die Grenzen klar ziehen.

Strategische Beratung und tiefgehende Geschäftsanalysen sind kein Fall für Agenten. Hier zählen Erfahrung und ein Gespür für betriebliche Prioritäten: interne Release-Zyklen etwa, oder die geschäftliche Relevanz eines technischen Fehlers. Das kann eine KI nicht erfassen.

Perfekt geeignet sind hingegen repetitive Standard-Checks: Ist die Seite ohne JavaScript lesbar? Passt das Schema-Markup? Gibt es Bot-Blockaden? Solche Aufgaben delegiere ich konsequent an mein System.

Drei Bereiche bleiben fest in menschlicher Hand:

Erstens: echte Kausalität. Die KI verwechselt Korrelation oft mit Ursache und dichtet Zusammenhänge herbei, wo keine sind.

Zweitens: die Priorisierung. Nur ein Mensch versteht, welche technischen Mängel für den Kunden im aktuellen Kontext wirklich geschäftskritisch sind.

Drittens: Daten-Skepsis. Eine KI hinterfragt ihre Quellen nicht. Ob ein Crawl durch eine Firewall verfälscht wurde, muss der Mensch erkennen. Deshalb ist meine abschließende Prüfung unumgänglich.

Vier Leitplanken für jeden KI-Prozess

Belege sind Pflicht. Jede Behauptung ohne direkte Live-Quelle ist nur eine Hypothese. Behandeln Sie solche Aussagen als unbestätigt.

Frischer Kontext zur Prüfung. Validieren Sie Ergebnisse stets in einer sauberen Umgebung gegen die Originaldaten. Nutzen Sie zur Not die Ein-Fenster-Prompt-Methode.

Qualität vor Quantität. Streichen Sie lieber eine unsichere Zeile, als die Integrität des gesamten Reports zu riskieren.

Die menschliche Unterschrift. Ein Mensch muss das finale Dokument Wort für Wort freigeben. Die letzte Verantwortung liegt bei Ihnen.

Resümee

Agenten befreien mich von der Routine des Datensammelns und der ersten Aufbereitung. Dadurch gewinne ich Zeit für das Wesentliche: die fundierte Entscheidung. Wir klären, was wirklich zählt und welchen Daten wir vertrauen können.

Automatisierung ist ein Zeitgewinn, der jedoch eine neue Verpflichtung zur Kontrolle mit sich bringt. Ohne diese Prüfung verschickt man lediglich schnelleren Ausschuss. Mit ihr gewinnt man wertvolle Stunden für die Arbeit, die den eigentlichen Unterschied macht.