KI-Tools sind 2026 fester Bestandteil der Redaktionsarbeit und unterstützen Teams entlang des gesamten Workflows – von der Recherche bis zum finalen Qualitätscheck. Besonders hilfreich ist ein strukturierter Prozess in fünf Phasen: Recherche, Aufbau des Textes, Stilprüfung, Schlusscheck und Abgleich mit dem bestehenden Content. Für jede Phase lassen sich konkrete Prompt-Vorlagen nutzen, die den redaktionellen Alltag erleichtern und die Qualität der Inhalte sichern.
KI-Tools können die Texterstellung in vielen Schritten sinnvoll unterstützen – von der ersten Idee bis zum finalen Check. Als PR-Agentur in München haben wir dafür einen klaren Workflow für Blogartikel und Websitetexte entwickelt. Er besteht aus fünf Phasen: Recherche und Keyword-Strategie, Struktur und Texterstellung, Stilprüfung, Schlusscheck sowie Abgleich mit bestehenden Website-Inhalten. In diesem Artikel zeigen wir, welche Prompts in den einzelnen Phasen wirklich helfen, welche typischen Fehler KI-generierte Texte enthalten und wie sich der Prozess mit spezialisierten KI-Assistenten effizient organisieren lässt.
KI-gestützte Redaktion braucht klare Phasen. 2026 bewährt sich ein Arbeitsprozess in fünf Schritten: Recherche, Struktur, Stil, Schlusscheck und Gesamtkontext-Check. So bleibt KI-Nutzung kontrollierbar und redaktionell sauber.
Eigener Input kommt vor KI-Output. KI kann Material ordnen, Varianten entwickeln und Texte verbessern. Sie ersetzt aber keine eigenen Erfahrungen, Use Cases, Daten oder Haltungen. Gute KI-Texte beginnen deshalb nicht mit einem Prompt, sondern mit eigener Substanz.
Quellenprüfung wird zur Pflicht. Halluzinationen sind eines der größten Reputationsrisiken beim Einsatz von KI. Keine Studie, keine Zahl und keine Quelle sollte übernommen werden, ohne die Originalquelle zu prüfen. Vor jeder Nennung braucht es drei Schritte: Quelle finden, Aussage abgleichen, Kontext prüfen.
KI-Stil muss aktiv überarbeitet werden. Viele KI-Tools sind stark durch englische Trainingsdaten geprägt. Das zeigt sich oft in Anglizismen, langen Gedankenstrichen, Substantivketten oder ungewohnten Formulierungen. Gerade deutsche Kommunikation braucht deshalb einen bewussten Stil- und Sprachcheck.
Struktur verbessert Sichtbarkeit. Klar aufgebaute und gut zitierbare Inhalte erhöhen die KI-Sichtbarkeit messbar. Die Princeton Studie zeigt eine Steigerung von bis zu 40 %. Gute Struktur hilft also nicht nur den Leser:innen, sondern auch KI-Suchsystemen.
Besser fünf spezialisierte Assistenten als ein Master-Prompt. Prompts, die alle Phasen der Texterstellung zugleich abdecken sollen, werden schnell zu lang und unpräzise. Effizienter ist ein Set aus spezialisierten KI-Assistenten: für Recherche, Struktur, Stil, Schlusscheck und Aktualisierung.
Der Artikel liefert konkrete Prompt-Vorlagen. Für jede Phase zeigen wir Vorlagen, die direkt übernommen und an eigene Themen, Formate und Anforderungen angepasst werden können.
Dieser Artikel ist Teil 4 einer siebenteiligen Serie über KI in der Kommunikation sowie Generative Engine Optimization (GEO) In den ersten drei Teilen dieser Serie haben wir die strategischen Veränderungen von KI als Zielgruppe für die Kommunikation beschrieben (Teil 1), die im KI-Zeitalter relevanten Kanalgruppen geklärt (Teil 2) und das Schreiben nach dem E-E-A-T-Prinzip vorgestellt (Teil 3). Dieser Artikel beschäftig sich mit der Frage, wie Kommunikationsteams diese Prinzipien in der täglichen Redaktionspraxis effizient und qualitätsorientiert einsetzen können.
Unsere Antwort: Ein fünfphasiger Workflow – verbunden mit spezialisierten KI-Assistenten, die jeweils eine Phase abdecken. Wer den Workflow einmal aufgesetzt hat, schreibt KI-zitierfähige Beiträge in der halben Zeit und ohne Qualitätsverlust.
Was die Phase leistet: klärt Ziel, Suchanker und Differenzierung vor dem Schreiben. Sieben Schritte gehören zu dieser Phase.
Welcher Owned Channel wird gestärkt? (Pillar-Strategie)
Welches Ziel hat der Text: Reichweite, Reputation, Lead, Pillar-Stärkung?
Welche Zielgruppe konkret: CMO, Pressestelle, Geschäftsführung?
Duplicate-Content-Check: Was steht bereits auf Pillar- und Sub-Seiten sowie im Blog?
Konkurrenz-Diskurs: Was schreibt die Fachpresse zum Thema, wo ist Differenzierung möglich?
Keyword-Set: Focus-Keyword, Sekundär-Keywords, Long-Tail, Leistungsseiten-Anker.
Eigene Beratungsbeobachtung: Was kann ich einbringen, das niemand anderes hat?
Der häufigste Fehler in Phase 1 ist das Springen direkt in die Texterstellung. Ohne klare Zielgruppe und ohne Bestandsaufnahme produziert KI generische Beiträge, die zu bestehenden Texten konkurrieren. Neue Erkenntnisse entstehen ohne eigene Gedanken und Praxiswissen nicht. Es entsteht KI-Einheitsbrei ohne qualitativen Anspruch und Tiefgang.
Rolle: Du bist Recherche-Assistent für Kommunikations-Texte einer Premium-PR-Beratung.
Briefing:
Thema: [Thema einsetzen]
Owned Channel zur Stärkung: [Pillar-/Sub-Pillar-URL]
Primäre Zielgruppe: [CMO / Pressestelle / Geschäftsführung]
Beratungs-Beobachtung aus eigener Praxis: [eigener Input]
Aufgabe:
Identifiziere die drei wichtigsten Suchanfragen (Long-Tail), die diese Zielgruppe stellt.
Schlage ein Keyword-Set vor (Focus + 3 Sekundär + 3 Long-Tail).
Prüfe Duplicate-Risiko: Welche bestehenden Inhalte adressieren diese Suchanfragen bereits? [URL-Liste der Pillar-Seiten + Blog-Übersicht einfügen]
Identifiziere zwei Differenzierungs-Hebel gegenüber der aktuellen Fachpresse-Diskussion.
Liefer-Format: Tabelle + drei kurze Empfehlungs-Sätze.
Was die Phase leistet: schafft das Gerüst, in dem KI substanziellen Text erzeugen kann. Drei Prinzipien tragen diese Phase.
Outline-First-Workflow. Korrekturen an einer Text-Outline sparen Zeit, Energie und vor allem Tokens. Laut Angaben von Claude sind sie zehnmal günstiger als am Fließtext. Wer mit der KI direkt einen 2.500-Wort-Beitrag erzeugt und dann anfängt Fehler zu korrigieren, verliert viel Zeit und Nerven. Deshalb empfehlen wir, zunächst die H2-Struktur in einer Tabelle mit Angaben von Studien oder Positionierung der FAQs im Text ausgeben zu lassen.
Eigener Input vor KI-Output. KI ergänzt eigenes Material, sie ersetzt es nicht. Vor dem Prompt sammeln Kommunikationsteams: zwei bis drei Beobachtungen aus laufenden Mandaten, eine eigene These, einen praxisnahen Aufhänger. Diese Substanz wird ins Prompt eingespeist – nicht erst danach hinzugefügt.
Halluzinationen vermeiden. Keine Studie wird zitiert, bevor die Originalquelle geprüft ist. Drei Pflichtschritte vor jeder Nennung einer Statistik: Existenznachweis (Originallink erreichbar?), Zahlenprüfung (stimmt die Prozentangabe im Vergleich zum Original?), Methodenanker (Stichprobengröße, Zeitraum).
In dieser Phase muss der Mensch aktiv den Output von KI kontrollieren (Human-in the-loop), ansonsten werden Glaubwürdigkeit und Reputation des Teams oder gar der Organisation gefährdet.
Rolle: Du bist Outline-Assistent für GEO-konforme Blogartikel.
Briefing:
Title-Tag-Vorschlag (max. 60 Zeichen): [Vorschlag]
Focus-Keyword: [Keyword]
Zielgruppe: [Zielgruppe]
Beratungs-Beobachtung: [eigener Input, 2-3 Sätze]
Verifizierte Studien (mit Originallink): [Studien-Liste]
Aufgabe: Erstelle eine Outline mit
H1 + Erklärsatz (3-4 Sätze)
Definitionsblock (50-60 Wörter)
Lead-Block "Das Wichtigste in Kürze" (5-7 Bullets)
5-7 Hauptthesen als H2 mit Kernaussagen
Eine Comparison-Tabelle mit klarer Funktion
5-7 FAQ-Fragen (beratungsspezifisch, keine Pillar-Dubletten)
Internal-Linking-Plan (5-8 Anker)
Liefer-Format: strukturiertes Outline-Dokument.
Was die Phase leistet: filtert die typischen KI-Stilfallen heraus, bevor der Text rausgeht. An folgende typischen Stilblüten kann KI-generierter Text erkannt werden:
Anglizismen-Häufung. KI-Modelle sind primär auf Englisch trainiert; deutsche Texte zeigen oft mehrere englische Fachbegriffe pro Satz. Regel: maximal ein Anglizismus pro Satz.
Substantiv-Ketten und Nominalstil. „Die Implementierung der Optimierung der Strategie” wird zu „Die Strategie wird umgesetzt”.
Antithetische „nicht X, sondern Y”-Konstruktionen. KI liebt sie, sie wirken aber rhetorisch. Maximal zwei bis drei pro Artikel.
Lange Gedankenstriche. KI setzt sie überproportional; gezielt durch Punkte oder Kommata ersetzen.
Erfundene Komposita. „Schreibrichtschnur”, „Reputations-Hebel”. Vertrautes Vokabular schlägt erfundene Wort-Neuschöpfungen.
Monotoner Satzbau. KI tendiert zu gleichlangen Sätzen; bewusst kurze, mittlere und lange Sätze mischen.
Logikfehler durch Substantivketten. „Quellen sprechen über Reputation” – Quellen sprechen nicht. Pro Satz prüfen: „Wer tut hier was?“.
Wolf Schneiders Stilmaßstab – verständlich, kurz, aktiv, plausibel – sollte 2026 in jedem Master Prompt als Stilvorlage hinterlegt sein. Die Princeton-GEO-Studie zeigt: Klarheit steigert die KI-Sichtbarkeit um rund 20 %. Komplizierter Berater-Stil ist kein Optimierungs-Hilfsmittel, sondern ein Hindernis.
Tools wie wortliga.de können zusätzlich helfen. Sie prüfen Texte auf Verständlichkeit und machen Vorschläge für einfachere Sprache. Das ist besonders sinnvoll für Inhalte, die sich an ein nicht akademisches Publikum richten oder an Menschen, deren Muttersprache nicht Deutsch ist.
Rolle: Du bist Stil-Review-Assistent für deutsche B2B-Beratungs-Texte.
Aufgabe: Prüfe den folgenden Text gegen sieben Stilfallen
1. Anglizismen-Häufung (max. 1 pro Satz)
2. Substantiv-Ketten und Nominalstil
3. Antithetische "nicht X, sondern Y" (max. 2-3 pro Artikel)
4. Überdurchschnittliche Verwendung langer Gedankenstriche
5. Erfundene Komposita (durch vertrautes Vokabular ersetzen)
6. Monotoner Satzbau (kurze, mittlere und lange Sätze mischen)
7. Logikfehler durch Substantivketten ("Wer tut hier was?")
Liefere pro identifizierter Stelle:
- Vorher-Satz (zitiert)
- Nachher-Vorschlag
- Begründung in einem Satz
Plausibilitätscheck am Schluss: Würde eine CMO unter Zeitdruck den Text beim ersten Lesen verstehen?
Text: [Fließtext einfügen]
Was die Phase leistet: prüft am Ende, ob alle Pflichtelemente sitzen, bevor der Text veröffentlicht wird. Acht Pflicht-Checks gehören zu dieser Phase.
Studien-Verifikation: jede statistische Angabe gegen Originalquelle, kein Sekundärlink ungeprüft.
Inline-Quellenlinks: jede Zahl direkt im Satz verlinkt.
Internal-Linking: 5 bis 8 Pillar-Anker, Bestandsblog aktiv geprüft.
Title-Tag maximal 60 Zeichen, Meta-Description maximal 155 Zeichen.
Schema-Markup: Article, Person, FAQPage als drei Pflicht-Typen.
Mitbewerber nicht in Title oder Meta-Description nennen – auch nicht als Studienquelle.
Bilder mit Alt-Texten und in moderner Komprimierung.
Drei Insights-Artikel und Serien-Block korrekt verlinkt (falls dies das CMS der Website hergibt).
Eine 5W-Auswertung von rund 680 Millionen Quellenverweisen zeigt (5W AI Citation Source Index 2026): Inhalte mit klar erkennbarer Autorin oder klarem Autor werden deutlich häufiger zitiert als einfache Textaussagen ohne diese Angabe. Bei Claude liegt der Unterschied zwischen 94 % und 61 %. Wer den letzten Check sorgfältig macht, kann diesen Vorteil für sich nutzen.
Rolle: Du bist Quality-Assurance-Assistent für veröffentlichungsfertige Blogartikel.
Aufgabe: Prüfe den folgenden Text gegen acht Pflicht-Checks
1. Studien-Verifikation – ist jede Stat mit Originallink versehen?
2. Inline-Quellenlinks – steht jeder Link direkt nach der Aussage?
3. Internal-Linking – sind 5-8 Pillar-Anker gesetzt?
4. Title-Tag-Länge ≤ 60 Zeichen, Meta-Description ≤ 155 Zeichen?
5. Schema-Markup-Plan vollständig (Article + Person + FAQPage)?
6. Konkurrenten-Nennung in Title/Meta? (sollte nicht vorkommen)
7. Bilder mit Alt-Texten?
8. Insights-Sektion + Serien-Block korrekt?
Liefere pro fehlendem Check eine konkrete Korrektur-Empfehlung.
Text: [Fließtext einfügen]
Title-Tag: [Vorschlag]
Meta-Description: [Vorschlag]
Was die Phase leistet: prüft, ob der neue Text die bestehende Inhalts-Architektur stärkt oder unterhöhlt. Diese Phase greift, nachdem Phase 4 den Einzeltext geprüft hat.
Sieben Checks gehören zu dieser Phase.
Doppelte Definitionen vermeiden: Wird der wichtigste Begriff schon auf einer Haupt- oder Unterseite erklärt? Dann die Erklärung anders formulieren oder technisch auf die wichtigste Seite verweisen.
Snippet-Ähnlichkeit: Klingen Lead-Block-Bullets oder Kernabsätze ähnlich zu bestehenden Texten? Stichproben-Vergleich mit den fünf nächstliegenden Bestandsbeiträgen.
FAQ-Überschneidung: Tauchen identische oder fast identische Fragen mehrfach auf der Website auf?
Keyword-Cluster-Stimmigkeit: Konkurriert der neue Text mit einer bestehenden Pillar-Seite um dasselbe Focus-Keyword?
Interne Linkarchitektur: Welche Pillar-Stärkung wird tatsächlich erreicht? Welche Pillar wird ungewollt geschwächt?
Cluster-Konsolidierung: Wären drei kurze Beiträge zum gleichen Thema sinnvoller als ein langer? Oder umgekehrt?
Suchintention-Differenzierung: Beantworten zwei Texte dieselbe Suchanfrage? Falls ja: zusammenführen oder klar abgrenzen.
Konkretes Beispiel. Eine Pillar-Seite definiert „Generative Engine Optimization”. Eine Sub-Seite zur GEO-Beratung definiert den Begriff erneut. Ein Blogartikel zur GEO-Strategie definiert ihn ein drittes Mal. Drei Definitionen für denselben Begriff – jede für sich GEO-konform, in Summe ein Kannibalisierungsrisiko. KI-Suchsysteme entscheiden willkürlich, welche zitiert wird; Google erkennt mögliche Duplicate-Content-Signale.
Die Lösung liegt in einer kanonischen Definition auf der GEO-Sub-Seite. Die anderen beiden Texte verlinken darauf und definieren nur knapp situativ.
Rolle: Du bist Kontext-Assistent für Website-Architektur. Du kennst die Pillar-Struktur und alle Bestandsbeiträge.
Aufgabe: Prüfe den neuen Text gegen den bestehenden Bestand auf sieben Risiken
1. Definitions-Doppelung – wird der zentrale Begriff bereits auf einer anderen URL definiert?
2. Snippet-Ähnlichkeit – klingen Kernabsätze ähnlich zu bestehenden Texten?
3. FAQ-Überschneidung – Fragen identisch zu bestehenden FAQ-Sektionen?
4. Keyword-Cluster-Stimmigkeit – konkurriert der Text mit einer Pillar um dasselbe Focus-Keyword?
5. Internal-Linking-Architektur – welche Pillar wird gestärkt, welche geschwächt?
6. Cluster-Konsolidierung – mehrere kurze vs. ein langer Beitrag?
7. Suchintention-Differenzierung – zwei Texte für dieselbe Anfrage?
Liefere pro identifiziertem Risiko:
- Konkrete Konflikt-URL aus dem Bestand
- Empfehlung: variieren, kanonisieren oder konsolidieren
Bestandsliste der Website: [URL-Liste einfügen]
Neuer Text: [Fließtext einfügen]
Mit der Zeit ist unser Master-Prompt auf zwölf Module angewachsen. Die Erfahrung hat gezeigt, dass dieses „Textmonster“ selbst für die KI zu umfangreich geworden ist und sie Teile der Befehle überlesen oder bewusst nicht ausgeführt hat. Das liegt offenbar auch an den per default eingerichteten Token-Sparmodus. Ich selbst nutze derzeit Claude Opus 4.7. Plan Max und habe selbst bei dieser Version immer wieder damit zu kämpfen. Deshalb dürfen wir uns als KI-Nutzende NIE sicher sein, dass wirklich alle Befehle ausgeführt wurden.
Die Lösung ist ein Aufteilen in fünf spezialisierte Assistenten: vier für das Erstellen eines Beitrags, ein fünfter für den Lifecycle nach der Veröffentlichung. Jeder Assistent deckt eine Phase ab und nutzt nur die Vault-Module (Claude), die für diese Phase relevant sind.
KI-Assistent | Phase | Vault-Module |
Outline-Assistent | 1 | 01-Rolle, 02-Zielgruppe, 03-Leistungsportfolio, 04-Themenrecherche, 06-Artikeltypen, 11-SEO/GEO |
Schreib-Assistent | 2+3 | 07-Sprache, 08-Argumentation, 09-Studien-Belege, 10-Artikelstruktur, 12-Vermeidungsliste, 15-Humanizer-DE |
Schlusscheck-Assistent | 4 | 09-Studien (Verifikation), 11-SEO/GEO, 13-Selbstprüfung, 14-Qualitätsmaßstab |
Kontext-Assistent | 5 | 03-Leistungsportfolio, 10-Artikelstruktur, 11-SEO/GEO + dynamisches Bestandswissen |
Aktualisierungs-Assistent | Lifecycle nach Erstveröffentlichung | 09-Studien (Aktualität), 11-SEO/GEO, 16-Aktualisierungs-Assistent + Bestandswissen |
Vier Vorteile gegenüber dem Mega-Prompt:
Geringere Kontextlast: Jeder Assistent fokussiert auf phase-relevante Module, statt das gesamte Vault-Wissen vorzuhalten.
Höhere Antwortqualität: Die KI verteilt ihre Aufmerksamkeit nicht auf zwölf konkurrierende Anweisungen.
Klarere Übergabepunkte: Zwischen den Phasen lassen sich Korrekturschleifen sauber einbauen.
Wiederverwendbarkeit: Einzelne Assistenten lassen sich auch für LinkedIn-Posts, Newsletter oder Pressemitteilungen einsetzen.
Den Mega-Prompt haben wir als Hub-Dokument behalten – jedoch nicht als Aktiv-Prompt. Er dient als Übersicht und Startpunkt für die Assistent-Architektur.
Der Aktualisierungs-Assistent kommt nach der Texterstellung zu einem späteren Zeitpunkt ins Spiel. Er wird in regelmäßigen Abständen nach der Veröffentlichung eines Beitrags oder einer Website aktiviert: Quartalsweise prüft er Pillar-Seiten und die wichtigsten Blogartikel zum Thema, halbjährlich alle weiteren Pillar-Beiträge, jährlich ältere Bestandstexte.
Acht Befehle gehören zu seinem Workflow: Quellen-Aktualität, Originallink-Prüfung, Prüfung von statistischen Angaben wie Zahlen, Entwicklung von Trends, aktueller Diskurs in der Branche, Aktualität interner Verlinkungen auf der Seite, technische Aktualitätssignale (Datum, dateModified im Schema, Hinweis-Box im Body Text) und Vault-Konsistenz mit aktualisierten Stilstandards.
Aktuelle Inhalte sind in 2026 für KI-Suchsysteme ein wichtiges Signal: Inhalte mit dokumentiertem Aktualitätsstand werden in KI-Antworten bevorzugt zitiert.
Der bisher beschriebene Workflow für die Erstellung von Blogartikeln oder Website-Texte kann auch auf andere Disziplinen der Unternehmenskommunikation übertragen werden:
Marke: Wer den Workflow einmal aufgesetzt hat, schreibt mit konsistenter Markenstimme – skalierter für viele anderer Texte.
Pressearbeit: Phase 1 verhindert generische Pitches; Phase 4 verhindert halluzinierte Belege; Phase 5 verhindert Kannibalisierung mit dem Newsroom.
Reputationsmanagement: Der Workflow selbst ist ein Trust-Signal – Kunden erkennen den Unterschied in Qualität und Tiefe der Ergebnisse
Krisenkommunikation: Auch die da hoc Krisenkommunikation folgt diesen Phasen – nur in komprimierter Form. Wie das in der akuten Krise wirkt, vertiefen wir in Teil 6 dieser Serie.
Eine Frage, die wir häufig in Branchendiskussionen hören: Wie lange müssen Kommunikationsteams sich überhaupt noch mit Prompts beschäftigen? Stanford-Forscher arbeiten an Frameworks wie DSPy, die handgeschriebene Prompts durch programmatische Module ersetzen, die sich selbst optimieren. Meta-Prompting-Ansätze lassen die KI ihre eigenen Prompts formulieren und durch Selbst-Kritik verbessern; dokumentierte Qualitäts-Sprünge liegen bei 10 bis 25 %. Microsoft AutoGen baut Multi-Agent-Systeme, in denen mehrere KIs gemeinsam Aufgaben lösen, ohne dass ein Mensch im Detail prompten muss.
Die naheliegende Schlussfolgerung „Prompt-Kompetenz wird obsolet” greift jedoch zu kurz. Was sich tatsächlich ändert, ist die Verteilung der Kompetenz. Die reine Formulierung von Prompts wird einfacher, weil KI-Systeme zunehmend selbst die optimale Wortwahl finden. Was wichtig bleibt und sich in unserer Beratungspraxis zunehmend als kritischer Erfolgsfaktor herauskristallisiert hat, ist das Briefing davor: Wer kann der KI strategisch klar sagen, was zu tun ist? Wer kann eigenes Material, Mandatswissen und die eigene Position so strukturieren, dass die KI substanzielle Texte erzeugen kann?
Unsere Beratungseinschätzung für die nächsten 24 Monate: Wer den Fünf-Phasen-Workflow heute aufsetzt, baut keine Kompetenz für die Vergangenheit auf. Die Phasen-Logik bleibt, auch wenn einzelne Prompt-Vorlagen in zwei Jahren wahrscheinlich von Auto-Prompting-Systemen übernommen werden.
Wirklich langlebig sind drei Kompetenzen: der Aufbau eines klaren Workflows, ein präzises Briefing und die Auswahl der inhaltlichen Substanz. Wer Weiterbildung im technischen Prompt-Handwerk sucht, findet sie in deutschsprachigen Lehrgängen wie der Münchner 121Watt-Akademie. Wer Workflow-Disziplin in der eigenen Kommunikationsabteilung verankern will, wendet sich an KI-Experten mit entsprechender Beratungserfahrung in der strategischen Kommunikation.
Schreiben für KI ist 2026 weniger eine Frage des richtigen Tools. Entscheidend ist ein guter Arbeitsprozess. Wer die fünf Phasen klar trennt und mit vier spezialisierten Assistenten arbeitet, spart Zeit und verbessert die Qualität. Wer alles in einen einzigen großen Prompt packt, verliert meist beides.
Eine weitere Herausforderung haben wir in diesem Beitrag noch nicht behandelt: KI-optimierte Texte können für Menschen schnell anstrengend werden. GEO-Texte brauchen Substanz, Wiederholungen und oft sehr viel Tiefe. Das hilft bei KI-Zitaten, macht Texte aber nicht automatisch lesefreundlicher.
Genau hier entsteht ein Spannungsfeld: Kurze, klare Texte nach dem Prinzip von Smart Brevity und ausführliche GEO-Texte verfolgen unterschiedliche Ziele. Dieses Thema vertiefen wir in Teil 7 dieser Serie: „Smart Brevity vs. GEO – das Trilemma der KI-Texte 2026”.
Vorher erscheint Teil 5: „Reputation in der KI-Ära – strukturelles Monitoring und Steuerung”. Denn wer den Arbeitsprozess einmal aufgebaut hat, kann sich der nächsten strategischen Frage widmen: Was sagt KI eigentlich über das eigene Unternehmen?
Der häufigste Fehler ist das Springen direkt in die Texterstellung – ohne klare Zielgruppe, ohne Bestandsaufnahme, ohne eigenen Input. Die KI produziert dann generische Beiträge, die zu bestehenden Texten konkurrieren. Phase 1 unseres Workflows ist die Antwort: erst recherchieren, dann strukturieren, dann schreiben. Wer diese Reihenfolge umkehrt, korrigiert später viel Substanz nach.
KI erzeugt drei typische Halluzinations-Muster: erfundene Studien („Eine aktuelle Studie zeigt …” ohne reale Quelle), falsch zitierte Zahlen aus Sekundärartikeln (Originalstudie sagt etwas anderes) und kombinierte Aussagen aus mehreren Studien zu einer scheinbar einheitlichen These. Drei Pflichtschritte vor jeder Stat-Nennung schützen davor: Existenznachweis, Zahlenprüfung, Methodenanker. Diese Disziplin trennt belastbare Beratung von Tool-getriebenen Anbietern.
Für Phase 1 (Recherche) eignen sich Perplexity oder ChatGPT mit aktivierter Web-Suche – beide liefern Quellen mit Links, die manuell verifiziert werden müssen. Für Phase 2 (Texterstellung) eignet sich Claude oder ChatGPT mit eigenem Briefing-Prompt. Für Phase 3 (Stil-Review) ist Claude besonders stark, weil es deutsche Sprachfeinheiten gut erkennt. Für Phase 4 und 5 (Schlusscheck und Kontext-Check) eignen sich spezialisierte Custom-GPTs oder Claude-Projekte mit definiertem Vault-Kontext.
Die initiale Aufsetzung dauert vier bis sechs Wochen. In den ersten zwei Wochen werden die vier spezialisierten Assistenten konfiguriert – idealerweise mit dem eigenen Vault-Wissen. In den nächsten zwei bis vier Wochen läuft ein Pilotprojekt mit zwei bis drei realen Beiträgen, in dem das Team den Workflow erprobt und Korrekturen einarbeitet. Nach dieser Phase ist die Effizienzwirkung messbar – ein Beitrag entsteht in der halben Zeit bei höherer Qualität.
Gerade kleine Teams profitieren am stärksten. Bei wenigen Beiträgen pro Quartal ist die Disziplin wichtiger als die Skalierung – jeder einzelne Beitrag muss treffen. Der Workflow stellt sicher, dass auch ohne große Redaktion ein konsistentes Qualitätsniveau gehalten wird. Die Aufsetzung kann auch von einer Einzelperson übernommen werden – wichtig ist nur, dass die fünf Phasen nicht miteinander vermischt werden.
Methodische Vertiefung zum technischen GEO-Handwerk bieten deutschsprachige Akademien wie 121watt in München. Beratungsstrategische Aufsetzung des Workflows in einem konkreten Unternehmen begleiten wir in Workshops und Coachings. Beide Angebote ergänzen sich: Lehrgänge vermitteln Methodik, Beratungsmandate übersetzen sie in unternehmensspezifische Routinen.
Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., Deshpande, A. (2024): GEO – Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024). https://dl.acm.org/doi/10.1145/3637528.3671900
5W Public Relations / Everything PR (2026): AI Platform Citation Source Index – Synthese aus rund 680 Millionen Citations über ChatGPT, Claude, Perplexity, Gemini und Google AI Overviews. https://everything-pr.com/ai-platform-citation-source-index-2026/
Stanford NLP (2024–2026): DSPy – Programming, not prompting, Foundation Models. https://dspy.ai/
121Watt Digital-Marketing-Akademie München: Prompt-Engineering-Seminar. https://www.121watt.de/seminare/prompt-engineering-seminar/
consense communications (2026): Beratungspraxis und Klientendaten.
Dieser Artikel ist Teil 4 einer siebenteiligen Serie zu KI in der Kommunikation und Generative Engine Optimization (GEO).
Teil 1 KI als neue Zielgruppe: Wie GEO die Arbeit von Kommunikationsabteilungen ab 2026 verändert
Teil 2 Welche Kanäle die KI-Suche zitiert – und wie Unternehmen 2026 ihre Reputation steuern
Teil 3 Schreiben für KI nach dem E-E-A-T-Prinzip: Wie Website-Content und Pressebeiträge zitierfähig werden
Teil 4 KI-Texte in der Praxis (jetzt): KI-Tools und Prompt-Vorlagen für Kommunikationsteams
Teil 5 Reputation in der KI-Ära: Wie Unternehmen 2026 ihr Markenbild in der KI-Suche steuern
Teil 6 Krisenkommunikation in der KI-Ära: Wenn die KI Ihre Krise erzählt – Holding Statements und KI-Korrektur
Teil 7 Smart Brevity vs. GEO: Das Trilemma der KI-Texte – wie Kommunikationsteams für KI, Google und Mensch gleichzeitig schreiben
Neue Artikel erscheinen wöchentlich. Wenn Sie keinen Beitrag verpassen wollen, folgen Sie der Autorin Claudia Thaler auf LinkedIn.
Die Autorin Claudia Thaler ist Geschäftsführerin der PR-Agentur consense communications GmbH (GPRA) in München. Seit über 25 Jahren begleitet sie mittelständische Unternehmen, DAX-Konzerne und NGOs in den Bereichen Change, Krisenkommunikation, interne Kommunikation und Reputationsmanagement. Seit 2024 liegt ihr Schwerpunkt auf KI-getriebenen Veränderungen in der Kommunikation. → Vollständiges Autorenprofil auf dieser Website · Claudia Thaler auf LinkedIn.
Die Autorin hat diesen Artikel auf Basis ihrer fachlichen Expertise und mit Unterstützung von Claude Opus 4.7 sowie ChatGPT erstellt. Credits Bild: metamorworks (iStock).
Geschäftsführerin consense communications GmbH (GPRA) Expertin für Strategie-, Change- und Krisenkommunikation sowie zertifizierte systemische Coachin und Organisationsentwicklerin. Strategin für Kommunikation im KI-Zeitalter.
