30.378 Impressionen, 26 Klicks und eine deutlich bessere Durchschnittsposition. Klingt nach Erfolg, oder? War es nicht. Weniger Menschen klickten auf meine Ergebnisse, obwohl Google meine Seiten häufiger und weiter oben anzeigte. Mehr Daten hätten mir in diesem Moment nicht geholfen. Ich hatte schon genug davon.
Das eigentliche Problem ist nicht Datenmangel
Search Console, PageSpeed, Analytics, technischer Crawl: Jede Quelle für sich ist wertvoll. Zusammen werden sie schnell unübersichtlich. Eine Seite kann bei Google steigen und gleichzeitig weniger Klicks bekommen. Eine hohe Absprungrate kann bedeuten, dass der Inhalt schlecht ist. Sie kann aber auch bedeuten, dass der Besucher seine Antwort sofort gefunden hat. Wenn ich diese Zahlen einzeln betrachte, finde ich überall irgendeine Baustelle und optimiere dann das, was gerade auffällt, statt das, was am meisten bringt.
Was mir fehlte, war keine weitere Metrik. Es war eine sinnvolle Reihenfolge.
Deshalb habe ich mir einen eigenen Claude-Skill gebaut: eine feste Arbeitsanweisung, die jede Woche dieselben Prüfungen in derselben Reihenfolge abarbeitet. Search Console, URL Inspection API, technischer Crawl, Ladezeiten, Analytics. Das Ergebnis ist keine Liste mit 30 Warnungen, sondern wenige begründete nächste Schritte.
Was der erste Wochencheck tatsächlich aufgedeckt hat
Der erste Report für meine Webseite sah widersprüchlich aus. Impressionen stiegen, die Position verbesserte sich, aber die Klicks fielen von 42 auf 26. Vorschnell hätte ich geschlossen: schlechtere Inhalte. Der Skill legte stattdessen Seiten, Suchanfragen und technische Befunde nebeneinander.
Mein Artikel über Bento-Grid-Design sammelte über 600 Impressionen auf guten Positionen, bekam aber kaum Klicks. Der Seitentitel hatte 85 Zeichen und wurde in den Suchergebnissen wahrscheinlich abgeschnitten. Kein Beweis, aber ein sinnvoller erster Test: kürzen, beobachten, auswerten.
Noch interessanter war eine Gruppe von Suchanfragen rund um „Website analysieren" und „Webseite testen". Viele Einblendungen, kaum Klicks, weil die Suchenden vermutlich ein direktes Tool erwarten und keinen Blogartikel. Aus einer schlechten Klickrate wurde dadurch eine konkrete Produktidee.
Nebenbei fand der Check vier tote Links in älteren Artikeln. Alle vier waren ursprünglich von einer anderen KI vorgeschlagen worden. Ein bisschen ironisch: Der neue KI-Check räumte den Müll der alten KI auf.
Wie aus Messwerten eine Reihenfolge wird
Der wichtigste Teil des Skills kommt nach den Prüfungen. Jeder Befund muss in eine Entscheidung übersetzt werden, und zwar anhand von drei Fragen: Was zeigen die Daten tatsächlich? Welche Erklärung passt zu mehreren Quellen gleichzeitig? Welche Änderung hat den größten Nutzen bei vertretbarem Aufwand?
Beim Bento-Grid-Artikel war die Antwort klar: Titel kürzen, Nutzen früher zeigen, interne Links aufbauen. Bei den Suchanfragen rund um „Webseite testen" sieht es anders aus. Dort löst eine bessere Formulierung das Grundproblem nicht, weil die Suchabsicht eine andere ist.
Genau das ist der Punkt, an dem KI wirklich hilft: Sie erkennt wiederkehrende Muster über mehrere Datenquellen hinweg und zwingt dazu, jede Empfehlung mit echten Zahlen zu begründen. Nicht mit einem pauschalen Score von 82 oder 91 Punkten, der sich eindeutig anfühlt, aber selten sagt, womit man morgen anfangen soll.
Den vollständigen Ansatz habe ich in meinem Blog beschrieben: Meine KI-SEO-Analyse: Warum mehr Daten nicht automatisch helfen, inklusive der konkreten Skill-Konfiguration. Beim Programmieren arbeite ich nach demselben Muster, dem Ping-Pong-Prinzip.
Wo KI an ihre Grenzen stößt
Ein solcher Wochencheck funktioniert nur mit sauberen Daten und klaren Regeln. In meinem Skill gelten deshalb drei feste Grenzen: keine Zahlen erfinden oder schätzen, fehlende Daten deutlich als fehlend markieren, jede Empfehlung mit einem konkreten Befund begründen.
Ein ausgefallener PageSpeed-Test ist kein schlechter PageSpeed-Wert. Er ist ein ausgefallener Test. Mehr darf die KI daraus nicht machen.
Und die fachliche Entscheidung nimmt mir der Skill nicht ab. Ob ein Audit-Tool zu meinem Angebot passt und wie viel Zeit ich investieren will, muss ich selbst beurteilen. Die KI übernimmt nicht mein Urteil, sie bereitet es vor.
Wie handhabt ihr das in euren Projekten? Nutzt ihr KI eher für die Analyse oder lieber für die Umsetzung konkreter Maßnahmen?
Top comments (0)