KI-Agenten im Content-Marketing: Wo sie helfen, wo sie versagen

Was ein KI-Agent im Content-Marketing tut

Ein Sprachmodell im Chatfenster beantwortet eine Frage. Ein Agent bekommt eine Aufgabe, Werkzeuge und Zugriff auf Systeme und arbeitet sie in mehreren Schritten ab. Im Content-Marketing sieht das so aus: Ein erster Agent schickt Suchanfragen an eine Suchmaschine, bewertet die Treffer und baut aus den besten ein Briefing. Ein zweiter Agent schreibt daraus den Text. Ein dritter prüft ihn gegen ein Regelwerk, bevor der Text im CMS landet.

Unsere Kette besteht aus rund zwanzig solcher Workflows in n8n, einem Werkzeug für Prozessautomatisierung, das wir auf einem eigenen Server betreiben. Die Kette ist über Monate gewachsen, Baustein für Baustein, und hat nie als großer Wurf begonnen. Sprachmodelle verschiedener Anbieter übernehmen Recherche, Auswahl, Text, Übersetzung, Bildprompts und Qualitätsprüfung. Dazwischen sitzen deterministische Prüfungen, also gewöhnlicher Programmcode, der nicht rät, wo ein Sprachmodell raten würde.

Wo die Agenten wirklich helfen

Recherche und Vorsortierung

Der undankbarste Teil der Content-Arbeit ist das Sichten von Feeds, Suchergebnissen, Wettbewerber-Seiten und Branchenmeldungen. Ein Agent liest das in Minuten und vergibt Punkte nach Kriterien, die wir vorgeben. Für unsere Social-Media-Vorbereitung prüft ein kleines Modell vorab, ob ein Thema überhaupt zu einem Kurzvideo taugt. Im ersten Lauf hat dieses Modell 30 von 40 Kandidaten abgelehnt, darunter Modell-Releases und Ad-Tech-Meldungen, die im Feed oben standen, aber vor der Kamera nichts hergegeben hätten.

Erstfassungen nach festem Vertrag

Ein Agent schreibt zuverlässig, wenn der Auftrag eng ist. Struktur, Länge, Zielgruppe, erlaubte Quellen, verbotene Wörter, Belegpflicht für Zahlen. Wir nennen das den Output-Vertrag.

Innerhalb dieses Vertrags entstehen Trend-Einordnungen im Band von 600 bis 1.500 Wörtern, Übersetzungen in zwei weitere Sprachen, Meta-Titel, Auszüge und interne Verlinkungen. Die Qualität reicht so weit, dass ein Redakteur nur noch Stichproben zieht. Ohne den Vertrag entsteht ein Text, der nach allem und nichts klingt.

Prüfarbeit

Das ist der unterschätzte Einsatzort. Vor dem Speichern ruft ein Prüfschritt jeden Link auf, den der Text setzt, und ersetzt oder entfernt tote Ziele sofort. Ein monatlicher Lauf ergänzt fehlende Verlinkungen in bereits veröffentlichten Beiträgen. Ein weiterer Lauf prüft, ob die Übersetzungen tatsächlich Übersetzungen des Originals sind, und meldet Abweichungen.

Vor jeder Veröffentlichung nimmt sich ein Prüf-Agent (intern heißt er Judge) den neuen Text vor und hält ihn gegen eine Liste harter Regeln. Er kontrolliert, dass jede Zahl eine Quelle direkt am Satz hat, dass keine Kundenerfahrung ohne Beleg behauptet wird und dass der Pflichtabschnitt zur Einordnung für den Mittelstand vorhanden ist. Fällt der Text durch, wird er nicht veröffentlicht und landet auf einer Liste, die ein Mensch durchsieht.

Mechanik

Zur Mechanik zählen die Veröffentlichung im CMS, das Anlegen der Sprachversionen, die Zweitverwertung auf einer Entwicklerplattform mit Verweis auf das Original und der Abgleich, ob ein geplanter Social-Post erschienen ist. Diese Aufgaben sind monoton, und genau dort werden Menschen unaufmerksam, während Agenten an denselben Stellen andere Fehler machen, von denen der nächste Abschnitt handelt.

Wo KI-Agenten versagen

Agenten erfinden Erfahrung

Das ist der gefährlichste Fehler, weil er sich gut liest. Ein Text-Agent, der eine Trend-Einordnung schreiben soll, formuliert ohne Aufforderung Sätze darüber, was sich in unserer Automatisierungspraxis angeblich gezeigt habe, und beschreibt Kundenprojekte, die es nie gab. Ein Agent, der Video-Briefings für mich vorbereitet, hat aus einem Themenvorschlag eine Anekdote in der Ich-Form gemacht, in der ich einen Workflow gebaut hätte, den ich nie gebaut habe.

Wir haben daraus eine strukturelle Konsequenz gezogen. Fallstudien gibt es auf unserem Blog nicht mehr, weil eine Fallstudie ohne echten Fall den Leser täuschen würde. An ihre Stelle sind Bauanleitungen getreten, die ihre Kostenrechnung offenlegen und als Kalkulation zu einem festen Stundensatz gekennzeichnet sind, ohne ein Kundenprojekt zu behaupten. Meinungsbeiträge sind ebenfalls aus der Blog-Kette gestrichen. Meinung läuft heute über Kanäle unter meinem Namen, als Kurzvideo, in dem ich frei rede, oder als LinkedIn-Post, dessen Entwurf ein Agent nach meiner Stimme baut und den ich in der Warteschlange noch ändern oder löschen kann, bevor er erscheint.

Agenten belegen schlecht

Ein Sprachmodell nennt Zahlen ohne Quelle, und wenn es Quellen nennt, sind sie manchmal falsch oder tot. Bei einem Beitrag über Suchanfragen ohne Klick war der erste Quellenkandidat selbst eine 404-Seite. In einem Fachbeitrag Anfang September enthielt der erste Entwurf zwei falsche Autorenzuschreibungen zu fremden Artikeln. Weder das schreibende Modell noch das Regelwerk haben das bemerkt. Aufgefallen ist es vor dem Versand einem zweiten Prüfschritt, der jeden Link tatsächlich aufruft und jede Zuschreibung gegen die Seite hält.

Agenten klingen nach Maschine

Gedankenstriche in jedem zweiten Satz, die Satzfigur nicht nur X, sondern auch Y, Wörter wie nahtlos, Dreier-Aufzählungen als Manier, eine rhetorische Frage als Einstieg. Viele Leser erkennen dieses Muster inzwischen auf den ersten Blick. Wir haben im Juli 2026 in einer einzigen Bereinigung rund 5.000 Gedankenstriche aus einem Bestand von knapp 700 Texten in Blog, Wissensdatenbank und Glossar entfernt.

Seitdem greifen drei Ebenen. Die erste ist eine Verbotsliste im Auftrag an das Modell. Die zweite ist eine Regex-Prüfung, also eine Suchregel, die im fertigen Text nach verbotenen Zeichen und Formulierungen fahndet und den Text bei Verstoß zur Überarbeitung zurückschickt oder blockiert. Die dritte ist ein letzter Filter im Code, der übrig gebliebene Muster deterministisch entfernt, weil die ersten beiden allein nicht gereicht haben.

Agenten scheitern leise

Ein Absturz fällt auf. Der teuerste Fehler ist der Lauf, der grün aussieht und nichts liefert. Ein einziges fehlendes Häkchen in einer Konfiguration hat unsere Social-Recherche vier Wochen lang blockiert, während die Läufe ohne Fehlermeldung durchliefen. Nach einer Umstellung fehlte dem System zwei Wochen lang eine Funktion, die es vorher hatte, und neue Beiträge erschienen unvollständig, ohne dass irgendwo eine Warnung auftauchte. Ein Übersetzungs-Audit hätte eigens verfasste deutsche Abschnitte gelöscht, weil es sie für fehlerhafte Übersetzungen hielt.

Kein einziger dieser Fehler ging auf ein Sprachmodell zurück. Aufgefallen sind sie erst, als jemand die Ergebnisse selbst angesehen hat. Die Statusmeldungen hatten nichts gezeigt.

Agenten kennen keine Strategie

Ein Agent kann nicht entscheiden, wofür ein Unternehmen stehen will, welche Themen es meidet und welchen Ton es sich leistet. Wir haben im Juli 2026 festgelegt, welche Inhaltstypen unser Blog überhaupt hat, welche davon automatisiert laufen dürfen und welche auf dem Blog gar nicht mehr stattfinden. Seitdem kann keine Fallstudie mit erfundenen Kunden mehr entstehen, weil es den Typ nicht mehr gibt.

KI-Agenten im Content-Marketing: Wer welche Aufgabe übernimmt

KI ersetzt keine Strategie, sie verändert, wer welche Aufgaben übernimmt. Seit den Umbauten im Sommer hat sich die Arbeitsteilung bei uns so eingependelt.

Auffällig ist, wie viel Arbeit vom Schreiben zum Regelbau gewandert ist. Ein Redakteur, der früher fünf Texte in der Woche geschrieben hat, schreibt heute vielleicht einen und verbringt den Rest der Zeit damit, Verträge und Prüfregeln zu pflegen, Ergebnisse zu lesen und Ausreißer zu untersuchen. Die Arbeit ist anders geworden und braucht Leute, die Text und Systeme verstehen.

Dieses Bild wurde komplett mit KI generiertProviderhiggsfieldModellgpt_image_2PromptSmall European workshop company office, owner at a laptop with an abstract automation workflow diagram, shelves with products in the background, warm practical light. Photorealistic editorial magazine photo, 16:9. Absolutely no text, no letters, no numbers, no logos, no brand marks.

Was der Aufbau verlangt und wer ihn stemmt

Die Frage nach Aufwand und Team kommt nach jedem Vortrag zuerst. Gebaut hat unsere Kette ein Team von wenigen Leuten, neben dem Kundengeschäft und über mehrere Monate. Die Kette braucht kein Entwicklerteam, aber mindestens eine Person, die Programmcode lesen und Fehler in Logdateien finden kann. Die Modellkosten fallen pro Aufruf an und sind nach meiner Erfahrung bei unserem Volumen der kleinste Posten. Der größte Posten ist Arbeitszeit für Regeln, Prüfungen und die Suche nach Fehlern, die keine Fehlermeldung erzeugen.

Herausgekommen sind bisher mehr als hundert Blogbeiträge in drei Sprachen und ein Glossar mit über 250 Einträgen, das aus diesen Beiträgen heraus entstanden ist. Ob sich das für ein Unternehmen mit zwei Personen im Marketing rechnet, hängt weniger von den Modellen ab als davon, ob jemand die Ergebnisse regelmäßig liest.

Was Google und der AI Act verlangen

Zwei Regelwerke setzen den Rahmen. Google bewertet Inhalte nach eigener Aussage unabhängig davon, wie sie entstanden sind, und betont in seiner Leitlinie zu KI-generierten Inhalten von 2023 Erfahrung, Expertise, Autorität und Vertrauenswürdigkeit. In seinen Spam-Richtlinien nennt Google zugleich ausdrücklich den Fall, dass generative KI eingesetzt wird, um viele Seiten ohne Nutzen für Leser zu erzeugen. Das Stichwort dort lautet Scaled Content Abuse, gemeint sind massenhaft erzeugte Inhalte. Der Unterschied zwischen beiden liegt genau in der Prüfarbeit, die oben beschrieben wurde.

Seit dem 2. August 2026 gilt außerdem Artikel 50 des EU AI Act. Der Verordnungstext steht als Verordnung (EU) 2024/1689 im Amtsblatt. Anbieter von Systemen, die Text erzeugen, müssen die Ausgaben maschinenlesbar kennzeichnen.

Wer KI-generierten Text veröffentlicht, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren, muss das offenlegen. Die Ausnahme gilt, wenn der Inhalt eine menschliche Prüfung oder redaktionelle Kontrolle durchlaufen hat und eine natürliche oder juristische Person die redaktionelle Verantwortung trägt.

Wie sich diese Pflichten zur DSGVO verhalten, habe ich an anderer Stelle ausführlicher beschrieben. Ob ein Unternehmensblog unter die Offenlegungspflicht fällt, ist im Einzelfall zu klären. Wer ohnehin festhält, wer für einen Text verantwortlich ist, erfüllt die Anforderung nebenbei. Verantwortlich bleibt am Ende ein Mensch.

Womit Sie anfangen

Sie wollen KI-Agenten im Content-Marketing einsetzen und wissen nicht, an welcher Stelle Sie beginnen sollen. In dieser Reihenfolge würde ich heute anfangen.

1. Beginnen Sie mit der Prüfarbeit. Ein Agent, der tote Links im Bestand findet oder Übersetzungen abgleicht, kann wenig anrichten und zeigt schnell, wie Ihre Systeme mit Automatisierung umgehen. Mit einem Automatisierungswerkzeug wie n8n ist so ein Link-Check für eine Person mit Grundkenntnissen eine Sache von Tagen.
2. Schreiben Sie den Output-Vertrag, bevor Sie den ersten Prompt schreiben. Länge, Struktur, Quellenregel, Verbotsliste, Zielgruppe. Alles, was nicht im Vertrag steht, füllt das Modell nach eigenem Ermessen.
3. Setzen Sie deterministische Kontrollen vor die Bewertung durch ein Modell. Eine Regex-Prüfung, die Gedankenstriche zählt, ist billiger und verlässlicher als ein zweites Sprachmodell, das den Stil beurteilen soll.
4. Messen Sie Ergebnisse. Eine Statusmeldung sagt, dass etwas gelaufen ist. Ob es etwas Brauchbares geliefert hat, sehen Sie nur, wenn jemand regelmäßig die Ausgaben liest.
5. Lassen Sie Erfahrung und Haltung beim Menschen. Was nach persönlicher Erfahrung klingt, muss von einer Person stammen.

Dieser Text ist durch dieselbe Art von Prüfschleife gelaufen wie unsere automatisierten Beiträge, mit Regelprüfung, Faktenabgleich und Reparaturrunden. Diese Schleife hat auch hier gefunden, was der Entwurf falsch hatte: eine Wortzahl, die nicht dem Betriebsstand entsprach, und einen Quellenlink, der ins Leere sprang.