Google erklärt manuelle KI-Prüfung für kritisch: was Content-Teams jetzt ändern sollten

Erlaubt bleibt KI, neu ist die Prüfpflicht

Google verbietet KI-generierte Inhalte weiterhin nicht. Neu ist: Wer generative KI für Website-Inhalte einsetzt, soll die Ergebnisse vor der Veröffentlichung manuell auf Richtigkeit und Vertrauenswürdigkeit prüfen. Google verwendet dafür ausdrücklich das Wort „critical“. Die Prüfung betrifft nicht nur Artikel und Landingpages, sondern auch Seitentitel, Meta Descriptions, strukturierte Daten und Bild-Alt-Texte.

Für einzelne Blogartikel ist das leicht umzusetzen. Bei tausenden Produktseiten, automatisierten Landingpages, mehreren Märkten und KI-gestützten CMS-Prozessen wird daraus eine Governance-Frage: Wer prüft was, gegen welche Quelle - und an welcher Stelle darf ein KI-generierter Inhalt überhaupt live gehen? Genau dort liegt die eigentliche Relevanz dieser Änderung.

Was am 1. Oktober in der Dokumentation dazukam

Google hat die Seite „Guidance on using generative AI content on your website“ am 1. Oktober 2026 aktualisiert. Neu ist zunächst eine Erklärung, warum generative Inhalte fehlerhaft sein können: Sprachmodelle rufen Fakten nicht aus einer Datenbank ab, sondern sagen wahrscheinliche Wortfolgen voraus. Daraus entstehen sachliche Fehler und Halluzinationen. Direkt danach folgt die entscheidende Anweisung, alle KI-generierten Inhalte vor der Veröffentlichung manuell zu prüfen.

Search Engine Journal hat die neue mit der vorherigen Fassung verglichen und bestätigt, dass die ausdrückliche Fact-Checking-Anweisung neu ist. Im Search-Central-Changelog nennt Google als Anlass, die Dokumentation an Inhalte anzugleichen, die auf eigenen Developer Events bereits vermittelt werden. Wichtig für die Einordnung: Google kündigt hier kein neues Ranking-System an, und nirgends steht, dass KI-Inhalte automatisch schlechter ranken.

Skalierung ohne Mehrwert bleibt das eigentliche Risiko

Google sagt weiterhin, dass generative KI bei Recherche und Strukturierung hilfreich sein kann. Problematisch wird es, wenn große Mengen an Seiten entstehen, die Nutzern keinen zusätzlichen Wert bieten. Das entspricht der bestehenden Spam-Richtlinie zu Scaled Content Abuse: Entscheidend ist nicht, ob Mensch oder Maschine geschrieben hat, sondern ob viele weitgehend unoriginelle Seiten primär zur Manipulation von Rankings erstellt werden. KI-Massenproduktion ist dort nur eines der Beispiele.

Die Gleichung lautet also weiterhin nicht „KI-Content gleich Spam“, sondern eher: Automatisierung plus Skalierung plus fehlender Mehrwert gleich Risiko. Die neue Formulierung ergänzt eine weitere Ebene. Auch ein sinnvoller, wertvoller Inhalt soll in seinem KI-generierten Anteil vor Veröffentlichung geprüft werden.

Der wichtigste Satz betrifft nicht den Artikeltext

Die größte operative Änderung steckt im unmittelbar folgenden Satz: Die manuelle Prüfung gilt ausdrücklich auch für <title>-Elemente, Meta Descriptions, strukturierte Daten und Alt-Texte. Gerade diese Felder werden in vielen Unternehmen längst automatisiert erzeugt.

Ein typisches Setup sieht so aus: PIM-Daten werden ins CMS importiert, ein Sprachmodell formuliert daraus Produkttexte, ein zweiter Prompt erzeugt Title und Description, Schema.org-Markup wird aus Attributen aufgebaut, für neue Bilder entstehen Alt-Texte. Den sichtbaren Produkttext liest vielleicht noch ein Redakteur. Die übrigen Felder laufen direkt durch. Genau dieser Workflow hat jetzt eine offensichtliche Lücke, denn Google beschränkt die Prüfung nicht auf das, was im Frontend sichtbar ist.

Valides Markup ist noch kein wahres Markup

Bei strukturierten Daten kann ein KI-Fehler unangenehmer sein als eine unglückliche Formulierung. Ein Modell kann einen Produkttyp falsch zuordnen, eine Eigenschaft ergänzen, die aus den Ausgangsdaten nicht hervorgeht, oder Inhalte ins Markup schreiben, die auf der Seite gar nicht stehen. Google verlangt unabhängig von dieser Änderung, dass strukturierte Daten zum sichtbaren Inhalt passen.

Wer JSON-LD per KI erzeugen lässt, sollte deshalb zwei Fragen getrennt beantworten: Ist der Code technisch valide? Und ist die beschriebene Information wahr? Der Rich Results Test beantwortet zuverlässig nur die erste. Für die zweite braucht es die Datenquelle oder einen Menschen, der sie kennt. Mehr zu Markup als GEO-Hebel steht in Schema.org für KI.

Ein Quality Gate in fünf Schritten

Bei zehn Artikeln im Monat lässt sich eine manuelle Prüfung informell organisieren, bei 50.000 Produkten in zwölf Märkten nicht. Google fordert nicht, dass ein Mensch jedes Wort selbst schreibt, sondern dass zwischen KI-Output und Veröffentlichung ein menschlich verantworteter Qualitätsschritt steht. Wie dieser aussieht, schreibt Google nicht vor: keine Rolle, kein Freigabesystem, keine Stichprobengröße. Die Umsetzung bleibt beim Unternehmen, und damit ist das Thema eher Content Operations als Copywriting. Statt einer 30-seitigen KI-Policy reicht für die meisten Unternehmen zunächst ein klares Quality Gate:

1. KI-Einsatz kennzeichnen. Im CMS oder Workflow muss nachvollziehbar sein, welche Inhalte ganz oder teilweise generiert wurden. Sonst lässt sich nicht entscheiden, was geprüft werden muss.
2. Überprüfbare Aussagen identifizieren. Zahlen, Preise, Produktmerkmale, Spezifikationen, Personen, Daten und rechtliche Aussagen gegen eine belastbare, möglichst interne Primärquelle prüfen: PIM, Produktdatenbank, freigegebene Fachinformation.
3. Risikoklasse berücksichtigen. Ein Beschreibungstext für einen Bilderrahmen hat ein anderes Schadenspotenzial als medizinische, rechtliche oder finanzielle Aussagen. Bei YMYL- und regulierten Inhalten gehört ein fachlicher beziehungsweise Compliance-Review zwingend in die Freigabe, wie in SEO für Finanzdienstleister beschrieben.
4. Metadaten und Markup separat prüfen. Title, Description, Alt-Texte und strukturierte Daten werden nicht durchgewunken, nur weil der Haupttext stimmt.
5. Freigabe nachvollziehbar machen. Erkennbar bleiben sollte, wann ein Inhalt geprüft wurde und wer die Freigabe verantwortet. Google verlangt kein Audit-Log, aber es verhindert, dass „AI-assisted“ faktisch „niemand zuständig“ bedeutet.

Das ist eine Empfehlung, keine Checkliste von Google. Entscheidend ist der Übergang vom Modell zur Veröffentlichung.

Shops prüfen auf drei Ebenen

Google verweist in derselben Dokumentation auf zusätzliche Merchant-Center-Regeln: KI-generierte Produktbilder brauchen Metadaten zur Herkunft, für KI-generierte Titel und Beschreibungen gelten eigene Kennzeichnungsanforderungen. Ein Shop hat damit drei Ebenen: den sichtbaren Inhalt, die strukturierten Daten und die Produktdaten im Merchant Center. Produktname, Material oder technisches Merkmal sollten überall identisch sein. Das hilft nicht nur Google, es verhindert auch das klassische Automatisierungsproblem, dass ein einmal generierter Fehler durch mehrere Systeme vervielfältigt wird.

Was „manuell“ bei 100.000 URLs heißen kann

Google schreibt „all AI-generated content“, definiert aber nicht, wann ein Inhalt als KI-generiert gilt oder wie sich die Prüfung skalieren lässt. Ist eine Seite KI-generiert, wenn das Modell nur einen Rohentwurf geliefert hat? Was ist mit einer Produktbeschreibung, deren Fakten vollständig aus dem PIM stammen und die KI nur Sätze daraus baut? Und mit automatisch erzeugten Descriptions für 100.000 URLs?

Für große Websites würde ich risikobasiert arbeiten. Felder, deren Inhalt deterministisch aus freigegebenen Daten übernommen wird, lassen sich über Regeln und Validierung absichern. Sobald ein Sprachmodell Information interpretiert, ergänzt oder neu formuliert, braucht der Workflow eine fachliche Kontrolle. Ein System, das aus Material = Edelstahl exakt „Edelstahl“ übernimmt, arbeitet anders als ein Modell, das daraus „rostfreier Premium-Edelstahl für den Außeneinsatz“ macht. Der zweite Satz enthält bereits mehrere zusätzliche Behauptungen.

Maschinenlesbare Fehler sind effizientere Fehler

Google betont auch in seiner Anleitung für generative Suchfunktionen, dass einzigartige, hilfreiche und verlässliche Inhalte die Grundlage für Sichtbarkeit in AI Overviews bleiben, und warnt davor, für jede Prompt-Variante eigene Seiten in Masse zu produzieren. Für GEO ergibt sich daraus ein Zusammenhang: Answer-first-Content macht Informationen extrahierbar, strukturierte Daten machen Entitäten maschinenlesbar, saubere Quellen erhöhen die Nachvollziehbarkeit. Ist die zugrunde liegende Aussage aber falsch, wird genau der Fehler besonders leicht extrahiert. Maschinenlesbarkeit ohne Faktenkontrolle ist keine GEO-Optimierung.

Zeitgleich mit dem Spam Update, aber nicht deswegen

Am 24. September 2026 startete Google ein weltweites Spam Update für alle Sprachen. Der zeitliche Zusammenhang mit der neuen Dokumentation fällt auf, eine Ursache folgt daraus nicht: Google hat keinen Zusammenhang bestätigt, das Changelog nennt nur die Angleichung an die Developer-Event-Inhalte. Wer während des Updates Verluste sieht, sollte nicht vorschnell ungeprüften KI-Content als Ursache annehmen. Das wären zwei unabhängige Annahmen. Nachtrag vom 17. Oktober: Laut Google war der Rollout am 8. Oktober abgeschlossen.

Die eigentliche Frage ist Verantwortung

Dass Google vor Halluzinationen warnt, ist nicht neu. Bemerkenswert ist, dass aus einer allgemeinen Qualitätsanforderung ein konkreter Prozessschritt vor der Veröffentlichung wird. Die relevante Frage lautet damit nicht mehr „Dürfen wir KI für SEO-Content einsetzen?“, sondern „An welcher Stelle übernimmt ein Mensch die Verantwortung für das Ergebnis?“ Unternehmen brauchen nicht zwingend weniger Automatisierung, sondern kontrollierte Automatisierung.

Ich würde deshalb auch nicht versuchen, KI-Content durch „menschlich klingende“ Texte oder Detection-Tools abzusichern. Google fordert keine Tarnung der Produktionsmethode, sondern Genauigkeit und Vertrauenswürdigkeit. Die Investition gehört in Datenqualität, Verantwortlichkeiten und QA.

Womit ich diese Woche anfangen würde

Einen einzigen Workflow exemplarisch vom Anfang bis zur Veröffentlichung verfolgen: Wo entstehen KI-Outputs? Welche werden heute geprüft? Welche Felder umgehen den redaktionellen Prozess? Lücken zeigen sich erfahrungsgemäß bei Metadaten, Produktbeschreibungen, Übersetzungen, Alt-Texten und strukturierten Daten. Danach lässt sich entscheiden, wo ein Review-Schritt wirklich nötig ist. Nicht den gesamten Bestand neu prüfen, sondern zuerst sicherstellen, dass neue Inhalte nicht ungeprüft live gehen.

Für kleine Websites bedeutet die Änderung redaktionelle Disziplin, für große Governance. Die wichtigste Frage ist nicht mehr, wie schnell ein Modell Inhalte produziert, sondern wer dafür einsteht, dass sie stimmen. Wie ich solche Prozesse aufsetze, steht auf der Seite Content-Strategie.