---
title: "KI SEO Tools: Mein Set mit Tests und Fallen - Łukasz Rogala"
description: "Welche KI-Tools ich für SEO nutze: Sprachmodelle, Daten zu Suchergebnissen, Crawling und eigene Skripte. Ich zeige Tests mit Zahlen und Fallen."
url: "https://rogala.pro/de/blog/ki-seo-tools/"
language: "de"
author: "Łukasz Rogala"
published: "2026-10-18T12:15:00+02:00"
modified: "2026-10-18T12:16:57+02:00"
---

[Blog](https://rogala.pro/de/blog/)

# KI-Tools für SEO: Mein Set und die Tests, die es geprägt haben

[Łukasz Rogala](https://rogala.pro/de/#about) · 18. Oktober 2026 · 17 Min. Lesezeit

**Mein Set an KI-Tools für SEO besteht aus Sprachmodellen, kostenpflichtigen Daten zu den Google-Ergebnissen, einem Programm zum Crawlen von Websites und eigenen Skripten.** Ein Modell ordnet Daten gut, beschreibt sie und schreibt Code. Das Ergebnis aus einem einzigen Abruf der Ergebnisse oder aus einer einzigen Antwort des Modells kann aber zufällig sein. Deshalb zeige ich Tests, die verändert haben, wie ich diese Tools einsetze. Ein Ranking von 1 bis 10 stelle ich nicht auf, denn ich habe diese Tools nicht nebeneinander an denselben Daten verglichen.

**Die Tests in diesem Text habe ich von Juli bis Oktober 2026 an eigenen Daten und an Daten von Projekten gemacht, deren Namen ich nicht nenne.** Für die kostenpflichtigen Tools in diesem Text zahle ich selbst, ihre Namen nenne ich ohne Links. Ich betreibe Linko mit, eine Linkplattform, und in VerticalSEO, meiner Agentur, bauen wir eigene SEO-Tools. Ich schreibe über sie mit diesem Vorbehalt. Die Namen der Modelle nenne ich überall dort in den Versionen vom Testtag, wo ich sie festgehalten habe, denn die Versionen ändern sich alle paar Wochen. Ergebnisse aus kleinen Stichproben beschreibe ich als vorläufig.

## Was kann KI in SEO gut, und was nicht?

**Ein Sprachmodell liest, ordnet und schreibt gut, rechnet aber aus dem Gedächtnis schlecht und sieht keine Daten, die Sie ihm nicht geben.** Am 26. und 27. September 2026 prüfte ich Sprachmodelle an 17 Arten von SEO-Aufgaben, jede auf leichtem und schwerem Niveau. Einen Teil der Arten baute ich auf Grundlage von 103 Stellenanzeigen für SEO-Spezialisten. Die Anzeigen nannten am häufigsten das technische Audit, das Reporting und die Datenanalyse. Von den Tools nannten sie am häufigsten Search Console, Google Analytics 4 (GA4), Ahrefs, Semrush und Screaming Frog.

**Die stärksten Modelle erreichten in fast jeder Art von Aufgabe nahezu 100 %, deshalb zeigten erst die schwächeren Modelle Unterschiede.** Zur Spitzengruppe gehörten unter anderem Claude Opus 5.5, Fable 5.1, Codex und Gemini 3.1 Pro. Beim Rechnen aus einer Datei auf schwerem Niveau erhielt Claude Haiku 4.5 2 von 10 Punkten. Gemini 3.8 Flash mit niedriger Denkstufe erhielt 1 von 10 und das lokale Gemma 4 12B 0 von 10. Bei Aufgaben, in denen das Modell die Daten mit einem Python-Skript berechnen konnte, erhielten alle geprüften Cloud-Modelle die volle Punktzahl. Auch die schwächsten von ihnen erhielten die volle Punktzahl. Die Daten in diesen Aufgaben sind Exporte aus Screaming Frog, 45 Tsd. GA4-Ereignisse und ein Server-Log mit 160 Tsd. Zeilen. Deshalb rechnet in meiner Arbeit ein Skript die Zahlen, das das Modell schreibt und ausführt.

**Texte auf Polnisch bewerteten zwei Modelle blind, und hier waren die Unterschiede groß.** Die Bewertenden wussten nicht, welches Modell den Text geschrieben hatte. Die Skala hatte 5 Stufen, und 5 bedeutete einen Text, der ohne Korrekturen an einen Kunden gehen kann. Nur Claude Opus 5.5 und Claude Sonnet 5 erhielten bei der schweren Schreibaufgabe eine 5. Gemini 3.1 Pro erhielt eine 2, weil es ein „gestriges Gespräch“ mit dem Empfänger erfand. Das bewertende Claude Opus war strenger als das bewertende Gemini, sowohl bei den Antworten von Claude als auch bei denen der übrigen Modelle.

**Dasselbe Modell kann beim nächsten Durchlauf desselben Tests ein anderes Ergebnis liefern.** Claude Haiku 4.5 erreichte in zwei Durchläufen 62 und 39 Punkte von 102. Im Text zum [SEO-Audit](https://rogala.pro/de/blog/seo-audit/) habe ich beschrieben, warum ein KI-Modell kein vollständiges Audit einer Website allein erstellt.

## Mein Set: Welches Tool nutze ich wofür?

**Die Tools teile ich in sechs Einsatzbereiche meiner Arbeit ein und nicht nach Herstellern.** Dasselbe Modell steht in mehreren Bereichen, denn ich nutze es anders, um Daten zu lesen, und anders, um zu kontrollieren. Zu jedem Bereich nenne ich den Test, nach dem ich meine Arbeitsweise geändert habe.

**Zu jedem Einsatzbereich meines Sets gehört ein Test, der meine Arbeit verändert hat**

Matrix sechs mal zwei. Zeilen: Sprachmodelle, lokale Modelle, Daten zu Ergebnissen, Crawlen von Websites, Inhalt und Semantik, Kontrolle. Spalten: Tools und Aufgaben sowie der Test, der meine Arbeitsweise verändert hat.

*Tests vom September und Oktober 2026 an eigenen Daten und an Daten von Projekten, deren Namen ich nicht nenne. Ergebnisse aus kleinen Stichproben betrachte ich als vorläufig.*

## Welche Sprachmodelle nutze ich und wofür?

**Die Hauptarbeit mache ich in Claude Code, also in Claude, das im Terminal mit Zugriff auf Dateien, Skripte und Daten läuft.** Claude schreibt und führt Skripte aus, liest Exporte und bereitet Entwürfe von Berichten vor. Codex (OpenAI) und Gemini (Google) erhalten dieselben Unterlagen zur zweiten Kontrolle.

**Texte und Berichte prüfe ich in zwei Runden mit einem zweiten Modell eines anderen Herstellers.** Die erste Runde sucht Fehler bei Fakten und Lücken. Die zweite Runde prüft nur die Korrekturen, denn beim Korrigieren entstehen neue Fehler. Im Oktober 2026 fand die zweite Runde in einem Projekt in einem Leitfaden eine falsche Gesamtzahl der Links, von der der Anteil berechnet wurde: 79 statt 76. Dieser Fehler entstand erst bei den Korrekturen. Mein Kontrollskript hat ihn nicht gefunden.

**Ein Bewertungsmodell kann etwas anderes messen als ein Mensch, deshalb prüfe ich es an Texten, die ich schon beurteilt habe.** Am 7. Oktober 2026 gab ich zwei Modellen 87 Beschreibungen von Google-Patenten zur Bewertung. Darunter waren 8 Beschreibungen, die ich vorher selbst für fertig gehalten hatte, und die Bewertungsmodelle wussten davon nichts. Fable, ein Modell der Firma Anthropic, hielt 5 dieser 8 für fertig. Codex mit hoher Denkstufe hielt 1 von 8 für fertig.

**Diese beiden Ergebnisse betreffen nur Texte, die ich selbst für fertig gehalten habe.** Die übrigen 79 Beschreibungen habe ich nicht beurteilt, ich weiß also nicht, wie viele Ablehnungen berechtigt waren. Codex lehnte insgesamt 51 der 87 Beschreibungen ab, weil es jeden Satz der Beschreibung mit den Patentansprüchen verglich, also mit dem rechtlichen Schutzumfang des Patents. Die Übereinstimmung der Bewertungsmodelle untereinander lag nahe am Zufall. Cohens Kappa betrug 0,06, wobei 0 zufällige und 1 vollständige Übereinstimmung bedeutet.

**Lokale Modelle auf dem eigenen Rechner mit Grafikkarte nutze ich für massenhafte Etiketten, denn ich zahle nicht für jedes Stück.** Am 1. Oktober 2026 prüfte ich lokale Modelle an vier einfachen Tätigkeiten. Die Daten waren Seiten von drei polnischen Onlineshops. Gemma 4 31B erkannte die Art der Seite bei 98,5 % von 403 Seiten. Die Arten der Seiten sind Produkt, Produktliste, Artikel oder Sonstiges. Ein Skript mit Regeln traf bei 84 % dieser Seiten.

**Gemma las die Preise fast fehlerfrei aus und beurteilte die Übereinstimmung von Zahlen, aber ein Teil der Referenzwerte in diesem Test stammte von einem Modell und nicht von einem Menschen.** Referenz für die Art der Seite waren Etiketten aus einem Skript, die das Modell Claude Opus korrigiert hatte. Gemma las den Preis bei allen 177 Produktseiten richtig aus. Referenz war der Preis aus den strukturierten Daten, der mit dem Text der Seite übereinstimmte. Bei 99,3 % von 134 Fällen beurteilte Gemma richtig, ob die Zahl in einem Satz mit den Daten übereinstimmt. Bei der Hälfte dieser Sätze war die Zahl absichtlich verändert. Gemma erkannte auch die Art der Nachfrage bei einem Suchbegriff (Angebot, außerhalb des Angebots oder Rat) bei 97,7 % von 218 Suchbegriffen. Referenz waren hier Etiketten des Modells Claude Opus.

**Dieselbe Modellfamilie versagte beim Vergleich von Zahlen zwischen zwei Dateien in einem echten Angebot.** Am 12. Oktober 2026 verglichen zwei Versionen von Gemma 4, 26B und 31B, 63 Zeilen und meldeten nur falsche Widersprüche. Sie hielten zum Beispiel „-34 %“ und „ein Drittel“ für widersprüchliche Werte. Das einzige echte Problem in diesem Text betraf keine Zahlen, sondern ein übertriebenes Wort bei einem Ergebnis aus der Tabelle. Es gehörte also nicht zur Aufgabe von Gemma. Jetzt prüft ein Skript, ob jede Zahl aus der einen Datei in der anderen vorkommt. Das ist eine Kontrolle des Vorkommens von Zahlen, ihre Bedeutung prüft ein Mensch oder ein zweites Modell.

## Welche Tools nutze ich für Daten zu Positionen und Nachfrage?

**Daten zu den Google-Ergebnissen nehme ich von DataForSEO, aus der Search Console und aus Ahrefs, und jede dieser Quellen hat eine andere Falle.** DataForSEO verkauft Abrufe der Google-Ergebnisse und Daten zur Nachfrage mit einer Gebühr für jede Anfrage. Vom 17. September bis 14. Oktober 2026 habe ich dort 17.076 Aufgaben für 99,89 USD in Auftrag gegeben. Darunter waren 13.085 Abrufe der Google-Ergebnisse.

**Ein einzelner Abruf der Ergebnisse genügt nicht zur Messung der Position, denn aufeinanderfolgende Abrufe desselben Suchbegriffs sehen unterschiedlich aus.** Am 7. Oktober 2026 rief ich die Ergebnisse für 94 Suchbegriffe dreimal im Abstand einer Stunde und zweimal in derselben Minute ab, für 1,57 USD. Danach verglich ich die Domains aus den ersten zehn Ergebnissen in zwei Abrufen desselben Suchbegriffs. Die gemeinsamen Domains machten im Median ca. 15 % aller verschiedenen Domains aus beiden Abrufen aus. Bei Abrufen aus derselben Minute waren es ca. 8 %. Ein Suchbegriff hatte im Median 4 Varianten der Ergebnisse. Deshalb berechne ich statt der Position den Anteil der Abrufe, in denen die Domain unter den ersten zehn Ergebnissen steht. Es sind ca. 10 Abrufe, und ich sende sie gleichzeitig.

**Diese Messung machte meinen früheren Test ungültig, in dem ich die Position aus einem einzigen Abruf mit den Zitaten aus fünf Abrufen verglichen hatte.** Das Ergebnis „bestanden“ erwies sich als falsch, deshalb habe ich den Test angehalten. Die AI Overview, also die Antwort der KI über den Google-Ergebnissen, war in dieser Messung stabil: Sie erschien in 97-99 % der Abrufe, und die Liste der zitierten Seiten änderte sich nicht.

**Die Search Console zeigt Klicks, gemessen von Google selbst, aber der Export aus der Oberfläche schneidet die Tabelle bei 1.000 Zeilen ab.** Tausend nach Klicks sortierte Suchanfragen sind der am häufigsten angeklickte Teil der Daten. Am 20. September 2026 zeigte der Export aus der Oberfläche bei einer Website eine CTR von 4,28 % für die Positionen 1-3 in den USA. Die CTR ist der Anteil der Impressionen, die zu einem Klick führten. Daten aus 16 Monaten, ohne die Grenze von 1.000 Zeilen abgerufen, also 123.498 Suchanfragen, ergaben 1,40 %. Solche Daten rufe ich über die API der Search Console ab, also über die Schnittstelle für Programme. Der zweite Weg ist ein Bericht in Looker Studio, dem kostenlosen Berichtstool von Google, mit dem Search-Console-Connector.

**Ahrefs nutze ich für Links, Suchbegriffe und Wettbewerber, aber seine Schätzungen des Traffics prüfe ich in der Search Console.** Die Spalte mit dem Traffic im Rank Tracker von Ahrefs ist eine Schätzung: die geschätzte Nachfrage multipliziert mit einem angenommenen Klickanteil. Bei einer Website war diese Schätzung 10-50-mal höher als die Klicks in der Search Console, bei einer anderen etwa 3-mal niedriger. Der Rank Tracker zählt außerdem Blöcke auf der Ergebnisseite als Positionen. In einem Fall bedeutete der Absturz von Platz 1 auf Platz 13 nur, dass über den Ergebnissen eine AI Overview erschienen war.

## Welche Tools nutze ich für das technische Audit?

**Für das Audit nutze ich Screaming Frog und den Browser Chrome ohne Fenster, und ein KI-Modell liest die Ergebnisse, ersetzt aber nicht das Crawlen der Website.** Screaming Frog durchläuft die Website wie ein Roboter der Suchmaschine. Chrome ohne Fenster zeigt die Seite nach der Ausführung von JavaScript, deshalb vergleiche ich beide Fassungen der Seite. In einem Audit lieferten Crawls mit und ohne JavaScript, die gleichzeitig liefen, ein falsches Signal zum Rendering. Seitdem starte ich sie nacheinander.

**Wenn die Firewall der geprüften Website mein Crawling-Programm blockiert, rufe ich einzelne Adressen über den Dienst Apify Web Fetch ab.** In einem Test vom 12. Oktober 2026 las der Dienst 8 von 8 Seiten aus, die ich von meiner IP-Adresse nicht abrufen konnte. Zwei davon gehörten zu Websites von Kunden und sechs zu öffentlichen Bewertungsportalen, Vergleichsportalen und Onlineshops. Das kostete 0,00155 USD pro Adresse. Der Dienst meldete jedoch manchmal einen erfolgreichen Abruf mit dem Code 200, obwohl er nur eine Verifizierungsseite abgerufen hatte. Einen sehr kurzen Text oder einen Text zur Verifizierung betrachte ich deshalb als Blockade und rufe erneut ab.

**Dieser Dienst zeigt nicht, was ein echter Roboter von Google oder ein KI-Crawler sieht.** Er verbindet sich von einer anderen IP-Adresse, und selbst wenn ich den Namen des Roboters angebe, verraten die übrigen Header einen gewöhnlichen Chrome-Browser. Blockaden von Crawlern prüfe ich daher in der Search Console und mit einem eigenen Skript, das die Antworten des Servers für verschiedene Crawler vergleicht. Im Text zur [Datei llms.txt](https://rogala.pro/de/blog/llms-txt/) habe ich beschrieben, wie ich an der IP-Adresse prüfe, ob eine Anfrage von einem echten Crawler kam.

**Den Assistenten für technische Audits habe ich auf den Audits meiner Agentur aus den Jahren 2020-2026 aufgebaut und messe ihn an Audits, die vorher ein Mensch gemacht hat.** Der Assistent ist ein KI-Agent, der Daten über die Website sammelt und nach einem Katalog von Regeln prüft, die aus diesen Audits aufgeschrieben wurden. Umfang und Prioritäten des Audits genehmige ich selbst, zu Beginn der Arbeit und vor dem Versand des Audits. Das Ergebnis der Messung trage ich hier nach der zweiten Messung an einer neuen Website nach.

## Welche Tools nutze ich für Inhalte und Semantik?

**Einen Suchbegriff ordne ich einer Seite per Hybridsuche zu, denn die vorherige Version meines Tools traf nur bei einem Drittel der Suchbegriffe.** Am 14. Oktober 2026 nahm ich Suchbegriffe aus der Search Console zweier Websites, ohne Suchbegriffe mit Markennamen. Referenz für jeden Suchbegriff war die Seite, die mindestens 60 % der Klicks für diesen Suchbegriff erhalten hatte und unter den gecrawlten Seiten der Website war. Die vorherige Version des Tools nutzte das Modell MiniLM für Embeddings, also für die Umwandlung von Text in einen Vektor aus Zahlen. Sie nannte die Referenzseite bei 34 % der Suchbegriffe an erster Stelle.

**Die Hybridsuche verbindet drei Listen von Seiten und traf die Referenzseite bei 80,5 % und 77,1 % der Suchbegriffe.** Die erste Liste stammt vom Modell e5-large. Die zweite ist die Suche nach Wörtern im Inhalt, die dritte die nach Wörtern im Titel, in der H1 und in der Adresse. Die Listen verbinde ich mit der Methode RRF, die Seiten belohnt, die auf mehreren Listen gleichzeitig weit oben stehen. Das beste einzelne Modell für Embeddings war bei jeder der Websites ein anderes, und die Hybridsuche gewann bei beiden.

**Die Hybridsuche traf die Seite mit den meisten Klicks mehr als doppelt so oft wie die vorherige Version meines Tools**

Horizontale Balken für vier Methoden. Je Methode zwei Balken: Anteil der Suchbegriffe, bei denen die Methode als Erste die Seite mit den meisten Klicks nannte, getrennt für zwei Websites. MiniLM 33,9 % und 34 %, e5-large 70,8 % und 54,9 %, Wortsuche im Inhalt 67,1 % und 63,2 %, Hybridsuche 80,5 % und 77,1 %.

*Test vom 14. Oktober 2026. Referenzseite ist die Seite mit mindestens 60 % der Klicks für den jeweiligen Suchbegriff in der Search Console, ohne Suchbegriffe mit Markennamen. Das Ergebnis von MiniLM betrifft die vorherige Version des Tools mit einem Fehler beim Zerschneiden des Textes. Die Hybridsuche verbindet e5-large mit der Suche nach Wörtern im Inhalt sowie im Titel, in der H1 und in der Adresse der Seite. Das Ergebnis misst die Übereinstimmung mit den Klicks in Google und nicht, welche Seite die Anfrage am besten beantwortet.*

**Bei diesem Test fand ich einen Fehler in meinem eigenen Tool: Das Modell sah das Ende der meisten Textabschnitte nicht.** Das Skript teilte den Text in Abschnitte von 80 Wörtern, das Modell nimmt aber 128 Tokens an, also Wortstücke. Polnische Wörter zerfallen in mehr Tokens als englische, deshalb wurden 89-98 % der Abschnitte abgeschnitten. Das Ergebnis von 34 % betrifft also die vorherige Version des Tools samt diesem Fehler und nicht das Modell MiniLM selbst. Der Test misst die Übereinstimmung mit den Klicks in Google und nicht, welche Seite die Anfrage am besten beantwortet.

**Entitäten, also Namen von Firmen, Produkten, Personen und Begriffen, ziehe ich mit dem lokalen Modell GLiNER2 aus Texten.** In meinem Test vom Juli 2026 hatte das Modell auf polnischen Texten einen F1-Wert von 0,94, genauso viel wie auf englischen. F1 verbindet Genauigkeit und Vollständigkeit, wobei 1 ein perfektes Ergebnis bedeutet. Dieses Ergebnis gilt für Etiketten, die sich nicht überschneiden. Wenn in einer Anfrage gleichzeitig die Etiketten „Firma“ und „Marke“ standen, sank F1 auf 0,85. Das Modell läuft auf einem gewöhnlichen Prozessor, ca. 20 Absätze pro Sekunde, ohne Gebühr pro Seite.

**GLiNER2 nutze ich nicht zur Erkennung der Intention von Suchbegriffen, denn in meinem Test traf es nur in 33-42 % der Fälle.** Es irrte sich oft mit einer Sicherheit von 0,99, also mit fast der höchsten Sicherheit, die es selbst angibt.

**Die Themenkarte dieser Serie von Beiträgen habe ich aus Entitäten auf 71 Seiten von Wettbewerbern aus Polen und den USA erstellt.** Das Skript zog 110 Entitäten und 1.764 Tripel heraus, also Einträge der Form Entität, Merkmal und Wert. Die Daten kosteten 0,072 USD. Die Karte zeigte die Rollen der Beiträge, Textpaare, die sich per Link verbinden lassen, und Themen, die auf dieser Website fehlen.

## Welche Tools nutze ich für Linkbuilding?

**Für die Analyse von Links nutze ich Ahrefs, Links, die als verloren markiert sind, prüfe ich aber live, bevor sie in die Schlussfolgerungen eingehen.** Im Oktober 2026 zeigte Ahrefs in einem Projekt 360 polnische Domains als verloren an. 140 von ihnen verlinkten weiterhin mit derselben Adresse. Ca. 70 Adressen antworteten beim Abruf mit einem gewöhnlichen Programm mit dem Fehler 403, deshalb prüfte ich sie in einem per Skript gesteuerten Browser (Playwright).

**Ich betreibe Linko mit, eine Linkplattform, deshalb beschreibe ich sie hier nicht wie das Tool einer fremden Firma.** Im Text zum [Linkbuilding](https://rogala.pro/de/blog/backlinks-kaufen/) habe ich beschrieben, wie ich Portale vor dem Kauf einer Veröffentlichung bewerte. Im Text zum [Linkbuilding im KI-Zeitalter](https://rogala.pro/de/blog/linkbuilding-ki/) habe ich beschrieben, wie die KI hilft, Veröffentlichungen und den Kontakt zu Publishern vorzubereiten.

## Welche Tools nutze ich zur Messung der Sichtbarkeit in der KI?

**Die Tools zur Messung der Sichtbarkeit einer Marke in der KI habe ich in einem eigenen Text beschrieben, deshalb nenne ich hier nur den Grundsatz.** Die Erwähnung der Marke in der Antwort und das Zitat ihrer Seite zähle ich getrennt. Jede Frage stelle ich mehrmals, denn die Antworten der Assistenten ändern sich. Im Text zur [KI-Sichtbarkeit einer Marke](https://rogala.pro/de/blog/ki-sichtbarkeit-messen/) habe ich die Messung, die Zahl der Wiederholungen und die Fallen der Tools beschrieben. Im Text zu [GEO und KI-SEO](https://rogala.pro/de/blog/geo-seo/) habe ich beschrieben, was ich auf der Website tue, damit KI-Assistenten sie zitieren können.

## Welche SEO-Tools haben wir selbst gebaut?

**Wenn kein Tool meine Frage beantwortet, schreibe ich mit Hilfe der KI ein eigenes Skript.** Die meisten dieser Skripte dienen der internen Arbeit: Crawling, Abruf von Daten, Entitäten, Kontrolle von Texten und Zahlen. Bevor ich ein Skript in der Arbeit einsetze, prüfe ich es an Daten mit der richtigen Antwort.

**In VerticalSEO bereiten wir 16 SEO-Tools vor, die über die Website und über die API verfügbar sein werden, auch für KI-Agenten.** Die Tools sind noch nicht veröffentlicht. Die Tests vom 8. Oktober 2026 prüften, ob die Tools der Spezifikation entsprechen. Bestanden wurden 610 von 610 API-Tests und 325 von 325 Tests der Tools für Agenten im Browser. Diese Tools arbeiten im Standard WebMCP, der KI-Agenten Funktionen einer Website zur Verfügung stellt. Die Tests messen noch nicht, ob die Tools zutreffende SEO-Schlussfolgerungen liefern.

**Der Test des Tools zur Prüfung von Entitäten zeigte, dass der Name allein nicht genügt, um eine Entität zu bestimmen.** Ich suchte die polnische Handelsplattform Allegro, das Tool wählte aber aus dem Knowledge Graph von Google, also aus seiner Datenbank von Entitäten, ein Werk von Vivaldi. Unter meinem Vor- und Nachnamen wählte es einen Schauspieler. Jetzt bestätigt das Tool eine Entität erst, wenn Google für sie die geprüfte Seite angibt. Eine Bestätigung ist auch ein Bezeichner, auf den Wikidata oder die strukturierten Daten der Seite verweisen.

**LemmeGSC, mein Dashboard für Daten aus der Search Console, bereite ich für die Veröffentlichung als Open-Source-Software vor.** Das Dashboard ruft Daten aus der Search Console ohne die Grenze von 1.000 Zeilen ab. Es zeigt unter anderem Kannibalisierung von Suchbegriffen, also mehrere Seiten einer Website für denselben Suchbegriff.

## Welche kostenlosen SEO-Tools genügen für den Anfang?

**Für den Anfang genügen die Search Console, Looker Studio, die kostenlose Version eines KI-Assistenten und die kostenlose Version von Screaming Frog.** Jedes dieser Tools hat eine andere Rolle:

- die Search Console zeigt Klicks, Impressionen und Suchanfragen aus Google;
- Looker Studio ruft mit dem Search-Console-Connector diese Daten ohne die Grenze von 1.000 Zeilen ab;
- die kostenlose Version eines KI-Assistenten gruppiert Suchbegriffe und schreibt Entwürfe und Skripte, wenn Sie ihr Daten geben;
- die kostenlose Version von Screaming Frog crawlt bis zu 500 Adressen, was für eine kleine Website genügt.

**Kostenpflichtige Tools für Suchbegriffe und Links sollten Sie erst ergänzen, wenn Sie wissen, welche Frage sie Ihnen beantworten sollen.** Ein kostenloser KI-Assistent kennt Ihre Daten aus der Search Console nicht. Am meisten bringt er, wenn er von Ihnen einen Export und die Bitte um ein Skript erhält, das das Ergebnis berechnet.

## Wie teste ich ein KI-Tool, bevor ich ihm vertraue?

**Ein Tool prüfe ich an Daten, für die ich die richtige Antwort kenne.** Nicht jeder Test in diesem Text hatte alle Elemente der Liste unten. Beim Test der lokalen Modelle hat die Referenz für die Art der Seite ein Modell und kein Mensch korrigiert. Heute hat ein Test diese Elemente:

- einen Referenzdatensatz aus der Entscheidung eines Menschen oder aus Daten von Google, zum Beispiel die Seite mit den meisten Klicks für einen Suchbegriff;
- das erwartete Ergebnis, vor dem Start des Tests festgehalten;
- die Wiederholung desselben Durchlaufs, denn ein einzelner Durchlauf eines Modells oder ein einzelner Abruf der Ergebnisse kann zufällig sein;
- Fälle mit eingebautem Fehler, um zu prüfen, ob die Kontrolle ihn erkennt;
- Kosten und Zeit pro Stück;
- Zahlen, die ein Skript geprüft hat und nicht ein Modell.

**Die Daten für Tests kosteten mich wenig, und am meisten Arbeit macht der Referenzdatensatz.** Der Test der Abrufe der Ergebnisse kostete 1,57 USD, die Daten für die Themenkarte der Serie 0,072 USD. Der Referenzdatensatz verlangt eine vorherige Bewertung durch einen Menschen. Die genannten Kosten enthalten diese Arbeit nicht.

**Das Ergebnis eines Tests halte ich zusammen mit dem fest, was der Test nicht geprüft hat.** Bei der Zuordnung eines Suchbegriffs zu einer Seite kenne ich die Übereinstimmung mit den Klicks in Google, weiß aber nicht, ob die genannte Seite die Anfrage am besten beantwortet. Bei lokalen Modellen habe ich vier einfache Tätigkeiten geprüft und keine vollständigen Aufgaben. Ohne eine solche Notiz hält man das Ergebnis eines Tests leicht für umfassender, als es ist.

**Ich prüfe, welche Aufgaben in Ihrem SEO sich mit KI-Tools beschleunigen lassen und wo ein Skript oder ein Mensch nötig ist.** Schreiben Sie, welche Aufgaben Sie jede Woche wiederholen und mit welchen Daten Sie arbeiten. Ich antworte, womit ich anfangen würde.

[Schreiben Sie mir](https://rogala.pro/de/#contact) · [LinkedIn](https://www.linkedin.com/in/lukaszrogala/?locale=de_DE) · [WhatsApp](https://wa.me/48570081225)

## Häufige Fragen zu KI-Tools für SEO

### Ist ChatGPT für SEO geeignet?

**Ja, für die Arbeit mit Daten, die Sie ihm geben, aber nicht als Quelle für Daten zu Positionen und Nachfrage.** In meinen Tests habe ich vor allem Claude, Codex und Gemini geprüft und nicht ChatGPT selbst. Ein Assistent dieser Art kann zusammenfassen, Suchbegriffe gruppieren, Entwürfe von Texten und Code schreiben, aber das Ergebnis muss geprüft werden. Ohne Daten aus der Search Console oder aus einem Tool für Suchbegriffe kennt er weder die Position Ihrer Website noch die Zahl der Suchanfragen. Aus dem Gedächtnis genannte Zahlen sind manchmal erfunden.

### Ersetzt die KI den SEO-Spezialisten?

**Meine Tests haben das nicht geprüft, denn sie betrafen einzelne Tätigkeiten und nicht die ganze Arbeit eines Spezialisten.** Bei diesen Tätigkeiten erreichten die stärksten Modelle oft die volle Punktzahl. Falsche Schlussfolgerungen entstanden aus unvollständigen Daten und schwacher Kontrolle: aus einem einzelnen Abruf der Ergebnisse, aus einem abgeschnittenen Export aus der Search Console und aus einem Modell, das selbst Zahlen verglich. Diese Fehler fand ein Mensch oder ein Skript, das ein Mensch entworfen hatte.

### Bestraft Google Inhalte, die mit KI geschrieben wurden?

**Nicht für den bloßen Einsatz von KI: Google schreibt, dass ein angemessener Einsatz von KI seine Richtlinien nicht verletzt.** Die Richtlinien von Google zum Missbrauch von Inhalten in großem Umfang betreffen die Erstellung vieler Seiten vor allem mit dem Ziel, das Ranking zu manipulieren, und nicht, den Nutzern zu helfen. Diese Richtlinien gelten für Seiten, die auf jede Weise entstanden sind, auch mit Hilfe der KI. Google empfiehlt außerdem, Fakten in Inhalten mit KI vor der Veröffentlichung von Hand zu prüfen, auch in Titeln, Beschreibungen und strukturierten Daten.

## Womit fange ich an?

**Beginnen Sie mit einer Aufgabe, die Sie jede Woche erledigen, und mit Daten, die Sie schon in der Search Console haben.** Geben Sie dem Modell die vollständigen Daten und bitten Sie um ein Skript, das berechnet, was Sie heute von Hand berechnen. Vergleichen Sie das Ergebnis mit gut einem Dutzend Fällen, die Sie selbst prüfen. Erst wenn die Ergebnisse übereinstimmen, lassen Sie das Skript auf den ganzen Daten laufen. Im Text zur [SEO-Strategie](https://rogala.pro/de/blog/seo-strategie/) habe ich beschrieben, welche Daten aus der Search Console ich zu Beginn der Arbeit prüfe.

Externe Quellen (geprüft am 18. Oktober 2026):

- Google Search Central: Google Search's guidance on using generative AI content on your website (developers.google.com)
- Google Search Central Blog: Google Search's guidance about AI-generated content (08.02.2023) (developers.google.com)
- Google Search Central: Spam policies for Google web search (developers.google.com)

Preisliste von Screaming Frog SEO Spider auf der Website des Herstellers (Grenze der kostenlosen Version: 500 Adressen). Eigene Daten: Test des Modells GLiNER2 (Juli 2026), Test von 17 Arten von Aufgaben an Sprachmodellen (26.-27. September 2026), Test lokaler Modelle an vier Tätigkeiten (1. Oktober 2026), Test von Bewertungsmodellen (7. Oktober 2026), Test der Schwankung der Abrufe der Ergebnisse von DataForSEO (7. Oktober 2026), Test von Apify Web Fetch und Vergleich von Zahlen in einem Angebot (12. Oktober 2026), Test der Zuordnung eines Suchbegriffs zu einer Seite (14. Oktober 2026), Verbrauch bei DataForSEO (17. September - 14. Oktober 2026), Themenkarte der Serie (18. Oktober 2026).

[Łukasz Rogala](https://rogala.pro/de/#about)

SEO-Stratege und SEO-Berater

Łukasz Rogala ist SEO-Stratege und SEO-Berater, CEO von VerticalSEO und Mitgründer von Linko.

[Über mich](https://rogala.pro/de/#about) · [Vorträge und Medien](https://rogala.pro/de/#featured)

Lesen Sie auch

- [KI-Sichtbarkeit messen: So prüfe ich die Präsenz einer Marke](https://rogala.pro/de/blog/ki-sichtbarkeit-messen/)
- [SEO-Audit: So gehe ich bei einem Audit Ihrer Website Schritt für Schritt vor](https://rogala.pro/de/blog/seo-audit/)