Die Ausgangssituation
Ein DACH-Dienstleister will für eine große Zahl eng verwandter Long-Tail-Keywords organisch sichtbar sein. Die Keyword-Matrix besteht aus mehreren tausend Kombinationen aus Service, Region und Use Case. Jede dieser Kombinationen hat ein echtes Suchvolumen — aber einzeln zu klein, um eine manuell geschriebene Landing Page zu rechtfertigen.
Die Rechnung: 2.000 geplante Seiten × 45 Minuten pro manuell geschriebene Seite = 1.500 Stunden reine Schreibzeit. Ein unrealistisches Budget — und selbst wenn es verfügbar wäre: Bis die letzte Seite geschrieben ist, ist die erste veraltet.
Die Herausforderung
Die naheliegenden Lösungen scheitern alle an einem anderen Punkt:
- LLM schreibt alles: Google erkennt systemisch generierten Content. Near-duplicate-Erkennung straft ganze Seitenbereiche ab. Nutzer bouncen, weil Inhalte austauschbar wirken.
- Template mit Platzhaltern: Wenn sich nur Stadtnamen und Zahlen ändern, ist das für Google praktisch derselbe Artikel. Gleiches Ergebnis wie oben.
- Manuell schreiben: Wirtschaftlich nicht darstellbar bei Seitenanzahlen jenseits einiger hundert.
Das eigentliche Problem ist kein Generierungs-, sondern ein Qualitätssicherungs-Problem. Generieren kann jedes moderne Sprachmodell in Sekunden. Die Frage ist: Wie sortiere ich aus, was Google als Wertstoff erkennt — und was als Füllmaterial?
Die Lösung: Ein dreistufiges Quality Gate
Statt einen einzigen teuren Prüfschritt durchzuführen, läuft jede generierte Seite durch drei Filter mit absteigender Durchlässigkeit und aufsteigendem Kostenaufwand:
Layer 1 — Regex-Vorfilter (Kosten: ~0 €)
Strukturelle Mindestanforderungen: Existieren alle Pflichtfelder? Ist die Wortanzahl im erwarteten Fenster? Enthält der Output keine typischen LLM-Artefakte („Als KI-Sprachmodell…”, leere Platzhalter, abgeschnittene Sätze)? Diese Prüfung läuft in Millisekunden und erwischt rund 15 % aller Rohausgaben.
Layer 2 — Claude Haiku Smart Check (Kosten: ~0,001 € pro Prüfung)
Ein günstiges Sprachmodell prüft mit einem eng gefassten Prompt auf inhaltliche Plausibilität: Stimmt die behauptete Ortsangabe mit den Kontextdaten? Sind die Claims konsistent? Wiederholt sich der Text innerhalb der Seite? Haiku ist schnell, günstig und für diese Art von Binärentscheidungen ausreichend präzise. Fängt weitere ~10 % ab.
Layer 3 — Claude Sonnet Deep Review (Kosten: ~0,02 € pro Prüfung)
Nur Grenzfälle aus Layer 2 werden an das teurere, leistungsfähigere Modell weitergegeben. Sonnet prüft auf subtilere Qualitätskriterien: Liest sich der Text natürlich? Bringt er über den Template-Kern hinaus echten Mehrwert? Liefert er Informationen, die ein vergleichbarer menschlicher Redakteur akzeptieren würde? Nur rund 5 % aller Seiten erreichen diese Stufe — der Rest ist bereits vorher abgelehnt oder durchgewunken.
Das Ergebnis: Eine dreistufige Pipeline, in der die meisten Prüfungen extrem günstig sind und der teure Schritt nur dort greift, wo er gebraucht wird.
Der technische Stack
Die Orchestrierung läuft über eine self-hosted n8n-Instanz. Die Einzelbausteine:
- Workflow-Engine: n8n (self-hosted via Docker)
- Generierung: Claude API (Sonnet-Stufe für Content, Haiku-Stufe für Quality Checks)
- Pre-Filter: Regex-Modul, in n8n als Code-Node
- Daten-Enrichment: Externe APIs für Geo-, Struktur- und Branchendaten, die jede Seite mit echten, faktisch korrekten Infos anreichern
- Publishing: WordPress REST API mit authentifizierten Requests
- Internal Linking: selbstentwickeltes WP-Plugin, das Beziehungen zwischen verwandten Seiten automatisch setzt
- Sitemap-Generierung: ebenfalls eigenes Plugin, weil die Standard-Lösungen bei 1.000+ Seiten an Grenzen stoßen
Die bewusste Entscheidung gegen All-in-One pSEO-Tools hatte zwei Gründe: volle Kontrolle über jeden Pipeline-Schritt und Datenhoheit — die Inhalte laufen nicht durch fremde SaaS-Server, sondern über eigene Infrastruktur.
Das Ergebnis
- Seiten live: über 1.640 indexierbare Landing Pages
- Kosten pro Seite: unter 0,15 € im Schnitt (inkl. aller drei Quality-Gate-Stufen und der Generierung selbst)
- Zeitaufwand pro Seite: ca. eine Minute end-to-end, inklusive Quality Gate und Publishing
- Near-Duplicate-Rate: unter 2 % laut interner Prüfung
- Ablehnungsquote gesamt: rund 30 % aller Roh-Generierungen werden ausgefiltert, bevor sie je eine URL erreichen
Die wichtigere Zahl, die sich nicht in einer einzelnen Metrik ausdrücken lässt: Das System skaliert vorwärts. Eine neue Dimension in der Keyword-Matrix — zum Beispiel eine zusätzliche Branchenvariante — kostet nicht 500 Arbeitsstunden, sondern eine Konfigurationsänderung und eine Nacht Batch-Run.
Was sich in der Umsetzung bewährt hat
Das Quality Gate ist wichtiger als das Generieren. Die eigentliche Engineering-Arbeit liegt nicht darin, ein LLM zum Schreiben zu bringen — das kann jeder seit zwei Jahren. Die Arbeit liegt darin, schlechte Outputs zuverlässig auszusortieren. Wer bei pSEO am Quality Gate spart, produziert skalierbaren Spam.
Regex + günstiges LLM fangen 90 % der Probleme. Teure Modelle sollten nur dort laufen, wo günstigere versagen. Das ist keine Sparmaßnahme, sondern gute Systemarchitektur: Jeder Schritt hat seine Stärken, und man sollte ihn nur dort einsetzen.
Template-Diversität schlägt Template-Perfektion. Drei unterschiedliche Seitentypen, jeder davon ordentlich, performen besser als ein perfekter Seitentyp in tausendfacher Kopie. Google mag Varianz.
Echte Daten sind der Unterschied zwischen pSEO und Spam. Eine Seite zu „Region X” muss tatsächlich etwas über Region X sagen, das nicht auch für Region Y gilt. Dafür braucht es eine Enrichment-Pipeline, die Fakten liefert — nicht eine LLM, die Fakten halluziniert.
Wann der Ansatz passt
pSEO mit Quality Gate ist sinnvoll, wenn:
- Eine Keyword-Matrix mit mindestens mehreren hundert Kombinationen existiert (Service × Region, Industry × Use Case, Produkt × Anwendungsgebiet)
- Jede Kombination echtes, wenn auch kleines Suchvolumen hat
- Strukturierte Datenquellen verfügbar sind, die jede Seite einzigartig machen können (nicht nur Platzhalter-Text)
- Die Zielgruppe Long-Tail-Anfragen stellt, nicht primär generische Broad-Match-Keywords
Typische Kandidaten: B2B-Dienstleister mit regionalem Fokus, Marktplätze, Vergleichsportale, SaaS mit breitem Industrie-Coverage, Franchise-Unternehmen. Mehr dazu unter Content-Autopilot.
Ein verwandter Ansatz für Eingangs-Dokumente statt Ausgangs-Seiten findet sich in unserer Case Study zur automatisierten Dokumentenverarbeitung — gleicher Pipeline-Gedanke, andere Richtung.
Haben Sie eine Keyword-Matrix, die sich für pSEO eignen könnte? Die kostenlose Analyse prüft das Potenzial in 60 Sekunden.