Texten mit künstlicher Intelligenz: 25 Tools, mit denen du besser, schneller und mehr Content produzierst

Welches ist das beste KI-Tool zum Schreiben? Mehr als nur eines. In diesem Überblick findest du die passenden Kandidaten für deinen Werkzeugkasten.

Künstliche Intelligenz hilft dir beim Schreiben. Da draussen gibt es eine Menge Tools, die dich beim Schreiben schneller machen und besser.

Mein Team und ich haben viele davon ausprobiert. Seit einem Jahr testen wir. Deswegen werde ich oft gefragt: Welches Tool ist denn das Beste?

Ehrlich gesagt: Ich kann es nicht genau sagen. Ich muss wissen, was du erreichen willst, damit ich dir bei der Auswahl helfen kann. Und ich weiss schon im Voraus: Ein einziges Tool wird es nicht. Nicht für uns – und auch für dich nicht.

Aber vielleicht hilft es dir für einen ersten Eindruck, wenn du weisst, was ich benutze? Darum stelle ich die hier 25 Tools vor, mit denen ich arbeite. Und mit denen auch du besser, schneller, mehr schreiben und veröffentlichen kannst.

Wenn du auf der Suche bist, mit welchen KI-Tools du beim Schreiben weiterkommst, bekommst du in diesem Beitrag darum:

Nicht nur eine einzige Antwort. Sondern eine Reihe von Antworten. Es gibt nicht das eine Tool, das alles kann. Darum benutzen wir im Team einen Stack aus mehreren Tools.

Sehr subjektive Antworten. Wir haben gründlich gesucht und vieles ausprobiert. Aber wir sind nicht am Ziel. Wir finden laufend neue, spannende Möglichkeiten. Alles kann sich schon morgen wieder ändern.

Du siehst hier eine Momentaufnahme unserer Suche, Stand September 2022. Wir aktualisieren sie von Zeit zu Zeit. Sie bleibt immer vorläufig, aber kann dir trotzdem helfen. Wenn du dich zum ersten Mal damit beschäftigst, wie dir künstliche Intelligenz beim Schreiben helfen kann, dann findest du hier Ideen für deine eigenen Versuche.

Dies ist ein Überblick. Er ist definitiv nicht vollständig, und er bleibt an vielen Stellen an der Oberfläche. Ich werde an einigen Stellen in die Tiefe gehen und viele der Themen in eigenen Beiträgen genauer beleuchten. Darum bekommt dieser Beitrag im Laufe der Zeit mehr Links zu diesen Deep-dives.

Was darfst du von künstlicher Intelligenz beim Schreiben erwarten?

Zuerst aber müssen wir das Versprechen unter die Lupe nehmen, das ich im ersten Satz dieses Artikels gemacht habe. Künstliche Intelligenz hilft dir beim Schreiben. Es muss ausdrücklich gesagt werden: Hilft dir. Nicht: Schreibt für dich.

Viele der Tools, die du in diesem Beitrag kennenlernst, können schreiben. Du musst nur ein paar Inhalte vorgeben, anschliessend können sie übernehmen und Text generieren. Zum Beispiel aus einer Headline einen Absatz machen. Einen bestehenden Absatz umformulieren. Oder einen komplizierten Absatz einfacher zusammenfassen.

Sie produzieren dabei korrekte Grammatik mit glaubwürdigen Vokabeln. Generieren Satz um Satz, sooft du willst, weiter und immer weiter. Und das in einem Stil, den du vorzeigen kannst.

Das heisst allerdings nicht, dass du mit deinem Text an dein Ziel kommst. So wie der Autopilot im Tesla präzise auf der Autobahn geradeaus fahren kann, den Abstand zum Vordermann halten, und sogar die Spur wechseln und überholen – irgendwann musst du wieder selbst steuern. Spätestens, wenn in der Ausfahrt die Kurve zu eng wird, dann zwingt dich der Tesla, das Steuer zu übernehmen. Zumindest in Europa will das Gesetz es so.

Ich bin im Spätsommer 2021 gestartet, mit dem Vorsatz, mich selbst abzuschaffen. Der Texter, der sich selber abschafft – das habe ich mir als Mission auf meine Website geschrieben und in meine Social Media Profile.

Ich habe es nicht geschafft.

Zum Glück bin ich damit nicht allein. Auch das wirklich selbstfahrende Auto ist noch Zukunftsmusik – ganz gleich, wie sehr Elon Musk es sich anders gewünscht hätte. Ich schreibe noch immer sehr viel selber. Aber ich lasse mir helfen. Und das funktioniert ganz gut.

Wann musst du das Steuer übernehmen? Vor dem Schreiben oder nach dem Schreiben? Welche Hilfsmittel gibt es für die Phasen, in denen du selber schreiben musst? Nach diesen Fragen habe ich diesen Beitrag gegliedert. So sind diese vier Kapitel entstanden:

  1. Autopiloten: Lass Large Language Models für dich schreiben
  2. Assistenzsysteme: Besser, schneller und sicherer selber schreiben
  3. Navigationssysteme: Wissen, was sich zu schreiben lohnt
  4. Gigafactorys: Aus Daten Tausende von Texten generieren

Nimm dir zwanzig Minuten Zeit, schnall dich an – und lass uns losfahren.

1. Autopiloten: Lass Large Language Models für dich schreiben

Im ersten Kapitel dieses Überblicks schauen wir uns Tools an, die auf Large Language Models basieren. Sie können dir Stoff liefern für alles, was du schreiben willst. Ganz gleich, was du schreibst: Seminararbeiten für die Uni, einen Businessplan für dein Startup, beschreibende Texte zu deinem analytischen Report. Oder, wie ich, meist Marketingtexte oder Blogbeiträge. Gib das nächste Ziel vor – und überlass das Schreiben dem Autopiloten.

Jasper: Viel Inspiration beim Pionier

Jasper ist das Tool, mit dem ich meine Reise begonnen habe. Jasper hatte letztes Jahr noch einen anderen Namen. Als ich im Juni 2021 gestartet bin, hiess es noch Jarvis. Seitdem hat es sich weiterentwickelt. Im Kern ist es sich treu geblieben: Es ist eine web-basierte Benutzeroberfläche für ein eingekauftes Sprachmodell. Unter der Haube kommt bei Jasper GPT-3 zum Einsatz, ein Large Language Model des Anbieters Open AI.

Jasper ist dabei mehr als die reine Software. Jasper betreibt eine Community mit derzeit über 65’000 Mitgliedern auf Facebook. CEO Dave Rogenmoser und CMO Austin Distel produzieren regelmässig eine Tonne Content. Use-Case um Use-Case hat mir der Content von Jasper geholfen herauszufinden, was ich mit künstlicher Intelligenz machen kann.

Auf dem Youtube-Kanal von Jasper finden sich inzwischen über 100 Videos. Ein grosser Teil davon Tutorials – aber auch viele Sessions mit Gästen wie Rachel Pedersen, der selbsternannten Queen of Social Media.

Das Tool mit der grössten Community. Das Tool mit regelmässig viel Education. Das Tool mit Inspiration, was du machen könntest: In allen drei Punkten ist die Antwort immer wieder Jasper.

Das sagt nichts über die AI als solche. Der Content ist nur das Rahmenprogramm. Aber: Ein Rahmenprogramm ist verdammt viel wert in einem Feld, wo jeder seine ersten Schritte geht und es noch keine Standardprozeduren gibt. Unter den Blinden ist der Einäugige König.

Anleitung, Inspiration, Rezepte: Jasper macht es einfach, sich das Schreiben mit künstlicher Intelligenz zu erschliessen. Und das ist für mich der Grund, der Jasper zu dem Tool gemacht hat, dass ich seit dem letzten Sommer am häufigsten benutze. Jasper ist vielseitig. Aber: Nicht gerade billig. (Wir zahlen als Early Adopters für drei Lizenzen und unbegrenzt Output 119 US-Dollar im Monat. Für Neukunden gibt es derzeit keinen unbegrenzten Plan mehr, die Abos sind nach Volumen gestaffelt.)

Large Language Models: Viele Modelle, viele Reseller

GPT-3 von Open AI ist nicht nur für Jasper das technische Herz des Angebots – auch viele andere Reseller setzen auf denselben Kern. Und GPT-3 ist nicht das einzige Large Language Model. GPT, das steht für Generative Pretrained Transformer, zu Deutsch: Erzeugender Vortrainierter Umwandler.

Ähnlich wie GPT-3 funktionieren auch andere Modelle: Eleuther AI veröffentlicht GPT-Neo und GPT-J. Von Meta (der Mutterfirma von Facebook) kommt OPT. Aus Deutschland kommt Aleph Alpha. Und ständig kommen neue hinzu.

Das Prinzip bei allen Large Language Models: Deep Learning. Die Modelle lesen in ihrem Training möglichst viel, idealerweise das gesamte Internet und jedes Buch. So bringen sie sich aus dem weltweit verfügbaren Wissen selbst die thematischen Fakten bei. Und ausserdem Grammatik und Vokabular für Englisch, Deutsch und im Grunde jede Sprache der Welt.

Wenn sie fertig sind mit Lernen, dann wissen sie, was Menschen in einer ähnlichen Situation wahrscheinlich sagen würden. So wie Amazon statistisch passende Produkte anpreisen würde, agieren Language Models im Sinne von: Menschen, die «Hallo!» gesagt haben, haben danach auch «Wie geht es dir?» gefragt.

GPT-3 und Co: Geht das auch günstiger?

Ja. Es gibt günstigere Alternativen zu Jasper. Wenn man den ganzen Content abzieht, den man bei Youtube natürlich auch gratis schauen kann. Wenn man auf die Community verzichtet, die Jasper auf zahlende Kunden beschränkt. Dann kann man die eigentliche künstliche Intelligenz, die dort unter der Haube steckt, auch auf anderem Weg nutzen.

Wenn du in der Community und im Content von Jasper gelernt hast, was du mit einem Large Language Model erreichen kannst, dann kannst du das mit ein bisschen eigenem Denken auf andere Tools übertragen.

Andere Reseller von Large Language Models sind unter anderem Longshot und Rytr. Diese und noch einige mehr bieten einen Preisplan, der gratis ist – wenn auch begrenzt. Andere Anbieter wie Gocopy und Copysmith bieten eine Probezeit. Welche Möglichkeiten du aktuell im Markt findest, dazu erzählen wir dir in den nächsten Wochen mehr in einem anderen Beitrag.

Large Language Models ohne Reseller sind ein anderer Weg, günstiger zur vollen AI-Power zu kommen. Bei ihnen musst du kein Abo abschliessen, du zahlst nach Nutzung, pay-as-you-go. Lange Monate ab dem Start war GPT-3 nur für Auserwählte zugänglich, doch Open AI hat im November 2021 den Zugang für alle geöffnet – und verschenkt 18 US-Dollar als Startguthaben (das reicht für sehr, sehr viele Worte). Auch viele Alternativen zu GPT-3 bieten einen direkten Zugang. Auch dazu bald mehr.

Sprachen: Mehr als nur Englisch

GPT-3 wurde vor allem mit Englisch trainiert, und das merkt man. Jasper integriert für bessere Texte in den anderen Sprachen DeepL, die bekannt gute künstliche Intelligenz für Übersetzungen. Du liest diesen Artikel auf Deutsch – vielleicht möchtest du dann auch gerne auf Deutsch schreiben lassen? Für mich war das definitiv wichtig.

Deswegen habe ich auch Neuroflash ausprobiert. Neuroflash nennt sich selber: Dein Nr. 1 KI Text Generator für deutsche Texte. Um auf Deutsch gut zu sein, hat Neuroflash über die Texte, die es mit GPT-3 generiert, obendrauf noch einen Filter gelegt aus aktuellen deutschsprachigen Texten. Das hat bezaubernd funktioniert. Es mag für dich aber einen Versuch wert sein, als ähnliche hochpreisige Alternative zu Jasper, mit Beispielen und Tutorials in deutscher Sprache.

Für mich steht wegen der Sprachen auf der Roadmap meiner Tests ein anderes Tool vorn: Ich will als nächstes Aleph Alpha aus Heidelberg auf Herz und Nieren prüfen. Das setzt auf sein eigenes Large Language Model, eine Alternative zu GPT-3. Das ist von vornherein in mehreren europäischen Sprachen trainiert worden. Auf Deutsch, was ich viel benutzen werde und selber beurteilen kann. Ausserdem auf Französisch und Italienisch, Sprachen, die ich selber mehr oder weniger gut beherrsche und in die Texte von mir regelmässig übersetzt werden, weil einige meiner Kunden in diesen Sprachen veröffentlichen.

2. Assistenzsysteme: Besser, schneller und sicherer selber schreiben

«You can’t edit a blank page», sagt US-Bestseller-Autorin Jodi Picoult, und recht hat sie. Wichtig ist mir im Schreibprozess, dass ich in einem ersten Durchgang schnell viel Menge aufs Blatt bringe. In einem nächsten Durchgang streiche ich dann vieles wieder und beseitige die Fehler. In diesem Workflow helfen vorher und nachher ein paar weitere Tools. Sie halten dich auf der Spur und sorgen dafür, dass du sicher ans Ziel kommst – die Assistenzsysteme.

Spracherkennung und Transkription

Sprechen geht schneller als Tippen. Warum also nicht zur Abwechslung mal Diktieren? Beim Diktieren hat AI gigantische Fortschritte gebracht. Spracherkennung ist im 2022 so viel besser als noch vor wenigen Jahren. Ich verwende die Lösung von Google auf meinem Android und in Google Docs. Ausserdem die Bordmittel von Apple im Betriebssystem Mac OS X. Die Tools werde ich bald einmal gründlicher vergleichen. Ganz kurz das Wichtigste: Der Mac hört auf, wenn er ein Wort nicht versteht – so zwingt er mich zu korrektem Input. Die Lösungen von Google schreiben einfach irgendwas, selbst wenn es falsch ist. Darum wichtig: Bald nach dem Diktieren mit dem Editieren anfangen.

Fehler gehören zur Spracherkennung – nicht nur bei den Diktierlösungen von Google. Auch dir automatische Transkription von Aufnahmen erzeugt viele von ihnen. Youtube transkribiert jedes Video automatisch im Hintergrund, mit Erkennungsraten, die auf Anhieb hoch klingen. Doch auch wenn es je nach Sprache 95 Prozent akkurat wird: Meist sind es die anderen 5 Prozent, aus denen die groben Fehler entstehen.

Als fertige Texte sind Transkriptionen daher nicht brauchbar. Aber als Rohstoff zum Schreiben mag ich sie nicht mehr missen. Die Kombination von Sound und Transkription ist unschlagbar. Mit einem Transkript wird das Video oder Audio durchsuchbar. Deshalb lasse ich die künstliche Intelligenz, die Interviews transkribieren, die ich führe. Anschliessend kann ich von Stichwort zu Stichwort springen und schöne Zitate schneller wiederfinden.

Das funktioniert für Deutsch und Englisch brauchbar bereits in der Gratis-Version von Youtube-Studio. Und sehr komfortabel bei Trint (leider teuer). Wenn du kein Deutsch brauchst, und dir englisch reicht: Loom macht seine Sache gut, Otter ist Marktführer. Falls du auch Schweizerdeutsch transkribieren willst: Viel Glück. Wir haben bislang nur Schrott entdeckt. Ich freue mich darauf, bald Whisper von Open AI zu testen, Schottisch jedenfalls erkennt es besser als ich. Wenn du etwas gefunden hast: Sag Bescheid, unser Dank ist dir sicher!

Rechtschreib- und Stilprüfung

Ich wechsle manchmal mitten im Satz die Richtung und führe ihn mit einem Verb zu Ende, das nicht zur Präposition passt, mit der ich begonnen habe. Ausserdem mache ich mit meinem unorthodoxen Sechs-Finger-System eine Tonne Tippfehler. Gegen beides hilft später eine Rechtschreib- und Stilprüfung. Mir reicht nicht, was bei Microsoft Word oder Google Docs an Bord ist. Ich verwende in der Regel Language Tool – aber erst dann, wenn ich mit Schreiben fertig bin. Language Tool beherrscht alle Sprachen, in denen unser Team produziert (Deutsch, Englisch, Französisch, Italienisch).

Ist Englisch die Originalsprache, dann teste ich derzeit Grammarly. Die Gratisvariante kann, was ich von Language Tool kenne. In der Premium-Variante gehen die Features von Grammarly weit darüber hinaus. Besonders die Vorschläge zum Stil sind für mich super hilfreich. Ich spreche zwar fliessend Englisch. Aber anders als in meiner Muttersprache deutsch weiss ich oft nicht intuitiv, ob man einen Satz nicht auch schöner sagen könnte.

Plagiarismusprüfung

Grammarly hat auch eine Plagiarismusprüfung an Bord, im Premium-Abo ist sie inklusive. Jasper bietet gegen zusätzliche Bezahlung pay-as-you-go die Dienste von Copyscape direkt in der App an.

Für meine eigene Produktion brauche ich nicht wirklich eine Plagiarismusprüfung. Meist kann ich mich erinnern, ob ich den Text selber geschrieben habe. So war das jedenfalls früher. Heute entsteht auf meinem Bildschirm so viel Text, der nicht aus meinen eigenen Fingern geflossen ist. Und da kann ich schon einmal durcheinander kommen: Stammt dieser Absatz aus der Feder meiner künstlichen Intelligenz – womit das Copyright mir gehört? Oder kommt er direkt unverändert aus der Recherche – und müsste noch umgeschrieben werden?

Plötzlich stellt sich auch für Solo-Autoren die Frage nach dem Plagiat. Früher kannten das nur Publisher, die mit einem ganzen Team arbeiten, darunter auch externe Freelancer, denen man nicht einfach blind vertrauen will. Wer solchen Output veröffentlichen will, der muss auf Plagiate prüfen.

Von den Texten aus der Feder von GPT-3 und Co sollte man vermuten, dass sie frei sind von himmelschreienden 1:1-Kopien. Aber letztlich sind Large Language Models stochastische Papageien – trainiert aufs Nachäffen von Sprachmustern, die andere Menschen vorher bereits geschrieben haben. Same same, but different – das ist das Ziel. So entstehen mit absoluter Sicherheit sehr ähnliche Texte, das ist ja gerade das Prinzip. Dabei ist nicht auszuschliessen, dass vielleicht sogar eindeutige Kopien entstehen.

Bei mir ist bislang kein einziger Text aus der Feder von GPT-3 bei einer Plagiatsprüfung durchgefallen. Hat jemand etwas anderes erlebt? Sachdienliche Hinweise erwünscht.

Ob Blogpost, Whitepaper, Broschüre oder Videoskript: Ohne gute Inhalte kommst du beim Schreiben nicht weit. Die hast du entweder bereits vorher alle im Kopf. Oder du musst recherchieren. Auch hier kann künstliche Intelligenz helfen. Genau so, wie dir früher eine Landkarte geholfen hat – oder heute ein Navigationssystem.

Recherche: Vor und nach dem Schreiben

Ob ich Experten interviewe oder selber schreibe: Das geht nur, wenn ich das Thema kenne. Ich muss selber kein Experte im Thema sein, aber grundsätzlich sattelfest – oder mich für diese Gelegenheit eingelesen haben.

Beim Schreiben merke ich zwischendurch, wo mir noch Informationen fehlen. Dann bin ich versucht, eben mal schnell recherchieren zu gehen. Das aber endet oft gar nicht gut – ich bin schnell einmal nur meiner Ablenkung ins Netz gegangen. Wenn ich effizient sein will, dann darf ich nicht mehr recherchieren müssen. Ich muss alles vorher wissen. Und beim Schreiben dann Scheuklappen anziehen und den Fokus bewahren.

Wenn ich ein Large Language Model schreiben lasse, dann gilt das erst recht: Ich muss mich vorher gut auskennen. Denn ich muss die künstliche Intelligenz darauf kontrollieren, dass sie den Bezug zur Realität nicht verliert. Ich kann nämlich nicht darauf vertrauen, dass automatisch Sinn entsteht. GPT-3 und Co verbreiten Falschinformationen, ohne mit der Wimper zu zucken.

“When humans and machines play well together, great opportunities emerge.“
—Abraham Lincoln

Dieses Zitat ist falsch – zu 100 Prozent frei erfunden. Schuld daran ist in diesem Fall nicht einmal eine künstliche Intelligenz. Sondern mein menschliches Hirn. Ich wollte einfach kurz übertreiben, was passieren kann.

Abraham Lincoln taking a selfie with his smartphone (Midjourney)

Die künstliche Intelligenz reiht aneinander, was statistisch gesehen gut zusammen in einen Kontext passt. Und wenn sie nach dem Absender für ein Zitat sucht, dann ist aus der Menge berühmter Absender einer immer eine gute Wahl: Abraham Lincoln.

Ob mit AI oder ohne: Während des Schreibens will ich von Recherche nichts wissen.

Vorher und nachher brauche ich Recherche umso dringender. Vorher, damit ich mich im Thema auskenne. Nachher, damit ich weiss, was stimmt – und was fehlt.

Content-Briefings: Eine Blaupause für jede Seite

Ich benutze regelmässig Frase und gelegentlich Surfer SEO. Ob Blogpost oder Landingpage: Beide Tools helfen, vor dem Schreiben ein Content-Briefing zu erstellen. Dazu gehen sie zum Thema ins Internet und werten aus, was die Wettbewerber schreiben. Oder, genauer gesagt: Mit welchen Aussagen die Wettbewerber Erfolg haben – und es bei Google in die Top 20 schaffen. Seit kurzem ist so eine Funktion auch bei Neuroflash an Bord.

Ein Content-Briefing ist für mich eine gute Landkarte dessen, worüber zu schreiben es sich lohnen könnte. Und wenn ich mit Fachexperten arbeite – etwa bei einem Kundenauftrag – habe ich schnell eine Agenda über die Themen, worüber ich mit einem Experten in einem Interview reden will.

Wer diese Power missbrauchen will: Schneller als mit den Content-Briefings von Frase, Surfer SEO und Neuroflash kann man sich ein Plagiat kaum zusammenklicken.

Frase hat ein Language Model zum Schreiben an Bord, das funktioniert auf Englisch sauber (aber hat mich auf Deutsch nicht überzeugt). Neuroflash ist bei den Language Models zu Hause und darum erwartbar gut, auch auf Deutsch. Surfer SEO spannt fürs Umschreiben mit Jasper zusammen und erzeugt eine fast nahtlose Integration.

Man könnte versucht sein, das frisch zusammengeklickte Plagiat Absatz für Absatz umschreiben zu lassen. Das tun auch immer mehr Menschen, sie stellen diese Texte auf ihre Affiliate-Sites oder verkaufen sie als SEO-Texte. Schlechter als Billigtexte zum Kilopreis von Textbroker und Co ist das auch nicht. Content, der inspiriert und seinen Nutzern einen Mehrwert bietet, entsteht so allerdings nicht.

Die vollständige Integration von Recherche und Schreiben verfolgt auch Longshot. Hier fehlt zwar am Ende das SEO-Ranking des fertigen Textes. Dafür gehen Themenfindung, Recherche und Schreiben erschreckend schnell ineinander über. Dabei entstehen extrem schnell viele Worte, und funktionierende Texte. Trotzdem werde ich den Eindruck nicht los, dass man sich nach der Lektüre fühlt wie nach einem Besuch bei McDonalds: Vollgefressen, aber nicht wirklich genährt.

Content-Planner: Die Themen für die ganze Site

Ich habe mich lange geweigert, SEO zu machen. Die Tricks der Black-Hat-SEO fand ich seit den Nullerjahren schon abstossend. Technisches SEO machen ohnehin andere, die ich gerne projektweise buche. Mein Credo war daher und ist immer noch: Content, den Menschen lesen wollen, ist die beste Suchmaschinenoptimierung. Warum also über SEO überhaupt nachdenken?

Heute weiss ich: SEO ist wichtig, um zu planen, welchen Content ich überhaupt schreiben sollte. Für Publisher ist Keyword Research die beste Marktforschung.

Ich liebe Keyword Research. Ich mache oft Content Audits, und bei jedem setze ich auf die Google Search Console. Sie sagt mir, was auf einer bestehenden Website funktioniert – und was nicht. Ich liebe GPT-3 und Co dafür, wie sie ein erstes Brainstorming auf Speed bringen. (So à la: Mach mir eine Liste von 20 Automarken. Oder: Nenne 50 grosse deutsche Städte. Oder: 100 beliebte französische Männernamen). Ich mag die Related Keywords bei Ahrefs und die Keyword Ideas von Ubersuggest, sie erweitern schnell und zuverlässig die Ideen aus dem Brainstorming.

Ich hasse Keyword Research. Genau so schnell, wie die Ideen kommen, fühle ich mich erschlagen. Ja, Ahrefs und Ubersuggest rechnen mir vor, wie hoch das Suchvolumen ist. Das tönt danach, als könnte ich anschliessend entscheiden, worüber ich als erstes Schreiben will, worüber zu schreiben sich lohnen würde. Aber die Zahlen aus den klassischen SEO-Tools gelten immer nur für ein einzelnes Keyword.

Doch wenn ich einen Artikel schreibe zu einem der Keywords, dann decke ich automatisch viele andere Keywords auch ab – weil sie inhaltlich zum Thema einfach dazugehören. Cluster, so nennen die SEOs solche semantischen Gruppen von Keywords. Aber wie soll ich diese Keywords dann bitte gruppieren?

Tabellen, Zahlen, Charts – bei Ahrefs und Co sieht es auf Anhieb aus, als ob alles total datengetrieben sei. Doch wenn es ans Gruppieren der Keywords geht, dann ist plötzlich alles wieder Bauchgefühl? Deswegen habe ich mich von den klassischen Keywordtools der SEOs immer ein wenig alleingelassen gefühlt.

Bis, plötzlich, künstliche Intelligenz aus diesen Daten mehr herausholt. Einfach eine Liste von Keywords hochladen, und eine AI machen lassen, wofür künstliche Intelligenz bekannt ist: Sie geht Muster erkennen und macht mit maschinellem Lernen Vorschläge zu geeigneten Clusters.

Nach dem Prinzip der Mustererkennung funktionieren Cluster AI, Keyword Cupid (beide mit nicht ganz günstigen Abo-Modellen) und Keyword Insights (mit einem pay-as-you-go-Modell). Alle drei machen sinnvolle Vorschläge, und reduzieren schnell eine Liste von Hunderten von Keywords auf zwanzig oder dreissig Vorschläge für einzelne Blogposts oder Landingpages – inklusive aggregiertem Suchvolumen.

Einen anderen Weg zum Gruppieren nehmen Zenbrief und Surfer SEO. Auch Zenbrief arbeitet mit Listen, die du selber aus einem anderen Tool mitbringst. Geht dann aber nicht alle Suchergebnisse anschauen, sondern lässt ein Sprachmodell entscheiden, welche Themen semantisch zusammengehören. Ähnlich funktioniert das Feature Content Planner von Surfer SEO. Nur dass du hier keine Liste mitbringst, sondern ein breit gefasstes generisches Thema vorgibst. Ob Zenbrief oder Surfer SEO: Die Gruppierungen sind zum Teil fragwürdig. Bei beiden entstehen aber viele Artikelideen – auf jeden Fall eine wunderbare Grundlage für ein Gespräch mit den Experten beim Kunden.

Keyword-Optimizer: Kein Detail vergessen

Wenn ich einen Artikel schreibe zu einem Keyword, dann decke ich automatisch viele andere Keywords auch ab. Vielleicht sogar die meisten. Das ergibt sich von allein, wenn ich verschiedene Facetten meines Themas auslote. Was allerdings nie von allein passiert: Dass ich alle Keywords abdecke, nach denen Menschen zum Thema googeln.

Einige Keywords gehen immer vergessen. Wer auch immer den Text geschrieben hat – ich selber, jemand anderes im Team oder eine künstliche Intelligenz – es lohnt sich, nach dem ersten Entwurf einen SEO-Optimizer laufen zu lassen. Für diese Funktion verwende ich nur Software, die ich weiter oben wegen anderer Features erwähnt habe – bei mir sind das derzeit Frase und Surfer SEO.

Fact-Checker: Die Wahrheit, verzweifelt gesucht

Je schneller du Texte produzierst, desto wichtiger wird es, dass du die Fakten checkst. Ob du mit künstlicher Intelligenz viele fremde Inhalte paraphrasieren oder sie von Grund auf neu erstellen lässt: Du musst wissen, ob die Aussagen in den Texten stimmen – oder ob sie pure Behauptung sind. Schön wäre, du könntest auch für die Bewertung von Inhalten auf künstliche Intelligenz setzen. Hier hapert es allerdings noch gewaltig.

Longshot bringt zwar ein Feature namens Fact Check. Mit dem kann man einzelne Sätze prüfen lassen. Die Funktion zeigt eindeutige Ergebnisse, wenn die Aussage stimmt – dann findet Longshots Fact Check schnell verschiedene Quellen, die dasselbe behaupten. Ist die Behauptung allerdings fragwürdig, dann ist das Ergebnis wenig eindeutig – die Quellen streuen breit. Ich setze diesen Factchecker so gut wie nie ein, denn hinterher bin ich meist genauso ratlos wie vorher. Das Einzige, was klar wird: Rund um diese Aussage würde es noch mehr Recherche brauchen.

Ich würde mir wünschen, ich könnte die Fakten automatisch checken lassen. Ein passendes Tool habe ich allerdings noch nicht gefunden. Weisst du eines? Dann freue ich mich auf eine Nachricht von dir.

4. Gigafactorys: Aus Daten Tausende von Texten generieren

Wenn ich für mich selbst schreibe, dann schreibe ich, um mir selbst die Welt zu ordnen. Schreiben ist Arbeit am Gedanken. Das Schreiben darf ruhig so lange dauern, wie mein Hirn braucht, die Welt zu verstehen. Alle Tools, die ich dir bis jetzt vorgestellt habe, helfen mir dabei. Ich sehe schneller mehr verschiedene Möglichkeiten. Finde Lösungen abseits vom erstbesten Gedanken. Und finde meine Fehler.

War das Ziel ein einzelner Text, dann ist die Arbeit danach fertig.

In anderen Fällen fängt sie danach erst richtig an. Wenn ich für Kunden arbeite, dann schreibe ich oft Prototypen. Muster von Teasern und Headlines. Muster von Blogbeiträgen oder Produktseiten. Und dann geht es daran, diese Muster zu skalieren.

Sollen weitere Blogbeiträge entstehen, dann beginnt der Prozess von vorn: Neues Thema, neues Content-Briefing, neuer Schreibprozess. Zum Einsatz kommen wieder die gleichen Tools, die ich dir in Kapitel eins bis drei dieses Artikels vorgestellt habe. Rinse and repeat.

Einige Texte aber lassen sich noch stärker standardisieren. Das lohnt sich, wenn du viele von ihnen brauchst. Automatisierung macht Sinn, sobald du 100 Texte erzeugen willst – oder mehr: Du kannst gerne auch Tausende herstellen.

Typische Anwendungsfälle sind Produkttexte für Produkte aus derselben Kategorie im Shop, etwa 100 verschiedene Winterreifen. Oder 25 verschiedene Fernsehgeräte in vier Sprachen. Oder jede Stunde einen aktuellen Wetterbericht – das sind in der Woche sogar 168 Stück.

Für solche Mengen ist Skalierung gefragt. Früher hiess das zwangsläufig: ein Team von Textern. Heute schlägt hier oft die Stunde für ein anderes Set von Tools. Gefragt sind dann Data-to-Text-Lösungen wie die von AX Semantics oder Retresco. Die helfen, aus Daten Text zu erstellen. Das funktioniert hervorragend für alles, was man auch in einer Tabelle sagen könnte.

Für die Winterreifen: Wie tief ist das Profil dieses Reifens? Auf welche Höchstgeschwindigkeit ist er ausgelegt? Kann man ihn auch im Sommer fahren? Und für den Wetterbericht: Wie kalt wird es in der Nacht? Welche Höchsttemperatur wird erreicht? Und wie stark bläst der Wind?

Aus all diesen Informationen kann dann die künstliche Intelligenz einen Text schreiben. Dazu verpackt es die Werte aus der Tabelle in schöne Sätze. Und kann ausserdem die Werte auch einordnen: Ist die Temperatur besonders hoch für einen Tag im Mai? Dann wird der Algorithmus das ausdrücken. Und wenn der Wind weder besonders stark noch besonders schwach bläst, dann wäre ein Satz über die Windstärke nicht relevant und er darf entfallen.

Im Gegensatz zu den Large Language Models entsteht bei den Data-to-Text-Lösungen kein Satz, ohne dass vorher ein Mensch eine Regel entwickelt hätte. Dafür braucht es vor dem ersten Text Aufwand. Wenn du Texter bist, dann programmierst du im Grunde den Algorithmus. Anschliessend kann die Maschine deine Ideen vervielfältigen. Sie generiert automatisch Texte – immer wieder richtig, immer wieder anders und immer wieder gut geschrieben.

Und wenn du eine weitere Sprache brauchst oder mehrere, dann übersetzt du hinterher nicht jeden einzelnen Text – sondern einfach vor der Erstellung das Regelwerk. So entstehen die Texte nicht nur auf Deutsch oder Englisch, sondern auch in Französisch und Italienisch (hier in der Schweiz sehr wichtig) und vielen weiteren Sprachen – bei AX Semantics insgesamt über 110 Sprachen weltweit.

Fazit: Finde das Tool, das für dich passt

Ich spiele gerne mit Software. Texten ist mein Beruf. Ich verbinde das eine mit dem anderen, und so ist es nur logisch, dass ich sehr viele Tools ausprobiere – bis tief hinunter ins Rabbit Hole.

Ganz so weit wie ich musst du es nicht treiben.

Ich hoffe, du hast in diesem Beitrag ein paar Tipps gefunden, und weisst jetzt, welche Tools du selber ausprobieren willst. Nimm das erste Tool, das dich anspricht. Probiere es aus, dann ein anderes, ein Tool nach dem anderen. Am Ende behalte zwei oder drei, die du wirklich nutzt.

Ich selber nutze regelmässig Premium-Reseller wie Frase und Jasper, immer noch. Mittelfristig würde ich gerne auf die Abos verzichten und pay-as-you-go nur das Volumen zahlen, das ich tatsächlich verbrauche. Dafür gehe ich näher an die Quelle und nutze GPT-3 direkt – und beginne gerade meine Tests mit Aleph Alpha.

Ohne Reseller näher an die Quelle: Das kannst du auch tun. Voraussetzung: Du weisst, was du machen willst. Du kannst die Prompts für deine Use Cases selber schreiben. Oder du weisst, wo du die Ideen für Use Cases herbekommst – und die Rezepte dafür.

Was würde dir helfen? Welche Textsorten brauchst du besonders häufig? Welche machen dir am meisten Mühe? Lasse es mich wissen. Dann kann ich genau die Anleitung schreiben, die dir helfen wird – und vielleicht erscheint sie schon bald hier.

Ich freue mich über Feedback und Austausch. Wenn du Erfahrungen hast mit den Tools, die ich hier nenne, dann sprich mich an.

Und wenn du dich jetzt fragst, wie du künstliche Intelligenz beim Texten für dich einsetzen kannst – ich rede gerne in einem kurzen Call mit dir, mache mit deinem Team einen Workshop oder spreche vor deinen Gästen.


Titelbild: A robot typing on a laptop, artstation (Stable Diffusion)


Über den Autor: Arne Völker hat Journalist gelernt, war Drehbuchautor und Werbetexter. Heute arbeitet er für seine Kunden als Berater und hilft ihnen, Content zu skalieren – seit kurzem auch mit künstlicher Intelligenz. So wird er: «Der Texter, der sich selber abschafft.»


Über die Links: Wir empfehlen manchmal Bücher, Produkte und Dienstleistungen. Das sind immer nur solche, die wir selber benutzen. Derzeit (Stand September 2022) bekommen wir dafür von keinem einzigen Anbieter Provisionen. Später werden wir vielleicht einmal Affiliate-Links einbauen – aber auch dann wird sich an dieser Haltung nichts ändern.


Ähnliche Beiträge