Maschinenlesbarkeit schlägt Inhalt

Warum im Zeitalter von Google Zero nicht mehr allein der beste Text gewinnt

Von Klaus Weßing und Lothar Dörr · 22. Oktober 2026 · Lesezeit ca. 15 Minuten

Es gehört zu den hartnäckigen Vorstellungen der digitalen Kommunikation, dass sich Qualität am Ende schon durchsetzen werde. Ein guter Text werde gefunden, eine belastbare Analyse werde gelesen, und wer über Fachwissen verfüge, müsse dieses Wissen nur verständlich genug aufschreiben. Schon im klassischen Internet war das nur bedingt richtig. In der neuen Welt von Google Zero und KI-gestützten Antwortsystemen wird es noch weniger stimmen.

Denn die Suche verändert ihren Charakter. Google, ChatGPT und andere Systeme liefern zunehmend nicht mehr nur Fundstellen, sondern fertige Antworten. Damit verschiebt sich ein Teil der Auswahlentscheidung vom Leser zur Maschine. Früher sah der Nutzer eine Liste von Ergebnissen, öffnete mehrere Seiten und entschied selbst, welcher Quelle er vertraute. Heute trifft ein System einen Teil dieser Auswahl vorab. Es liest, sortiert, gewichtet, verwirft und verdichtet, bevor der Nutzer überhaupt weiß, welche Quellen zur Auswahl standen.

Der bessere Text kann verlieren

Man kann sich das an einem einfachen Beispiel klarmachen. Zwei Organisationen veröffentlichen eine Analyse zur industriellen Wertschöpfung. Die erste ist fachlich deutlich besser. Der Autor kennt die Materie, die Argumentation ist präzise, die Schlussfolgerungen sind differenziert. Technisch bleibt jedoch manches unklar. Die Autorenschaft ist nicht eindeutig hinterlegt, das Aktualisierungsdatum fehlt, Quellen stehen verstreut im Fließtext, die Seite ist kaum mit anderen Beiträgen verbunden.

Die zweite Analyse ist schwächer. Dafür ist alles sauber ausgezeichnet: Organisation, Autor, Datum, Themenfeld, Quellenstatus, verwandte Beiträge, weiterführende Dossiers. Für einen Menschen ist die erste Analyse die bessere. Für ein automatisiertes System kann die zweite zunächst leichter zu bewerten sein.

Die Konkurrenz beginnt vor dem Klick

Im klassischen Suchmodell ging es vor allem um die Position in der Trefferliste. Heute lautet die entscheidende Frage zunehmend nicht mehr: Wie weit oben stehen wir? Sondern: Werden wir überhaupt als Quelle berücksichtigt? Das ist ein qualitativer Unterschied. Denn der Wettbewerb beginnt vor dem Klick.

Maschinenlesbarkeit lässt sich dabei als Kette verstehen. Zunächst muss ein Inhalt zugänglich sein. Crawler dürfen die Seite nicht versehentlich ausgesperrt haben. Dann muss die Seite gefunden werden, etwa über interne Verlinkung und eine saubere Sitemap. Danach muss der eigentliche Text technisch lesbar sein. Anschließend muss ein System verstehen, was es vor sich hat: Person, Organisation, Beitrag, Thema, Quelle. Erst dann kann der Inhalt bewertet und schließlich verwendet werden.

Wenn sichtbare und technische Wahrheit auseinanderfallen

Gefährlicher als fehlende Signale sind widersprüchliche. Im sichtbaren Beitrag steht etwa Klaus Weßing als Autor, im Hintergrund liefert das Content-Management-System jedoch einen anderen technischen Autor. Für den menschlichen Leser ist die Sache klar. Für ein System entstehen zwei Aussagen. Oder ein Beitrag wurde 2025 veröffentlicht und 2026 grundlegend überarbeitet, technisch bleibt aber nur das alte Datum sichtbar.

Der Text bekommt einen zweiten Leser

Noch interessanter wird die Entwicklung dort, wo digitale Texte zusätzliche Herkunftssignale tragen. Der gern verwendete Begriff vom „unsichtbaren Barcode“ ist als Bild verständlich, technisch aber ungenau. Bei Verfahren wie textGrain wird kein sichtbarer Code in den Text geschrieben. Stattdessen kann sich ein statistisches Muster in der Wort- und Tokenwahl ergeben. Für den Leser wirkt der Text völlig normal. Ein spezialisierter Detektor kann unter bestimmten Bedingungen dennoch ein Herkunftssignal erkennen.

Ein digitaler Text hat heute zwei Leser. Der Mensch beurteilt Argumentation und Urteilskraft. Die Maschine liest zusätzlich Struktur, Metadaten, Aktualität und Herkunftssignale.

Bewerbungen sind schon heute Maschinenfutter

Bewerbungen zeigen dieses Prinzip seit Jahren. Lebensläufe werden in vielen Unternehmen zunächst automatisiert verarbeitet. Applicant-Tracking-Systeme lesen sie nicht wie ein Personalchef, sondern zerlegen sie in Name, Ausbildung, Arbeitgeber, Tätigkeiten, Fähigkeiten, Zeiträume und Schlüsselbegriffe. Ein optisch aufwendiger Lebenslauf kann technisch schlechter funktionieren als ein schlichter, sauber strukturierter.

Vom Beitrag zum Wissenssystem

Für Fachorganisationen wie INFPRO ist die Konsequenz klar. Es reicht nicht, gute Beiträge zu veröffentlichen. Entscheidend ist, daraus ein verknüpftes Wissenssystem zu machen. Eine Maschine sollte möglichst eindeutig erkennen können: INFPRO ist eine Organisation. Klaus Weßing ist eine Person mit einer bestimmten Funktion und Expertise. Ein Beitrag stammt von dieser Person. Er gehört zu einem bestimmten Themenfeld, verweist auf bestimmte Quellen, ist aktuell oder als historische Analyse gekennzeichnet und steht in Beziehung zu weiteren Beiträgen, Dossiers, Veranstaltungen oder Tools.

Die Chance liegt nicht in mehr Content

Kleinere Fachorganisationen werden kaum mit der Publikationsmenge großer Beratungen oder Institute konkurrieren können. Sie müssen es aber auch nicht. Entscheidend ist, vorhandene Substanz besser nutzbar zu machen. Zwanzig hervorragend strukturierte Fachbeiträge können in einem klar umrissenen Themenfeld wertvoller sein als zweihundert Seiten, deren Beziehungen untereinander unklar bleiben.

Auffällig ist, dass die großen Beratungsgesellschaften bei der Frage der AI Readiness zu ähnlichen Ergebnissen kommen. McKinsey betont Datenqualität, Nachvollziehbarkeit und organisatorische Einbettung. BCG spricht von Datenfundament, Governance und Operating Model. KPMG hebt Zugänglichkeit, Kontext und Datenqualität hervor. Diese Modelle beziehen sich meist auf Unternehmensdaten und interne KI-Anwendungen. Die Grundlogik ist jedoch dieselbe: Informationen müssen verlässlich, auffindbar, eindeutig und kontextualisiert sein, bevor Systeme sie sinnvoll nutzen können.

Maschinenlesbarkeit ersetzt also keine Qualität. Sie wird aber zur Voraussetzung dafür, dass Qualität überhaupt sichtbar wird. Der beste Text bleibt der beste Text – allerdings nur, wenn er in den Raum gelangt, in dem über seine Qualität entschieden wird.