Case Study: Content-System für produktzentrierte Seiten — ohne Qualitätsverlust skalieren

Fast jedes Marketing-Team, das ich aktuell sehe, hat denselben Reflex: „Wir machen jetzt was mit KI" heißt in der Praxis, ChatGPT hunderte Texte schreiben zu lassen und zu hoffen, dass etwas Brauchbares rauskommt.

Das Ergebnis ist vorhersehbar. Die Texte klingen generisch, jede Seite sieht anders aus, niemand übernimmt Verantwortung für das Gesamtbild — und am Ende steht ein Berg Content, der weder zur Marke passt noch Resultate bringt.

Der Denkfehler steckt im Ziel. „Mehr Content" ist keine Strategie. Die meisten B2B-Unternehmen haben kein Volumen-Problem, sondern ein Struktur-Problem: Ihnen fehlen nicht Artikel, sondern die Seiten, die konkrete Kaufsituationen besetzen — Lösungsseiten, Vergleichsseiten, branchenspezifische Landingpages. Genau dort, wo gekauft wird, klafft eine Lücke. Und die füllt man nicht mit mehr ToFu-Artikeln, deren Wert durch KI-Suche ohnehin gerade erodiert.

Ich baue das Gegenteil von „KI schreibt viel". Ich baue ein System, das wenige, klar definierte Seitentypen in hoher Stückzahl produziert — standardisiert, wiederholbar, erweiterbar.

Der Unterschied ist eine Haltung. Man kann KI nutzen, um ein künstlerisches System zu bauen, in dem jede Seite ein Einzelstück ist. Das sieht vielleicht schön aus, ist aber keine Marketing-Engine — nichts daran ist replizierbar, nichts beliebig erweiterbar oder aktualisierbar. Oder man baut eine standardisierte Engine: ein Set definierter Bausteine, ein zentraler Kontext-Layer, eine klare Logik. Hunderte Seiten, eine Systematik.

Das Zweite skaliert. Das Erste nicht.

Der eigentliche Hebel heißt Context Engineering. Nicht der bessere Prompt entscheidet über die Qualität, sondern der strukturierte Kontext, den das System der KI mitgibt: Was ist das Produkt, was macht es besonders, wie denkt die Marke über ihren Markt, welche Zielgruppen, welche Use Cases. Dieser Kontext fließt als definierter Layer in jede Generierung. Das ist der Unterschied zwischen einem Text, der nach KI klingt, und einem, der nach der Marke klingt.

Das System besteht aus drei Teilen.

Ich verkaufe das nicht als Theorie. Ich betreibe es an Rawshot.ai, meinem eigenen KI-Produkt für Modefotografie. Das ist mein Testlabor: Was dort funktioniert, baue ich für Kundenteams.

Aus dem System sind über 500 produktzentrierte Seiten entstanden — Lösungs- und Anwendungsseiten, jede auf eine konkrete Kaufsituation zugeschnitten. Sie bringen aktuell rund 20.000 organische Besucher pro Monat. Alle laufen auf derselben Logik, demselben Kontext-Layer, denselben Blöcken. Kommt ein neues Feature dazu, ist es innerhalb eines Tages auf allen passenden Seiten — ohne dass jemand eine Seite einzeln anfasst.

Dasselbe System läuft bei Careertrainer.ai, meinem zweiten Produkt. Gleicher Aufbau, anderer Markt.

Damit niemand auf einem Intro-Call merkt, dass es nicht passt:

Auf meiner Startseite zeige ich vier Systeme aus dem produktiven Kundeneinsatz — darunter programmatische Landingpages und eine Produkt-Content-Pipeline. Das hier ist das Prinzip dahinter, ausführlich erklärt. Variationen davon baue ich, zugeschnitten auf eure Situation, in euren Systemen, mit eurem Team an der Steuerung.