Die selbstfahrende Content-Maschine

Auf einen Blick

• Ausgangslage: Long-Tail-SEO in einer Nische braucht viele fachlich fundierte Artikel in mehreren Sprachen, samt Bebilderung und Verlinkung, was sich manuell nicht in der nötigen Menge produzieren lässt.
• Lösung: Wir haben eine modulare, auf n8n orchestrierte Content-Maschine gebaut, die Artikel erzeugt, bebildert, übersetzt und sogar als Podcast vertont, im unbeaufsichtigten Dauerbetrieb.
• Ergebnis: Ein konsistentes, fortlaufend wachsendes Magazin mit mehreren tausend Artikeln in bis zu sechs Sprachen, ohne proportional wachsendes Team.

Teil 1: Blog, SEO und automatische Bebilderung. Teil 2: vom Artikel zum Podcast.

• Teil 1, Text und Bild: erzeugt, veredelt, bebildert, verlinkt und übersetzt Blogartikel weitgehend ohne menschlichen Eingriff. Technisches Herzstück ist eine multimodale Bild-Vektordatenbank, die jedes Foto KI-gestützt klassifiziert und später automatisch das passende Bild an die richtige Stelle im Artikel setzt.
• Teil 2, Audio: verwandelt dieselben Artikel automatisch in einen zweistimmigen Dialog-Podcast, gesprochen von eigens trainierten, wiedererkennbaren Marken-Stimmen und abgesichert durch eine mehrstufige KI-Qualitätssicherung, die für ein fachkundiges Publikum auf inhaltliche Korrektheit prüft.

Beide laufen autonom im Dauerbetrieb, nicht trotz, sondern wegen mehrerer eingebauter Prüf- und Korrekturstufen, die sich das System über hunderte Iterationen verdient hat.

Stack: n8n, Anthropic Claude (Opus/Sonnet/Haiku), OpenAI GPT-4o und GPT-5, Google Gemini, Perplexity, Pinecone, OpenAI-Embeddings, Imagga, ElevenLabs, Auphonic, Airtable, Cloudinary.

Teil 1: Text, SEO und Bebilderung

Ausgangslage

Long-Tail-SEO in einer Nische braucht viele, fachlich fundierte Artikel; manuelle Redaktion ist teuer, langsam und skaliert nicht. Dieselbe Qualität in sechs Sprachen vervielfacht den Aufwand. Die Bebilderung, passende Bilder finden, zuschneiden, SEO-benennen, einbauen, ist extrem zeitintensive Handarbeit. Und saubere interne Verlinkung samt FAQ-Sektionen, heute zusätzlich für KI-Antwortsysteme relevant, ist fehleranfällige Fleißarbeit.

Die Pipeline im Überblick

Modular gebaut auf n8n, orchestriert über eine zentrale Airtable-Datenbank als Gedächtnis der Produktion. Filter-Views dienen als Arbeits-Queues, jeder Artikel durchläuft spezialisierte Stufen, ein zentraler Index-Synchronisierer hält den Status konsistent.

Stufe 1: Generierung, Longform statt Textbausteine

Der Artikel entsteht in einer mehrstufigen Kette (Claude Opus, teils mit Extended Thinking): Titel, dann Gliederung mit Hauptkapiteln und Unterpunkten, LSI-Keywords, wiederkehrenden Begriffen und Quellen, dann abschnittsweises Schreiben mit Kontext-Gedächtnis (jeder Teil kennt die bereits geschriebenen und vermeidet Doppelungen), dann Tag-Vergabe aus kuratiertem Katalog und SEO-Metadaten. Ein fest verdrahteter Negativ-Wortschatz verbietet typische KI-Floskeln, das Ergebnis klingt nicht nach Maschine. Ziellänge: mehrere tausend Wörter pro Artikel.

Persona-Engine. Am Anfang der Pipeline sitzt eine Persona-Engine, die die Maschine mit Themen und fertigen Artikeln speist: automatische Themen-Findung aus einer Shop-Kategorie samt Bewertung und Priorisierung, dann wählt ein KI-Klassifikator themenabhängig die passende Schreiber-Persona, jede mit eigener Tonalität, eigenem Stil und eigenen Referenz-Beispieltexten. Nicht ein Stil für alles, sondern mehrere kuratierte Autor-Stimmen, automatisch nach Thema gewählt. Das hebt die Texte spürbar über generische KI-Massenware.

Stufe 2: Anreicherung, aus Text wird Asset

Spezialisierte Schritte machen aus dem Rohtext ein vollständiges SEO-Asset: die passende Shop-Kategorie wird zugeordnet, mehrsprachige Tags vergeben, interne Textlinks auf passende Kategorien gesetzt und eine FAQ-Sektion erzeugt (20 Fragen in einer dreistufigen KI-Kette: SEO-Analyse, Fragendesign, Antworten). Die FAQ-Antworten sind bewusst so formuliert, dass KI-Antwortsysteme wie Google AI Overviews oder ChatGPT den Shop als kompetente Quelle der Nische lernen. SEO für die Welt nach der klassischen Suche.

Stufe 3: Der Clou, Bild-Vektordatenbank und automatische Bebilderung

Ziel: Artikel bebildern sich selbst, mit wirklich passenden Bildern aus dem eigenen Bestand, an der richtigen Stelle.

• Bildaufbereitung. Intelligenter Zuschnitt auf einheitliche Formate über eine Smart-Crop-API (Imagga), das Motiv bleibt zentriert; SEO-Benennung per Vision-KI (GPT-4o sieht das Bild und erzeugt einen Dateinamen aus Fach-Keywords, nur belegbare Fakten); protokollierter Import in die Mediathek.
• Klassifizierung und Vektorisierung. Jedes Bild wird mehrfach verstanden, Schlagworte, ausführliche Vision-Beschreibung, dominante Farben, und als semantischer Vektor in Pinecone abgelegt, in getrennten Namespaces für Produkt- und Stimmungsbilder.
• Automatische Bebilderung, zweistufig. Ein Planer-Modell (Extended Thinking) zerlegt den Artikel in Sinnabschnitte, entscheidet, wo ein Bild sinnvoll ist, und schreibt je Stelle eine präzise Bildbeschreibung; die Bildanzahl skaliert mit der Textlänge. Jede Beschreibung wird zum Suchvektor, gematcht gegen die Bild-DB mit Mindest-Ähnlichkeitsschwelle, Präferenz-Bonus und Deduplizierung. Ein zweites Modell wählt je Stelle das beste, global duplikatfreie Bild. Dann Einbau, Veröffentlichung, Status-Rückmeldung.

Keine "nimm irgendein Bild mit Keyword"-Logik, sondern echte semantische Bild-Text-Zuordnung mit Rollenteilung (ein Modell plant, eins entscheidet), Qualitäts-Schwellen und Dedup. Ergebnis: Artikel, die redaktionell bebildert aussehen, ohne Redakteur.

Stufe 4: Mehrsprachigkeit

Ein dedizierter Übersetzungs-Workflow überträgt jeden Artikel abschnittsweise und HTML-erhaltend in bis zu sechs Sprachen, Metadaten und FAQ separat. Aus einem deutschen Artikel wird ohne Mehraufwand ein internationales Set.

Teil 2: Vom Artikel zum Podcast

Dieselbe Datenbasis, nächste Stufe: Jeder Magazin-Artikel kann vollautomatisch zu einer Podcast-Episode werden, als zweistimmiger Dialog, der sich anhört wie ein moderiertes Gespräch. Beide Stimmen sind keine generischen TTS-Stimmen von der Stange, sondern eigens für die Marke trainierte, wiedererkennbare Stimmen (ElevenLabs). Der Podcast klingt damit nach dem eigenen Haus. Die eigentliche Ingenieursleistung liegt darüber hinaus in der inhaltlichen Qualitätssicherung für ein fachkundiges Publikum.

Stufe 1: Skript-Generierung

Claude Opus erzeugt aus dem Artikel einen Gesprächs-Aufbau mit Segmenten, Zeitzielen, Sprecher-Verteilung und emotionalem Bogen, inklusive eines eingebauten Mythen- und Faktencheck-Systems, das typische Klischees der Nische aktiv erkennt. Dann wird jedes Segment einzeln ausgeschrieben, mit Live-Faktencheck über Perplexity und Gedächtnis für Kohärenz zwischen den Segmenten.

Stufe 2: Das Qualitäts-Backbone, ein Multi-LLM-Prüfungsausschuss

Hier steckt die eigentliche Ingenieursleistung. Bevor irgendetwas vertont wird, durchläuft das Skript eine mehrstufige Prüf- und Korrekturkette (rund 60 Verarbeitungsschritte, mehr als 13 KI-Agenten):

1. Parallel-Faktencheck durch vier Modelle gleichzeitig: Claude Opus (umfassender Faktencheck, Extended Thinking), GPT-5 (szenenbewusst), Gemini 2.5 Pro (zweiter Faktencheck) und Claude Haiku als Fach-Guardrail für die korrekte Abgrenzung leicht verwechselbarer Fachbegriffe.
2. Konsens-Bildung: Die Befunde werden zusammengeführt, je Aussage entstehen Übereinstimmungs-Zähler, Mehrfach-Treffer werden priorisiert.
3. Live-Verifikation: unsichere Fakten werden online gegengeprüft (Perplexity), bevor korrigiert wird.
4. Korrektur und Enhancement: ein Korrektur-Agent bessert nach, ein Enhancement-Agent erhöht die inhaltliche Substanz.
5. Narrativ-Konsistenz: eine weitere Agenten-Kaskade prüft, ob die Korrekturen den Erzählfluss stören, und optimiert die Audio-Tags für die Sprachsynthese.

Das ist LLM-as-a-jury: Mehrere unabhängige Modelle prüfen sich gegenseitig, statt sich auf eines zu verlassen. Genau das macht es vertretbar, dass am Ende kein Mensch mehr gegenlesen muss.

Stufe 3: Sprachsynthese und QA

Ein zweistimmiger Dialog mit den eigenen Marken-Stimmen (ElevenLabs Text-to-Dialogue) erzeugt natürlich klingende Gespräche statt austauschbarer Standard-TTS. Eine Audio-QA pro Abschnitt (Gemini) prüft am fertigen Audio, ob tatsächlich zwei Sprecher zu hören sind, bei Fehlern automatischer Retry. Eine kleine, aber wirkungsvolle Kontrollschleife, die typische Synthese-Aussetzer abfängt.

Stufe 4: Mastering und Veröffentlichung

Auphonic übernimmt die Zusammenführung der Audio-Abschnitte, Lautheits-Normalisierung und Aussteuerung, fügt automatisch einen Midroll-Spot in der Mitte ein, das Cover wird KI-upscaled, die fertige Episode wird veröffentlicht und der Status zurückgeschrieben. Über einen Übersetzungs-Zweig entstehen aus der deutschen Episode auch internationale Fassungen.

Läuft das unkontrolliert? Nein, autonom, weil die Qualität es trägt

Beide Pipelines laufen unbeaufsichtigt im Dauerbetrieb, und das ist kein Risiko, sondern das Resultat konsequenter Qualitätssicherung. Autonomie war nicht der Startpunkt, sondern der verdiente Endzustand nach intensiver Iteration; die Kern-Workflows tragen jeweils mehrere hundert Versionsstände. Was sie trägt: mehrstufige Erzeugung statt Blackbox-One-Shot, eingebaute Korrektur- und Prüfschleifen, schema-validierte KI-Ausgaben (geprüftes JSON statt Freitext), echte Vision-Verifikation der Bilder und idempotente Steuerung über Filter-Views.

Erst als diese Schleifen über viele Durchläufe stabil grün lieferten, wurde der manuelle Freigabe-Schritt überflüssig. Das ist die eigentliche Leistung: nicht "eine KI macht Content", sondern ein System, das gut genug ist, um sich selbst überlassen zu werden.

Roadmap: die selbstoptimierende SEO-Ebene (in Arbeit)

Bisher endet die Pipeline mit "veröffentlicht". Die Ebene, an der wir gerade bauen, schließt den Kreis: Artikel werden nach der Veröffentlichung dauerhaft beobachtet und gezielt nachgeschärft. Echte Suchdaten aus der Google Search Console je Artikel, Erkennung der Quick Wins (Keywords knapp an Seite 1 vorbei), KI-gestütztes Nachschärfen genau dieser Artikel statt Neuschreiben, interne Verlinkung über dieselbe Vektordatenbank, die schon die Bebilderung speist, und Re-Indexing für Freshness. In Evaluierung: kontextuelle Embeddings (Voyage AI), bei denen jeder Text-Abschnitt den Kontext des Gesamtartikels behält. Aus einer "publish & forget"-Maschine wird so ein sich selbst verbessernder Content-Bestand.

Bonus: Content, der auch verkauft

Wo die Pipeline aus Teil 1 jeden Artikel mit thematisch passenden Bildern anreichert, geht ein zweiter, davon völlig unabhängiger Mechanismus noch einen Schritt weiter. Er nutzt die native Infrastruktur des Shopsystems (Shopware) und setzt zur Laufzeit echte, passende Produkte aus dem Katalog direkt in den Artikel, ganz ohne manuelles Platzieren pro Beitrag.

Das Modul greift auf die im Shop hinterlegten verwandten Produkte des Artikels zu, wählt über die Bild-Konvention des Shops automatisch das richtige Produktbild und den passend dimensionierten Thumbnail über Shopwares eigenen MediaService, und verteilt die Produktblöcke an inhaltlich sinnvolle Stellen: gleichmäßig vor den Zwischenüberschriften, nicht stumpf ans Artikelende. Pro Produkt entsteht dabei Schema.org-JSON-LD mit Preis, Verfügbarkeit, Marke und GTIN, also maschinenlesbare Produktdaten direkt im Beitrag. Qualitätsschwellen und ein Cache pro Produkt sorgen dafür, dass das im Dauerbetrieb sauber und schnell bleibt.

So schließt sich die Lücke zwischen redaktionellem Content und Produktkatalog, und der Content bekommt eine zweite Aufgabe. Was die Pipeline für Sichtbarkeit und Reichweite erzeugt, wird hier zugleich zum Conversion-Kanal: Mitten im Beitrag, im thematisch passenden Moment, trifft der Leser auf echte kaufbare Produkte statt erst am Seitenende. Jeder Artikel trägt so nicht nur Traffic, sondern führt ihn auch zum Kauf, automatisch und über den gesamten wachsenden Content-Bestand. Aus Content wird Conversion, gebaut nicht als Parallelsystem, sondern als schlanke Schicht auf dem, was der Shop ohnehin schon kann.

Ergebnis und Wirkung

• Skalierung: ein konsistentes Magazin mit mehreren tausend Artikeln, fortlaufend wachsend, ohne proportional wachsendes Team.
• Mehrsprachigkeit ohne Mehraufwand: jeder Artikel und Podcast in bis zu sechs Sprachen.
• Durchgängige SEO-Hygiene: Verlinkung, Tags, FAQ, bildoptimierte Dateinamen, flächendeckend.
• Redaktionelle Optik ohne Redaktion dank eigener Bild-Vektordatenbank.
• Glaubwürdige Audio-Inhalte dank Multi-LLM-Faktencheck, wichtig für ein Experten-Publikum.
• Dauerbetrieb: beide Pipelines arbeiten ihren Backlog autonom ab.

Was das für Sie heißt

Diese Architektur ist kein Einzelstück, sondern ein übertragbares Muster: eine modulare, KI-gestützte Content-Engine, anpassbar an Sortiment, Tonalität, Sprachen und Kanäle Ihres Hauses, von der Texterzeugung über die semantische Bebilderung bis zur mehrsprachigen Veröffentlichung und Vertonung. Den Aufwand übernimmt die Maschine, die Hoheit über Qualität, Tonalität und Markenbild bleibt bei Ihnen.

Es ist dieselbe Engineering-Disziplin, mit der wir auch hochregulierte Logistik digitalisieren: aus dem, was an Daten schon vorhanden ist, etwas vollständig Neues schaffen und es so absichern, dass es ohne Aufsicht läuft. Eine Arbeitsweise, zwei Welten.

Die Bausteine dieser Maschine gibt es auch einzeln: RAG-Content aus echten Produktdaten und Workflow-Automatisierung auf selbst gehostetem n8n.