curl -sL https://example.com/product/ai-builder
| grep -Eo '[^|- ]>|]>'
curl -sL https://example.com/product/ai-builder | grep -c '`, und bleiben erhalten, denn ein Austausch gegen `` ist visuell nicht unterscheidbar, geht aber beim maschinellen Auslesen vollständig an Information verloren.
Was nach der Änderung geprüft wird: eine Abnahmeliste
| Prüfpunkt | Bewertungskriterium | Typische Ursache für Nichtbestehen |
|---|---|---|
| URL-Hierarchie | Kernseiten sind von der Startseite aus in höchstens 3 Klicks erreichbar, die Pfad-Hierarchie bleibt innerhalb von 2 Ebenen | Kategorien und Datumsangaben wurden in den Pfad aufgenommen |
| Eindeutigkeit der Titel | Jede Seite hat genau ein H1, das thematisch zum Title passt | In der Card-Komponente wurde H1 wiederverwendet |
| Crawl-Berechtigung | robots.txt blockiert keine Kerndirektoren versehentlich, Backend und Suchergebnisseiten sind blockiert | Regeln der Testumgebung wurden in die Produktion übernommen |
| Seitenstabilität | LCP und CLS sind durch die Überarbeitung nicht zurückgefallen | Bilder ohne Breiten- und Höhenattribute führen zu Layout-Verschiebungen |
| Strukturierte Daten | Jeder Seitentyp hat ein passendes Schema, die Validierung liefert keine Fehler | Beim Kopieren des Templates wurden Feldnamen nicht ersetzt |
Ein Praxisbeitrag der Tencent Cloud Developer Community beschreibt eine vergleichbare Messlatte: Kernseiten innerhalb von 3 Klicks erreichbar, URL-Hierarchie maximal 2 Ebenen, für die vier Seitentypen Artikel, Frage-Antwort, Produkt und Unternehmen jeweils ein Schema hinterlegen und im Root-Verzeichnis eine llms.txt platzieren, die Modellen hilft, die Website-Struktur zu verstehen (Tencent Cloud Developer Community). Der Beitrag nennt zugleich empirische Beobachtungszeiträume: Änderungen an Architektur und Crawl-Berechtigungen brauchen etwa 3–7 Tage, strukturierte Daten und llms.txt werden nach etwa 7–15 Tagen erkannt, Optimierungen an Inhalten und internen Link-Clustern stabilisieren sich nach etwa 15–30 Tagen. Diese Zahlen sind Praxiserfahrungen und keine Zusage; sie eignen sich eher für die Terminplanung.
Abnahmemethoden für Metadaten, interne Links und strukturierte Daten
Metadaten auf „eindeutig und zugeordnet“ prüfen. Seite für Seite bestätigen, dass der Title keine Platzhalter enthält, die Description kein mechanischer Abschnitt der ersten 160 Zeichen des Fließtexts ist und das Canonical auf die offizielle Domain zeigt. Der häufigste Rest nach Batch-Überarbeitungen sind Seiten, die noch mit Fallback-Texten laufen; man exportiert die Title-Liste der gesamten Website und sortiert nach Duplikaten, um sie zu finden.
Interne Links auf „erreichbar und semantisch relevant“ prüfen. Mit einem Website-Crawler alle internen Link-Ziele exportieren und 404 sowie ungewöhnliche 301 herausfiltern; anschließend prüfen, ob die Ankertexte das Thema der Zielseite beschreiben und nicht eine Reihe von „hier klicken“ sind. Ziel ist es, Themencluster sichtbar zu machen: Eine Kernseite, auf die ein Dutzend Longtail-Inhalte verweisen, ist wertvoller als eine website-weite gegenseitige Verlinkung.
Strukturierte Daten auf „Konsistenz mit dem sichtbaren Inhalt“ prüfen. Das folgende Skript prüft in großen Mengen, ob JSON-LD geparst werden kann:
// node check-ld.mjs https://example.com/page
const html = await (await fetch(process.argv[2])).text();
const blocks = [...html.matchAll(/]+application\/ld\+json[^>]*>([\s\S]*?)/g)];
console.log('Anzahl JSON-LD-Blöcke:', blocks.length);
for (const [i, b] of blocks.entries()) {
try { const d = JSON.parse(b[1].trim()); console.log(i, 'erfolgreich geparst', d['@type'] ?? '(fehlendes @type)'); }
catch (e) { console.log(i, 'Parsing fehlgeschlagen:', e.message); }
}
Erfolgreiches Parsen ist nur der erste Schritt; zusätzlich muss manuell abgeglichen werden: Erscheinen die Fragen im FAQPage tatsächlich auf der Seite, stimmen Preis und Lagerbestand im Product mit der Seite überein, passen Name und Logo der Organization zur Marke. Inhalte zu kennzeichnen, die auf der Seite nicht vorhanden sind, führt eher zu Problemen als gar keine Kennzeichnung.
Kosten: die Überarbeitung einer einzelnen Website sauber durchrechnen

Kosten lassen sich nicht allein am Stückpreis ablesen. Von Microsoft veröffentlichte Daten zeigen, dass MAI Code 2 im Durchschnitt über vier Programmier-Benchmarks etwa 98 % der Leistung von GPT-6.1 Sol erreicht, bei einem Preis von rund 40 % davon; die durchschnittlichen Kosten pro Aufgabe liegen bei 0,309 US-Dollar, gegenüber 0,761 US-Dollar bei GPT-6.1 Sol und 6,306 US-Dollar bei Claude Opus 5.5 (IT之家). Die leichte Variante MAI Code 2 Flash kommt mit Aktionspreis auf Kosten von bis zu 0,052 US-Dollar pro Aufgabe und erreicht in den drei Tests DeepSWE 1.1, Terminal-Bench 2.1 und SWE Atlas eine durchschnittliche Bestehensrate von 61,0 %, höher als die 55,1 % von GPT-6 Luna und die 53,9 % von Claude Haiku 5.5 (IT之家). Bei den Zugangshürden richtet sich Code 2 an Abonnenten von Copilot Pro, Business, Enterprise und weiteren Stufen, während Flash auch Free- und Student-Nutzer abdeckt (DoNews).
Diese Zahlen messen allgemeine Programmieraufgaben und nicht „website-weites Canonical für eine Unternehmensseite ergänzen“; eine direkte Umrechnung ist daher nur begrenzt aussagekräftig. Praktischer ist eine Schätzung pro Batch: Anzahl der Aufgaben pro Website ≈ Anzahl der Seitentypen × Anzahl der Änderungskategorien (Metadaten, strukturierte Daten, interne Links und Template-Refactoring zählen jeweils als eine Kategorie); die Kosten pro Aufgabe werden aus der öffentlichen Größenordnung übernommen und mit dem Faktor 2 bis 3 für Nacharbeit multipliziert; die versteckten Kosten sind der manuelle Abnahmeaufwand, der in der Regel höher liegt als die Aufrufkosten – eine Runde Nacharbeit zu sparen, spart daher mehr Geld als den Stückpreis zu drücken. Leichte Modelle eignen sich für häufige kleine Änderungen, das Flaggschiffmodell bleibt für dateiübergreifendes Refactoring und schwierige Fehlersuche reserviert.
Was Unternehmen jetzt tun sollten: Umsetzung in vier Schritten
- Erst die Assets erfassen, dann das Modell wählen. Seitentypen, Anzahl der Templates, ob ein CMS unterstützt und ob mehrsprachige Versionen existieren, statistisch erfassen. Je stärker die Templates zentralisiert sind, desto sicherer sind dateiübergreifende Änderungen.
- Abnahmekriterien als Checkliste formulieren. Vor der Überarbeitung einen Durchlauf als Baseline durchführen, nach der Überarbeitung erneut durchführen und das Ergebnis anhand der Unterschiede belegen statt mit „es fühlt sich besser an“ zu berichten.
- In Batches vorgehen und Rollback-Punkte behalten. Template-Ebene, strukturierte Daten und Inhaltsstruktur in drei Runden bearbeiten und in jeder Runde neu crawlen und prüfen.
- Die Überarbeitungsfähigkeit in die täglichen Werkzeuge überführen. Eine einmalige manuelle Überarbeitung verliert mit der Zeit ihre Wirkung, und neue Seiten werden wieder Tags vermissen. In einer KI-Baukastenplattform wie we0 gehören SEO- und GEO-Optimierung, CMS-Backend und Domain-Deployment zur Baukasten-Kette (we0.ai); die Generierung von Metadaten und Schema in die Phase der Seitengenerierung zu verlagern, ist weniger aufwendig, als sie nach dem Go-live nachzuziehen.
Erstelle in Minuten eine Showcase-Website und gewinne Leads
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Häufig gestellte Fragen
Sollte man für technische SEO-Überarbeitung nur ein Modell einsetzen?
Nicht zwingend. Üblicher ist eine Arbeitsteilung: dateiübergreifendes Refactoring und schwierige Fehlersuche gehen an ein Modell mit stärkerem Repository-Verständnis, kleine Batch-Änderungen an ein günstigeres, leichtes Modell. Voraussetzung ist eine klare Abnahmegrenze zwischen beiden Änderungsarten; sonst erhöht die Mischung den Aufwand bei der Fehlersuche.
Können Benchmark-Punktzahlen die Wirkung einer SEO-Überarbeitung direkt vorhersagen?
Nein. Benchmarks messen allgemeine Programmieraufgaben, während die Fehlermuster bei SEO-Überarbeitungen meist semantische Inkonsistenzen und strukturelle Rückschritte sind, die nur durch Crawl-Vergleiche und Validierungswerkzeuge gefunden werden. Punktzahlen können das ungefähre Fähigkeitsband beschreiben, ersetzen aber keine Prüfung auf Website-Ebene.
Ist es sicher, KI direkt auf Produktionscode ändern zu lassen?
Das ist nicht sinnvoll. Praktikabel ist, auf einem Branch zu ändern, nach dem Review zu mergen und pro Durchlauf nur eine Problemkategorie zu behandeln. Das größte Risiko bei direkten Produktionsänderungen ist nicht ein Fehler an sich, sondern ein Fehler ohne vergleichbare Baseline.
Verwandte Tools
- curl / grep: HTML vor dem Rendering abrufen und prüfen, ob Schlüssel-Tags vorhanden und eindeutig sind.
- Website-Crawler: interne Links und Statuscodes der gesamten Website exportieren, um 404 und ungewöhnliche 301 zu lokalisieren.
- Validierungswerkzeug für strukturierte Daten: prüfen, ob JSON-LD geparst werden kann und die Felder den Typanforderungen entsprechen.
- Seitenperformanz-Messung: bestätigen, dass die Überarbeitung LCP und CLS nicht zurückfallen lässt.
Verwandte Links
- IT之家: Microsofts preis-leistungsstärkstes Programmier-KI-Modell – MAI Code 2 erreicht mit 5 % der Kosten etwa 96 % der Leistung von Claude Opus 5.5
- DoNews: Microsoft veröffentlicht MAI Code 2 und Code 2 Flash Programmiermodelle
- AWS Machine Learning Blog: Introducing Claude Fable 5.2 on AWS
- Tencent Cloud Developer Community: Praxisdokumentation zur KI-Website-Optimierung 2026
- we0.ai Website
Zusammenfassung
GPT-6.2 Astra, Claude Fable 5.2 und MAI Code 2 können alle technische SEO-Überarbeitungen von Websites übernehmen; der Unterschied liegt in der Vollständigkeit dateiübergreifender Änderungen, in der Zurückhaltung gegenüber bestehenden Strukturen beim Refactoring und in den Kosten pro Durchlauf. Die öffentliche Positionierung von MAI Code 2 zielt ausdrücklich auf dateiübergreifende Änderungen und Repository-weites Verständnis und liefert vergleichbare Kostendaten; Claude Fable 5.2 wird über AWS angeboten und eignet sich für Überarbeitungskonzepte, die lange Dokumente und Code mischen; die Vorgängergeneration der Familie, zu der GPT-6.2 Astra gehört, ist bereits als Branchen-Baseline für Programmierung aufgetreten, die Grenzen der neuen Version müssen anhand der offiziellen Angaben bestätigt werden. Die Trennlinie liegt nicht in der Modellwahl, sondern im Prozess: Assets erfassen, Checkliste schreiben, in Batches ändern, in jeder Runde die Crawl-Ergebnisse vergleichen und die Prüfung von Metadaten und strukturierten Daten in die Phase des Website-Baus vorziehen.



