Daten-Content per KI-Agent frisch halten

Bei Ahrefs gehören datengetriebene Artikel zum Kern des Content-Marketings. Beiträge wie „Top Google Searches“ oder „Most Asked Questions on Google“ ziehen viel organischen Traffic an – aber nur, wenn die Zahlen aktuell sind. Google belohnt Frische sichtbar: Nach jedem Update steigen Klicks und Sichtbarkeit oft deutlich. Genau deshalb musste jemand diese Posts regelmäßig pflegen – ein Prozess, der früher monatlich oder vierteljährlich ganze Nachmittage fraß.

Si Quan Ong vom Ahrefs-Content-Team beschreibt, wie das Team diesen wiederkehrenden Aufwand mit einem KI-Agenten in Letaido automatisiert hat. Das Ergebnis: mindestens 20 gesparte Stunden pro Monat, monatliche statt vierteljährliche Updates und Raum für mehr datenbasierte Formate – ohne Qualitätsverlust bei der redaktionellen Kontrolle.

Warum Frische bei datengetriebenem SEO-Content entscheidend ist

Datenartikel leben von Glaubwürdigkeit. Wer Suchvolumina, Fragen oder Rankings ausstellt, muss sicherstellen, dass Leser und Suchmaschinen aktuelle Werte sehen. Google erkennt veraltete Inhalte und bevorzugt Seiten, die regelmäßig substantiell aktualisiert werden. Für Publisher bedeutet das: Jeder Refresh kann Rankings stabilisieren oder ausbauen – vorausgesetzt, die Zahlen stimmen und die Tabellen bleiben lesbar.

Das klingt machbar, solange es um einen Post geht. Bei 14 oder mehr datengetriebenen Artikeln wird der Prozess jedoch zur Belastung: Daten aus Keywords Explorer oder der API ziehen, Tabellen bereinigen, bei Custom-Charts Design anstoßen, alles in WordPress einpflegen, Datumsangaben anpassen und erneut veröffentlichen. Ein einziger Nachmittag kann so vergehen, ohne dass strategisch Neues entstanden ist.

Vom vierteljährlichen Kompromiss zum Agenten-Workflow

Ahrefs aktualisierte datengetriebene Beiträge lange nur quartalsweise; manche Formate blieben sogar unangetastet. Der Engpass war nicht fehlende Motivation, sondern repetitives Handwerk. Mit Letaido – Ahrefs’ agentischer Plattform – läuft seit zwei Monaten ein automatisierter „Data Refresh Hub“. Er holt monatlich frische Datensätze für 14 definierte Quellen, bereinigt sie nach festen Regeln und legt WordPress-Entwürfe mit neuen Tabellen an. Anschließend informiert der Agent per E-Mail, dass ein Mensch prüfen kann.

Der Aufbau war weniger spektakulär als wirksam. US-Keyword-Tabellen liefen über Letaido, globale Datensätze über einen internen Service, AI-Citation-Tabellen über Brand Radar – jeweils mit eigenen Schnittstellen. Selbst Kleinigkeiten wie ein Feldname „Cpc“ statt „CPC“ kosteten Zeit. Entscheidend: Der Agent wurde konversationell in Letaido gebaut, nicht per Handprogrammierung – Fehlerbehebung inklusive.

Was der Agent übernimmt – und was bewusst beim Menschen bleibt

Der Data Refresh Hub automatisiert Datenbeschaffung, Bereinigung, Formatierung und Draft-Erstellung. Er schreibt keine Artikel neu und veröffentlicht nicht eigenständig. Stattdessen liefert er nachvollziehbare Zwischenergebnisse: Was wurde entfernt, was behalten – sichtbar neben den finalen Tabellen.

Datenbereinigung erfordert Urteilskraft

Bei „Most Asked Questions on Google“ reicht Sortierung nach Suchvolumen nicht. Die Rohliste enthält Filmtitel, Markensuchen und Pseudo-Fragen. Für Personen-Rankings prüft eine LLM-Schicht bis zu 5.000 Kandidaten auf echte Namen versus irrelevante Begriffe. Kollegin Louise baute einen Agenten für am schnellsten wachsende Unternehmen – mit Regeln gegen Wort-Doppelbedeutungen („Cursor“, „Perplexity“), Ein-Monats-Spikes und falsche Marken-Treffer. Solche Entscheidungen trifft der Mensch; der Agent setzt sie skalierbar um.

Ryan Law, Director of Content Marketing bei Ahrefs, nutzt dieselbe Logik für eigene Datenformate: geplanter Monatslauf, frische Charts und Tabellen, WordPress-Drafts, Datums- und Stichproben-Anpassungen – alles vorbereitet, Livegang erst nach menschlicher Freigabe. Drei Teammitglieder betreiben inzwischen ähnliche Workflows, ohne zentrale Vorgabe.

Technisch greift der Hub auf mehrere Ahrefs-Datenquellen zu: Keywords Explorer für Suchvolumina und Fragen, Brand Radar für AI-Citation-Tabellen sowie interne Services für global zusammengestellte Datensätze. Der Mix erklärt, warum die Umsetzung trotz scheinbar einfacher Tabellen-Updates aufwendig war – und warum agentische Orchestrierung hier mehr Sinn ergibt als ein einzelnes Skript.

Die Verbreitung im Team erfolgte ohne Management-Direktive. Si Quan Ong teilte den Workflow intern, Kolleginnen und Kollegen adaptierten das Prinzip für eigene Rankings und Charts. Ryan Law beschreibt den Effekt als echte Automatisierung statt Demo: Stunden mühsamer Routinearbeit entfallen, während SEO-relevante Inhalte für Leser und Suchmaschinen spürbar aktueller bleiben.

So finden Content-Teams automatisierbare SEO-Routinen

Wiederkehrende Marketing-Aufgaben lassen sich oft identifizieren, wenn zwei Fragen mit Ja beantwortet werden: Läuft die Aufgabe nach einem festen Rhythmus, und lassen sich Qualitätskriterien klar beschreiben? „Monatlich dieselben Kennzahlen aus derselben Quelle holen und tabellarisch einpflegen“ erfüllt beides. „Den Artikel neu schreiben“ eher nicht – und genau das soll oft beim Redakteur bleiben.

• Automatisieren Sie die Mechanik: Abruf, Bereinigung, Formatierung – nicht das redaktionelle Urteil.
• Machen Sie Filterentscheidungen transparent, damit Fehler vor dem Publish sichtbar werden.
• Lassen Sie nur Entwürfe zu; ein Mensch veröffentlicht und trägt die Verantwortung.
• Fixieren Sie kritische Kennzahlen und Leitstatistiken, damit der Agent keine verifizierten Zahlen still verändert.

Gartner prognostiziert, dass mehr als 40 Prozent agentischer KI-Projekte bis Ende 2027 eingestellt werden – oft weil Demos mehr versprechen als produktive Workflows liefern. Der Ahrefs-Ansatz funktioniert, weil er langweilig und eng definiert ist: Er ersetzt nicht das Schreiben, sondern die undankbare Pflege datengetriebener SEO-Inhalte. Für Teams mit vielen Zahlen-Posts kann das der Unterschied zwischen seltenen Updates und verlässlicher monatlicher Frische sein.