Von Wolfgang Müller · 22. Juli 2026

Die meisten Content-Kalender stellen die falsche erste Frage. Sie fragen: Was fehlt noch zu diesem Thema? Die eigentlich entscheidende Frage im KI-Zeitalter ist eine andere: Könnte ein Sprachmodell diese Antwort ohnehin schon liefern, ohne dass ich sie schreibe? Ein Diagnoseraster der Content-Strategin Sarah Parker bringt genau diesen Realitätscheck auf den Punkt — und lohnt sich, bevor die Produktion beginnt, nicht erst danach.

Das Raster: drei Fragen, drei Etiketten

Sarah Parker beschreibt in einem LinkedIn-Beitrag einen Test, mit dem sie Content-Stücke ursprünglich im Nachhinein bewertet — als Audit eines bestehenden Programms. Die drei Fragen dahinter:

  1. Könnte ein Sprachmodell aus seinen Trainingsdaten eine nahezu identische Version produzieren?
  2. Enthält das Stück eine namentlich genannte Quelle, eine firmeneigene Kennzahl oder einen Mechanismus, den kein Wettbewerber einfach kopieren kann?
  3. Hat es in den letzten 90 Tagen nachweislich zur Pipeline beigetragen?

Je nach Antwort vergibt Parker eines von drei Etiketten: defensible (verteidigungsfähig — bringt etwas ein, das ein Modell nicht einfach nachbildet), replaceable (ersetzbar — im Zweifel liefert ein KI-System dieselbe Antwort kostenlos) oder unknown (unklar — die Wirkung ist schlicht nicht gemessen). Ihre eigene Einschätzung aus der Praxis: Ein Großteil der B2B-Content-Programme liegt bei 60 bis 70 Prozent ersetzbar — der überwiegende Teil dessen, was produziert wird, hätte auch ein Modell hinbekommen.

Warum das vor der Produktion mehr bringt als danach

Parkers Test ist als Audit gedacht: Er bewertet, was bereits existiert. Genau hier lohnt sich eine Verschiebung — dieselben drei Fragen lassen sich, mit einer kleinen Anpassung, auch vor der Produktion stellen, nicht nur danach:

  • Frage 1 lässt sich vorab direkt prüfen: Ein kurzer Test mit einem gängigen KI-System zeigt oft schon vor dem ersten Satz, ob die geplante Antwort längst Konsens ist.
  • Frage 2 wird zur Produktionsbedingung statt zur nachträglichen Feststellung: Ein Beitrag geht erst in Produktion, wenn eine echte, benennbare Quelle, eine eigene Zahl oder ein eigener Mechanismus feststeht — nicht danach recherchiert werden muss, weil sonst nichts Eigenes im Text steht.
  • Frage 3 lässt sich vor der Produktion nicht beantworten, ohne Kristallkugel — 90 Tage Pipeline-Daten gibt es für einen Text, der noch nicht existiert, naturgemäß nicht. Was sich aber vorab klären lässt: Ist überhaupt festgelegt, woran sich der Beitrag später messen lässt? Ein Stück Content ohne definierten Erfolgsmaßstab bleibt “unknown” so gut wie unausweichlich — nicht weil es wirkungslos wäre, sondern weil niemand hinschaut.

Der Effekt dieser Verschiebung: Aus einem Werkzeug, das im Rückblick urteilt, wird ein Filter, der vorab schon die Hälfte der ersetzbaren Stücke gar nicht erst entstehen lässt.

Warum “ersetzbar” kein Nischenproblem ist

Dass die Verteidigungsfähigkeit eines Beitrags real messbar ist, zeigt eine unabhängige Auswertung von Kevin Indig: Seine Analyse von 301 Seiten, die KI-Systeme tatsächlich zitieren, findet, dass Seiten mit echter Primärforschung im Schnitt 11,3 Zitationen einbringen — gegenüber 3,4 bei allem anderen, mehr als das Dreifache. Der Unterschied entsteht nicht durch mehr Content, sondern durch genau das Element, das Parkers Frage 2 verlangt: etwas, das kein Modell und kein Wettbewerber einfach reproduziert.

Fazit

Parkers Raster war ursprünglich ein Rückblick. Als Frage vor der Produktion gestellt, wird daraus etwas Nützlicheres: ein einfacher Filter, der verhindert, dass ersetzbarer Content überhaupt erst das Budget, die Zeit und den Redaktionsplan belegt, den ein wirklich verteidigungsfähiges Stück verdient hätte. Das ist dieselbe Logik, die “Brand ist das, was bleibt” trägt — nur angewendet auf den Moment, bevor der erste Satz geschrieben wird, nicht erst danach.

Quelle: Sarah Parker, LinkedIn-Beitrag „Replaceable vs. Defensible: A Content Audit for the AI Era” (https://www.linkedin.com/pulse/replaceable-vs-defensible-content-audit-ai-era-sarah-parker-k86be/); Kevin Indig, „The science of how AI picks its sources” (Growth Memo, Gauge-Analyse von 301 KI-zitierten Seiten).