Claude für SEO: 3 Cases, die Dir Stunden sparen

Die Basis & 3 Regeln zur Nutzung von Claude für SEO

Vorweg die wichtigste Erkenntnis, denn sie zieht sich durch alles: Claude ist ein hervorragender Assistent für eine erste Mustererkennung, Analyse und das Schreiben von Tickets. Es ist kein Crawler und keine zuverlässige Datenquelle. Diesen Unterschied zu kennen, ist der halbe Erfolg.

Bevor wir zu den Cases kommen, hier die drei Leitplanken, die ich jedem ans Herz lege:

1. Wissen, was welches Tool kann – und was nicht. Nicht jede Aufgabe ist eine KI-Aufgabe. Nutze die Stärken und umgehe die Schwächen. Welches KI-Tool für welche Aufgabe am besten geeignet ist, ändert sich dabei ständig.

Derzeit sieht meine Hit-Liste wie folgt aus:

2. Nutze keine KI für Daten, die Du anders zuverlässiger erheben kannst.

Nutze wo immer möglich eine API, Crawls, Tool-Exporte und Skripte. So schaffst Du saubere Daten und vermeidest, dass bereits bei der vermeintlichen Datenbeschaffung halluziniert wird. Setze erst dann Claude darauf an.

3. Verzichte nicht auf Dein eigenes Hirn.

Klingt banal, ist aber für mich der wichtigste Part: Du bist als Mensch für den strategischen Input, die Qualitätssicherung, das Prüfen von Fakten und die Kreativität verantwortlich.

Warum Regel 2 und 3 so wichtig sind, zeigt ein kleines Beispiel:

In einem Claude-Projekt hatten wir eine Liste mit allen WikiData-Properties hinterlegt und im Claude-Chat nach der Property für „Besucherzahlen“ gefragt. Eingebaut wurde stattdessen P1120 – das ist die Property für „number of deaths“, also die Zahl der Todesfälle infolge eines Ereignisses. Selbst bei der Korrektur baute Claude anstelle der korrekten Property einen weiteren Fehler ein. Diesmal wählte es die Property P1339: number of injured, also die Anzahl verletzter Personen.

Das ist ein Beispiel dafür, dass Du Ergebnisse immer gegenprüfen musst, selbst wenn die richtige Antwort direkt vorlag. Ich unterstelle Claude ja sehr schwarzen Humor.

Claude-Nutzung ohne menschliche Qualitätssicherung: ein Spiel mit dem Feuer.

Klassiker: Mach Dir einen Plan und prompte genau

Ein Fehler, den ich am Anfang selbst gemacht habe. Du chattest mit Claude und gibst eine recht vage Anweisung.

Hier ein reales Beispiel:

„Hey Claude, empfehle mir strukturierte Daten für die URL https://www.seokratie.at/seo-geo/“.

Claude antwortet brav, schlägt Dir ein BlogPosting-Schema vor, liefert sauberes JSON. Sieht gut aus.

Jetzt kommt das Aber: Sämtliche dieser strukturierten Daten sind bereits eingebaut. Danke für nichts.

Das Problem: Claude hat die Seite nie wirklich gesehen. Ich habe ihm dazu auch nie die Anweisung gegeben. Es hat aus dem Bauch heraus geantwortet, basierend auf dem, was URLs dieser Art üblicherweise enthalten. Für eine fundierte Empfehlung braucht es aber die tatsächlichen Inhalte der Seite und am besten eine direkte Rückmeldung aus dem Testing-Tool.

Besser: Statt zu hoffen, dass Claude diesen Weg wählt, gibst Du ihm eine präzise Anweisung. Zum Beispiel:

„Empfehle mir strukturierte Daten für diese URL: https://www.seokratie.at/seo-geo/, rufe die Seite auf, teste sie vorher im Rich-Results-Testing-Tool und beziehe die Ergebnisse mit ein: https://search.google.com/test/rich-results.“

Für diesen Anwendungsfall gibt es noch weitere Varianten mit Vor- und Nachteilen, beispielsweise die Auswertung über einen entsprechend konfigurierten Screaming-Frog-Crawl.

Ich habe mich für den beschriebenen Weg entschieden, da ich mithilfe des Prüftools verifizieren kann, was Google wirklich sieht. Claude liefert mir auch die URL des Tests mit, sodass ich die Ergebnisse selbst überprüfen kann.

Nutze Claude, um Dir die Methodik erklären zu lassen

Wenn Du in einem Bereich bereits versiert bist, ist es immer einfacher, Claude die Methodik direkt mitzugeben. Was aber, wenn Du Dir noch nicht sicher bist, welcher Weg zum gewünschten Ziel führt?

Was oft erstaunlich gut klappt, ist, Claude einfach danach zu fragen. Vorsicht, sei auch hier im Prompt wieder möglichst präzise.

„Ich möchte, dass Du mir Empfehlungen zu strukturierten Daten einer URL gibst. Dabei möchte ich, dass Du auch die bereits eingebundenen Daten prüfst. Welche verschiedenen Herangehensweisen, die fundierte Ergebnisse ohne Raten liefern, kannst Du mir nennen?“

Das ist nur ein Teil der Antwort, gibt mir aber eine präzise Vorstellung davon, was möglich ist. Mit der entsprechenden SEO-Erfahrung und KI-Verständnis kannst Du dann Vor- und Nachteile abwägen.

In einem zweiten Prompt kann ich dann das genaue Vorgehen auf Basis der getroffenen Auswahl beschreiben und auch Punkte kombinieren.

Fallbeispiele aus der SEO-Praxis

Wie die Arbeit mit Claude in der Praxis aussieht, zeigen drei Fälle aus meinem SEO-Alltag: von der Mustererkennung in chaotischen URL-Exporten über die interne Verlinkung bis zur Keyword-Gap-Analyse.

Case 1: Mustererkennung – aus mehreren hundert chaotischen URLs werden 8 saubere Cluster

Die Ausgangslage kennst Du vielleicht: Ein Export mit hunderten URLs, von denen viele so gar nicht existieren sollten:

Himmel Hilf – oder doch besser Claude hilf?

URLs mit -clone-Suffix, mal mit, mal ohne Trailing-Slash, englische Verzeichnisse mit deutschen Inhalten, fehlende Umlaute aus einer verkorksten CMS-Migration. Das manuell zu clustern, ist eine Fleißarbeit, bei der man nach der dritten Stunde flucht.

Mein Vorgehen:

1. Überlege Dir, welche Voraussetzungen Claude braucht.
2. Definiere, was genau rauskommen soll.
3. Schiebe dann die Datei in den freigegebenen Arbeitsordner.
4. Notiere ein paar Beispiele.
5. Schreibe einen möglichst klaren Prompt:

„Hier findest Du eine Excel mit URLs von [Kunde]. Darin sind URLs, die es so nicht geben sollte, z. B. mit en-Verzeichnis, aber deutschen Inhalten oder als ‚clone‘. Bitte clustere mir die URLs in Muster.“

6. Prüfe die Qualität (Stichwort „Human-in-the-Loop“) und bessere nach.

Das Ergebnis: Claude hat alle 282 URLs eingelesen und in acht Muster-Cluster sortiert: vom -clone-Suffix über Trailing-Slash-Duplikate und englische Verzeichnispfade bis zu fehlenden Umlauten und flachen Aliases für tiefe Pfade. Die Ausgabe erfolgt als saubere Excel-Datei mit einem Übersichts-Tab, einem Tab mit allen URLs samt Cluster-Zuordnung und je einem Detail-Tab pro Cluster, jeweils mit Problembeschreibung und konkreter Empfehlung.

Das Ergebnis von Claude kann sich bereits sehen lassen, bedarf aber noch einer QS durch einen Menschen.

Ganz wichtig ist jetzt „Human-in-the-Loop“:

• Abgleich: Stimmt die Anzahl der URLs überein oder hat Claude nur einen Teil analysiert?
• Ursachenforschung und Maßnahmendefinition je Cluster.
• Qualitätsprüfung mit Fach- und Projektwissen.
• Unpassende Cluster oder URLs aussortieren.
• URLs gegenprüfen, ob sie wirklich korrekt eingeordnet sind (Mehrfachfehler!).

Anschließend kannst Du Deine finalen Findings wieder in die KI kippen und Dir daraus das IT-Ticket schreiben lassen, das Du dann natürlich nochmal prüfst. Über die Zeitersparnis darfst Du Dich anschließend guten Gewissens freuen.

Case 2: Interne Verlinkung – inklusive Crawl in 8 Minuten

Dieser Case ist mein persönlicher Favorit, weil er zeigt, dass mehr Aufwand nicht automatisch zu einem besseren Ergebnis führt.

Das brauchst Du für diesen Fall:

• eine Keyword Map (URL + Fokuskeywords)
• Screaming Frog mit gültiger Lizenz und eingerichtetem MCP-Server (zur Anleitung von Screaming Frog), mit Claude verbunden
• die Claude Desktop-App im Cowork-Modus mit Zugriff auf Erweiterungen
• einen freigegebenen Arbeitsordner
• eine crawlbare Seite ohne Bot-Blocking
• eine klare Aufgabenstellung
• Auswahl des passenden Modells: hier Fable.

Der Prompt:

„Starte mit dem Screaming Frog einen Crawl für XXXX.de. In [Ordner] findest Du eine Keyword Map mit den wichtigsten Keywords pro URL. Prüfe alle internen Linktexte des Crawls und schlage mir Änderungen in der internen Verlinkung vor, wenn der Ankertext keines der Fokuskeywords der URL enthält.“

Ein kurzer Ausschnitt des Arbeitsergebnisses nach 8 Minuten.

Das Ergebnis lag nach 8 Minuten vor – inklusive Crawl von 38.445 Links, abgeglichen mit den URLs aus der Keyword Map. Die Auswertung war skriptbasiert, es gab also keine Halluzination bei der Datenerhebung und -analyse. Claude erkannte verwaiste Seiten, arbeitete mit semantischer Erkennung und leitete übergreifende Empfehlungen ab – und zwar richtig gute. Zum Beispiel den Hinweis, dass eine Template-Änderung sitewide auf über 100 Seiten wirkt. Bei der Umsetzung gilt trotzdem: gegenprüfen.

Hier sprechen wir von ca. 3,50 $ vs. 0,30 $.

Die Lektion: Set-up und Vorgehen entscheiden über die Qualität, nicht das bloße „KI drauf werfen“. Wenn Du Skripte und die MCP-Anbindung sauber nutzt, bekommst Du belastbare, kuratierte Ergebnisse. Wer Claude frei laufen lässt, erhält zwar viel Output, der dann aber viel Nacharbeit erfordert.

Case 3: Keyword- und Positions-Gap-Analyse mit menschlicher Qualitätskontrolle

Beim dritten Fall geht es um die klassische Frage: Für welche Keywords ranken meine Wettbewerber, ich aber nicht – und welche davon sind überhaupt relevant?

Das Set-up:

• ein Claude-Projekt im Cowork-Modus mit Briefing zum Projekt, inklusive Kernsortiment, USPs und wofür das Projekt explizit nicht steht
• ein Keywordvergleich mit Konkurrenten aus SISTRIX, SEMrush oder Ahrefs
• ein freigegebener Arbeitsordner
• eine klare Aufgabenstellung

Mein Tipp: Wähle die Konkurrenten manuell aus und überlege, ob Du auf Domain- oder Verzeichnisebene vergleichen möchtest. Ein MCP-Server-Zugriff (wie bei SISTRIX) ist praktisch, aber nicht zwingend notwendig.

Der Prompt:

„Du findest vier Ausgangsdateien: 1. Briefing – lies das und beachte es bei der Keywordbewertung. 2. Sistrix-Export mit Keyword-Vergleich. 3. Sistrix-Export mit Keyword-Gap. 4. Semrush-Export mit Keyword-Gap. Erstelle mir eine Keyword-Gap-Analyse auf Basis dieser Dateien und unter Beachtung Deines Briefings, welche Keywords wirklich relevant sind für das Projekt.“

Das Ergebnis war eine differenzierte Analyse, die deutlich mehr leistete als ein reiner Positionsvergleich. Sie trennte sauber zwischen Quick Wins, Content-Gaps, Aufhol- und Verteidigungs-Keywords. Fachlich besonders wertvoll war, dass irrelevante Keywords mit Begründung aussortiert wurden, zum Beispiel Fremdmarken inklusive Falschschreibungen oder Off-Topic-Streuverluste. Sogar eine Korrektur aus dem Briefing wurde berücksichtigt: „selber bauen“-Keywords sind nicht wertlos, sondern eine Eigenleistungs-Landingpage könnte diese Nachfrage abfangen.

Das Ergebnis ist gut verwertbar, obwohl im Nachgang natürlich noch einiges an manueller Arbeit erfolgen muss.

Die menschliche Qualitätskontrolle bleibt auch hier zentral:

• strategischer Input
• Bewertung der Relevanz
• das Aussortieren von Streuverlust

Die KI liefert die Magie der schnellen Aufbereitung, die fachliche Einschätzung muss weiterhin von Dir kommen.

Pro-Tipp: Wiederkehrende Analysen als Skill anlegen

Ein Skill ist eine Schritt-für-Schritt-Anleitung, die Claude immer genau befolgt. Diesen Skill kannst Du auch unternehmensweit teilen. Das hat den großen Vorteil, dass Du bestimmte Vorgehensweisen standardisieren kannst und so die Qualität sicherstellst.

Ein Skill lohnt sich besonders bei wiederkehrenden Aufgaben, bei To-dos für Kolleg*innen, die weniger technikaffin sind oder sich nicht so gut mit dem Thema auskennen, bei der Verzahnung mehrerer Tools und Prozesse sowie für eine bessere Datendarstellung.

Du legst fest, welche Daten manuell als Input kommen. Am Beispiel von oben können das sein:

• das Projekt, Wettbewerber und Briefing,
• wie die Daten erhoben werden (primär über MCP-Server, Fallback manuelle Exporte, keine Browsersteuerung, keine erfundenen Daten) und
• was als Output rauskommt (analog zu Deinem bereits erfolgreichen Lauf, auf Basis Deiner Vorlagen im Corporate Design).

Anschließend baust Du den Skill am einfachsten in genau dem Chat, in dem Dein „perfektes“ Ergebnis entstanden ist. Nutze dafür den Anthropic Skill „Skill-Creator“. Diesen kannst Du einfach unter „Anpassen“ in Deiner Claude-App suchen und herunterladen.

„Bau mir mit dem skill-creator einen wiederverwendbaren Skill „keyword-gap-analyse“. Ich arbeite in der SEO-Agentur Seokratie und brauche ihn für Kundenprojekte: eine priorisierte Keyword-Gap-Analyse (Kunde vs. Wettbewerber), die als Excel-Arbeitsdatei und Word-Report im Agentur-Design rauskommt.

== Manueller Input (zu Beginn vom Mitarbeiter abfragen) ==

• Projekt / Kundendomain
• Wettbewerber (eine oder mehrere Domains, ggf. mit Pfad)
• Projektbriefing (Leistungsportfolio, Zielmarkt, was relevant ist und was nicht Alleinstellungsmerkmale)

Fehlt etwas davon, nachfragen statt raten.

== Datenerhebung ==

Primär über die MCP-Server (Sistrix und Semrush).

Fallback: manuelle CSV-Exporte, die ich hochlade.

• Keine Browsersteuerung.
• Keine erfundenen Daten – nur, was die Tools bzw. meine Exporte tatsächlich hergeben. Wenn etwas fehlt (z. B. Suchvolumen), das offen kennzeichnen statt zu schätzen.

== Analyse ==

• Keywords von Kunde und Wettbewerbern zu einer Liste zusammenführen.
• Pro Keyword den Gap-Typ bestimmen (Content-Gap, Positions-Gap, Kunde vorn, kein Gap).
• Relevanz anhand des Projektbriefings bewerten (relevant / nicht relevant für das Geschäft), jeweils mit kurzer Begründung. Irrelevantes/Off-Topic aussortieren.
• Daraus eine Priorisierung ableiten (was zuerst angehen).

== Output ==

• Analog zum Ergebnis, das wir gemeinsam erfolgreich erzeugt haben: eine Excel-Arbeitsdatei (Fazit + Tabs nach Priorität + Aussortiertes + alle Keywords) und ein Word-Report (Fazit, Methodik, Wettbewerbslandschaft, Relevanzbewertung, Handlungsfelder, Empfehlungen).
• Verwende dafür die Excel- und die Word-Vorlage (lege sie als Assets im Skill ab), damit alles im Seokratie-Design erscheint.

== Vorgehen beim Bauen ==

Mach mit mir einen echten Testlauf an einem Beispielprojekt und halte dabei die tatsächlichen Eigenheiten der MCP-Tools direkt im Skill fest, damit der nächste Lauf reibungslos läuft.“

Im Anschluss kannst Du den Skill nach mehrere Anwendungsfällen immer weiter verfeinern. So habe ich inzwischen zum Beispiel eingebaut, dass er das Suchvolumen mittels DataforSEO (kostenpflichtig) ermittelt.

Fazit: Das nimmst Du mit

Claude ist kein Autopilot für Dein SEO. Es ist ein extrem starker Assistent, der seine Arbeit jedoch nur dann optimal erledigt, wenn Du ihm saubere Daten gibst, präzise Anweisungen formulierst und die Ergebnisse fachlich gegenprüfst.

Halte Dich an die drei Regeln:

• Wisse, was welches Tool kann und was nicht.
• Nutze keine KI für Daten, die Du anders zuverlässig bekommst.
• Schalte Dein Hirn nicht aus.

Dann gilt: Claude macht nicht Deine SEO-Arbeit – aber es macht sie besser und schneller.

Du willst tiefer einsteigen, gerade für B2B und Industrie. Schau auf seokratie.at/webinare vorbei. Und wenn Du Fragen oder Gedanken zu Deinem konkreten Fall hast: Wir helfen Dir gerne!

Bildnachweis: Titelbild: KI-generiert mittels Claude; Bild 2 bis 7: Screenshots von Luisa Dziki, Seokratie