Digitalstratege

GEO für B2B: Grundlagen und Best Practices

2026-10-16T10:27:05.000Z

Das Wichtigste vorab

GEO ist kein Ersatz für SEO, sondern baut darauf auf: Wer bei Google und Bing gut auffindbar ist, hat die halbe Miete. Die andere Hälfte sind frei zugängliches, konkretes Fachwissen und Erwähnungen der eigenen Marke auf fremden Seiten.

Dieser Artikel richtet sich an Marketing- und Vertriebsverantwortliche in B2B-Unternehmen. Er erklärt, wie KI-Suchen wie ChatGPT, Perplexity und Google AI Overviews ihre Quellen auswählen, welche 15 Faktoren nach aktuellem Stand wirken und welche verbreiteten Ratschläge sich ignorieren lassen.

Grundlage ist eine Auswertung von über 240 Quellen durch Seokratie (Stand Oktober 2026). Wir haben sie mit Plattform-Dokumentationen und weiteren Studien gegengeprüft und an verschiedenen Stellen präzisiert. Die Kurzfassung gibt es am Ende als Cheatsheet zum Download.

Was GEO ist – und warum B2B besonders betroffen ist

GEO (Generative Engine Optimization) umfasst alles, was dafür sorgt, dass KI-Suchen die Inhalte eines Unternehmens als Quelle verlinken oder seine Marke in ihren Antworten nennen. Begriffe wie AEO oder LLMO meinen im Kern dasselbe.

Google selbst sieht das nüchtern. In seinem Leitfaden zu generativen Suchfunktionen schreibt Google, diese seien in den zentralen Ranking- und Qualitätssystemen verankert. Die Optimierung dafür sei deshalb „still SEO“ (Search Engine Journal).

Für B2B ist das Thema besonders relevant, weil KI-Tools fest im Einkaufsprozess angekommen sind. Laut Forresters Studie „The State of Business Buying, 2026“ waren generative KI-Tools die am häufigsten genannte relevante Interaktion bei der Recherche vor einem Kauf (Digital Commerce 360).

Dieselbe Studie zeigt die Kehrseite: 20 % der Befragten fühlten sich wegen unzuverlässiger KI-Informationen bei ihrer Entscheidung unsicherer, im Einkauf waren es 28 %. Für Anbieter heißt das: Ein Teil der Vorauswahl passiert in Antworten, die sie nicht direkt steuern. Umso wichtiger ist, dass dort korrekte und belegbare Informationen über sie zu finden sind.

Wie KI-Suchen ihre Quellen auswählen

KI-Suchen beantworten eine Frage selten mit nur einer Suche. Sie zerlegen sie in mehrere Teilanfragen, lesen die gefundenen Seiten und setzen daraus eine Antwort zusammen.

Google beschreibt dieses Vorgehen für AI Overviews und AI Mode als Retrieval-augmented Generation mit „Query Fan-out“ (Search Engine Journal). Ahrefs geht davon aus, dass andere Assistenten ähnlich arbeiten und den ursprünglichen Prompt mitunter gar nicht selbst suchen (Ahrefs).

Zitate setzen eine Web-Suche voraus. Erwähnungen können auch aus dem Trainingswissen stammen, also aus dem, was schon vorher über das Unternehmen im Netz stand.

Zitat oder Erwähnung

Eine Marke kann auf zwei Wegen in einer Antwort landen:

Zitat: Die KI durchsucht zum Zeitpunkt der Frage einen Suchindex – den von Google, Bing oder einen eigenen – und verlinkt passende Seiten als Quelle. Einige Assistenten rufen einzelne Seiten dabei zusätzlich direkt ab. Dafür muss die Seite indexiert, erreichbar und für die Teilanfragen auffindbar sein.
Erwähnung: Die KI nennt die Marke, oft ohne Link. Das kann aus einer Web-Suche stammen oder aus dem Trainingswissen des Modells, also aus dem, was zuvor über das Unternehmen im Netz stand.

Wie oft Trainingswissen statt einer Web-Suche zum Zug kommt, ist kaum unabhängig gemessen. Evertune beziffert es für ChatGPT auf 62 % und für Gemini auf 54 % der Antworten, legt die Methodik aber nicht offen (Evertune).

Jede Plattform tickt anders

Wie stark KI-Antworten den klassischen Suchergebnissen folgen, hängt von der Plattform ab:

Plattform	Woher die Quellen kommen	Anteil zitierter URLs in Googles Top 10
Google AI Overviews	Google-Index, Googles Ranking-Systeme	76 %*
Perplexity	eigener Index (PerplexityBot)	28,6 %
ChatGPT-Suche	eigener Crawler (OAI-SearchBot)	6,1–8,0 %

*Wert aus einer früheren Ahrefs-Untersuchung mit anderer Methodik. Alle Werte: Ahrefs, rund 15.000 Long-Tail-Anfragen, ChatGPT-Daten von Juli 2025; Crawler laut OpenAI.

Die Konsequenz: Gute Google-Rankings sind für AI Overviews fast Voraussetzung, für ChatGPT deutlich weniger. Wer überall sichtbar sein will, braucht deshalb neben SEO auch Inhalte, die zu vielen Varianten einer Frage passen, und Erwähnungen außerhalb der eigenen Website.

Die Basis: Technik, ohne die nichts greift

Die ersten vier Faktoren sind am besten belegt, weil die Plattformen sie selbst dokumentieren oder Messungen sie eindeutig zeigen. Sind sie nicht erfüllt, bleiben alle inhaltlichen Maßnahmen wirkungslos.

1. Such-Crawler zulassen

Entscheidend ist die Trennung zwischen Trainings- und Such-Crawlern. Bei OpenAI sammelt GPTBot Inhalte für das Modelltraining, OAI-SearchBot dagegen für die ChatGPT-Suche. Wer OAI-SearchBot sperrt, erscheint laut OpenAI nicht mehr in ChatGPTs Suchantworten (OpenAI).

Google AI Overviews brauchen keinen eigenen KI-Crawler. Sie greifen auf Googles normalen Index zu, die Seite muss nur indexiert und für Snippets freigegeben sein (Search Engine Journal).

B2B-Tipp: Nicht nur die robots.txt prüfen, sondern auch Firewall und CDN. Cloudflare blockiert KI-Crawler seit Juli 2025 standardmäßig (CNBC via NBC New York). In Unternehmen mit eigener IT-Security können solche Regeln greifen, ohne dass das Marketing davon weiß.

2. Inhalte im HTML statt per JavaScript

Die großen KI-Crawler führen kein JavaScript aus. Eine Auswertung von Vercel und MERJ fand bei GPTBot, ClaudeBot und PerplexityBot keine JavaScript-Ausführung. GPTBot lädt zwar in 11,5 % seiner Abrufe JavaScript-Dateien, führt sie aber nicht aus (Vercel). Google ist die Ausnahme: Gemini nutzt die Infrastruktur des Googlebot und rendert JavaScript.

B2B-Tipp: Kritisch sind Produktfinder, Konfiguratoren, Preisrechner und gefilterte Produktlisten, die erst im Browser entstehen. Ein schneller Test: JavaScript im Browser abschalten und die Seite neu laden. Was dann fehlt, sehen auch die KI-Crawler nicht.

3. Indexierung bei Google und Bing

Ohne Index kein Zitat. Für Google ist die Indexierung laut eigenem Leitfaden Voraussetzung für die KI-Funktionen. Bei Microsoft Copilot zeigen die zitierten Quellen die größte Überschneidung mit Bing-Ergebnissen (Ahrefs).

B2B-Tipp: Die Bing Webmaster Tools einrichten, falls noch nicht geschehen. Websites lassen sich direkt aus der Google Search Console importieren, erste Daten liegen nach etwa einem Tag vor. Der Bericht „AI Performance“ zeigt, welche eigenen Seiten in Copilot und Bings KI-Antworten zitiert werden (Practical Ecommerce).

4. Rankings für Haupt- und Fan-out-Anfragen

Bei Google AI Overviews stammen laut Ahrefs 76 % der zitierten URLs aus den Top 10 der Suchergebnisse. Weil KI-Suchen eine Frage in Teilanfragen zerlegen, zählt aber nicht nur das Ranking für die Hauptanfrage. Seiten, die bei vielen Varianten einer Frage auftauchen, haben nach Ahrefs bessere Chancen (Ahrefs).

B2B-Tipp: In den Fragen des Buying Centers denken. Zu einer Software fragt die Geschäftsführung nach Kosten und Nutzen, die IT nach Integration und Sicherheit, der Einkauf nach Alternativen. Jede dieser Fragen ist eine mögliche Teilanfrage. Die Bing Webmaster Tools zeigen unter „Grounding Queries“ sogar, mit welchen Suchphrasen die KI die eigenen Seiten gefunden hat.

Inhalte: was zitiert wird

Bei den inhaltlichen Faktoren ist die Beleglage mittel: Mehrere Studien zeigen in dieselbe Richtung, messen aber Zusammenhänge, keine Ursachen. Die Ratschläge sind trotzdem solide, weil sie auch Menschen besser informieren.

5. Kernantwort zuerst

KI-Systeme zitieren auffällig oft aus dem oberen Teil einer Seite. Kevin Indig fand in 1,2 Millionen ChatGPT-Antworten, dass 44,3 % der Zitate aus den ersten 30 % des Seitentextes stammen. Eine zweite Analyse von Bright Data kam für Google AI Mode und Gemini auf 46,1 % (Practical Ecommerce).

Dieselbe Bright-Data-Analyse zeigt: 92,4 % der zitierten Passagen waren vollständige Sätze mit 6 bis 20 Wörtern. Zitiert werden also klare, für sich verständliche Aussagen.

B2B-Tipp: Viele Leistungsseiten starten mit „Ihr Partner für …“. Besser: Der erste Satz sagt, welches Problem das Unternehmen für wen löst, und der erste Absatz beantwortet die wichtigste Fachfrage.

6. Wissen frei zugänglich – nicht nur im Whitepaper

Was hinter einem Lead-Formular liegt, kann kein Crawler lesen. Auch frei abrufbare PDFs sind nicht ideal: In einem kleinen Test von MaxAEO wurden Text-PDFs allein in 35,4 % der Fälle zitiert. Mit einer ergänzenden HTML-Seite stieg die Quote auf 60,4 %, und drei Viertel aller Zitate landeten auf HTML-Seiten (MaxAEO). Der Test umfasst nur 384 Antworten, ist also eine Richtung, kein Beweis.

B2B-Tipp: Whitepaper müssen nicht frei zugänglich werden. Ihre Kernaussagen und wichtigsten Zahlen sollten aber als eigene Seite erscheinen, die auf den vollständigen Download verweist. So bleibt die Lead-Generierung erhalten, und die KI hat etwas zum Zitieren.

7. Eigene Daten und echte Erfahrung

Google bevorzugt laut eigenem Leitfaden Inhalte mit eigenständigen Erkenntnissen gegenüber Allgemeinwissen (Search Engine Journal). Die Forschungsarbeit, die den Begriff GEO geprägt hat, fand Sichtbarkeitsgewinne von bis zu 40 %, mit deutlichen Unterschieden je nach Themenfeld (Aggarwal et al., arXiv).

B2B-Tipp: Case Studies mit konkreten Zahlen, Benchmarks aus eigenen Projekten oder eine kleine Umfrage unter Kundinnen und Kunden liefern genau das, was es anderswo nicht gibt.

8. Preisrahmen, Leistungsumfang und Vergleiche

Eine eigene Studie speziell zu Preisangaben kennen wir nicht. Die Logik ist aber einfach: Fragt jemand eine KI nach den Kosten einer Lösung, kann sie nur Zahlen nennen, die irgendwo stehen. Steht beim Anbieter nur „Preis auf Anfrage“, nimmt sie die Zahlen anderer Anbieter oder von Vergleichsportalen.

B2B-Tipp: Feste Preise sind oft nicht möglich, Preisspannen, Beispielpakete oder die wichtigsten Kostentreiber dagegen schon. Dazu gehören klare Angaben zum Leistungsumfang und ehrliche Vergleiche mit gängigen Alternativen.

9. Klare Struktur und passende Überschriften

Google sagt ausdrücklich, dass Inhalte nicht in kleine Häppchen zerlegt werden müssen. Seine Systeme erkennen mehrere Themen auf einer Seite und zeigen den passenden Teil (Search Engine Journal). Empfohlen wird semantisches HTML, also echte Überschriften, Listen und Tabellen statt optischer Formatierung.

B2B-Tipp: Leistungsseiten lassen sich entlang der Fragen im Buying Center gliedern: Nutzen, Kosten, Umsetzung, Sicherheit. Jede Zwischenüberschrift sollte sagen, was darunter steht.

10. Echte Aktualität

KI-Assistenten zitieren im Schnitt neuere Inhalte als die klassische Google-Suche. Ahrefs hat 17 Millionen Zitate ausgewertet: Die zitierten Seiten waren 25,7 % jünger als organische Suchergebnisse, am deutlichsten bei ChatGPT. Google AI Overviews zeigen dagegen kaum einen Unterschied (Ahrefs).

Die Zahlen relativieren sich aber: Zitierte Seiten sind im Schnitt trotzdem fast drei Jahre alt. Ahrefs selbst vermutet, dass neue, gute Inhalte mehr bewirken als häufige kosmetische Updates.

B2B-Tipp: Gepflegt werden sollten vor allem die Seiten, auf denen sich Fakten ändern: Leistungen, Referenzen, Zahlen, Preise, Zertifizierungen. Ein neues Datum ohne neuen Inhalt ist kein Update.

Marke und Off-Site: wer genannt wird

Genannt wird, wer bekannt ist, und zwar vor allem auf fremden Seiten. Für B2B ist das der unterschätzteste Teil von GEO, weil er außerhalb der eigenen Website stattfindet.

11. Markenerwähnungen in Drittquellen

In einer Ahrefs-Analyse von 75.000 Marken korrelierten Erwähnungen der Marke im Netz am stärksten mit der Sichtbarkeit in Google AI Overviews (0,664). Backlinks lagen mit 0,218 deutlich dahinter (Ahrefs). Wichtig: Das ist eine Korrelation, kein Beweis für Ursache und Wirkung.

Für ChatGPT zeigt eine kleine B2B-SaaS-Studie in dieselbe Richtung: Bei Kaufempfehlungen stammten 88,4 % der Zitate von fremden Seiten, nur 11,6 % von der Website des empfohlenen Anbieters (DerivateX). Die Studie stammt von einer GEO-Agentur und umfasst nur 40 Prompts.

Gekaufte oder künstliche Erwähnungen helfen laut Google weniger, als man denkt (Search Engine Journal).

B2B-Tipp: Fachartikel und Interviews in Branchenmedien, Einträge auf Verbandsseiten, Vorträge auf Konferenzen und Podcast-Auftritte sind klassische PR – und genau das, was KI-Systeme als Drittquelle lesen.

12. Präsenz in Listen, Vergleichen, Verzeichnissen

Vergleichende Listen gehören zu den meistzitierten Seitentypen. Laut Evertune ist die Hälfte der ChatGPT-Zitate ein Listenartikel, davon 58 % Rankinglisten. Grundlage sind über 40.000 häufig zitierte URLs aus knapp 50 Produktkategorien (Evertune).

B2B-Tipp: Es lohnt sich herauszufinden, welche „Die besten Anbieter für …“-Artikel es in der eigenen Branche gibt, und dafür zu sorgen, dort korrekt vorzukommen. Branchenverzeichnisse und Verbandslisten zählen ebenso.

13. Echte Bewertungen

Hier ist die Beleglage dünn, und sie fällt gemischt aus. In der DerivateX-Studie wurden G2 und Capterra bei 233 Software-Empfehlungen in ChatGPT kein einziges Mal zitiert (DerivateX). Ob Bewertungen dennoch über Erwähnungen oder Trainingsdaten wirken, ist nicht untersucht.

B2B-Tipp: Bewertungen dort sammeln, wo die Zielgruppe sie tatsächlich liest – primär für Menschen. Direkte KI-Zitate sind davon nicht zu erwarten.

14. YouTube-Präsenz

YouTube wirkt stark, aber nicht überall. Laut einer OtterlyAI-Auswertung von rund 100 Millionen KI-Zitaten entfallen 38,7 % aller YouTube-Zitate auf Perplexity und 36,6 % auf Google AI Overviews, auf ChatGPT nur 4,4 %. In einer zweiten Analyse zitierte ChatGPT YouTube in einer von 7.651 Antworten (Analyze AI).

Zwei Details sind für B2B ermutigend: Etwa 94 % der zitierten Videos sind Langformate, und 40,8 % hatten weniger als 1.000 Aufrufe (VEED über OtterlyAI). Reichweite ist also keine Voraussetzung.

B2B-Tipp: Webinare, Produktdemos und Tutorials, die ohnehin entstehen, gehören auf YouTube – mit beschreibendem Titel und Kapiteln, die konkrete Fragen beantworten.

15. Konsistente Unternehmensfakten

Eine eigene Studie zu diesem Faktor kennen wir nicht. Ahrefs empfiehlt aber ausdrücklich, die eigene „Entität“ zu pflegen, also das, was über ein Unternehmen als feststehende Tatsache im Netz steht (Ahrefs). Naheliegend ist: Widersprüchliche Angaben erschweren es einer KI, ein Unternehmen korrekt einzuordnen.

B2B-Tipp: Firmenname, Leistungen, Standorte und Gründungsjahr sollten auf Website, LinkedIn, Google-Unternehmensprofil und in Verzeichnissen identisch sein. Besonders nach Umfirmierungen oder Fusionen lohnt ein Check.

Mythen-Check: Was sich ignorieren lässt

Rund um GEO kursieren viele Ratschläge, die sich bei genauerem Hinsehen nicht halten. Sieben verbreitete Beispiele:

Mythos	Was die Belege sagen	Quelle
„Eine llms.txt ist Pflicht.“	Google benötigt weder llms.txt noch Markdown-Versionen oder spezielles Markup für seine KI-Funktionen.	Search Engine Journal
„Texte müssen in kleine Häppchen zerlegt werden.“	Laut Google erkennen seine Systeme mehrere Themen auf einer Seite und zeigen den passenden Teil.	Search Engine Journal
„Jede Frage-Variante braucht einen eigenen Text.“	KI-Systeme verstehen Synonyme und Bedeutung. Wichtiger ist, ein Thema vollständig abzudecken.	Search Engine Journal
„Wer GPTBot sperrt, verschwindet aus ChatGPT.“	GPTBot sammelt nur Trainingsdaten. Für die ChatGPT-Suche ist OAI-SearchBot zuständig.	OpenAI
„Wer Google-Extended sperrt, verschwindet aus AI Overviews.“	Google-Extended betrifft Training und Grounding für die Gemini-App und Vertex AI, nicht die Aufnahme in die Google-Suche.	Google
„GEO ersetzt SEO.“	Google nennt Optimierung für KI-Suche „still SEO“. Für ChatGPT reicht SEO allein aber nicht, dort zählen Erwähnungen stärker.	Search Engine Journal, Ahrefs

Zum Google-Extended-Mythos eine Einschränkung: Weil das Token auch das Grounding in der Gemini-App steuert, kann eine Sperre dort durchaus Sichtbarkeit kosten. Wer AI Overviews gezielt steuern will, nutzt die normalen Snippet-Einstellungen wie nosnippet.

Und ein allgemeiner Hinweis: Viele GEO-Studien stammen von Tool-Anbietern und Agenturen, arbeiten mit kleinen Stichproben und messen Zusammenhänge. Prozentzahlen aus solchen Studien sind Richtungen, keine Naturgesetze – auch die in diesem Artikel.

Der Einstieg – und wie sich Erfolg messen lässt

Der sinnvollste Einstieg folgt der Belegstärke: erst die Technik, dann die wichtigsten Seiten, dann die Arbeit außerhalb der eigenen Website.

Technik prüfen: robots.txt, Firewall und CDN auf gesperrte Such-Crawler checken, wichtige Seiten mit abgeschaltetem JavaScript testen, Bing Webmaster Tools einrichten.
Fragen sammeln: Mit Vertrieb und Kundenservice die 20 bis 30 Fragen zusammentragen, die Interessenten vor einem Kauf stellen – sortiert nach Rollen im Buying Center.
Ist-Stand erheben: Diese Fragen in ChatGPT, Perplexity und Google stellen und notieren, wer genannt und wer verlinkt wird.
Kernseiten überarbeiten: Kernantwort an den Anfang, Preisrahmen und Leistungsumfang ergänzen, Whitepaper-Kernaussagen als eigene Seite veröffentlichen.
Off-Site aufbauen: Relevante Vergleichslisten, Verzeichnisse und Fachmedien identifizieren und gezielt angehen.

Was sich messen lässt - und was nicht

Der Bericht „AI Performance“ in den Bing Webmaster Tools zeigt, wie oft die eigenen Seiten in Copilot und Bings KI-Antworten zitiert werden. Er zeigt keine Aufrufe oder Klicks (Practical Ecommerce). In der Webanalyse lassen sich Besuche aus KI-Suchen an Referrern wie chatgpt.com oder perplexity.ai erkennen.

Manuelle Tests aus Schritt 3 sind nur Momentaufnahmen. Ahrefs weist darauf hin, dass Personalisierung und Gesprächsverlauf die Zitate für dieselbe Frage verändern können (Ahrefs). Die Tests sollten deshalb regelmäßig mit denselben Fragen wiederholt werden. Aussagekräftig sind Tendenzen, nicht einzelne Antworten.

Fazit: solide Grundlagen statt Geheimtricks

GEO für B2B ist weniger Hexenwerk, als viele Angebote suggerieren. Die belastbarsten Hebel sind technische Erreichbarkeit, frei zugängliches und konkretes Fachwissen und Präsenz auf fremden Seiten. Das meiste davon ist gutes SEO und gute PR, konsequent zu Ende gedacht.

Gleichzeitig verändern sich die Plattformen schnell, und viele Zahlen stammen aus kleinen oder interessengeleiteten Studien. Wer die Grundlagen sauber umsetzt und regelmäßig nachmisst, ist besser aufgestellt als mit jedem einzelnen Trick.

Download Cheatsheet GEO für B2B

Alle 15 Faktoren mit Kernaussage und B2B-Hinweis gibt es kompakt auf einer Seite im c’n learn GEO-Cheatsheet für B2B.

Quellen:

Seokratie: GEO-Rankingfaktoren 2027, Auswertung von über 240 Quellen, Stand Oktober 2026
Search Engine Journal: Google’s New AI Search Guide Calls AEO And GEO ‚Still SEO’ (15.05.2026)
Google: Googles gemeinsame Crawler, Abschnitt Google-Extended
OpenAI: Overview of OpenAI Crawlers
Digital Commerce 360: Forrester, The State of Business Buying, 2026 (22.01.2026)
Ahrefs: Only 12% of AI Cited URLs Rank in Google’s Top 10 (11.08.2025)
Ahrefs: AI Assistants Prefer to Cite ‚Fresher’ Content (28.07.2025)
Ahrefs: AI Overview Brand Visibility Factors (75K Brands) (26.05.2025)
Vercel: The Rise of the AI Crawler (17.12.2024)
CNBC via NBC New York: Cloudflare blockiert KI-Bots standardmäßig (01.07.2025)
Practical Ecommerce: Bing’s Improved AI Performance Section (22.06.2026)
Practical Ecommerce: Studies Reveal AI Citation Clues (09.03.2026)
MaxAEO: Can AI Cite PDFs and Videos? A 384-Answer Test (15.07.2026)
Aggarwal et al.: GEO – Generative Engine Optimization (arXiv)
Evertune: AI Search Statistics
DerivateX: The B2B SaaS AI Citation Study (31.05.2026)
Analyze AI: YouTube Barely Exists in ChatGPT AI Answers (04.08.2026)
VEED: OtterlyAI-Studie zu YouTube-Zitaten (02.03.2026)

The post GEO für B2B: Grundlagen und Best Practices first appeared on cnlearn.de.

KI-Wasserzeichen in Texten

2026-08-12T06:48:38.000Z

Was Art. 50 KI-VO wirklich verlangt – und was ein Treffer nicht beweist

Seit dem 2. August 2026 müssen Anbieter generativer KI-Systeme ihre Ausgaben maschinenlesbar markieren. Bei Bildern lässt sich darunter etwas vorstellen. Bei Text besteht das Ergebnis nur aus Wörtern: Wo soll dort ein Wasserzeichen sitzen, das Copy-and-paste übersteht?

Die Antwort ist technisch elegant. Sie wird gerade nur an vielen Stellen falsch erzählt. Wir haben uns die kursierenden Erklärungen angesehen, die Fakten nachrecherchiert und die Stellen markiert, an denen die schöne Geschichte kippt. Das Ergebnis ist dieser Beitrag: eine Einordnung für alle, die KI beruflich einsetzen und wissen wollen, was das Wasserzeichen für sie bedeutet – und vor allem, was nicht.

Die Kurzfassung vorweg: Das Wasserzeichen ist ein Herkunftssignal, kein Beweis. Es sagt „durch ein markiertes Modell gelaufen“, nicht „von einer KI geschrieben“. Und für Unternehmen ist es rechtlich schlicht nicht der Hebel, auf den es ankommt.

Was seit dem 2. August 2026 gilt

Die Pflicht trifft die Anbieter, nicht die Anwenderseite

Art. 50 Abs. 2 KI-VO richtet sich an die Anbieter generativer KI-Systeme, also an OpenAI, Google, Anthropic, Mistral und Co. Sie müssen sicherstellen, dass die Ausgaben ihrer Systeme in einem maschinenlesbaren Format gekennzeichnet und als künstlich erzeugt oder manipuliert erkennbar sind. Erwägungsgrund 133 nennt als mögliche Lösungen Wasserzeichen, Metadaten, kryptografische Herkunftsnachweise, Protokollierung und Fingerprints.

Wer ChatGPT oder Claude im Unternehmen einsetzt, ist Betreiber. Für Betreiber gelten die sichtbaren Offenlegungspflichten aus Art. 50 Abs. 4: bei Deepfakes und bei KI-generierten Texten, die veröffentlicht werden, um die Öffentlichkeit über Angelegenheiten von öffentlichem Interesse zu informieren. Die maschinenlesbare Markierung läuft im Hintergrund und ist kein Betreiberthema.

Das ist die wichtigste Unterscheidung des gesamten Artikels, und sie geht in der Berichterstattung regelmäßig unter.

Was der Digital Omnibus verschoben hat – und was nicht

Hier hält sich ein hartnäckiges Missverständnis. Der Digital Omnibus on AI, den der Rat Ende Juni 2026 final angenommen hat, hat die KI-Verordnung nicht insgesamt verschoben. Verschoben wurden die Hochrisiko-Pflichten: Anhang III auf den 2. Dezember 2027, Anhang I auf den 2. August 2028.

Die Transparenzpflichten aus Art. 50 gelten unverändert seit dem 2. August 2026. Eine einzige Ausnahme gibt es: Für genau die technische Markierungspflicht nach Abs. 2 haben Systeme, die vor dem 2. August 2026 auf dem Markt waren, bis zum 2. Dezember 2026 Zeit. Der Omnibus hat diese Schonfrist übrigens von sechs auf drei Monate gekürzt, sie also nicht verlängert, sondern verkürzt.

Verstöße gegen Art. 50 können mit bis zu 15 Millionen Euro oder 3 Prozent des weltweiten Jahresumsatzes geahndet werden, je nachdem, was höher ist. Die höheren Sätze von 35 Millionen bzw. 7 Prozent betreffen nur die Verbote des Art. 5 und gehören nicht in diese Rechnung. Für die Marktüberwachung in Deutschland ist nach aktuellem Stand die Bundesnetzagentur vorgesehen.

Die Ausnahme, die kaum jemand nennt

Art. 50 Abs. 2 endet mit einem Satz, der praktisch hochrelevant ist: Die Pflicht gilt nicht, soweit das System eine unterstützende Funktion für die Standardbearbeitung ausübt oder die Eingabedaten beziehungsweise deren Semantik nicht wesentlich verändert.

Die Kommissionsleitlinien vom 20. Juli 2026 konkretisieren das. Grammatik- und Rechtschreibkorrektur, Formatkonvertierung, technische Komprimierung, geringfügiges Zuschneiden: raus. Übersetzungen, Zusammenfassungen, semantische Änderungen an vorhandenen Inhalten: drin.

Diese Grenze ist im Hinterkopf zu behalten, sie kommt gleich noch zweimal vor.

Der Code of Practice: Die technischen Spielregeln

Zeitgleich mit den Leitlinien hat die Kommission am 20. Juli 2026 den finalen Code of Practice on Transparency of AI-Generated Content veröffentlicht. Er ist formal freiwillig, aber Kommission und KI-Ausschuss haben bestätigt, dass er ein taugliches Mittel ist, die Pflichten aus Art. 50 zu erfüllen. Rund 190 Organisationen haben bis zum Stichtag 22. Juli unterzeichnet, darunter Google, Meta, Microsoft, OpenAI und Anthropic. Wer nicht unterzeichnet, muss die Angemessenheit eigener Maßnahmen selbst nachweisen.

Die wichtigsten Festlegungen:

- Zwei Ebenen als Standard: signierte Metadaten plus robustes Wasserzeichen. Für freien Fließtext genügt eine Ebene, nämlich das Wasserzeichen – weil Text keine Metadaten tragen kann.
- 200-Token-Schwelle: Freier Text unter etwa 200 Tokens, also grob 150 Wörtern, ist von der Wasserzeichenpflicht ausgenommen. Aktuelle Verfahren bekommen so kurze Passagen nicht zuverlässig markiert. Der Code erwartet, dass die Schwelle mit besserer Technik sinkt.
- Weitere Ausnahmen: Quellcode, flüchtige Echtzeitinhalte, reine Maschine-zu-Maschine-Kommunikation und geschlossene B2B-Ausgaben.
- Erkennung: Unterzeichner verpflichten sich zu einer kostenlosen Detektionslösung, mit einer Ausnahme für Anbieter unter einer Million Nutzer*innen pro Monat, und zu anbieterübergreifend interoperabler Erkennung bis zum 2. Februar 2027.
- Humanizer-Verbot: Unterzeichner dürfen keine Werkzeuge anbieten, die darauf ausgelegt sind, KI-Markierungen zu entfernen.

Wichtig für die Erwartungshaltung: Die Kommission stellt ausdrücklich fest, dass sie kein einzelnes Markierungsverfahren identifiziert hat, das die Anforderungen der Verordnung heute erfüllt. Deshalb der mehrschichtige Ansatz.

Warum Text ein Sonderfall ist

Bei Bildern funktioniert Herkunftskennzeichnung über signierte Metadaten nach dem C2PA-Standard: Informationen zur Entstehung werden in die Datei geschrieben und digital signiert. Die Schwäche ist offensichtlich. Die Metadaten hängen am Datei-Container. Konvertieren, neu speichern, Screenshot – weg sind sie.

Bei Text existiert dieser Container gar nicht erst. Wird eine KI-Antwort markiert, kopiert und in Word, ins CMS oder in eine E-Mail eingefügt, überträgt sich nur die Zeichenfolge. Keine Datei, keine Metadaten, nichts.

Ein Wasserzeichen, das Copy-and-paste überleben soll, muss deshalb im Text selbst stecken. In der Wortwahl.

Wie das funktioniert: der gezinkte Würfel

Ein Sprachmodell erzeugt Text Token für Token. An vielen Stellen gibt es mehrere gleich gute Möglichkeiten: „kündigen“ oder „beenden“, „deshalb“ oder „daher“, „schnell“ oder „rasch“. Ein Mensch entscheidet das nach Gefühl, im Ergebnis zufällig.

Ein Modell mit Textwasserzeichen entscheidet nicht zufällig, sondern nach einem geheimen Muster. Man kann sich eine gezinkte Münze vorstellen, die bei jeder Wortwahl geworfen wird: Aus einem geheimen Schlüssel und den unmittelbar vorangehenden Tokens wird berechnet, welcher der gleichwertigen Kandidaten bevorzugt wird.

Die Erkennung funktioniert wie Nachzählen. Wer den Schlüssel kennt, prüft, ob die Wortwahl auffällig oft dem Muster folgt. Bei menschlichem Text kommt Zufall heraus, ungefähr 50:50. Bei markiertem KI-Text liegt die Trefferquote systematisch darüber. Dreimal hintereinander die Sechs ist Glück, dreißigmal hintereinander ist ein gezinkter Würfel.

Google DeepMind hat mit SynthID-Text das erste produktionsreife Verfahren dieser Art beschrieben; die Arbeit erschien 2024 in Nature. Der zugrunde liegende Mechanismus heißt Tournament Sampling und verzerrt die Token-Auswahl innerhalb des Modells. Anthropic hat am 11. August 2026 bekannt gegeben, dass Claude-Modelle, die ab dem 2. August 2026 erscheinen, ein unsichtbares Wasserzeichen direkt in den erzeugten Text weben – weltweit, auf Modellebene, über alle Produktoberflächen und Cloud-Partner hinweg. Ältere Modelle werden nachgerüstet. Erzeugte Dateien bekommen zusätzlich signierte C2PA-Metadaten.

Der Begriff, den die meisten Erklärungen auslassen: Entropie

Und hier wird es interessant. Das Wasserzeichen kann sich nur dort einbetten, wo das Modell tatsächlich Wahlfreiheit hat. Diese Wahlfreiheit heißt Entropie, und die Stärke des Signals ist mathematisch eine Funktion davon.

Google formuliert das für die eigene Implementierung sehr direkt: Bei faktischen Prompts wirkt das Wasserzeichen schlechter, weil es weniger Gelegenheiten gibt, die Token-Verteilung zu verschieben, ohne die Richtigkeit zu beschädigen. Auf „Was ist die Hauptstadt von Frankreich?“ gibt es genau eine gute Antwort. Die Forschungsliteratur formuliert es allgemeiner: Text mit niedriger Entropie – Faktenantworten, Code, wörtliche Zitate – ist grundsätzlich nicht wasserzeichenfähig.

Genau daher stammt auch die 200-Token-Schwelle im Code of Practice. Kurze Texte bieten schlicht nicht genug Entscheidungspunkte, um ein statistisch belastbares Signal aufzubauen.

Ehrlich bleiben sollte man auch beim Qualitätsaspekt. Die verbreitete Formulierung, es werde ja nur zwischen ohnehin gleichwertigen Formulierungen gewählt, ist beschönigend. Wasserzeichen verschieben die Sampling-Verteilung, und die Forschung beschreibt messbare Zielkonflikte zwischen Erkennbarkeit, Textqualität und Diversität. Klein, aber nicht null.

Der Praxisfall: „Prüf mal auf Tippfehler“

Jetzt die Frage, an der die meisten Erklärungen scheitern. Ein selbst geschriebener Text wird hochgeladen, der Prompt lautet: „Korrigiere Tippfehler und Grammatik.“ Trägt das Ergebnis ein Wasserzeichen?

Viele Beiträge behaupten pauschal: ja, markiert werde alles, was das Modell ausgibt, auch bloß korrekturgelesene Texte. Das vermischt zwei verschiedene Aussagen.

Richtig ist: Das Sampling-Verfahren läuft auf jedem Token, das das Modell ausgibt. Anthropic markiert auf Modellebene, der Mechanismus ist also aktiv.

Ebenfalls richtig ist: Ein messbares Signal entsteht nur dort, wo Wahlfreiheit besteht. Und beim Korrekturlesen besteht sie nicht. Die Wahrscheinlichkeitsverteilung liegt an fast jeder Position bei nahezu 100 Prozent auf dem vorgegebenen nächsten Wort. Die gezinkte Münze wird geworfen, aber sie hat nur eine Seite.

Als Rechenbeispiel: 2.000 Wörter, 15 Korrekturen. Fünfzehn von zweitausend Positionen tragen Signal. Das liegt weit unter jeder sinnvollen Detektionsschwelle. Ein korrekturgelesener Text trägt mit hoher Wahrscheinlichkeit kein nachweisbares Wasserzeichen.

Ein praktisches Detail obendrauf: Die Chatantwort besteht meist aus dem korrigierten Text plus Rahmen – „Hier ist die überarbeitete Fassung …“, dazu Erläuterungen zu den Änderungen. Diese Rahmenteile sind frei formuliert, also hochentropisch und sauber markiert. Wer nur den Textblock herauskopiert, nimmt gerade den unmarkierten Teil mit.

Wo es wirklich unscharf wird: Übersetzung und Zusammenfassung

Der Fall, der die These „ein Treffer beweist keine KI-Autorschaft“ trägt, ist ein anderer. Wird ein selbst geschriebener Text übersetzt, erzeugt das Modell jedes Zielwort neu, die Entropie ist hoch, das Wasserzeichen sitzt kräftig – und der Inhalt stammt zu hundert Prozent von einem Menschen. Dasselbe gilt fürs Zusammenfassen und fürs Umformulieren nach Vorgabe.

Und diese Fälle sind nach den Leitlinien ausdrücklich nicht von der Markierungspflicht ausgenommen. Ein voll markierter Text, dessen geistiger Gehalt vollständig menschlich ist: Das ist die eigentliche Unschärfe.

„Schreib in meinem Stil“ – verfälscht das das Wasserzeichen?

Naheliegende Vermutung: Wer dem Modell eigene Textproben gibt und es den eigenen Stil imitieren lässt, müsste damit doch das Muster stören.

Tut man nicht. Der Grund ist eine Eigenschaft, die man leicht übersieht: Das Wasserzeichen sitzt nicht in bestimmten Wörtern, sondern im Auswahlverfahren zwischen den jeweils gerade wahrscheinlichen Kandidaten.

Stilvorgaben verändern die Wahrscheinlichkeitsverteilung des Modells. Andere Wörter werden wahrscheinlich, andere Satzrhythmen, andere Lieblingskonjunktionen. Das Wasserzeichen wählt dann eben innerhalb dieser Verteilung nach dem Schlüsselmuster. Es reitet auf der Verteilung, es klebt nicht an einer Wortliste. Der Output klingt nach der Vorlage und trägt trotzdem das volle Signal.

Was sich ändert, ist wieder nur die Entropie: Starke Stilvorgaben und lange Kontextbeispiele engen das Modell etwas ein, das Signal pro Token sinkt leicht. Freies Schreiben neuer Inhalte lässt aber an jeder Position immer noch enorm viel Wahl. Das ist eine völlig andere Größenordnung als beim Korrekturlesen.

Die umgekehrte Richtung ist die gute Nachricht

Kann ein selbst geschriebener Text fälschlich anschlagen, weil der Stil „KI-haft“ wirkt? Nein. Weil das Muster aus einem pseudozufälligen Schlüssel abgeleitet ist und mit Semantik oder Stil nicht korreliert, liegt menschlicher Text immer bei etwa 50:50. Egal wie glatt er formuliert ist.

Das ist der eine echte Vorteil des Wasserzeichens gegenüber Klassifikatoren wie GPTZero, die genau daran scheitern und regelmäßig menschliche Texte anschwärzen. Statistisch ist das Wasserzeichen das sauberere Verfahren. Sein Problem ist nicht die Falsch-Positiv-Rate, sondern die Fehlinterpretation dessen, was ein Treffer bedeutet.

Kurzer Exkurs: Der Gedankenstrich

Womit wir bei der beliebtesten Detektor-Folklore wären. Auf LinkedIn gilt der lange Gedankenstrich inzwischen als sicheres KI-Indiz.

Er ist das Gegenteil davon. Ein Merkmal ohne Schlüssel, ohne Schwellenwert, ohne bekannte Fehlerrate, dafür mit einer Falsch-Positiv-Quote im Bereich „alle, die schon einmal ein Typografie-Buch aufgeschlagen haben“. Wer sauber setzt, gerät unter Verdacht. Wer Masse produziert, stellt auf Komma um. Dieselbe Asymmetrie wie beim Wasserzeichen, nur ohne die Mathematik.

Typografisch ist die Sache ohnehin schief. Im Deutschen ist der Gedankenstrich der Halbgeviertstrich mit Leerzeichen. Der lange Geviertstrich ohne Leerzeichen ist eine englische Satzkonvention. Wer den in einem deutschen Text findet, hat eher einen Hinweis auf englischsprachig geprägte Textproduktion als auf eine Maschine.

Was das Wasserzeichen überlebt – und was es löscht

Weil das Signal in den Wörtern selbst steckt, gilt eine einfache Logik: Solange die Wörter gleich bleiben, bleibt das Wasserzeichen.

Unschädlich: Kopieren und Einfügen, Wechsel des Dateiformats, Entfernen von Formatierungen, Einfügen in einen einfachen Texteditor, Veröffentlichung im CMS, Umstellen von Absätzen.

Zerstörend: echtes Umschreiben, Paraphrasieren, Übersetzen, starkes redaktionelles Überarbeiten, Vermischen mit eigenem Text.

Von vornherein ungeeignet: sehr kurze Texte, Quellcode, Zahlenkolonnen, wörtliche Zitate.

Eine Präzisierung gehört dazu, weil die übliche Zweiteilung zu ordentlich wirkt: Das ist kein Schalter, sondern ein Kontinuum von Erkennungswahrscheinlichkeiten. Untersuchungen zu SynthID-Text zeigen, dass die Detektionsgenauigkeit schon bei leichtem Paraphrasieren und bei Rückübersetzung deutlich abfällt. Google selbst schreibt, die Detektor-Konfidenz könne bei gründlichem Umschreiben oder Übersetzen stark sinken. „Kopieren erhält“ ist zuverlässig. „Umschreiben löscht“ ist wahrscheinlich, aber nicht garantiert.

Wer darf eigentlich prüfen? Die SCHUFA-Frage

Der Schlüssel liegt beim Anbieter. Die Erkennung ist ein statistischer Test mit Fehlerwahrscheinlichkeiten in beide Richtungen, und durchführen kann ihn nur, wer den Schlüssel besitzt. Anthropic hat die Detektionsdokumentation angekündigt, aber noch nicht veröffentlicht; Googles SynthID-Detektor ist auf Google und ausgewählte Partner beschränkt.

Ein Prüfergebnis ist damit heute keine neutral nachvollziehbare Tatsache, sondern eine Auskunft des Anbieters, deren Zustandekommen die Gegenseite nicht überprüfen kann.

Die Analogie, die sich hier aufdrängt, ist der SCHUFA-Score: Ein privates Unternehmen berechnet mit einem geheimen Verfahren ein statistisches Urteil. Nachvollziehen kann es die betroffene Person nicht. Wirksam wird es woanders – bei der Hochschule, beim Arbeitgeber, beim Auftraggeber, die das Ergebnis als Tatsache behandeln.

Die Analogie trägt drei Schritte. Dann bricht sie:

Bewertet wird keine Person, sondern eine Zeichenfolge. Der Score ist eine Aussage über Tokens, nicht über einen Menschen. Erst die Zuschreibung macht daraus etwas Persönliches.
Die Richtung stimmt nicht. Die Geschäftsgrundlage einer Auskunftei ist Intransparenz. Der Code of Practice verpflichtet Unterzeichner umgekehrt zu kostenlosen Detektionslösungen und zu interoperabler Erkennung bis Februar 2027. Der heutige Black-Box-Zustand ist der Übergang, nicht das Ziel.
Falsch-Positive funktionieren anders, siehe oben. Ein SCHUFA-Score kann eine Person wegen ihrer Adresse treffen. Ein Wasserzeichen kann niemanden wegen seines Stils treffen.

Und dann greift sie doch wieder, nur an anderer Stelle. Der EuGH hat am 7. Dezember 2023 in der Sache SCHUFA (C-634/21) entschieden, dass bereits die Erstellung eines Wahrscheinlichkeitswerts eine grundsätzlich verbotene automatisierte Entscheidung im Einzelfall nach Art. 22 Abs. 1 DSGVO sein kann, wenn Dritte ihm bei ihrer Entscheidung eine maßgebliche Rolle beimessen. Überträgt man diese Logik, stellt sich die Frage, wie ein Wasserzeichen-Prüfergebnis zu behandeln ist, auf das eine Hochschule oder ein Arbeitgeber eine Entscheidung maßgeblich stützt.

Das ist eine Analogie, kein entschiedener Fall. Sie hat Grenzen: Art. 22 verlangt eine Entscheidung gegenüber einer Person, die ausschließlich auf automatisierter Verarbeitung beruht. Wo ein Mensch die Entscheidung tatsächlich trifft und den Prüfwert nur als einen Faktor unter mehreren nutzt, greift die Vorschrift nicht ohne Weiteres. Zu Wasserzeichen existiert bislang keine Rechtsprechung. Wir halten die Parallele für diskussionswürdig, nicht für gesichert.

Angreifbarkeit: Scrubbing und Spoofing

Forscher der ETH Zürich haben gezeigt, dass sich die Wasserzeichen-Regeln allein durch Abfragen der öffentlichen API näherungsweise rekonstruieren lassen: für unter 50 Dollar, mit über 80 Prozent Erfolgsquote bei Verfahren, die zuvor als sicher galten. Und zwar in beide Richtungen – Scrubbing, also Entfernen des Signals, und Spoofing, also Einpflanzen des Signals in fremden, menschlich geschriebenen Text. Das Fazit der Autoren lautete ausdrücklich, dass aktuelle Verfahren nicht einsatzreif seien. Das war 2024, zwei Jahre vor dem regulatorischen Stichtag. Daraus ist inzwischen ein ganzer Forschungszweig geworden.

Für den einfachen Fall braucht es den Schlüssel nicht einmal: Ein zweiter, unmarkierter Modelllauf über den Text genügt. Genau das leistet der seit 2023 existierende „Humanizer“-Markt, der ursprünglich gegen Klassifikatoren entstanden ist.

Warum die DRM-Analogie hinkt

Naheliegender Vergleich: Fast jeder Kopierschutz wurde irgendwann geknackt, warum sollte es hier anders sein? Der Vergleich schmeichelt dem Wasserzeichen sogar, denn es gibt drei Asymmetrien zu seinen Ungunsten.

Rechtlich: DRM-Umgehung ist verboten, weil § 95a UrhG (Art. 6 InfoSoc-RL) wirksame technische Maßnahmen schützt, die den Zugang zu oder die Nutzung von geschützten Werken kontrollieren. Ein Wasserzeichen kontrolliert nichts, es beschriftet. Und der markierte Text ist häufig gar kein geschütztes Werk, dazu gleich mehr. Auch § 95c UrhG passt nicht recht: Er schützt Informationen für die Rechtewahrnehmung, die Werke oder Rechtsinhaber identifizieren – ein KI-Herkunftsvermerk identifiziert weder das eine noch das andere. Nach unserer Einschätzung fehlt damit der Tatbestand, der Kopierschutz-Cracks in die Illegalität geschoben hat. Der Code of Practice verbietet Unterzeichnern, selbst Entfernungswerkzeuge anzubieten, bindet aber nur diese – nicht Dritte und nicht die Nutzerseite. Entschieden ist auch das nicht.
Technisch: DRM konnte nachgehärtet werden: neuer Schlüssel, neue Version, nächste Runde. Ein Textwasserzeichen lässt sich nicht gegen Paraphrasieren härten, weil Paraphrasieren keine Manipulation ist, sondern eine normale Textoperation. Die Verteidigerseite kann den Angriff vom legitimen Redigieren nicht unterscheiden.
Ökonomisch: Bei DRM musste jemand knacken und verteilen. Hier besitzt jede Person mit Zugang zu irgendeinem Modell die Fähigkeit bereits.

Fairerweise: Die Anbieter behaupten nichts anderes. Google schreibt, SynthID sei nicht dafür ausgelegt, motivierte Angreifer aufzuhalten. Anthropic schreibt, ein Treffer sei kein schlüssiger Beweis und ein Nicht-Treffer kein Ausschluss. Die realistische Einordnung ist nicht „DRM“, sondern eher „EXIF-Daten“: ein Herkunftssignal für den achtlosen Normalfall.

Das eigentliche Problem ist damit nicht, dass das Verfahren geknackt wird. Es ist die Selektivität. Ein Mechanismus, der nur bei denen greift, die nichts dagegen unternehmen, verschiebt die Last auf die Sorgfältigen. Und Spoofing hat eine Qualität, die DRM nie hatte: Ein geknackter Kopierschutz schadete Rechteinhabern. Ein gelungenes Spoofing schadet Einzelpersonen – der Autorin oder dem Autor, denen man einen KI-Einsatz nachweisen will. Der Gegenbeweis ist für sie praktisch unmöglich, weil sie die Prüfung ohnehin nicht nachvollziehen können.

Der urheberrechtliche Dreh - und warum wir ihn für überverkauft halten

Eine These macht gerade Karriere, und sie ist zu interessant, um sie unkommentiert zu lassen.

Die Ausgangslage stimmt

Urheberrechtlich geschützt sind nur persönliche geistige Schöpfungen eines Menschen (§ 2 Abs. 2 UrhG); Urheber kann nach dem Schöpferprinzip nur eine natürliche Person sein (§ 7 UrhG). Ein rein KI-generierter Text hat keinen Urheber und genießt keinen Urheberrechtsschutz. Wer ihn übernimmt, verletzt kein Urheberrecht, selbst bei wortgleicher Kopie.

Prompts allein begründen keine Urheberschaft. Das AG München hat das am 13. Februar 2026 (Az. 142 C 9786/25) für KI-generierte Grafiken bestätigt: Auch umfangreiche Prompts genügen nicht, solange dem System die gestalterische Entscheidung überlassen bleibt. Der menschliche Input muss den Output hinreichend objektiv und eindeutig identifizierbar prägen.

Miturheberschaft mit der KI gibt es nicht. § 8 UrhG setzt mehrere menschliche Schöpfer voraus; die KI ist rechtlich Werkzeug, nicht Mitschöpferin, so wenig wie die Kamera Miturheberin des Fotos ist. Es gibt auch keinen anteiligen Schutz: Ein „zu 60 Prozent menschliches“ Werk existiert nicht. Die Prüfung ist für jeden Textteil binär. In der Praxis entsteht deshalb ein Mosaik aus geschützten, menschlich geprägten Passagen und schutzlosen KI-Passagen in ein und demselben Text. Wer gezielt nur die KI-Passagen übernimmt, ist von einer Abmahnung nicht erfasst.

Die These

Trägt ein streitgegenständlicher Text ein nachweisbares KI-Wasserzeichen, so das Argument, hat die in Anspruch genommene Partei erstmals einen objektiven Anhaltspunkt dafür, dass die behauptete rein menschliche Schöpfung so nicht stattgefunden hat. Prozessual liege es dann nahe, der angeblichen Urheberseite eine erweiterte Darlegungslast zum Schöpfungsprozess aufzuerlegen: Entwürfe, Arbeitsstände, Prompts.

Warum wir zurückhaltend sind

Die These ist elegant. Sie hat vier Schwachstellen, von denen mindestens eine in der Debatte fast nie auftaucht.

§ 10 UrhG. Wer auf Vervielfältigungsstücken eines erschienenen Werkes in der üblichen Weise als Urheber bezeichnet ist, wird bis zum Beweis des Gegenteils als Urheber vermutet. Die Darstellung, es stehe schlicht Behauptung gegen Behauptung, unterschlägt diese gesetzliche Vermutung. Ein Wasserzeichen-Treffer müsste sie erst erschüttern.
Ein Treffer belegt Verarbeitung, nicht Verfasserschaft. Übersetzung, Zusammenfassung, Umformulieren nach Diktat – alles voll markiert, alles inhaltlich menschlich.
das Zugangsproblem. Die Detektion setzt den Schlüssel des Anbieters voraus. Ob und wie eine Prozesspartei an eine belastbare Prüfung kommt – Auskunft, Sachverständigengutachten, Vorlagepflichten – ist offen. Und wie ein Gericht mit einem Prüfergebnis umgeht, das die Gegenseite nicht reproduzieren kann, ist völlig ungeklärt. Der Code verpflichtet die Anbieter immerhin zu Erkennungsmöglichkeiten.
Spoofing, siehe oben. Ein Beweismittel, das sich für unter 50 Dollar fälschen lässt, ist als Beweismittel schwierig.

Bislang gibt es zu Textwasserzeichen als Beweismittel keine einzige Entscheidung. Wer die These als geltende Rechtslage verkauft, überzieht.

Und: Schutzlos heißt nicht folgenlos

Auch wer einen urheberrechtlich schutzlosen KI-Text übernimmt, kann sich angreifbar machen – über den ergänzenden wettbewerbsrechtlichen Leistungsschutz (§ 4 Nr. 3 UWG) bei systematischer Übernahme, über die Nutzungsbedingungen der Plattform, von der der Text stammt, oder über Datenbankrechte (§§ 87a ff. UrhG).

Die schöne Pointe, die nicht stimmt

Eine Formulierung kursiert gerade besonders gern, weil sie so rund klingt: Der typische Workflow „KI-Entwurf kopieren, leicht anpassen, veröffentlichen“ konserviere das Wasserzeichen. Wer dagegen gründlich redigiere, lösche es nebenbei – und genau dann entfalle auch die Kennzeichnungspflicht. Technik und Recht liefen ausnahmsweise in dieselbe Richtung.

Der erste Teil stimmt. Der zweite nicht.

Art. 50 Abs. 4 knüpft die Ausnahme nicht an den Grad der Umformulierung, sondern daran, dass der Inhalt einer menschlichen Überprüfung oder redaktionellen Kontrolle unterzogen wurde und eine natürliche oder juristische Person die redaktionelle Verantwortung für die Veröffentlichung trägt. Das ist kein Auslegungsvorschlag, das steht im Verordnungstext.

Die Konsequenz: Ein nur leicht redigierter Text mit dokumentierter redaktioneller Verantwortung ist von der Kennzeichnungspflicht befreit, obwohl das Wasserzeichen überlebt. Und ein stark umgeschriebener Text, für den niemand Verantwortung übernommen hat, ist es nicht, obwohl das Wasserzeichen weg ist.

Technik und Recht laufen hier gerade nicht parallel. Wer sich auf die Pointe verlässt, optimiert die falsche Größe.

Was Unternehmen daraus mitnehmen sollten

Für die Praxis heißt das zweierlei:

Auf die maschinenlesbare Markierung ist kein Verlass. Weder als Nachweis gegenüber Dritten noch zur Erfüllung eigener Pflichten. Sie ist Anbietersache, sie ist lückenhaft, und sie beantwortet nicht die Frage, auf die es rechtlich ankommt.

Umgekehrt sollte niemand darauf bauen, dass KI-Nutzung unentdeckt bleibt. Wer KI-Texte im Wesentlichen unverändert veröffentlicht, hinterlässt eine statistische Spur.

Die saubere Lösung ist keine technische, sondern eine organisatorische. Konkret:

Rolle klären: Für praktisch jedes KMU lautet die Antwort: Betreiber. Damit gilt Art. 50 Abs. 4, nicht Abs. 2.
Redaktionelle Verantwortung festlegen und dokumentieren: Wer hat den Text vor Veröffentlichung geprüft, wann, mit welchem Ergebnis? Das ist der Hebel, den die Verordnung anbietet. Ein Freigabevermerk im CMS reicht meist völlig.
Kennzeichnungsfälle identifizieren: Deepfakes und veröffentlichte KI-Texte zu Angelegenheiten von öffentlichem Interesse. Nicht jeder Produkttext, nicht jede interne Notiz.
Interne KI-Richtlinie festlegen: Welche Inhalte dürfen mit KI entstehen, wer gibt frei, was wird gekennzeichnet, was wird dokumentiert.
Prüfergebnisse nicht als Beweis behandeln: Wo irgendwann Detektionswerkzeuge zum Einsatz kommen – gegenüber Freelancerinnen, Agenturen, Bewerberinnen –, ist ein Treffer ein Anlass für ein Gespräch, nie eine Feststellung.
Die Kompetenzpflicht nicht vergessen: Art. 4 KI-VO verlangt von Betreibern seit Februar 2025 ein ausreichendes Maß an KI-Kompetenz bei den Personen, die mit dem Einsatz befasst sind.

Bei uns im ideenstudio.berlin läuft übrigens jeder KI-gestützte Text durch eine menschliche Redaktion, bevor er veröffentlicht wird. Nicht wegen des Wasserzeichens, sondern weil das der einzige Schritt ist, der sowohl die Qualität als auch die Rechtslage adressiert.

Häufige Fragen zu KI-Wasserzeichen (FAQ)

Verschwindet das Wasserzeichen, wenn der Text in einen Texteditor kopiert wird?

Nein. Es steckt in der Wortwahl selbst, nicht in der Datei oder der Formatierung. Beim Kopieren bleiben die Wörter identisch. Nur die Metadaten-Kennzeichnung von Dateien, etwa bei Bildern, geht bei Konvertierung oder Screenshots verloren.

Trägt ein Text ein Wasserzeichen, wenn die KI ihn nur korrekturgelesen hat?

Entgegen vieler anderslautender Berichte praktisch fast nie. Dem Modell fehlt die Wahlfreiheit, in die sich das Muster einbetten ließe. Und rechtlich ist die reine Rechtschreib- und Grammatikkorrektur von der Markierungspflicht ohnehin ausgenommen. Anders bei Übersetzungen und Zusammenfassungen: Die sind markiert und von der Pflicht erfasst.

Lässt sich das Wasserzeichen entfernen?

Durch echtes Umschreiben, Übersetzen oder starkes Redigieren in der Regel ja. Das ist kein Trick zur Pflichtumgehung: Die Kennzeichnungspflichten knüpfen nicht am Wasserzeichen an, sondern am tatsächlichen KI-Einsatz und an der redaktionellen Verantwortung.

Kann jede Person prüfen, ob ein Text ein Wasserzeichen trägt?

Aktuell noch nicht. Die Erkennung erfordert den Schlüssel des Anbieters. Der Code of Practice verpflichtet Unterzeichner allerdings zu kostenlosen Detektionslösungen und zu interoperabler Erkennung bis Februar 2027.

Beweist ein Treffer, dass der Text von einer KI geschrieben wurde?

Nein. Er belegt, dass ein markiertes Modell den Text verarbeitet hat. Nicht, dass es ihn verfasst hat.

Beweist ein Nicht-Treffer, dass kein KI-Einsatz stattgefunden hat?

Erst recht nicht. Der Text kann von einem älteren oder offenen Modell ohne Markierung stammen, paraphrasiert, übersetzt oder schlicht zu kurz sein.

Schlägt das Wasserzeichen an, wenn jemand sehr „KI-artig“ schreibt?

Nein. Das Muster leitet sich aus einem pseudozufälligen Schlüssel ab und hat mit Stil oder Bedeutung nichts zu tun. Menschlicher Text liegt statistisch bei 50:50. Das unterscheidet Wasserzeichen von Klassifikatoren wie GPTZero.

Dürfen KI-generierte Texte anderer einfach übernommen werden?

Urheberrechtlich sind rein KI-generierte Texte nicht geschützt. Wettbewerbsrechtlicher Leistungsschutz, Plattform-Nutzungsbedingungen und Datenbankrechte können der Übernahme trotzdem entgegenstehen – und menschlich überarbeitete KI-Entwürfe können sehr wohl geschützt sein.

Ist Miturheberschaft zusammen mit einer KI möglich?

Nein. Entweder erreicht der eigene Beitrag – Auswahl, Anordnung, Überarbeitung, eigene Formulierungen – Schöpfungshöhe, dann liegt Alleinurheberschaft an der so geprägten Fassung vor. Oder er erreicht sie nicht, dann ist der Text insoweit schutzlos.

Müssen Unternehmen selbst Wasserzeichen einbauen?

Nein. Die maschinenlesbare Markierung ist Anbieterpflicht. Unternehmen trifft in den Fällen des Art. 50 Abs. 4 die sichtbare Offenlegung.

Hinweis

Stand des Textes ist der 12. August 2026.

Die Rechtslage entwickelt sich schnell – zu Textwasserzeichen als Beweismittel existiert bislang keine Rechtsprechung, und die technischen Detektionsverfahren der Anbieter sind noch nicht öffentlich dokumentiert. Dieser Beitrag ist von unserer Seite eine fachliche Einordnung und keine Rechtsberatung.

The post KI-Wasserzeichen in Texten first appeared on ideenstudio.berlin.

Eine ehrliche Abrechnung mit unseren KI-Prognosen aus dem Jahr 2014

2026-07-09T08:19:07.000Z

„Frag mal dein Samsung-Smartphone, ob es dich liebt.“

Mit diesem leicht sarkastischen Satz versuchte ich im Juni 2014 in einem Agentur-Interview eine These zu untermauern, die damals für hitzige Diskussionen sorgte: Software wird in der Lage sein, menschliche Semantik, Kreativität und sogar Emotionen zu verstehen und zu reproduzieren.

Damals steckten wir in der SEO-Welt knietief in WDF*IDF-Analysen, starrten auf die Demografie-Daten von Google Universal Analytics und hielten Sprachassistenten wie Siri für witzige Gimmicks. Wenn von „Roboter-Content“ die Rede war, dachten die meisten an seelenlose Text-Spinner, die Synonyme austauschten und unleserlichen Duplicate Content produzierten. Die Angst der Journalisten und Redakteure wurde oft als unbegründet abgetan.

Heute, über ein Jahrzehnt später im Zeitalter generativer KI und hochkomplexer Large Language Models (LLMs), lohnt sich ein ungeschönter Blick zurück in den Rückspiegel:

Wo lag mein Entwickler-Instinkt 2014 präzise richtig? Und an welchen Abzweigungen hat uns die technologische Realität komplett links überholt?

Zum Original-Interview (archive.org)

1. Die Volltreffer: Wo die Realität uns einholte

Die Beherrschung der Semantik und der Turing-Test

Meine These 2014:
„Das Argument, dass eine Software nicht in der Lage sei, die menschliche Semantik auch auf kreative Weise zu beherrschen, wird sich entkräften.“

Die technische Realität heute:
2014 war der Turing-Test noch ein Partytrick, oft gewonnen durch Chatbots wie „Eugene Goostman“, die durch geschicktes Skripting menschliche Schwächen ausnutzten. Was wir damals nicht ahnten, war der Durchbruch der Transformer-Architektur (ab 2017) und die Entwicklung neuronaler Netze mit hunderten Milliarden Parametern.

Heutige LLMs berechnen Semantik in multidimensionalen Vektorräumen (Latent Spaces). Wörter und Konzepte werden als numerische Einbettungen (Embeddings) verstanden, die Beziehungen, Nuancen, Ironie und Kontext extrem präzise abbilden. Die Software „versteht“ nicht wie ein Mensch, aber sie modelliert semantische Zusammenhänge so perfekt, dass die Grenze zwischen algorithmischer Berechnung und menschlicher Kreativität für den Leser im Frontend de facto aufgehoben ist.

Emotionen durch Data-Mining (Der „Qype“-Blueprint)

Meine These 2014:
„Es wimmelt in Bewertungsportalen wie Qype von relevanten Adjektiven. Solche Informationen aufzunehmen, nach positiven Äußerungen zu filtern und zuzuordnen […] wäre mein erster Schritt, wenn ich eine Software entwickeln müsste, die emotionale Produktbeschreibungen generiert.“

Die technische Realität heute:
Hier hat der damalige Programmierer-Instinkt ins Schwarze getroffen – auch wenn der Mechanismus heute anders heißt, als man vermuten könnte. Was ich beschrieb, passiert bereits: Moderne Foundation Models wie GPT-4, Claude oder Gemini werden im Pretraining mit einer gigantischen, frei zugänglichen Kopie des offenen Webs gefüttert – dem sogenannten Common-Crawl-Datensatz – sowie mit Milliarden von Forenbeiträgen (Reddit), Produktbewertungen, Social-Media-Kommentaren und Blogs.

Genau aus diesem Rohmaterial lernen die Modelle, mit welchen Adjektiven und Satzstrukturen Menschen Begeisterung, Frust, Vertrauen oder Dringlichkeit ausdrücken. RLHF (Reinforcement Learning from Human Feedback) justiert im Nachgang diesen bereits gelernten Stil nur noch fein, etwa in Richtung Hilfsbereitschaft und Angemessenheit.

Wenn wir heute im Prompt Engineering sagen: „Schreibe im Tonfall eines begeisterten Technik-Nerds”, aktiviert das Modell exakt die semantischen Cluster, die es aus Millionen realer Nutzer-Feedbacks im Pretraining extrahiert hat.

Die Ökonomie der Tokens: Budget schlägt Romantik

Meine These 2014:
„Ein Problem ist, dass sich meine Einschätzung nicht mit meinem Wunschdenken deckt. […] Eine Software wird auf Dauer gegenüber einem Redakteur billiger für ein Unternehmen sein. […] Und hier wird es sicherlich nicht wenige Firmen geben, die sich die Frage stellen, ob das nicht die praktikablere Lösung wäre.“

Die technische Realität heute:
Eine bittere, aber zutreffende Prognose. Die Grenzkosten für die Content-Erstellung sind durch KI gegen Null gegangen. Wir sprechen heute von Tokenomics: Tausende Wörter kosten Bruchteile von Cent-Beträgen. In einer datengetriebenen Marketingwelt, in der Content-Masse oft (fälschlicherweise) vor Qualität gestellt wird, hat das Excel-Sheet die romantische Vorstellung vom rein handwerklichen Redakteur in vielen operativen Bereichen verdrängt. Skalierung ist kein menschliches Monopol mehr.

Die dunkle Seite: Synthetische Propaganda und Bots

Meine These 2014:
„Ein kritischer Bürger eines autoritären Staates postet seine Meinung im Netz. Ein Bot erkennt dies und steuert mit entsprechenden Beiträgen dagegen. Hoffentlich für immer eine Schreckensfantasie […] aber sicher der feuchte Traum so mancher Machthaber.“

Die technische Realität heute:
Das, was im Interview 2014 noch fast vorsichtig als „Verschwörungstheorie“ betitelt wurde, ist heute unter dem Begriff „Synthetische Medien und Information Warfare“ fester Bestandteil geopolitischer Konflikte. Die Kombination aus Echtzeit-Monitoring von Social Media (Sentiment-Analyse via NLP) und der blitzschnellen Generierung kontextbezogener Gegen-Narrative durch KI-Horden (Bot-Netzwerke auf X, Telegram etc.) ist längst keine Science-Fiction mehr. Die Technologie kam aus dem militärischen / akademischen Bereich und hat, wie damals vermutet, das Netz radikal verändert.

2. Die Plot-Twists: Wo uns die Realität links überholt hat

Der Google-Code wurde nicht „geknackt“ – er hat mutiert

Meine These 2014:
„Ich befürchte für Google […], dass eine Software in der Lage ist, Suchmaschinenalgorithmen zu analysieren und daraufhin ‘suchmaschinenoptimalen’ Content zu produzieren. Also bildlich gesprochen den menschlichen DNA-Code auf den Google-Algorithmus knackt.“

Warum ich hier falsch lag (und was wirklich geschah):
Damals dachte ich an ein statisches Katz-und-Maus-Spiel: Eine Content-Software entschlüsselt die mathematische Formel (Keyword-Dichte, WDF*IDF, Backlink-Raten), mit der Google Rankings berechnet, und generiert den perfekten SEO-Text.

Der Denkfehler: Ich habe unterschätzt, dass Google selbst die größte KI-Maschine des Planeten werden würde.

Google hat das Spiel nicht durch immer komplexere starre Formeln verteidigt, sondern durch den Einsatz eigener Deep-Learning-Systeme (RankBrain, BERT, MUM und moderne Helpful Content Systeme). Google bewertet heute nicht mehr Zeichenketten oder mathematische Frequenzen, sondern Suchintentionen und semantische Entitäten. Ein Algorithmus lässt sich nicht mehr „knacken“, weil er selbst lernt, ob ein Text wirklichen Nutzer-Mehrwert bietet oder nur eine KI-generierte Hülle ist. Das Ergebnis: Wer heute versucht, eine KI rein für den Google-Algorithmus schreiben zu lassen, wird von Googles eigener KI gnadenlos aussortiert.

Das Ende des Duplicate Content (und die Geburt des „AI Slop“)

Meine These 2014:
„Für Massenartikel wird es durch automatisierte Texte definitiv noch zu Duplicate Content kommen.“

Warum das heute technisch anders läuft:
Das klassische Duplicate-Content-Problem – identische Textblöcke auf tausenden Onlineshop-Seiten –, das meine damalige Kollegin zurecht als Risiko sah, existiert bei moderner KI so nicht mehr, zumindest nicht auf Zeichenebene. Heutige LLMs arbeiten mit probabilistischer Next-Token-Prediction. Je nach eingestelltem Temperature-Parameter berechnet die KI bei jedem Aufruf eine neue Wortfolge, sodass zehn Onlineshops für denselben Sneaker zehn syntaktisch unterschiedliche Formulierungen bekommen – kein Duplicate-Content-Check würde sie noch als Kopie markieren.

Das eigentliche, subtilere Problem heute ist ein anderes: semantischer Einheitsbrei, oft als „AI Slop” bezeichnet. Die Texte unterscheiden sich auf Wortebene, wirken inhaltlich aber trotzdem austauschbar – dieselben Formulierungsmuster, dieselben Adjektive, dieselbe „es ist wichtig zu erwähnen”-Kadenz, weil sie letztlich alle aus demselben statistischen Durchschnitt des Internets schöpfen. Der alte Duplicate-Content-Detektor findet keine Kopie mehr, der menschliche Leser erkennt die Einheitlichkeit trotzdem oft auf den ersten Blick.

Berechnete Subjektivität vs. Echte Haltung

Meine These 2014:
„Eine subjektive Meinung sicherlich nicht, diese bleibt dem Menschen vorbehalten. Sie kann aber sicher Fakten untereinander vergleichen […] und daraus eine Meinung ‘berechnen’.“

Der heutige Zwischenstand:
Philosophisch habe ich recht behalten: Eine Software hat kein Bewusstsein und keine echte Haltung. Aber: Durch modernes Fine-Tuning und Persona-Prompting kann eine KI Subjektivität heute so verblüffend echt simulieren, dass der Unterschied für den menschlichen Leser irrelevant wird. Wenn wir einer KI aufsetzen, sie sei ein „frustrierter, sarkastischer Berliner Mittelstands-Geschäftsführer“, generiert sie eine scheinbar tief subjektive, kantige Meinung, die authentischer wirkt als so mancher glattgebügelte Text eines menschlichen PR-Redakteurs.

Fazit für das Online-Marketing im Jahr 2026: Back to Nature

Am Ende des Interviews von 2014 einigten wir uns auf ein Prinzip, das damals eine Hoffnung war – und heute im modernen SEO und Webdesign die absolute Überlebensstrategie ist:

„Ich bin nach wie vor ein großer Verfechter des Prinzips: Vom Mensch für den Mensch. Im Endeffekt sind Websites und Onlineshops für menschliche Nutzer gedacht gewesen – und darauf sollten wir uns rückbesinnen.“

Genau hier schließt sich der Kreis. Die KI hat die mechanische Fleißarbeit der Contenterstellung übernommen. Sie ist der schnellste Rechercheur, der geduldigste Code-Assistent und ein exzellenter Sparringspartner. Aber weil heute jeder auf Knopfdruck unendlich viel mittelmäßigen Content erzeugen kann, ist der Algorithmus-Durchschnitt wertlos geworden.

Der wahre Wettbewerbsvorteil – das, was Google belohnt und was Kunden zum Kauf bewegt – liegt 2026 im Human-in-the-Loop:

Echte Erfahrungen (Experience & Expertise im E-E-A-T): KI hat keine Produkte getestet, keine Kunden beraten und keine echten Fehler gemacht.

Strategische Kuratierung: Nicht das Schreiben ist der Hebel, sondern das Verstehen der Zielgruppe, das präzise Prompt-Design und die kritische Qualitätskontrolle.

Mut zur Kante: Den Mut, von der statistischen Norm abzuweichen, die uns LLMs als „beste Lösung“ vorschlagen.

Wir lagen 2014 mit vielem richtig – vor allem damit, dass Technologie die Grenzen des Machbaren pulverisiert. Aber der Schlüssel für erfolgreiches Marketing lag damals wie heute nicht in der Maschine selbst, sondern in dem Kopf, der sie bedient.

Wie können wir helfen?

Wir behalten diese Entwicklungen weiterhin ganz genau im Blick. Wenn Du wissen möchtest, wie Deine aktuelle Aufstellung im Zeitalter von KI und LLM ist, lass uns reden. Wir entwickeln ganzheitliche Strategien – von solidem Webdesign über strategische SEO / GEO-Beratung bis hin zu Content, der Deine authentische Expertise unkopierbar macht und Deine Zielgruppe punktgenau erreicht.

Kontaktiere uns!

The post Eine ehrliche Abrechnung mit unseren KI-Prognosen aus dem Jahr 2014 first appeared on ideenstudio.berlin.

Plattensammlung Plugin mit Discogs-Anbindung

2026-04-15T19:26:37.000Z

Schon seit einiger Zeit suchte ich nach einer Möglichkeit, auf meiner privaten Website meine Plattensammlung darzustellen. Es gibt zwar Plattformen wie Discogs – aber keine wirklich funktionierende und optisch ansprechende WordPress Integration.

Um diese Lücke zu schließen, hatte ich nun mal ein bisschen Zeit in die Entwicklung eines eigenen Plugins gesteckt. Dieses sollte folgende Features erfüllen:

Manuelles Anlegen von Platten (Interpret, Titel, Jahr, Genre, Bewertung)

Import von Daten aus einer bestehenden Discogs-Sammlung (über die offizielle Discogs API) - sowohl direkter Einzelimport als auch Upload des CSV-Exports von Discogs

Nachladen der Coverbilder

Ausgabe als Carousel oder sortierbares Grid (Interpret, Titel, Jahr, Bewertung)

Möglichkeit, für jede Platte eine eigene Unterseite mit z.B. Rezension anzulegen (Custom Post Type)

Anpassungsmöglichkeit der Farben und Kompatiblität mit Gutenberg, WPBakery und Elementor

Einbindung in die Seite via Shortcode

Das fertige WordPress Plugin: idsb Vinyl Library

Das fertige Plugin stellen wir an dieser Stelle allen Musikfans und Schallplatten-Freunden kostenfrei zur Verfügung. Gemäß des WordPress Gedankens ist es Open Source und darf weiterverbreitet und weiterentwickelt werden.

Installation

Installiere das Plugin. Dazu in WordPress auf “Plugins” ➔ “Plugin hinzufügen” ➔ “Plugin hochladen”. Dort die ZIP-Datei auswählen.

Plugin aktivieren

Im WordPress Hauptmenü links erscheint nun ein neuer Punkt “Plattensammlung”. Hierüber kann das Plugin gesteuert werden.

Importieren von Daten

Über den Menüpunkt “Neue Platte hinzufügen” ist es möglich, einzelne Platten manuell anzulegen. Im obersten Feld kann der Titel hinterlegt werden. Unter dem WordPress Textfeld finden sich die individuellen Felder mit den Eigenschaften (Interpret, Erscheinungsjahr, Bewertung, Anspieltipp).

Wie in WordPress üblich können auf der rechten Seite Kategorien und Tags vergeben werden, sowie ein Beitragsbild (Plattencover) hinterlegt werden.