Kurz gesagt: Zwei getrennte blinde Leserprüfungen verstanden eine neue Landingpage – und bewerteten ihre Handlungsbereitschaft trotzdem jeweils nur mit 2 von 5. Der Entwurf wurde gestoppt, weil nicht mehr die Formulierung das Hauptproblem war, sondern ein fehlender realer Beleg. Nach diesem Beitrag kannst du prüfen, ob dein KI-Text vor allem mehr Klarheit, einen sichtbaren Beleg oder eine begrenztere Aussage braucht.
Der Widerspruch: verstanden, aber nicht überzeugend
Die Seite erklärte Zielgruppe, Problem, Ablauf, Preis und nächsten Schritt. Eine erste blinde Leserprüfung konnte das Angebot weitgehend korrekt wiedergeben. Die bewertete Handlungsbereitschaft lag dennoch bei 2 von 5.
Daraufhin wurden konkrete Schwächen korrigiert: ein anschaulicherer Einstieg, klarere Ausschlüsse, ein besser erklärter Gegenwert. Eine zweite Prüfung verstand danach ebenfalls die wesentlichen Bestandteile. Auch sie blieb bei 2 von 5.
Das ist der interessante Moment dieser Session. Die KI hatte keinen offensichtlich schlechten Text geliefert. Gerade deshalb lag es nahe, weiter an Sätzen zu arbeiten.
Doch weitere Copy hätte keinen Nachweis geschaffen. Sie hätte dessen Fehlen höchstens eleganter verdeckt. Das ist unsere redaktionelle Interpretation des Ablaufs – kein Wissen darüber, was ein Modell „dachte“.
Dann bauten wir den falschen Beleg
Der fehlende zusammenhängende Produktfall war zu diesem Zeitpunkt bereits als eigener Blocker erkannt. Die nächste Idee war deshalb ein kleiner künstlicher FAQ-Fall: überschaubar, technisch ausführbar und sauber dokumentierbar.
Genau dort korrigierte Egor die Richtung. Sinngemäß sagte er: Wenn man nicht nur diese Landingpage, sondern die ganze Website betrachtet, ist die laufende Arbeit selbst bereits der reale Evidenzfall. In der Session lagen Anweisungen, Entwürfe, Fehlversuche, Prüfungen und menschliche Entscheidungen längst vor.
Sein Einwand traf nicht nur den geplanten Test. Er traf auch den Arbeitsweg: Warum einen künstlichen Beleg konstruieren, wenn der echte Fall bereits da ist – und nur noch so aufbereitet werden muss, dass andere daraus etwas lernen können?
Das bedeutete allerdings nicht: „Die Website beweist, dass das Produkt funktioniert.“ Sie dokumentiert Teile eines realen Arbeitswegs und seiner Korrekturen. Sie beweist damit weder Marktreife noch Kundennutzen, höhere Conversion oder allgemeine Zuverlässigkeit.
Was die KI hier konnte – und was nicht
Im dokumentierten Ablauf übersetzte ein System vorhandenen Kontext in plausible Copy. Getrennte Leserperspektiven prüften anschließend eine andere Frage: Versteht und erwägt ein Außenstehender das Angebot? Der Proof-Check fragte wiederum: Welcher reale Nachweis trägt das zentrale Versprechen? Die menschliche Entscheidung bestimmte schließlich, ob weitergebaut oder gestoppt wurde.
Nicht die Anzahl der Rollen war entscheidend, sondern ihre unterschiedlichen Fragen.
Das passt zu einer begrenzten Empfehlung aus den offiziellen Quellen: OpenAI beschreibt Orchestrierung und Handoffs für tatsächlich unterschiedliche Verantwortungen. Anthropic nennt in Building Effective Agents Generator-Evaluator-Schleifen dann sinnvoll, wenn klare Kriterien bestehen und Feedback in die nächste Runde einfließt. Keine der Quellen beweist, dass mehr Agenten automatisch bessere Arbeit erzeugen.
Ein Text kann gespeichert sein, ohne überzeugend zu sein. Er kann geprüft sein, ohne freigegeben zu sein. Und er kann verständlich sein, ohne sein zentrales Versprechen zu belegen.
Teste deinen eigenen KI-Text in fünf Minuten
Nimm die wichtigste Aussage aus deinem Entwurf und prüfe sie in dieser Reihenfolge:
- Kann eine Person ohne dein Projektwissen erklären, was du anbietest? Wenn nein, prüfe Kontext und Formulierung.
- Welcher konkrete Beleg trägt dein wichtigstes Versprechen? Wenn keiner sichtbar ist, prüfe zusätzlich Beleg, Sichtbarkeit und die Grenze deiner Aussage.
- Was folgt daraus? Ergänze fehlenden Kontext, mache einen vorhandenen Beleg sichtbar, begrenze eine unbelegte Aussage oder dokumentiere zuerst einen realen Fall.
- Wer darf stoppen oder freigeben? Entworfen, gespeichert, geprüft und veröffentlicht sind verschiedene Zustände.
Dieser einzelne Fall zeigt, dass getrennte Prüffragen den Unterschied zwischen Verständlichkeit, Handlungsbereitschaft und Beleg sichtbar machten. Er zeigt außerdem, warum ein Mensch den vorgeschlagenen Arbeitsweg korrigieren und die Veröffentlichung stoppen können muss. Er beweist nicht, dass derselbe Ablauf überall bessere Ergebnisse erzeugt.
Quellenhinweis: Grundlage sind die dokumentierte Arbeitssession, die beiden getrennten Leserprüfungen und der unveröffentlichte Landingpage-Entwurf. Die externen Quellen begrenzen die methodische Einordnung; sie beweisen weder die allgemeine Wirksamkeit des Ablaufs noch innere Ursachen des KI-Verhaltens.
Wo diese Prüfung in den KI-Content-Workflow gehört
Diese Prüfschicht kommt nach dem ersten brauchbaren Entwurf. Wie das Rohmaterial entsteht, beschreibe ich in „Blogbeiträge mit KI erstellen – aus Wissen, das schon da ist“. Wie generischer KI-Sound reduziert wird, steht in „KI-Texte natürlicher schreiben“.
Bei einer bestehenden Website beginnt die Frage manchmal noch früher: Ist überhaupt klar, was die Seite einem Außenstehenden vermittelt? Dafür gibt es den Website-Klarheitscheck.