Content-Aktualität: Wie KI-Suchmaschinen Frische anders gewichten als Google

1. Wie Google Aktualität klassisch gewichtet

In der klassischen Google-Suche ist Aktualität seit Langem ein kontextabhängiger, nicht universeller Rankingfaktor. Bei zeitkritischen Suchanfragen mit klarem Query-Deserving-Freshness-Muster, etwa aktuellen Ereignissen oder Produktankündigungen, bevorzugt Google neuere Inhalte deutlich messbar. Bei zeitlosen Ratgeberthemen dagegen spielt reine Aktualität eine deutlich kleinere Rolle gegenüber inhaltlicher Vollständigkeit und nachgewiesener Autorität der Quelle, ein zwei Jahre alter, aber inhaltlich exzellenter Artikel kann eine erst kürzlich aktualisierte, aber oberflächliche Seite problemlos outranken.

Wichtig für die Praxis ist außerdem, dass Google ein bloß kosmetisch aktualisiertes Datum, ohne inhaltliche Substanzänderung, inzwischen recht zuverlässig erkennt und entsprechend gering gewichtet. Reines Datum-Refreshing ohne echte Content-Überarbeitung erzeugt bei Google also kaum noch einen Rankingvorteil, was viele SEO-Teams in den vergangenen Jahren schmerzhaft lernen mussten, nachdem entsprechende Massentaktiken an Wirkung verloren.

2. Warum KI-Suchmaschinen Frische strukturell anders behandeln

KI-Suchmaschinen wie ChatGPT-Suche oder Perplexity arbeiten bei der Quellenauswahl mit einem grundsätzlich anderen Mechanismus als das klassische Google-Ranking: Sie versuchen, für eine konkrete Nutzerfrage eine möglichst zutreffende, in sich konsistente Antwort zu formulieren, und ziehen dafür bevorzugt Quellen heran, die als aktuell und vertrauenswürdig erkennbar sind. Ein explizit ausgezeichnetes, plausibles Aktualisierungsdatum kann hier stärker ins Gewicht fallen als bei Google, weil das System es als direktes Signal für die Wahrscheinlichkeit korrekter, noch gültiger Informationen nutzt.

Gleichzeitig sind viele dieser Systeme deutlich empfindlicher gegenüber wahrgenommenen Widersprüchen zwischen Datum und Inhalt. Ein Artikel mit Datum von letzter Woche, der aber inhaltlich klar veraltete Informationen enthält, etwa überholte Preisangaben oder nicht mehr gültige Produktdaten, kann in einer KI-Antwort schneller als unzuverlässig eingestuft und zugunsten einer anderen Quelle übergangen werden, weil das System Datum und Inhalt stärker gegeneinander abgleicht als eine klassische Rankingfunktion.

3. Datumsangaben im strukturierten Markup korrekt auszeichnen

Sowohl für Google als auch für KI-Suchmaschinen gilt: Ein sauber gesetztes dateModified-Feld im JSON-LD-Markup ist die technisch verlässlichste Methode, ein Aktualisierungsdatum maschinenlesbar zu kommunizieren, deutlich zuverlässiger als ein rein visueller Text-Hinweis auf der Seite, der von unterschiedlichen Systemen unterschiedlich zuverlässig ausgelesen wird. Wichtig ist, dass datePublished und dateModified klar getrennt gepflegt werden und dateModified nur bei tatsächlicher inhaltlicher Änderung aktualisiert wird.

Bei Magento-Shops mit Ratgeber- oder Kategorietexten empfiehlt sich, das dateModified-Feld direkt an den redaktionellen Speichervorgang zu koppeln, statt es manuell zu pflegen, damit keine Diskrepanz zwischen tatsächlicher Änderung und ausgezeichnetem Datum entstehen kann. Eine automatisierte Kopplung verhindert zudem versehentliches Vergessen des Updates bei kleineren, aber inhaltlich relevanten Textänderungen.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "Waschmaschinen Testsieger 2026",
  "datePublished": "2025-11-03T09:00:00+01:00",
  "dateModified": "2026-08-01T14:22:00+02:00",
  "author": {"@type": "Organization", "name": "Mironsoft"}
}

4. Kosmetisches Datum-Update vs. echte inhaltliche Überarbeitung

Der wichtigste Unterschied für die praktische Arbeit liegt zwischen einem rein kosmetischen Datum-Refresh, bei dem lediglich das Datum verändert wird, ohne dass sich der Inhalt substanziell ändert, und einer echten inhaltlichen Überarbeitung mit neuen Fakten, aktualisierten Zahlen oder ergänzten Abschnitten. Beide klassische Suche und KI-Suchmaschinen entwickeln sich zunehmend in Richtung einer Erkennung dieses Unterschieds, wobei KI-Systeme aufgrund ihrer stärkeren inhaltlichen Konsistenzprüfung tendenziell empfindlicher auf diese Diskrepanz reagieren.

Für Content-Teams bedeutet das konkret: Eine dokumentierte Änderungshistorie, die festhält, was bei jedem Update tatsächlich verändert wurde, etwa in Form eines internen Änderungsprotokolls, schützt nicht nur vor versehentlichem Datum-Missbrauch, sondern liefert auch die Grundlage für eine ehrliche Priorisierung: Seiten mit tatsächlich veralteten Fakten werden bevorzugt bearbeitet, statt reihum alle Seiten kosmetisch mit einem neuen Datum zu versehen.

5. Praktische Update-Frequenz für Evergreen-Content ableiten

Aus den unterschiedlichen Gewichtungen lässt sich eine differenzierte Update-Strategie ableiten. Für Evergreen-Ratgeberinhalte ohne zeitkritische Fakten, etwa grundlegende Pflegehinweise für ein Produkt, reicht meist eine jährliche, gründliche inhaltliche Prüfung, kombiniert mit einer sofortigen Aktualisierung, sobald sich relevante Fakten wirklich ändern, etwa eine neue Normvorgabe. Für Inhalte mit häufig wechselnden Fakten, etwa Preisvergleiche, Testsieger-Listen oder Produktverfügbarkeiten, ist dagegen eine deutlich häufigere Prüfung sinnvoll, idealerweise monatlich oder sogar automatisiert bei erkannten Datenänderungen.

Eine hilfreiche Faustregel ist die Einteilung des eigenen Content-Bestands in drei Frische-Klassen: zeitlos-stabil mit jährlicher Prüfung, mittelfristig-volatil mit quartalsweiser Prüfung, und hochvolatil mit monatlicher oder ereignisgesteuerter Prüfung. Diese Klassifizierung verhindert sowohl unnötigen Pflegeaufwand bei wirklich zeitlosen Inhalten als auch das Risiko veralteter Fakten bei schnelllebigen Themen, die von KI-Suchmaschinen besonders kritisch geprüft werden.

Frische-Klasse       | Beispiel                          | Pruef-Rhythmus
Zeitlos-stabil        | Grundlegende Pflegehinweise        | Jaehrlich
Mittelfristig-volatil | Kaufberatung, Vergleichskriterien  | Quartalsweise
Hochvolatil            | Preisvergleiche, Testsieger-Listen | Monatlich / ereignisgesteuert

6. Interne Widersprüche zwischen Datum und Inhalt vermeiden

Ein häufig übersehenes Risiko entsteht, wenn einzelne Textbausteine einer Seite unterschiedlich alt sind, etwa wenn nur die Einleitung überarbeitet wurde, während ein Preisabschnitt weiter unten seit Monaten unverändert blieb. Für einen menschlichen Leser mag das kaum auffallen, für ein KI-System, das den gesamten Seiteninhalt gegen das ausgezeichnete Aktualisierungsdatum abgleicht, entsteht dadurch ein Konsistenzproblem, das die Vertrauenswürdigkeit der gesamten Seite senken kann.

Eine sinnvolle Gegenmaßnahme ist ein regelmäßiger, abschnittsweiser Konsistenz-Check bei jeder Aktualisierung: Wird das Gesamtdatum verändert, sollte auch geprüft werden, ob ältere Abschnitte der Seite noch zum neuen Datum passen, oder ob sie ebenfalls eine Überarbeitung brauchen. Diese Disziplin verhindert, dass ein einzelner aktualisierter Absatz ein irreführend frisches Gesamtdatum für eine ansonsten veraltete Seite erzeugt.

7. Konsistente Aktualisierungsdaten über Sprachversionen und Stores hinweg

Ein bei internationalen Magento-Shops häufig übersehenes Risiko entsteht, wenn die deutsche und die englische Sprachversion derselben Seite unterschiedlich gepflegt werden, etwa weil zuerst nur die deutsche Version inhaltlich aktualisiert wird und die per hreflang verknüpfte englische Version wochenlang mit einem veralteten dateModified stehen bleibt. Für ein KI-Suchsystem, das beide Sprachversionen unabhängig voneinander crawlt und bewertet, entsteht dadurch der Eindruck zweier unterschiedlich vertrauenswürdiger Quellen zum selben Thema, selbst wenn beide ursprünglich aus demselben redaktionellen Prozess stammen.

Ein sinnvoller Workflow verknüpft deshalb die Aktualisierungspflicht beider Sprachversionen im redaktionellen Prozess fest miteinander: Wird die deutsche Fassung inhaltlich überarbeitet, löst das automatisch eine Prüfaufgabe für die englische Fassung aus, selbst wenn die tatsächliche Übersetzung erst mit zeitlichem Versatz folgt. So bleibt zumindest sichtbar dokumentiert, dass eine Aktualisierung ansteht, statt dass die englische Version stillschweigend mit einem immer älter werdenden Datum ohne jede Kennzeichnung zurückbleibt.

8. Praktische Umsetzung für Magento-Kategorie- und Ratgeberseiten

In einem Magento-Shop bietet sich an, das dateModified-Feld für Kategorietexte und CMS-Ratgeberseiten an ein eigenes Attribut zu koppeln, das redaktionell gepflegt wird und unabhängig vom technischen updated_at-Feld der Datenbank bleibt, weil Letzteres auch bei rein technischen Änderungen wie einer Layout-Anpassung aktualisiert wird, ohne dass sich der eigentliche Inhalt ändert. Ein technisches Datum ungefiltert als redaktionelles Aktualisierungsdatum auszugeben, würde genau die Diskrepanz erzeugen, die KI-Suchmaschinen kritisch bewerten.

Für Produktkategorien mit häufig wechselnden Bestpreis- oder Verfügbarkeitsangaben empfiehlt sich zusätzlich eine automatisierte Prüfung, die das Aktualisierungsdatum nur dann anpasst, wenn sich die zugrunde liegenden Daten tatsächlich verändert haben, statt es bei jedem Cache-Rebuild oder jeder technischen Neuindexierung pauschal mitzuziehen. So bleibt das Datum ein echtes inhaltliches Signal statt eines technischen Nebenprodukts.

9. Wirkung der Aktualisierungsstrategie messen

Die Wirkung einer überarbeiteten Update-Strategie lässt sich am zuverlässigsten über einen längeren Zeitraum anhand von zwei Signalen prüfen: der Entwicklung klassischer Rankings für zeitkritische Query-Cluster nach echten inhaltlichen Updates, und, ergänzend, über die im Artikel zur Prompt-Workflow-Recherche beschriebene Methode, ob sich die Zitierhäufigkeit einer aktualisierten Seite in KI-Suchantworten nach einer inhaltlichen Überarbeitung verbessert. Beide Signale zusammen ergeben ein deutlich verlässlicheres Bild als jede Einzelmetrik.

Ein einfacher interner Prozess, der jedes größere inhaltliche Update mit Datum, geändertem Abschnitt und beobachteter Wirkung protokolliert, schafft über die Zeit eine wachsende Wissensbasis darüber, welche Art von Update für welchen Content-Typ tatsächlich messbare Effekte erzeugt, statt sich bei jeder Entscheidung erneut auf reine Vermutungen zu verlassen.

10. Zusammenfassung

11. FAQ: Content-Aktualität in der KI-Suche: Das Wichtigste auf einen Blick