Sagt die Inhaltsqualität tatsächlich Google-Rankings voraus? Ich analysierte 44.000 Seiten, um es herauszufinden.

Ich habe 44.465 SERP-Ergebnisse über 2.212 US-Keywords mit LLM-basierten Content-Quality-Rubriken bewertet und dann getestet, ob diese Bewertungen Google-Rankings vorhersagen, nachdem die Domain-Authority kontrolliert wurde. Hier ist, was ich herausgefunden habe.

---

Die Frage, die niemand mit Daten beantworten kann

Die SEO-Branche lebt von einem Glaubenssatz: Erstelle großartigen Content und du wirst ranken. Die eigenen Richtlinien von Google sagen dasselbe. Aber wenn man fragt: „Wie wichtig ist die Content-Qualität tatsächlich im Vergleich zur Domain-Authority?“ — niemand hat die Daten.

Ich habe beschlossen, das herauszufinden.

Was ich gemacht habe

Ich habe eine Pipeline aufgebaut, um eine einfache Hypothese zu testen:

H1: Nach Kontrolle der Domain-Authority sind Content-Quality-Bewertungen negativ mit der SERP-Position korreliert (höhere Qualität → höheres Ranking).

Der Datensatz

• 2.212 US-Keywords von Ahrefs (informationale + kommerzielle Absicht, nicht markenbezogen)
• Top-30-Ergebnisse für jedes Keyword über die Serper API
• 60.409 SERP-Ergebnisse gecrawlt und mit rs-trafilatura in Markdown extrahiert
• 44.465 Seiten bewertet nach Filterung nach Extraktionsqualität
• Domain-Authority für 8.169 eindeutige Domains über die DataForSEO Backlinks API

Die Bewertung

Bevor ich etwas in großem Maßstab bewertet habe, führte ich einen Pilotversuch mit 150 Seiten durch, bei dem MiMo-V2-Flash mit Claude Opus 4.6 verglichen wurde. Die Übereinstimmung war stark (Spearman ρ = 0,766, Cohens κ = 0,747), also machte ich weiter. Jede Seite wurde in drei Dimensionen bewertet:

Rubrik	Basiert auf	Was wird gemessen?
Content Effort	Googles geleaktes contentEffort-Signal	Wie viel echte Mühe wurde investiert? Könnte eine KI es in Minuten replizieren?
Originalität	Googles geleaktes originalContentScore-Signal	Fügt dies neues Wissen hinzu oder reorganisiert es nur bereits Bekanntes?
Topical Coherence	Googles page2vecLq-Signal	Dient jeder Abschnitt dem Kernthema oder schweift die Seite ab?

Jede Rubrik wurde mit 1-5 bewertet, mit Kalibrierungsregeln, ausgearbeiteten Beispielen und Fallen für falsch-positive Ergebnisse, die ich über mehrere Kundenprojekte verfeinert habe. Die Rubriken, nicht das Modell, leisten die Hauptarbeit — die Bewertungs-Prompts sind so detailliert, dass jedes leistungsfähige LLM ähnliche Ergebnisse liefert, weshalb der Pilotversuch eine starke Übereinstimmung über zwei sehr verschiedene Modelle zeigte. Ich habe die vollständigen Rubriken mit ausgearbeiteten Beispielen separat veröffentlicht, wenn Sie Ihren eigenen Content bewerten möchten.

Ein Hinweis zur statistischen Signifikanz

Mit 44.000 Beobachtungen ist statistische Signifikanz trivial einfach zu erreichen — selbst winzige, bedeutungslose Effekte zeigen p < 0,001. Deshalb konzentriere ich mich auf Effektstärken, praktische Signifikanz und ob die Ergebnisse über mehrere Methoden hinweg bestehen und nicht auf p-Werte. Wenn der Effekt in der Praxis nicht groß genug ist, um wichtig zu sein, ist es mir egal, dass er „statistisch signifikant“ ist.

Die Methoden

Ich habe mich nicht auf einen einzigen Test verlassen. Ich habe 8 unabhängige Methoden zur Triangulation verwendet. Die Methoden 3 und 5 behandeln die geschachtelte Struktur korrekt (mehrere Seiten, die für das gleiche Keyword konkurrieren, sind nicht unabhängig); die anderen nicht, daher kommen ihre p-Werte mit dieser Einschränkung:

1. Spearman-Rangkorrelation
2. Partielle Spearman (unter Kontrolle der Domain-Authority)
3. Within-Keyword-Ranganalyse (Vergleich von Seiten, die für die gleiche Abfrage konkurrieren)
4. Permutationstest (1.000 Shuffles für Goldstandard-p-Werte)
5. Lineares gemischtes Modell (behandelt Schachtelung)
6. OLS mit geclusterten Standardfehlern
7. Logistische Regression für Top-10-Wahrscheinlichkeit
8. Random Forest mit SHAP-Feature-Importance

---

Die Ergebnisse

Ja, Content-Qualität sagt Rankings voraus — aber wie viel?

Alle 8 Methoden zeigten in die gleiche Richtung. Content-Qualität ist mit höheren Rankings assoziiert, selbst nach Kontrolle der Domain-Authority.

Aber die Effektstärke ist hier wichtig, nicht die p-Werte.

Domain-Authority ist 10-mal wichtiger

Der Random Forest (trainiert auf 35.621 Seiten, validiert auf 8.844 zurückgehaltenen Seiten, R² = 0,178) macht es deutlich:

Feature	Importance
Domain Authority	49,7 %
Wortanzahl	31,6 %
Keyword-Schwierigkeit	11,8 %
Thematische Kohärenz	3,7 %
Content-Aufwand	1,7 %
Originalität	1,5 %

Domain-Authority allein macht die Hälfte der Variation in den Rankings aus. Content-Qualität insgesamt macht etwa 7 % aus. Und das vollständige Modell erklärt nur 18 % von dem, was passiert — die anderen 82 % sind Faktoren, die ich nicht gemessen habe (Backlinks auf Seitenebene, Nutzerinteraktion, Core Web Vitals, Brandsignale usw.). Zum Kontext: Veröffentlichte SEO-Rankingfaktor-Studien berichten typischerweise von R²-Werten von 0,10–0,25. Kein Modell erklärt den Großteil von Googles Rankingentscheidungen — wenn doch, wären wir alle im Ruhestand.

Aber diese 7 % sind real und konsistent

Über alle 8 Methoden hinweg hält das Signal stand:

Methode	Ergebnis	p-Wert
Spearman (roh)	Thematische Kohärenz: ρ = -0,057	p < 0,001
Partielle Spearman (unter Kontrolle der DA)	Immer noch da: ρ = -0,017	p < 0,001
Within-Keyword-Analyse	Median ρ = -0,066, Qualität sagt Rang in 60,5 % der Keywords voraus	Bootstrap CI: [-0,080, -0,051]
Permutationstest	11 Standardabweichungen von der Null	p < 0,001
Gemischtes Modell	-0,23 Positionen pro Kohärenzpunkt	p < 0,001
OLS geclustert	-0,51 Positionen pro Composite-Punkt	p < 0,001
Logistisch (Top-10)	+4,7 % Odds pro Kohärenzpunkt	p < 0,001

Der Permutationstest — der keine Verteilungsannahmen macht und die Schachtelung korrekt behandelt — stellt dies außer Zweifel.

Der Effekt der thematischen Kohärenz

Von den drei Dimensionen zeigte thematische Kohärenz den klarsten Zusammenhang mit dem Ranking. Seiten, die beim Thema bleiben, ranken höher als Seiten, die alles abdecken wollen.

| Topical Coherence Score | Mittlere## Was das für die Content-Strategie bedeutet

Für viele SEOs ist das ein bisschen ein

"Willst du damit sagen, Wasser ist nass?"

Moment, und damit hättet ihr recht.

Wenn du eine niedrige Domain Authority hast (< Median)

• Die Inhaltsqualität ist einer deiner besten Hebel. Ein gut fokussierter, zusammenhängender Artikel hat eine messbar bessere Chance zu ranken als verstreuter, unfokussierter Content.
• Thematische Kohärenz ist am wichtigsten. Wähle EIN Thema pro Seite und behandle es ordentlich. Versuche nicht, mit einem einzigen "Ultimate Guide" für fünf Keywords zu ranken.
• Ziele auf informative Keywords mit niedriger Keyword Difficulty ab. Dort hat die Inhaltsqualität die stärkste Wirkung.

Wenn du eine hohe Domain Authority hast

• Die Inhaltsqualität bringt dir abnehmende Grenzerträge. Deine Autorität sorgt bereits dafür, dass du rankst. Das Optimieren von Inhalten hat nur einen geringen zusätzlichen Effekt.
• Konzentriere dich auf den Erhalt der Autorität
• Backlinks, Marke, Vertrauenssignale sind wichtiger als das Umschreiben von Artikeln.

Für alle

• Hör auf mit Keyword-Stuffing. Es ist leicht kontraproduktiv.
• Fokus schlägt Aufwand. Eine fokussierte, zusammenhängende Seite outrankt eine lange, unstrukturierte – selbst wenn die unstrukturierte mehr Arbeit in der Erstellung gekostet hat.

Was ist mit dem Inhaltsaufwand?

Dieser Punkt verdient eine eigene Betrachtung. Ich fand keine signifikante Korrelation zwischen den Content-Effort-Scores und dem Ranking im normalen Bereich (Scores 1-2). Aber 84 % der Seiten hatten Score 2 und 14 % Score 1 – ich habe im Grunde "geringen Aufwand" mit "sehr geringem Aufwand" verglichen. Nur 1,8 % der Seiten in den Top 30 enthielten proprietäre Daten, eigene Recherchen oder dokumentierte Expertise.

Das ist keine wirkliche Erkenntnis darüber, ob Aufwand wichtig ist. Es ist eine Erkenntnis darüber, wie selten echter Aufwand ist. Hochwertiger, aufwändiger Content ist in den Suchergebnissen so ungewöhnlich, dass ich schlicht nicht genug davon hatte, um den Effekt zu messen.

Meine Arbeitshypothese – die diese Daten nicht beweisen, aber auch nicht widerlegen – ist, dass der Ranking-Effekt von Aufwand über Backlinks abgewickelt wird. Aufwändiger Content (Originaldaten, Experteninterviews, eigene Forschung) ist zitierfähig. Zitierfähiger Content zieht Links an. Links bauen Domain Authority auf. Und Domain Authority ist der dominierende Rankingfaktor. Also könnte Aufwand enorm wichtig sein, aber sein Effekt zeigt sich in der Autoritätsmetrik und nicht als unabhängiges Qualitätssignal.

Wenn ich Backlink-Daten auf Seitenebene hätte (statt nur auf Domainebene), könnte ich testen, ob aufwändige Seiten mehr verweisende Domains anziehen. Das ist die nächste Studie. Ich gehe davon aus, dass diese stark korrelieren.

Originalität: Das Web ist derivativ

86 % der Seiten, die in den Top 30 rankten, hatten die Originalitätsbewertung 1 – vollständig derivativ. Das ist kein Fehler in der Bewertung. Mach den Google-Test selbst: Suche nach einer beliebigen informativen Suchanfrage, lies die Top-10-Ergebnisse und zähle, wie viele eine einzige Aussage enthalten, die du in den anderen 9 nicht findest. Fast keine.

Die Latte für "überdurchschnittliche" Originalität ist erschreckend niedrig. Google scheint derivative Inhalte nicht stark zu bestrafen – oder wenn doch, ist die Strafe bereits im Autoritätssignal enthalten (originaler Content → Zitate → Links → Autorität).

Meine Ansicht ist, dass, wenn LLMs mehr und mehr der Inhaltserstellung übernehmen, neue und einzigartige Datenpunkte gepaart mit demonstrierter Erkenntnis aus Erfahrung eher zu einem entscheidenden Faktor werden. Die Frage ist nur, wie Google usw. das im großen Maßstab messen kann?

---

Einschränkungen

Diese Studie hat echte Einschränkungen, über die es sich lohnt, offen zu sprechen:

1. Die LLM-Bewertung ist ein Proxy. MiMo-V2-Flash hat diese Seiten bewertet, nicht die Quality Rater von Google. LLM-Scores sind verrauschte Schätzwerte, auch wenn die Pilotvalidierung (ρ = 0,766, κ = 0,747 vs. Opus-Baseline) darauf hindeutet, dass sie recht konsistent sind.
2. Komprimierte Score-Verteilungen. 84 % der Seiten hatten beim Content Effort Score 2 und 86 % bei der Originalität Score 1. Das ist kein Bewertungsfehler – es ist eine genaue Widerspiegelung des Webs. Fast kein rankender Content enthält proprietäre Daten oder eigene Forschung. Aber es schränkt die statistische Aussagekraft für diese Rubriken ein. Thematische Kohärenz hatte die breiteste Verteilung (41 % Score 2, 30 % Score 3, 25 % Score 4) und zeigte das stärkste Signal – zum Teil, weil es die Dimension ist, in der sich Seiten tatsächlich voneinander unterscheiden.
3. Querschnittsdesign. Ich habe Rankings und Qualität zu einem Zeitpunkt gemessen. Kann nicht beweisen, dass die Verbesserung der Inhaltsqualität Ranking-Verbesserungen verursacht – nur, dass Qualität und Rank assoziiert sind.
4. Nicht gemessene Störfaktoren. Ich habe Domain Authority, Wortanzahl und Keyword Difficulty kontrolliert, aber viele Rankingfaktoren wurden nicht gemessen: Backlink-Velocity, Nutzer-Engagement, Core Web Vitals, Seitenladegeschwindigkeit, Brandsuchen usw. Domain Authority und Wortanzahl sind wahrscheinlich auch korreliert (Websites mit hoher Autorität produzieren längere Inhalte), daher mag die Feature Importance der Wortanzahl von 31,6 % zum Teil für Autorität stehen.
5. Qualität der Inhalts-Extraktion. rs-trafilatura verarbeitet Artikel gut (F1 0,93), kann aber Produktseiten oder SPAs falsch extrahieren, was für einige Seitentypen Rauschen hinzufügt.
6. Standard-BM25. Ich habe einfachen Okapi BM25 ohne Feldgewichtung, Näherungsbewertung (Proximity Scoring) oder Passage-Level-Bewertung verwendet. Eine BM25F-Implementierung, die mit Googles Patenten übereinstimmt, würde wahrscheinlich andere Ergebnisse zeigen.
7. Multiple Vergleiche. Ich habe 50+ Tests über Methoden, Rubriken und Untergruppen hinweg durchgeführt. Einige Randbefunde könnten eine Bonferroni-Korrektur nicht überstehen. Die Kernbefunde

• Effekt der thematischen Kohärenz, DA-Quartil-Interaktion, Intent-Unterschied – halten mehreren unabhängigen Methoden mit konsistenten Effektstärken stand.

---

Methodik-Details

![Heatmap

• Verteilung der Topical Coherence Scores nach Position, spaltennormalisiert](/wp-content/uploads/2026/04/05_heatmap_score_vs_position.png)

Datenerfassung

• Keywords: 2.212 US-Keywords von Ahrefs, gefiltert auf informational + kommerzielle Intention, nicht gebrandete Suchanfragen im Vertical Softwareentwicklung
• SERP-Daten: Serper API (3 Seiten à 10 pro Keyword = Top 30 Ergebnisse)
• HTML-Download: httpx concurrent (94 %), Playwright-Fallback für JS-gerenderte Seiten (4 %)
• Inhalts-Extraktion: rs-trafilatura (Rust, F1 0,966 Genauigkeit)
• Domain Authority: DataForSEO Backlinks Summary API (Domain-Level Rank, 0-1000 Skala)

Bewertung

• Modell: Xiaomi MiMo-V2-Flash (309B MoE, 15B aktive Parameter) via OpenRouter
• 3 Rubriken × 44.465 Seiten = 133.395 API-Calls
• Gesamtkosten für LLM-Bewertung: ~87 $

Statistische Analyse

• 8 unabhängige Methoden mit konsistenten Ergebnissen
• Primärmethode: Within-Keyword-Spearman-Rang-Analyse mit Bootstrap-KI und Permutationstest
• Der gesamte Code ist im Forschungs-Repository verfügbar