Google verlangte am 1. Oktober manuelle Faktenprüfung von KI-Inhalten. Die Traffic-Zahlen zeigen in eine andere Richtung

Google hat am 1. Oktober seine Hinweise für Websites geändert, die generative KI einsetzen. Laut Search Engine Journal steht auf der überarbeiteten Seite jetzt, generative Modelle „rufen keine Fakten ab, sondern sagen eine wahrscheinliche Wortfolge auf Basis ihrer Trainingsdaten voraus“, und die Ausgaben „können Ungenauigkeiten enthalten (auch Halluzinationen genannt)“.

Die Anweisung danach ist unmissverständlich: alle KI-generierten Inhalte vor der Veröffentlichung manuell auf ihren Wahrheitsgehalt prüfen und durchsehen. Die Prüfung gilt auch für Metadaten, darunter Title-Elemente, Meta-Descriptions, strukturierte Daten und Alt-Texte von Bildern, die in den Suchergebnissen auftauchen können. Search Engine Journal berichtet, die Seite mit den Dokumentations-Updates führe die Änderung als einzige an diesem Tag bearbeitete Seite, und der Schritt bringe den Leitfaden in Einklang mit den Richtlinien für die Search Quality Raters.

Für Redaktionen, die zwei Jahre an KI-gestützten Produktionsabläufen gebaut haben, ist das eine betriebliche Anweisung und kein Philosophieseminar. Jede von der KI entworfene Überschrift und jeder Alt-Text landen nun in einem Prüfschritt, den Google als manuell bezeichnet.

Was die Traffic-Daten über das Geschäft sagen

Die Hinweise kommen zu einem Zeitpunkt, an dem sich die Ökonomie des Gefundenwerdens in der Suche verschiebt. Ein Paper von Mehrzad Khosravi und Hema Yoganarasimhan, auf arXiv veröffentlicht und zuletzt am 25. Oktober 2026 überarbeitet, schätzt den Effekt von Googles AI Overviews auf den Suchtraffic der Wikipedia. Die Autoren nutzen den gestaffelten geografischen Start von AIO und die mehrsprachige Struktur der Wikipedia. Mit einem Difference-in-Differences-Design vergleichen sie monatliche externe Suchverweise auf englische Wikipedia-Artikel mit denselben Artikeln auf Deutsch und Französisch.

Ihr Befund: Die standardmäßige Verfügbarkeit von AIO senkte den englischen Suchtraffic um 5,45 % und 4,82 % gegenüber den beiden Vergleichssprachen. Im Abstract heißt es, die Ergebnisse legten nahe, dass antwortproduzierende digitale Mittler Aufmerksamkeit in erheblichem Umfang von Informationsanbietern wegleiten können, mit Folgen für die Monetarisierung von Inhalten, das Design von Suchplattformen und die Politik. Die Versionsgeschichte auf arXiv zeigt sieben Fassungen seit Februar, die letzte vom 25. Oktober.

Das Paper misst die Wikipedia und keine Nachrichtenwebsites, und die Autoren sind vorsichtig mit Verallgemeinerungen. Der Mechanismus, den es isoliert, eine KI-Antwort über dem organischen Link, ist aber genau der, über den Verlage vor Gericht streiten.

Der juristische Weg wird enger

Schlagzeilen aus dem Kontextmaterial des Dossiers besagen, ein Richter habe die AI-Overviews-Klagen von Chegg und Penske abgewiesen, und ein Medium deutete die Entscheidung so, dass eine Erwartung noch keine Vereinbarung sei. Diese Schlagzeilen gehörten nicht zu den gelieferten Quelltexten, die juristischen Details sind hier also ungeprüft. Die Richtung stimmt jedoch mit dem Rahmen des arXiv-Papers überein: Der Streit wandert aus den Gerichtssälen in die Referral-Logs.

Damit wird die Messung zum Schlachtfeld. Verlage können kein Ranking-System vorladen, aber sie können Sitzungen zählen.

Wer heute als Publisher gilt

Die Ergebnisse derselben Woche deuten darauf hin, dass die Definition sich lockert. Am 4. Oktober veröffentlichte ein GitHub-Repository von Nero7991 eine vollständig in VHDL geschriebene Inferenz-Engine, die Transformer-Inferenz der Qwen3.5-Klasse auf FPGA-Hardware ausführt, mit 9.000.000.000 Parametern auf einer einzelnen Karte und 27.000.000.000, die über zwei Karten verteilt werden sollen. Laut README werden die Ausgaben gegen llama.cpp mit dem BF16-GGUF validiert. Dabei werden die Aktivierungen jeder Schicht gegen ein bitgenaues C-Modell des INT4- und Festkomma-Datenpfads geprüft, und Tokenizer und Chat-Template passen bitgenau zu llama.cpp.

Das ist ein Forschungsartefakt und kein Produkt, und das tensorparallele Kollektiv für Inferenz über mehrere Dies ist noch ein Gerüst. Dennoch hat ein Modell, das einst ein Rechenzentrumsrack brauchte, jetzt eine Referenzimplementierung für zwei Karten mit je 8 GiB HBM. Verteilte Inferenz verändert, wer sich die Erzeugung von Antworten leisten kann, und damit, mit wie vielen Antwortflächen ein Verlag konkurriert.

Die Werkzeugebene bewegt sich genauso schnell. JetBrains veröffentlichte am 4. Oktober Feldnotizen zur eigenen Retrieval-Augmented-Generation-Pipeline Air Context für semantische Codesuche. Gebaut wurde sie, weil Agenten, die sich auf grep verlassen, Code nicht finden, dessen Bezeichner nicht zur Suchanfrage passen. Der Beitrag ist offen über die Lücke zwischen Demo und Produktion: Eine gut evaluierte Lösung in Produktionsqualität sei „mit Sicherheit nicht“ einfach. Dieser Satz passt mit unangenehmer Genauigkeit auf KI-gestützte Verlagsabläufe, in denen ein plausibler Entwurf und ein korrekter Entwurf gleich aussehen, bis jemand nachprüft.

Wo die Menschen sitzen sollen

Laurie Voss, Mitgründer von npm und heute in der Developer Relations bei Arize, legte am 4. Oktober im Newsletter Chain of Thought dar, dass Programmieren nie der eigentliche Beruf gewesen sei. „Sie wollen es nicht herausfinden. Sie wollen nur etwas, das die Dinge tut, die sie tun wollen“, sagte Voss über den Bäckereibesitzer, der Software zur Auftragsverfolgung braucht, in einem vom Newsletter veröffentlichten Interview. Sein Argument: Produktgespür, Kundenkontakt und das Wissen, welchen Kontext man einem Agenten übergibt, bleiben menschliche Arbeit.

Liest man das gegen Googles neue Formulierung, passen beide zusammen. Die Maschine produziert die Wortfolge, ein Mensch soll dafür geradestehen, ob sie stimmt. Ryadh Dahimene macht in einem Essay vom 4. Oktober über den ingenieurhaft denkenden Product Manager einen verwandten Punkt und beschreibt, wie ClickHouse die Verantwortung für sein Integrations-Ökosystem auf Produkt und Engineering verteilte, weil die Client-Pakete auf dem kritischen Pfad der Adoption lagen. Ersetzt man „KI-entworfene Seiten“ durch „Client-Pakete“, ist das organisatorische Problem dasselbe.

Nichts davon ist kostenlos. Jemand muss den Entwurf lesen, die Behauptung prüfen und das Title-Tag freigeben, und dieser Jemand ist eine Kostenstelle, die es nicht gab, als der Pitch noch „KI schreibt zehnmal schneller“ lautete.

Die Sicherheitslesart derselben Verschiebung

Mehr Produktion an automatisierte Systeme zu übergeben birgt ein Risiko zweiter Ordnung, und es stammt aus den Tests eines Sicherheitsanbieters selbst. Unfold AI veröffentlichte am 4. Oktober ein Portal darüber, was das Unternehmen fand, als es einen KI-Workflow für Detection Engineering auf Jenkins ansetzte, den CI/CD-Server, auf dem die Zugangsdaten für einen Großteil der Deployment-Umgebung liegen. Auf die Frage, ob ein vollständiger Credential-Dump in den Logs auftauchen würde, fiel die Antwort bestenfalls teilweise aus: Das Team konnte sehen, dass ein Skript lief, seinen Code, das Konto und den Zeitstempel, aber nicht, was es zurückgab. Von den 36 ATT&CK-Techniken, die schließlich gegen das Audit-Trail-Plugin von Jenkins geprüft wurden, war nur eine explizit protokolliert.

Über dreizehn Serveranwendungen hinweg, die im Auslieferungszustand installiert und an ihre dokumentierten Splunk- oder Microsoft-Sentinel-Integrationen angebunden waren, sei rund drei Viertel dessen, was geprüft wurde, in einer Standardinstallation nicht vollständig sichtbar, und ein Drittel hinterlasse überhaupt keine verwertbaren Spuren, schreibt Unfold. Der Beitrag trägt auf der Seite das Datum 31. August, wurde aber am 4. Oktober in den Feed der Website gestellt.

Die Lehre lässt sich übertragen. Abwesenheit kündigt sich nicht an. Ein Verlag, dessen Referral-Traffic still um 5 % fällt, bekommt keinen Alarm; das Log zeigt einfach weniger Sitzungen und keinen Grund. Googles Rat, die Ausgabe von Hand zu prüfen, ist dieselbe Anweisung wie die von Unfold: Man findet die Lücke nur, indem man die Aktion ausführt und nachsieht, was nie angekommen ist.

Worauf man achten sollte

Drei Dinge lohnen die Beobachtung. Erstens, ob der AIO-Effekt außerhalb der Wikipedia hält; das arXiv-Design ist sauber, aber eng, und die Autoren behaupten nicht, es lasse sich auf kommerzielle Verlage verallgemeinern. Zweitens, ob Googles Formulierung vom 1. Oktober Zähne bekommt, denn die Hinweisseite verweist weiterhin auf Abschnitte der Search Quality Raters zu Missbrauch durch massenhaft erzeugte Inhalte und stellt klar, dass die Bewertungen der Raters „das Ranking nicht direkt beeinflussen“. Drittens, ob die Kosten der manuellen Prüfung in die Redaktionsbudgets wandern oder bei knappen Deadlines stillschweigend übersprungen werden.

Die ehrliche Zusammenfassung: Die Plattformen haben den Verlagen gesagt, sie sollen die Arbeit der Maschinen überprüfen, während ihre eigenen Antwortboxen einen messbaren Anteil jenes Traffics abziehen, der die Überprüfung bezahlt hat. Wer die Differenz finanziert, hat in diesem Dossier niemand vorgeschlagen.