Eine technische Zergliederung der Design- und SEO-Muster, an denen sich rein KI-generierte Websites verraten — und wie man sie gezielt eliminiert.
Der Markt für KI-Website-Generatoren (v0, Bolt.new, Lovable, Replit, Figma Make u.a.) hat 2026 einen Punkt erreicht, an dem der einzelne Prompt kaum noch über die technische Kompetenz eines Layouts entscheidet — alle Tools produzieren im ersten Entwurf brauchbaren, produktionsnahen Code. Der entscheidende Unterschied liegt heute nicht mehr in der Frage ob eine Seite funktioniert, sondern in den unbewussten statistischen Artefakten, die sie hinterlässt: Farbverläufe, Interpunktion, Content-Architektur. Diese Artefakte entstehen, weil Sprachmodelle auf den wahrscheinlichsten nächsten Token optimieren — nicht auf visuelle oder strategische Differenzierung. Das Ergebnis ist eine messbare "Distributional Convergence": Tausende Seiten konvergieren zur selben statistischen Mitte.
Dieser Bericht katalogisiert die reproduzierbaren Muster dieser Konvergenz auf Code-, Typografie- und Architekturebene und leitet daraus konkrete Gegenmaßnahmen ab.
Acht wiederkehrende forensische Marker, geordnet nach technischer Ursache — von der Typografie über die CSS-Architektur bis zur UX-Logik. Jeder Marker trägt einen AI-Design-Footprint-Score (0–100), der die Entlarvungswahrscheinlichkeit eines geschulten Betrachters bzw. eines automatisierten Klassifikators abbildet.
LLMs werden auf riesigen, überwiegend englischsprachigen Markdown-Korpora trainiert. Der Gedankenstrich (–) fungiert dort als "duales Register": Er ist gleichzeitig gültiges Satzzeichen und ein Strukturmarker, der die interne Neigung des Modells zu listenartiger, hierarchischer Gliederung in Fließtext überträgt. Reinforcement Learning from Human Feedback verstärkt diesen Effekt zusätzlich, da menschliche Bewerter em-dash-reiche Ausgaben tendenziell als "präzise und artikuliert" einstufen. In deutschen UI-Texten wird dieses englische Interpunktionsmuster unreflektiert injiziert — Deutsch kennt den Halbgeviertstrich in dieser Frequenz und Funktion so nicht.
Im CSS-Grid und in schmalen Spalten (Hero-Subheadlines, Karten-Teaser) erzeugt der lange Gedankenstrich unnatürliche Zeilenumbrüche, da deutsche Silbentrennungsalgorithmen ihn selten als Trennstelle vorsehen. Der Effekt: hängende Wortfragmente und ungleichmäßiger Textfluss, besonders bei Viewport-Breiten unter 480px.
UI-Generatoren wählen Farb- und Schriftentscheidungen nicht ästhetisch, sondern als Vorhersage des wahrscheinlichsten Tokens. Da Tailwind CSS und darauf aufbauende Bibliotheken wie shadcn/ui im Trainingskorpus überproportional vertreten sind, wird deren Standard-Palette (Indigo-600 bis Violet-500, oft als bg-gradient-to-r from-indigo-500 to-purple-600) zur statistischen Norm. Kombiniert mit der Systemschrift Inter entsteht eine reproduzierbare Signatur, die branchenübergreifend identisch auftritt — ein Fintech-Dashboard und ein CRM sind auf Farb- und Typebene kaum unterscheidbar.
Der Betrachter erkennt die Seite unterbewusst als "gesehen" (Déjà-vu-Effekt), noch bevor er den Inhalt liest. Da Nutzer laut kontrollierten Studien innerhalb von rund 50 Millisekunden ein erstes Urteil über eine Seite fällen, wird dieses Urteil primär von Farbe und Type-Vibe getroffen — nicht vom Inhalt. Die Seite verliert dadurch vor jedem Leseprozess an Unterscheidungskraft.
shadcn/ui definiert Radius-Werte als CSS-Variable (--radius-md: 8px bzw. äquivalent rounded-xl in Tailwind) zentral im Theme. Da Generatoren diese Variable unverändert übernehmen, erhalten Buttons, Cards, Inputs, Modals und Badges exakt denselben Rundungsradius und dieselbe Schatten-Opazität (typischerweise 0.1). Menschliche Designsysteme variieren Radius und Elevation dagegen bewusst nach Element-Hierarchie — ein primärer CTA-Button erhält meist eine andere Rundung als eine Info-Karte.
Die fehlende Radius-Hierarchie erzeugt visuelle Monotonie: Es entsteht kein Element, das durch Formsprache Priorität signalisiert. Das Auge hat keinen Ankerpunkt, an dem es "landen" soll.
Das Modell wählt bei offenen Layout-Prompts stets die im Trainingskorpus häufigste Sektionsabfolge: zentrierte Headline mit vager Aspirationsformel ("Build the future"), Subline, zwei Buttons (primär gefüllt, sekundär outline), gefolgt von drei bis vier Feature-Cards mit identischem Icon-Chip-Text-Aufbau. Diese Struktur ist statistisch "sicher", weil sie in unzähligen SaaS-Landingpages im Trainingsmaterial vorkommt — sie ist jedoch keine bewusste Entscheidung, sondern der Modus der Ausgabeverteilung.
Fehlende visuelle Asymmetrie: Kein Element bricht das Raster, keine Karte ist größer oder anders positioniert als die übrigen. Der Blickverlauf ist rein vertikal und vorhersehbar, was die durchschnittliche Verweildauer auf der Hero-Section messbar senkt.
grid-template-columns: 1.4fr 1fr statt zentrierter Ein-Spalten-Hero.Generatoren bauen häufig UI-Elemente, die syntaktisch wie interaktive Komponenten aussehen (Toggle, Tab, Akkordeon, Dropdown), deren onClick-Handler jedoch keinen echten React-State verändern oder nur ein CSS-Hover simulieren, statt einen kontrollierten Zustand zu verwalten. Dies passiert, weil das Modell den visuellen Bauplan der Komponente aus Trainingsdaten reproduziert, die zugrunde liegende Zustandslogik aber nicht konsistent mitplant, insbesondere bei mehrschrittigen Interaktionen (Warenkorb-Update, mehrstufige Formulare, gefilterte Listen).
Der Nutzer klickt, erhält keine sichtbare Rückmeldung oder eine, die beim nächsten Seitenaufbau (Reload, Re-Render) wieder verschwindet. Dieses Muster wird von Nutzern nicht als "Bug", sondern unterbewusst als generische, unfertige Seite wahrgenommen.
shadcn/ui-Komponenten hinterlassen im DOM systematische Attribute wie data-slot="accordion-item", konsistente cn()-Utility-Aufrufe zum Zusammenführen von Klassennamen sowie OKLCH-basierte CSS-Variablen (--color-primary: oklch(...)) im Theme-Layer. Da praktisch jedes gängige KI-Codegenerierungs-Tool 2026 auf demselben shadcn/Radix-Unterbau aufsetzt, erzeugt dies eine im Quelltext auslesbare, tool-übergreifende Signatur — auffindbar für jeden, der die Seiten-Quelle oder das kompilierte CSS inspiziert.
Kein direkter visueller Effekt für den Endnutzer, aber ein technischer Fingerabdruck, der bei technischen Audits, Wettbewerbsanalysen oder automatisierten Klassifikatoren sofort auf ein KI-Grundgerüst hindeutet.
data-slot-Attribute in einem Post-Build-Skript entfernen oder umbenennen, sofern sie nicht für Styling-Hooks benötigt werden.class="pricing-card cn(...)"), damit der Quelltext eine erkennbare Projektsprache trägt.--primary, --muted unverändert zu übernehmen.Generierte Interfaces enthalten in der Regel Basis-Attribute wie Alt-Texte und ARIA-Labels, da diese als Textmuster im Trainingskorpus leicht reproduzierbar sind. Komplexere Anforderungen — konsistentes Fokus-Management über mehrere Komponenten hinweg, Tastaturnavigation in verschachtelten Menüs, Kontrastprüfung über alle Interaktionszustände (hover/focus/disabled), Unterstützung für reduzierte Bewegung — erfordern jedoch bewusste Entwurfsentscheidungen, die aktuelle Modelle nicht zuverlässig treffen.
Für sehende Nutzer meist unsichtbar, fällt aber bei Tab-Navigation sofort auf: fehlende oder inkonsistente Fokus-Ringe, Tab-Fallen in Modals, Screenreader-Ansagen ohne Kontext.
Manuelles Audit mit Tastatur-only-Navigation und Screenreader (VoiceOver/NVDA) als festen Schritt vor jedem Launch etablieren — insbesondere für Modals, Dropdowns und mehrstufige Formulare.
Wird eine Website über mehrere separate Prompts oder Sessions hinweg aufgebaut (Startseite, Produktseite, Kontaktseite), fehlt dem Modell ohne explizit mitgegebenen Design-Token-Kontext das Gedächtnis für zuvor getroffene Werte. Abstände, Schriftgrößen-Skalen und Radius-Werte weichen zwischen Unterseiten leicht, aber messbar ab (z.B. gap-6 auf einer Seite, gap-8 auf der nächsten für dieselbe Rolle).
Der Nutzer registriert beim Seitenwechsel eine kaum benennbare Unruhe — Elemente "springen" leicht in Abstand und Proportion, was Markenkohärenz untergräbt.
Ein zentrales design-tokens.json oder tailwind.config-Diff als Pflicht-Kontext in jeden Folge-Prompt einspeisen; Token-Werte niemals pro Seite neu generieren lassen.
Sprachmodelle generieren SVG-Pfaddaten rein semantisch als Koordinaten-Tokens, ohne den resultierenden visuellen Output tatsächlich zu "sehen". Das führt systematisch zu mathematischen Rundungsfehlern in viewBox-Definitionen und zu uneinheitlichen stroke-width-Werten über verschiedene Icon-Sets einer Seite hinweg — etwa stroke-width="1.83421" statt eines sauberen, bewusst gewählten Werts.
Bei genauer Betrachtung wirken Icons leicht verzerrt, ungleichmäßig dick oder an den Rändern um Bruchteile von Pixeln beschnitten. Für den Betrachter unbewusst, für die Markenwirkung messbar: diese kleinen Inkonsistenzen unterminieren den Eindruck von Präzision und Professionalität.
viewBox und stroke-width nach Generierung auf saubere, konsistente Werte normieren (z.B. immer stroke-width="2", viewBox="0 0 24 24").| Muster | Ebene | Score | Entlarvungsrisiko |
|---|---|---|---|
| Indigo-Gradient / Inter-Font | Farbe & Type | 88 | Kritisch |
| Em-Dash-Leak im Fließtext | Typografie | 82 | Kritisch |
| Pseudo-interaktive Elemente | UX-Logik | 76 | Kritisch |
| Uniforme Border-Radius/Schatten | CSS-Architektur | 70 | Mittel |
| Hero-Formel (3-Card-Layout) | Layout | 65 | Mittel |
| SVG-Asset-Inkohärenz | Grafik-Assets | 65 | Mittel |
| Token-Drift zwischen Unterseiten | Systemkonsistenz | 62 | Mittel |
| shadcn/ui-Markup-Signatur | Code | 58 | Mittel |
| Oberflächliche Accessibility | Barrierefreiheit | 48 | Gering |
Sechs strukturelle Schwachstellen, an denen KI-Content beim modernen technischen und strategischen SEO — insbesondere im Kontext von Google AI Overviews, dem Helpful-Content-System und Information-Gain-Bewertung — systematisch scheitert.
Beim automatisierten Generieren von H2/H3-Überschriften greift das Modell auf ein enges Repertoire an Satzmustern zurück ("Was ist X?", "Die Vorteile von X", "So funktioniert X"). Über eine ganze Content-Silo hinweg entsteht dadurch eine mathematisch vorhersehbare Struktur, die sich in nahezu identischer Title-Tag- und Meta-Description-Länge (typischerweise 55–60 bzw. 150–158 Zeichen, exakt an Googles historische Anzeigebreiten-Richtwerte angelehnt) niederschlägt. Diese Uniformität ist selbst algorithmisch als Signal für Massenproduktion erkennbar, unabhängig vom eigentlichen Inhalt.
Prompts wie "Optimiere für die Keywords X, Y, Z" verleiten das Modell dazu, thematisch verwandte Begriffscluster künstlich dicht in den Text zu pressen — ohne die natürliche Phrasierung menschlicher Fachautoren zu wahren. Das Resultat liest sich formal korrekt, wirkt aber semantisch "übersättigt": Jeder Satz versucht, mehrere Entitäten gleichzeitig zu bedienen, statt einem klaren Gedanken zu folgen. Aktuelle Retrieval-Systeme für AI Overviews bevorzugen dagegen Absätze mit hoher, aber organisch verteilter Entity-Dichte, in denen jede Entität einem erkennbaren Argumentationsschritt dient.
Ein Sprachmodell rekombiniert per Definition vorhandenes Wissen aus seinem Trainingskorpus — es kann keine neuen Primärdaten erzeugen, die es nicht kennt. Wird ein Standard-Prompt wie "Schreibe einen umfassenden Artikel über X" verwendet, spiegelt das Modell mit hoher Wahrscheinlichkeit exakt den Suchintent und die Gliederung der bereits auf Seite 1 rankenden Wettbewerber. Informationstheoretisch lässt sich das präzise fassen: Die Kullback-Leibler-Divergenz zwischen dem neu generierten Text und dem bereits indexierten Korpus zu diesem Thema nähert sich dem Wert Null — der Text enthält, statistisch gemessen, praktisch keine neue Information gegenüber dem, was bereits im Netz steht. Googles Helpful-Content-System und die seit dem Core-Update im Februar/März 2026 verstärkt gewichtete Information-Gain-Metrik erkennen diesen Zustand: Ein Text, der beim Verschwinden aus dem Netz keine Wissenslücke hinterlässt, wird strukturell abgestraft — unabhängig von Textlänge oder grammatikalischer Qualität. Ein 1.500-Wörter-Beitrag mit fünf spezifischen, zitierfähigen Originaleinsichten schlägt einen 4.000-Wörter-Beitrag ohne neue Substanz.
Wird Content in großer Zahl automatisiert erzeugt und per CMS veröffentlicht, fehlt der Zwischenschritt der bewussten internen Verlinkung fast immer — das Modell generiert Einzelseiten, kein Beziehungsgeflecht. Seiten ohne eingehende interne Links sind für Crawler faktisch unsichtbar, außer über Sitemap oder externe Backlinks, und erhalten keinen PageRank-Fluss aus dem übrigen Domain-Kontext. Bei automatisiertem Massen-Publishing kann dieser Anteil auf über 20% des gesamten Contents anwachsen, ohne dass es im laufenden Betrieb auffällt.
Das "Experience"-Kriterium in E-E-A-T verlangt einen Nachweis, dass tatsächlich jemand die beschriebene Handlung selbst durchgeführt hat — ein Produkt getestet, einen Prozess durchlaufen, ein Ergebnis gemessen. KI-Content kann diesen Nachweis strukturell nicht erbringen, weil er per Definition keine eigene Handlung vollzogen hat. Standard-Workflows lassen dieses Feld leer: anonyme Autorenkennzeichnung oder generische "Redaktion"-Bylines, keine verifizierbare Fachbiografie, keine Erstpersonperspektive.
KI-Retrieval-Systeme, die Antworten für AI Overviews, ChatGPT oder Perplexity zusammenstellen, extrahieren bevorzugt konkrete, eigenständig verifizierbare Aussagen — keine vagen Formulierungen wie "kann helfen" oder "spielt eine wichtige Rolle". Unredigierter KI-Content tendiert genau zu dieser Vagheit, weil sie statistisch risikoärmer ist als eine konkrete, möglicherweise falsche Behauptung. Das Resultat ist paradox: Der Text ist technisch korrekt formuliert, aber inhaltlich zu unspezifisch, um zitiert zu werden.
Verdichtung der Befunde aus Teil 1 und 2 in operative Prompt-, Architektur- und Entwicklungs-Praktiken.
"Erstelle eine moderne, professionelle Landingpage für [Produkt] mit Hero-Section, Features und Call-to-Action."
"Erstelle die Landingpage für [Produkt]. Farb-Tokens: NUR [Hex-Werte]. Kein Tailwind-Default-Indigo/Violet. Schriftpaar: [Display] + [Body], NICHT Inter. Layout: asymmetrisches Grid, ein visueller Ankerpunkt bricht bewusst das Raster. Jede Interaktion muss einen useState-Wert nachweisbar verändern."
"Schreibe einen SEO-optimierten Artikel über [Thema] mit den Keywords [X, Y, Z]."
"Analysiere zuerst die Top-5-SERP-Ergebnisse zu [Thema]. Schreibe danach NUR über Fakten, Daten oder Perspektiven, die dort NICHT vorkommen. Nutze als Faktenbasis ausschließlich: [proprietäre Daten]. Jeder Absatz enthält eine Aussage, die der Leser sonst nirgendwo findet."
Für Content-Briefs, bei denen maximale Information-Gain-Dichte und minimale KI-Erkennbarkeit gefordert sind — als vollständiger System-Prompt statt einzelner Direktiven.