# law-ahrefs-content-engineering-claude-code-2026-04-28

## Veille

Beitrag aus dem **Ahrefs-Blog**, veröffentlicht am **28. April 2026** von **Ryan Law** (Director of Content Marketing, Ahrefs), der ein internes **Content-Engineering**-System rund um **Claude Code** beschreibt: eine redaktionelle Pipeline, die **publikationsreife Entwürfe in 6 bis 12 Minuten** erzeugt. **Kernthese**: ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*** — Qualität entsteht nicht durch das Modell, sondern durch die **getreue Nachbildung eines menschlichen Redaktionsprozesses**, der sich über Jahrzehnte bewährt hat. Architektur: **~23 skill files**, jede entspricht einem redaktionellen Schritt (Keyword-Recherche, Themenlücken-Analyse, strukturelle Gliederung, Recherche-Zusammenstellung, Entwurfserstellung, Formatierung), **orchestriert von einem übergeordneten Skill `blog-pipeline`**, der sie verkettet, um einen vollständigen Artikel zu erzeugen. **Sieben Gestaltungsprinzipien**: (1) **menschliche Arbeitsabläufe nachahmen**, indem Skills aus vorhandener Ahrefs-Redaktionsdokumentation abgeleitet und verkettet werden; (2) **jeden Schritt einzeln ausgeben** zur Fehlersuche (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »* → Zwischenergebnisse speichern); (3) **Testfälle erstellen** über Anthropics Skill `skill-creator`, um Anweisungen zu bewerten und zu verbessern; (4) **hochwertige Datenquellen einbinden** — den **Ahrefs MCP** (Keyword-Metriken, Parent Topic, Long-Tail-Themen, SERP-Übersichten, Wettbewerbsanalyse), Wettbewerbsanalysen und Produktdokumentation; (5) **menschliche Vorgaben vorab einbringen** über Kontextparameter, die redaktionelle Steuerung ermöglichen; (6) **interaktive Vorschauen** im HTML-Format zur Prüfung vor der Veröffentlichung erstellen; (7) **Anpassung erlauben** (jedes Teammitglied kann das System forken und modifizieren). **Umfang**: ~**15 veröffentlichte Artikel** und ~**30 aktualisierte Artikel** über diesen Workflow; die Entwicklung begann im **Februar 2026** (der vorherige Prozess vom **August 2025** benötigte mehrere Tage und manuelle Eingriffe). **Explizite Vorbehalte** (Anti-Übertreibung): *« experience matters »* — der Prozess spiegelt jahrzehntelange redaktionelle Expertise wider; die Themenauswahl konzentriert sich auf **informationelle SEO-Inhalte**, die der Autor gut kennt; Ahrefs **plant kein „Scaling“ der Inhalte im großen Stil**, sondern pflegt eine **evergreen** Bibliothek. Philosophie: *« the formulaic parts of work »* automatisieren, um Routinearbeit zu eliminieren und Zeit für Recherche, Thought Leadership, Webinare und Systemoptimierung freizusetzen — **nicht** menschliche Arbeit ersetzen. Als kanonische Referenz von Pasquale Pillitteri zitiert (*Opus 4.8 SEO workflow*) als Feldbeweis für den Gewinn von „6-12 min/Entwurf“. Direkte Konvergenz mit der Doktrin **skills-over-prompts** (Lattice, PROJ-AI), **Systeme rund um das Modell** (Dropbox/Okumura) und der Verwendung von **HTML als Review-Artefakt** (Shihipar).

## Titre Article

How I Do Content Engineering With Claude Code

## Date

2026-04-28

## URL

https://ahrefs.com/blog/how-i-do-content-engineering-with-claude-code/

## Keywords

content engineering, content engineering, Claude Code, skill files, blog-pipeline, Skill-Orchestrierung, Keyword-Recherche, Themenlücken-Analyse, strukturelle Gliederung, Recherche-Zusammenstellung, Entwurfserstellung, Formatierung, publikationsreifer Entwurf in 6-12 Minuten, 23 skill files, Ahrefs MCP, Model Context Protocol, Parent Topic, Long-Tail, SERP-Übersicht, Wettbewerbsanalyse, skill-creator, Testfälle, Speichern von Zwischenergebnissen, Fehlersuche in der Pipeline, menschliche Vorgaben vorab einbringen, HTML-Vorschau, Fork und Anpassung, AI content is not by default good, menschlichen Redaktionsprozess spiegeln, formulaic parts of work, evergreen Bibliothek, kein massives Scaling, informationelles SEO, Content-Marketing, redaktioneller Workflow, redaktionelle Automatisierung, Ryan Law, Ahrefs, systems around the model, skills over prompts

## Authors

**Ryan Law** — Director of Content Marketing chez **Ahrefs**. Praticien senior du content marketing SEO ; le billet est un retour d'expérience personnel (*« How I do… »*) publié sur le **blog Ahrefs** (ahrefs.com/blog) le **28 avril 2026**.

## Ton

**Profil**: Praktiker-Beitrag (*how-I-do* / Erfahrungsbericht), erste Person Singular (*« I »*), gerichtet an Content-Marketer, SEO-Manager und Redakteure, die neugierig auf die Industrialisierung ihrer Produktion mit KI sind. **Pragmatisch-pädagogisches** Register, **mittleres** technisches Niveau (setzt Vertrautheit mit SEO, MCP, Claude Code, Skills voraus, erklärt aber jeden Schritt).

**Stil**: Demonstrative Prosa, strukturiert durch nummerierte Prinzipien und Workflow-Schritte. **Redakteur-Ingenieur**-Logik: Eine kontraintuitive These wird aufgestellt (KI erzeugt nicht standardmäßig guten Content), mit einer konkreten Architektur illustriert (23 Skills + `blog-pipeline`), mit einem Ergebnis quantifiziert (6-12 min/Entwurf, 15 veröffentlicht / 30 aktualisiert), dann werden Skalierungserwartungen explizit entkräftet (Vorbehalte). Starke Ehrlichkeit: wiederholte Betonung, dass das System menschliche Expertise **reproduziert**, statt sie zu ersetzen.

**Schlüsselaphorismen**:
- ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process. »*** (Kernthese).
- ***« If you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong. »*** (Begründung für save-intermediate-outputs).
- *« Experience matters. »* (Anti-Übertreibungs-Vorbehalt).

**Verarbeitete Metaphern / Rahmungen**:
- ***Content engineering*** — redaktioneller Inhalt behandelt als Fertigungskette, aufgeteilt in werkzeuggestützte, testbare Schritte, statt als monolithischer kreativer Akt.
- ***Mirror the human editorial process*** — die KI-Pipeline als Spiegel eines bestehenden menschlichen Arbeitsablaufs: Qualität wird durch den Prozess getragen, nicht durch das Modell.
- ***Save every step*** — Pipeline-Beobachtbarkeit (Zwischenergebnisse) als Voraussetzung für die Fehlersuche, in Analogie zu Logs von Softwaresystemen.

**Epistemische Position**: ein Erfahrungsbericht eines Betreibers (Ahrefs, ein renommierter SEO-Publisher), gestützt durch bescheidene, überprüfbare Zahlen (15 + 30 Artikel), mit **expliziten Vorbehalten**, die die Glaubwürdigkeit stärken (kein Versprechen massiven Scalings, Anerkennung, dass menschliche Erfahrung die Grundlage bleibt). Werbliche Quelle (Ahrefs verkauft den verwendeten MCP), aber vorsichtige, reproduzierbare Rahmung.

**Autorität**: (a) **Marke** Ahrefs (ein renommiertes SEO-Tool, daher geschäftliche Legitimität); (b) **Rolle** von Ryan Law (Director of Content Marketing); (c) **Ehrlichkeit** über Grenzen (Erfahrung erforderlich, kein Scaling); (d) **Reproduzierbarkeit** (fork-fähiges System, dokumentierte Schritte) — wird zur **Feldreferenz**, die von SEO-Workflows des Jahres 2026 zitiert wird (Pillitteri).

## Pense-betes

- **Datum / Quelle**: **28. April 2026**, **Ahrefs-Blog** (ahrefs.com/blog). Autor: **Ryan Law** (Director of Content Marketing, Ahrefs).
- **Kernthese (wörtlich zu merken)**: ***« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process. »*** ### Pipeline-Architektur
- **~23 skill files**, eine pro redaktionellem Schritt: Keyword-Recherche, Themenlücken-Analyse, strukturelle Gliederung, Recherche-Zusammenstellung, Entwurfserstellung, Formatierung.
- Orchestrierung durch einen übergeordneten Skill **`blog-pipeline`**, der die anderen sequenziell abarbeitet → vollständiger Artikel.
- **Ahrefs MCP** = SEO-Quelle der Wahrheit in Echtzeit (Keyword-Metriken, Parent Topic, Long-Tail, SERP-Übersicht, Intention, Wettbewerbsanalyse) statt Halluzinationen. ### Die 7 Gestaltungsprinzipien 1. **Menschliche Arbeitsabläufe nachahmen** (Skills aus vorhandener Ahrefs-Redaktionsdokumentation abgeleitet). 2. **Jeden Schritt einzeln ausgeben** → Fehlersuche (Zwischenergebnisse speichern). 3. **Testfälle erstellen** über Anthropics `skill-creator`. 4. **Hochwertige Quellen einbinden** (Ahrefs MCP, Wettbewerber, Produktdokumentation). 5. **Menschliche Vorgaben vorab einbringen** (Kontextparameter). 6. **Interaktive HTML-Vorschauen** zur Prüfung vor Veröffentlichung. 7. **Fork- und anpassbar** durch jedes Teammitglied. ### Zahlen & Vorbehalte
- **6 bis 12 Minuten** für einen publikationsreifen Entwurf (überall zitierte kanonische Zahl).
- **~15 veröffentlichte Artikel**, **~30 aktualisierte**. Entwicklung begann im **Februar 2026**; der vorherige Prozess (**August 2025**) bedeutete mehrere Tage plus manuelle Eingriffe.
- **Explizite Vorbehalte**: *« experience matters »*; Themen = gut beherrschte **informationelle SEO-Inhalte**; **kein Plan für massives Scaling** → **evergreen** Bibliothek.
- Philosophie: *« the formulaic parts of work »* automatisieren (Routinearbeit) → Zeit freisetzen für Recherche / Thought Leadership / Webinare / Systemoptimierung. ### Für Einsätze / Präsentationen zu nutzen
- **Feldbeweis** für den Gewinn im Redaktionszyklus: 6-12 min/Entwurf, verankert in Echtzeitdaten (MCP), mit menschlicher Absicherung.
- Direkte Illustration der Doktrin **skills-over-prompts** + **systems around the model** (der Vorteil = die orchestrierte Pipeline, nicht das rohe Modell) — Überschneidungen mit Lattice, PROJ-AI, Dropbox/Okumura.
- Die **save-every-step**-Idee = wiederverwendbare Beobachtbarkeit agentischer Pipelines als Muster (vgl. Entscheidungsspuren / Agent-Debugging).

## RésuméDe400mots

Ryan Law, Director of Content Marketing bei Ahrefs, beschreibt in diesem Blogbeitrag vom **28. April 2026** das **Content-Engineering**-System, das er rund um **Claude Code** aufgebaut hat, um publikationsreife Artikelentwürfe in **6 bis 12 Minuten** zu erzeugen. Seine grundlegende These nimmt dem Hype von Anfang an den Wind aus den Segeln: *« AI content is not, by default, good. This process works well because it mirrors our existing human editorial process »*. Mit anderen Worten: Qualität entsteht nicht durch das Modell, sondern durch die **getreue Nachbildung eines menschlichen Redaktionsprozesses**, der sich bereits bewährt hat.

Das System basiert auf **rund 23 skill files**, jede entspricht einem bestimmten redaktionellen Schritt: Keyword-Recherche, Themenlücken-Analyse, strukturelle Gliederung, Recherche-Zusammenstellung, Entwurfserstellung, Formatierung. Ein übergeordneter Skill, **`blog-pipeline`**, verkettet sie, um einen vollständigen Artikel zu erzeugen. Im Kern des Aufbaus lässt der **Ahrefs MCP** Claude **echte SEO-Daten** abrufen (Keyword-Metriken, Parent Topic, Long-Tail-Themen, SERP-Übersichten, Suchintention, Wettbewerbsanalyse), statt Zahlen zu erfinden.

Law legt sieben Gestaltungsprinzipien dar: bestehende menschliche Arbeitsabläufe nachahmen; jeden Schritt einzeln ausgeben zur Fehlersuche (*« if you get an article at the end of a ten minute run, and it's bad, it's hard to diagnose precisely where and why the process went wrong »*); Testfälle über Anthropics `skill-creator` erstellen; hochwertige Datenquellen einbinden; menschliche Vorgaben vorab über Kontextparameter einbringen; interaktive HTML-Vorschauen zur Prüfung erstellen; und das System fork- und anpassbar für jedes Teammitglied machen.

Die Zahlen bleiben bewusst bescheiden: **~15 veröffentlichte Artikel** und **~30 aktualisierte**, die Entwicklung begann im **Februar 2026** (der vorherige Prozess ab August 2025 benötigte mehrere Tage plus manuelle Eingriffe). Law verbindet all dies mit **expliziten Vorbehalten**, die seine Glaubwürdigkeit stärken: *« experience matters »* (der Prozess spiegelt jahrzehntelange Expertise wider), die Themenauswahl beschränkt sich auf gut beherrschte **informationelle SEO-Inhalte**, und Ahrefs **plant kein massives Scaling** — es pflegt eine **evergreen** Bibliothek.

Die übergeordnete Philosophie besteht darin, nur *« the formulaic parts of work »* zu automatisieren — die formelhafte Routinearbeit —, um Zeit für Recherche, Thought Leadership, Webinare und Systemoptimierung freizusetzen, ohne menschliche Arbeit zu ersetzen. Dieser Beitrag ist zur **Feldreferenz** geworden, die von SEO-Workflows des Jahres 2026 zitiert wird (insbesondere Pasquale Pillitteri), eine konkrete Illustration der Doktrin *skills-over-prompts* und *systems around the model*: Der Vorteil entsteht durch die orchestrierte Pipeline, nicht durch das rohe Modell.

## GrapheDeConnaissance

- Ryan Law —travaille_chez→ Ahrefs (ORGANISATION, 0.97)
- Ryan Law —a_créé→ content engineering (METHODOLOGIE, 0.96)
- content engineering —est_basé_sur→ Claude Code (TECHNOLOGIE, 0.96)
- content engineering —utilise→ skill files (TECHNOLOGIE, 0.95)
- blog-pipeline —utilise→ skill files (TECHNOLOGIE, 0.94)
- content engineering —permet→ draft prêt à publier (CONCEPT, 0.94)
- content engineering —utilise→ Ahrefs MCP (TECHNOLOGIE, 0.93)
- Ahrefs MCP —permet→ keyword data / parent topic / SERP overview (CONCEPT, 0.92)
- Ryan Law —affirme_que→ l'IA ne produit pas du bon contenu par défaut (AFFIRMATION, 0.95)
- qualité du contenu IA —est_basé_sur→ la reproduction du processus éditorial humain (CONCEPT, 0.93)
- sauvegarde des outputs intermédiaires —permet→ le troubleshooting du pipeline (CONCEPT, 0.9)
- skill-creator d'Anthropic —permet→ la création de cas de test pour les skills (CONCEPT, 0.88)
- Ryan Law —mesure→ ~15 articles publiés + ~30 mis à jour via le pipeline (MESURE, 0.92)
- Ahrefs —s_oppose_à→ scale massif du contenu (CONCEPT, 0.9)
- previews HTML —permet→ la revue humaine avant publication (CONCEPT, 0.88)

---
Canonical: https://www.thekb.eu/de/fiches/law-ahrefs-content-engineering-claude-code-2026-04-28/