Eine Person, die täglich Content erstellt, ohne Ausnahme. Bisher habe ich über ein Dutzend lange Artikel veröffentlicht, mit durchschnittlich 120.000 Aufrufen pro Stück, einem kumulativen Follower-Wachstum von über 9.000 und einer stabilen Lesezeichen-Rate von 0,5–1% – das bedeutet, dass einer von hundert Lesern den Inhalt für so wertvoll hält, dass er ihn speichert.
Es liegt nicht daran, dass mein Schreiben außergewöhnlich wäre. Sondern daran, dass im Hintergrund ein KI-Content-Produktionssystem läuft – von der Themenauswahl, Materialbeschaffung, Texterstellung und Illustration bis zur Datenauswertung wird der gesamte Prozess von KI ausgeführt; ich treffe nur die Entscheidungen.
Der Prototyp dieses Systems stammt aus dem Claude-Code-Workflow, den @dontbesilent öffentlich geteilt hat. Er produziert mit diesem Ansatz 13.000 Beiträge pro Jahr, betreibt gleichzeitig 7 Plattformen und gewinnt jährlich 700.000 Follower. Ich habe es übernommen und basierend auf meinen Anforderungen für X-Langartikel erheblich modifiziert. Dieser Beitrag teilt die Version, die ich derzeit nach diesen Modifikationen verwende.
Kernkonzept
@dontbesilent hat einmal ein sehr grundlegendes Problem angesprochen: Die meisten Menschen nutzen KI für Content bruchstückhaft – sie fragen die KI, wenn sie eine Idee haben, posten die Antwort und vergessen sie dann. Beim nächsten Einfall beginnen sie wieder von Null.
Seine Lösung besteht darin, den gesamten Prozess in einen geschlossenen Kreislauf zu verwandeln: Ideen kommen in eine Themenbibliothek → KI durchsucht die Materialbibliothek nach wiederverwendbaren Elementen → Schreiben mit einem validierten Framework → Veröffentlichen → Datenauswertung → Destillieren effektiver Muster zurück in die Methodik. Jede Kreation fügt dem System etwas hinzu, anstatt jedes Mal das Rad neu zu erfinden.
Ich habe diese Logik direkt übernommen. Unten ist die von mir modifizierte Version.
Vierschichtige Wissensbasis
Ich verwende Obsidian zur Verwaltung von Inhalten und Claude Code zur Ausführung. Das System ist in vier Schichten unterteilt.
Erste Schicht: Korpus.
Das größte Problem beim KI-Schreiben ist nicht, dass es schlecht schreibt, sondern dass es sich nicht nach dir anhört. Leser langer Artikel lesen Wort für Wort; wenn der „KI-Geschmack" zu stark ist, fühlt es sich falsch an.
Deshalb speichere ich alles, was ich je gesagt habe – Tweets, in WeChat-Chats diskutierte Standpunkte, Aufnahmen und hingeworfene Gedankenfetzen. Dann extrahiere ich daraus einen Schreibstil-Leitfaden: Ich ziehe es vor, Schlussfolgerungen zuerst zu nennen, bevor ich Gründe angebe, ich bevorzuge Zahlen gegenüber Adjektiven, ich nutze gerne Logik aus anderen Branchen, um die aktuelle Sache zu erklären, und ich verwende keine „Lebensweisheiten" als Abschluss.
KI liest diesen Leitfaden vor jedem Entwurf, sodass der erste Entwurf zu mindestens 70-80% wie ich klingt. Nach dem Schreiben führe ich eine „Ent-KI-fizierungs"-Prüfung durch, um Ausdrücke hervorzuheben, die sich zu mechanisch anfühlen, damit ich sie ändern kann.
Was erkennt es? Hier sind ein paar häufige Fallstricke:
- Marketing-Schlagwörter: Empowerment, geschlossener Kreislauf, Vernetzung, zugrundeliegende Logik – sofort streichen.
- Für den Leser sprechen: „Du könntest denken..." „Viele werden fragen..." – woher weißt du, was andere denken?
- Belehrender Ton: „Denk dran," „Du musst," „Der Kern ist nur ein Satz" – ich plaudere, ich halte keinen Vortrag.
- Erfundene Daten: „90% der Leute wissen nicht..." – woher hast du diese 90%?
- Eigenständige kurze Sätze für dramatische Effekte: Ein Satz. Ein Wort. Absatz. – Das ist am „KI-haftesten."
- Fettgedruckte Slogans/goldene Zitate: Wirklich mächtige Menschen sind alle... – Löschen.
Diese Regeln sind im System gespeichert. KI führt sie automatisch nach dem ersten Entwurf aus und markiert Treffer in Rot. Mit diesen beiden Schritten verbessert sich die „menschliche Note" in langen Artikeln erheblich.
Zweite Schicht: Materialbibliothek.
Dekonstruktionen von 47 ähnlichen Accounts, Daten von über 1.100 Inhalten, Strukturanalyse von viralen Artikeln sowie wiederverwendbare Konzepte und Zitate.
Bevor ein neuer Artikel geschrieben wird, durchforstet KI zuerst die Materialbibliothek: Wer hat zu ähnlichen Themen geschrieben, welcher Ansatz hat welche Daten geliefert, welche Struktur waren Leser bereit zu speichern. Es geht nicht um Kopieren, sondern um die Wahl eines Pfades basierend auf den Daten anderer.
Nach der Dekonstruktion von 47 Accounts ergaben sich mehrere Erkenntnisse, die direkt meine Themenstrategie beeinflussten:
- Inhalte mit über 1 Million Aufrufen fallen nur in 5 Kategorien: Tutorials zu unverzichtbaren Tools, medizinische/Gesundheitswissenschaften, KI + Geld verdienen, Personenanalyse und Ressourcensammlungen. Andere Typen überschreiten fast nie eine Million.
- Lesezeichen-Raten und Reichweite sind nicht unbedingt positiv korreliert. Manche Artikel haben durchschnittliche Reichweite, aber hohe Lesezeichen-Raten, was auf langfristigen Wert hindeutet – diese lohnen sich, immer wieder zu schreiben.
- Follower-Wachstum und Reichweite sind ebenfalls nicht unbedingt positiv korreliert. Ein Personenbeitrag mit 119.000 Reichweite gewann 156 Follower, während ein Tutorial mit 77.000 Reichweite nur 25 gewann. Personenbeiträge machen Lust, der Person zu folgen; Tutorials speichert man und geht.
Dritte Schicht: Content-Pipeline.
Themenpool → Zu vertiefen → In Arbeit → Veröffentlicht. Der Pool enthält ständig ein Dutzend schreibbereite Themen und ein Dutzend Kandidaten, die mehr Material benötigen. Ich schreibe nicht einfach, wonach mir gerade ist – ich wähle aus dem Pool basierend auf der Strategie aus.
Die Themen rotieren durch mehrere Stränge: Projektpraxis, Dekonstruktion der KI-Geldverdiener-Spur, einkommensschwaches Basisgeschäft und neue KI-Paradigmen-Trends. Jeder Strang hat eine andere Intensität – knallharte Tool-Tutorials erzielen die höchste Reichweite, Personen-Vorstellungen wachsen Follower am schnellsten, und Datenauswertungen haben ein enges Publikum, aber gute Lesezeichen-Raten. Ich wähle Themen basierend auf aktuellen Zielen: Tutorials für Reichweite, Personenbeiträge für Follower, Auswertungen für langfristigen Wert.
Vierte Schicht: Methodik.
Welche Titel effektiv sind, welche Themen viral gehen, welche Strukturen hohe Lesezeichen-Raten haben – alles destilliert aus meinen eigenen Veröffentlichungsdaten.
Titel sind der am einfachsten zu quantifizierende Teil. Nach einem Dutzend langer Artikel fallen die gut performenden Titel im Grunde in vier Muster:
Prüfung vor dem Posten: Gibt es konkrete Zahlen? Gibt es ein Identitätstag? Gibt es einen Kontrast? Weiß der Leser, was er nach dem Lesen des Titels bekommt? Je mehr Punkte erfüllt sind, desto besser die Daten.
Illustrationen
Illustrationen für X-Langartikel sind entscheidend. Im Feed ist die Aufmerksamkeits-Reihenfolge des Nutzers: HERO-Bild > Titel > Textkörper. Wenn das Bild schlecht ist, klickt niemand, egal wie der Titel ist.
Mein Prinzip: Das HERO-Bild, der Titel und der Aufhänger sollten keine Informationen wiederholen. Das HERO-Bild zeigt auf einen Blick, „um welche Art von Inhalt es sich handelt", der Titel liefert einen Datenanker, der Leser zum Stoppen bringt, und der erste Absatz des Textkörpers erläutert die Details. Drei Dinge vermitteln drei verschiedene Informationsebenen.
Es gibt zwei Illustrationsstile, die automatisch basierend auf dem Inhaltstyp ausgewählt werden:
Tutorials verwenden Infografiken – weißer Hintergrund, helle dekorative Blasen, abgerundete Karten, flache Symbole und große chinesische Titel, wie ein sauberer Hero-Banner auf einer SaaS-Website. Meinungsbeiträge verwenden konzeptionelle Poster – großer Text als Rahmen, mit Figuren und Text ineinandergreifend, wie ein Ausstellungsplakat und nicht wie eine PPT.
Jeder lange Artikel bekommt ein Cover plus zwei oder drei interne Infografiken. KI generiert Prompts basierend auf dem Artikelinhalt, ruft die GPT Image 2 API zur Bilderzeugung auf, und dann lade ich sie herunter und beschneide sie auf das erforderliche Seitenverhältnis. Was früher eine halbe Stunde in Canva dauerte, dauert jetzt 10 Minuten für drei Bilder.
Langform-Daten
Hier ein paar repräsentative Beispiele:
Die durchschnittliche Reichweite liegt bei etwa 120.000, die Lesezeichen-Rate bei 0,5-1%. Der KI-Wahrsagerei-Beitrag hatte die höchste Lesezeichen-Rate mit 1,01% – die Kombination aus KI + Geld verdienen + Informationsasymmetrie führt dazu, dass Leser am aktivsten speichern.
Aus Daten gewachsene Muster
„Regeln aus Daten wachsen lassen" ist dontbesilents Kernmethodik. Hier sind spezifische Muster, die aus meinen eigenen X-Langform-Daten abgeleitet wurden:
Titel müssen konkrete Zahlen enthalten. „100k Monetarisierung in 4 Monaten", „$155 vs $15", „452% ROI" – alle erfolgreichen langen Artikel tragen harte Zahlen. Zahlen sind das Einfachste, um Leute in einem Feed zum Anhalten zu bringen.
KI muss der Protagonist sein. KI-Tutorial-Artikel bleiben konstant über 100.000 Aufrufen, während reine Investment-Inhalte selten 50.000 überschreiten. Die Leute kommen zu diesem Account, um zu sehen, „wie man KI nutzt", nicht „wie man mit Aktien handelt".
„Dir Zeit sparen helfen" ist die zugrundeliegende Logik von Viralität. Das Sammeln öffentlicher Accounts, Codex-Einführungen, Illustrationspraxis – die Gemeinsamkeit aller viralen langen Artikel ist: „Ich habe es ausprobiert, bin in Fallen getappt und habe es für dich aufbereitet; folge einfach."
Virale Formel: Knallhartes Tutorial oder echte Erfahrung + Konkreter Datenanker + Nachvollziehbarer Pfad. Kein viraler Titel ist ein abstraktes Konzept. Sie folgen alle der Struktur „Ich habe X getan, und das Ergebnis war Y – Erfahrungen teilen plus Daten, nicht belehren.
Diese Regeln werden mit jedem neuen veröffentlichten Artikel aktualisiert. Das System ist selbstkorrigierend.
Du kannst es direkt nutzen
dontbesilents dbskill (über 4000 Sterne auf GitHub) ist ein großartiger Ausgangspunkt. Du kannst auch das tun, was ich getan habe: Seine Kernideen nehmen und sie nach deinen eigenen Bedürfnissen modifizieren.
Du musst es nicht auf Anhieb richtig hinbekommen. Beginne damit, deinen Themenpool und deine Materialbibliothek aufzubauen, betreibe es zwei Wochen lang und lass die Daten dir sagen, in welche Richtung du anpassen solltest.
