KI-Integration für WordPress

Was KI-Integration für eine WordPress-Site tatsächlich bedeutet

KI-Integration ist kein Plugin, das Sie aktivieren. Sie ist eine Reihe von Entscheidungen darüber, wo ein Sprachmodell Ihre Inhalte berührt, wer seine Ausgabe prüft, wessen API-Schlüssel für die Tokens zahlt und wohin die Daten reisen. Gut gemacht, entfernt sie die mechanischen Teile der Redaktions- und Support-Arbeit und lässt zugleich Menschen über jedes veröffentlichte Wort entscheiden. Schlecht gemacht, verbirgt sie Kosten, lässt Kundendaten in einen Trainingsdatensatz abfließen und erlaubt einem Modell stillschweigend, Dinge zu veröffentlichen, die niemand geprüft hat.

In einem WordPress-Bestand ist die Integrationsfläche konkret. Ein Modell kann das Beitragsarchiv lesen, im Block-Editor gegen ein Briefing entwerfen, eingehende Inhalte klassifizieren, Support-Fragen aus Ihrer eigenen Dokumentation beantworten oder WooCommerce-Texte aus echten Produktattributen erzeugen. Jedes davon ist ein eigenes Feature mit eigenem Datenfluss, eigenem Prüfschritt und eigenem Budget. Ich behandle sie genau so, statt einen undurchsichtigen "KI-Assistenten" auszuliefern, der von allem ein bisschen macht und für nichts davon prüfbar ist.

Die technische Form ist meist einfach: die WordPress-REST-API auf der einen Seite, ein gehostetes Modell (Claude oder OpenAI) hinter einem schlanken Gateway auf der anderen und, wo die Antwort aus Ihrem eigenen Material stammen muss, eine Retrieval-Schicht dazwischen. Der Wert liegt nicht in der Neuheit des Modells. Er liegt in der Disziplin darum herum: Provenienz-Metadaten an jedem Artefakt, harte Kostenlimits, Opt-in-Prüfung und eine klare Trennung zwischen dem, was die KI entwirft, und dem, was ein Mensch entscheidet.

Was ich liefere

KI-Funktionen, die in bestehende WordPress-Workflows eingebunden sind. Redaktionsassistenz, Skalierung des Supports, semantische Suche über das Beitragsarchiv, Übersetzungsprüfung, Inhaltsklassifikation. Jedes Artefakt trägt Provenienz-Metadaten (Modell, Prompt-Version, Retrieval-Quelle, redaktioneller Prüfer). Der Token-Verbrauch fließt in die Observierbarkeit, mit harten monatlichen Limits pro Integration.

Anwendungsfälle, die sich auszahlen

Ich beginne bei den Fällen, in denen KI echte Mühsal entfernt und die Prüfkosten niedrig bleiben. Das sind die Fälle, die ihre Token-Ausgaben auf einer WordPress- oder WooCommerce-Site zuverlässig verdienen.

• Redaktionelle Content-Assistenz. Entwerfen gegen ein Briefing direkt im Block-Editor: Gliederungen, erste Entwürfe, Überschriftenvarianten, Meta-Beschreibungen, Vorschläge für interne Verlinkung, fundiert auf Ihrem eigenen Archiv. Der Redakteur bleibt der Autor von Rang; das Modell entfernt das leere Blatt, nicht das Urteilsvermögen.
• Erzeugung von WooCommerce-Produktbeschreibungen. Stapelgenerierung über den Katalog aus echten Attributen und Spezifikationen, ausgeführt mit WP-CLI, die als Entwürfe zur Freigabe durch einen Merchandiser landen. Akkurater Text aus Ihren Daten, keine erfundenen Marketingzeilen.
• Semantische Suche über das Archiv. Embeddings verwandeln ein Stichwortfeld in eine bedeutungssensible Suche. Leser finden den richtigen Beitrag, selbst wenn ihre Worte nicht zu Ihren Überschriften passen, was das interne Engagement hebt und Support-Tickets reduziert, die eigentlich Navigationsfehler sind.
• Support- und Pre-Sales-Assistenz. Ein retrieval-fundierter Assistent, der aus Ihrer Dokumentation und Wissensdatenbank antwortet, Antworten für einen Mitarbeiter zum Versand entwirft und niemals Richtlinien erfindet. Standardmäßig nur Entwürfe; ein Mensch versendet die Nachricht.
• Automatisierung interner Abläufe. Verschlagworten und Kategorisieren eingehender Inhalte, Weiterleiten von Formularübermittlungen, Zusammenfassen langer Kommentar-Threads, Markieren von Beiträgen, die eine Aktualisierung brauchen. Risikoarme, hochvolumige Arbeit, die niemand gern von Hand macht.
• RAG über Ihre eigenen Dokumente. Retrieval-augmented Generation, die jede Antwort in Ihrem Material fundiert: Beitragsarchiv, Handbücher, Produktdaten, vergangene Tickets. Das Modell ruft die relevanten Passagen zur Anfragezeit ab und antwortet aus ihnen, sodass Halluzinationen abnehmen und Zitationen auf Ihre Seiten zurückverweisen.

Warum WordPress-KI-Integrationen scheitern

Das Standard-Plugin-Muster im Jahr 2026 versteckt Token-Kosten weiterhin in Abopreisen oder verbraucht stillschweigend die Schlüssel des Kunden, ohne die Kosten pro Feature sichtbar zu machen. Das Standard-LLM-Muster trainiert weiterhin auf allem, was Sie ihm senden, sofern Sie nicht pro Anfrage opt-out wählen. Der Standard-Redaktions-Workflow geht davon aus, dass der KI-Entwurf der finale Entwurf ist. Jeder dieser Defaults ist falsch für ein WordPress-Inventar, das sich in einem Audit, einer Prüfung der redaktionellen Integrität oder einer Budgetüberprüfung verteidigen muss.

Der Fehlerfall ist selten, dass das Modell falsch liegt. Er ist das Fehlen der Grenze darum herum: kein Limit, also rechnet eine Schleife ein Wochenende lang ab; keine Provenienz, also kann niemand sagen, welchen Beitrag die KI berührt hat; kein Prüf-Gate, also erreicht eine ungeprüfte Antwort einen Kunden. Die Integrationsarbeit besteht größtenteils darin, diese Grenzen zu bauen, nicht darin, die API aufzurufen.

Im Core, per Plugin oder als individuelle Integration

Es gibt keine einzige richtige Antwort. Die Entscheidung hängt davon ab, wie stark das Feature Kundendaten berührt, wie viel Kostenkontrolle Sie benötigen und ob der Ablauf standardisiert oder spezifisch für Ihren Shop ist. So vergleichen sich die drei Muster für eine typische WordPress- oder WooCommerce-Site.

Die meisten Engagements landen bei einer Mischung: Core oder ein vertrauenswürdiges Plugin für die risikoarmen Aufgaben, eine schlanke individuelle Integration für alles, was Kundendaten berührt oder ein Budget, das Sie verteidigen müssen. Auf der Hosting-Seite gilt dieselbe Logik für das Modell selbst. Ein gehostetes Modell (Claude oder OpenAI über einen EU-gerouteten Endpunkt) ist für fast alle der richtige Standard: keine GPU zu betreiben, aktuelle Modelle, EU-Residenz verfügbar. Ein selbst gehostetes Open-Weight-Modell verdient seinen Platz nur, wenn ein striktes Datenlokalitäts-Mandat Drittanbieter-Inferenz verbietet, und es kommt mit realen Betriebskosten und einer Qualitätslücke, die Sie vor der Festlegung messen sollten.

Wie ich KI sicher integriere

Die Sicherheitsarbeit ist die Integration. Vier Kontrollen tragen den größten Teil des Gewichts, und jede bildet einen realen Weg ab, auf dem diese Projekte schieflaufen.

• Sicherheit der API-Schlüssel und Datenresidenz. Standardmäßig Bring-your-own-key, sodass Sie den Vertrag mit Anthropic oder OpenAI halten und die Schlüssel nie im gemeinsamen Pool eines Plugins liegen. Schlüssel leben in serverseitigen Secrets, nie im Browser oder in Post-Meta. Redaktions- und Kundendaten laufen standardmäßig über EU-Inferenz-Endpunkte, mit Training-Opt-out pro Anfrage gesetzt.
• Kostenkontrollen. Ein hartes monatliches Limit pro Integration, am Gateway durchgesetzt statt gutem Verhalten anvertraut. Ein Messwesen pro Feature, damit der Finanzbereich sieht, welcher Anwendungsfall was ausgegeben hat. Eine Modellstufen-Richtlinie, die günstige Arbeit an günstige Modelle schickt und die teure Stufe für Ausgaben reserviert, bei denen sich Qualität auszahlt. Zwischenspeichern von Embeddings und Prompts, um Wiederholungsausgaben zu senken.
• Menschliche Prüfung und Leitplanken. Opt-in-Vorschlag plus menschliche Entscheidung, nie autonomes Publizieren. Kundenseitige Antworten sind ausschließlich Entwürfe. Prompts sind versioniert und angeheftet; Retrieval ist mit Berechtigungsgrenzen abgegrenzt, sodass das Modell keine Inhalte zutage fördern kann, die ein Leser nicht sehen sollte. Ausgaben durchlaufen eine Validierung, bevor sie gespeichert werden können.
• Provenienz und Observierbarkeit. Jedes KI-unterstützte Artefakt hält das Modell, die Prompt-Version, die Retrieval-Quelle und den Redakteur fest, der es geprüft hat. Token-Verbrauch, Latenz und Fehlerrate fließen in die Observierbarkeit. Eine quartalsweise Überprüfung stellt die einzige Frage, die zählt: Hat jeder Anwendungsfall seine Token-Ausgaben verdient, und welcher sollte gestrichen werden.

KI und Compliance: Kennzeichnung generierter Inhalte

Die EU-KI-Verordnung, Artikel 50, setzt eine Transparenzbasis: Inhalte, die von KI generiert oder wesentlich verändert werden, müssen als solche gekennzeichnet sein, in einer Form, die sowohl Menschen als auch Maschinen erkennen können. Für einen WordPress-Verlag ist das keine rechtliche Fußnote, die man später anschraubt. Es ist eine Bau-Anforderung, die prägt, wie die Integration Provenienz speichert und sichtbar macht.

Jede Integration, die ich ausliefere, trägt die Offenlegung von Grund auf mit: ein maschinenlesbarer Provenienz-Datensatz an jedem Artefakt und ein sichtbares Label dort, wo der Inhalt veröffentlicht wird, konsistent über alle sechs Sprachversionen der Site. Fällt Ihr Bestand unter NIS2 oder DORA, treten die Modellanbieter zudem in Ihr Lieferantenregister ein, was dieselben Metadaten leicht belegbar machen. Das vollständige Muster ist in unserem Leitfaden zur Kennzeichnung KI-generierter Inhalte nach der KI-Verordnung dokumentiert.

Für wen das ist

• Verlage, die WordPress mit Redaktionsteams betreiben, die unterstützt und nicht ersetzt werden wollen
• WooCommerce-Shops, die semantische Produktsuche und KI-gestützten Kundensupport wünschen
• Content-Sites mit mehrsprachigen Archiven, die Übersetzungsprüfung im großen Maßstab benötigen
• B2B-SaaS, die WordPress als Marketingoberfläche nutzen und RAG-fundierte Sales-Enablement-Inhalte wünschen

Was das kostet

Preisgestaltung individuell. Ich veröffentliche keine Preisliste, weil der Eingrenzungsschritt meist die Form des Baus verändert und weil es zwei getrennte Kosten zu bedenken gibt. Da ist die Integrationsarbeit, die ein abgegrenztes Projekt oder ein quartalsweiser Retainer ist. Und da sind die Token-Ausgaben, die Sie unter Bring-your-own-key direkt an den Modellanbieter zahlen und die das Messwesen pro Feature sichtbar und gedeckelt hält. Sie werden nie von einem undurchsichtigen KI-Posten überrascht, und Sie können jedes einzelne Feature in dem Moment abschalten, in dem es aufhört, sich zu lohnen.

Engagement-Modell

Senior-B2B-Verträge unter EU-Jurisdiktion. Typischerweise vierwöchiges Erst-Engagement: die Anwendungsfälle eingrenzen, die sich auszahlen, Schlüsselverwaltung und Datenresidenz einrichten, den KI-Schritt als Opt-in-Prüfung in Ihren Redaktions-Workflow verdrahten und das Kostenmodell instrumentieren. Preisgestaltung individuell. Quartalsweiser Retainer verfügbar für Teams, die neue Anwendungsfälle ergänzt und Ausgaben in einer festen Kadenz überprüft haben möchten.