Wie recherchiert man, welche Anfragen Menschen an KI stellen? Traditionelle Keyword-Recherche scheint nicht zu passen

Du hast recht, dass traditionelle Keyword-Recherche nicht direkt anwendbar ist. Hier ist das neue Recherche-Framework:

1. Mit Kundensprache beginnen

Vergiss am Anfang Keyword-Tools. Gehe zu:

• Support-Ticket-Gesprächen
• Transkripten von Verkaufsgesprächen
• Aufzeichnungen von Kundeninterviews
• Onboarding-Calls

Höre darauf, wie Kunden ihre Probleme in natürlicher Sprache beschreiben. Das sind die Prompts, die sie bei KI eingeben.

2. Frage-Mining-Quellen

3. Direktes KI-Testing

Erstelle eine Liste von 50 Prompts, von denen du DENKST, dass Nutzer sie stellen. Teste jeden auf ChatGPT, Perplexity, Claude, Gemini. Dokumentiere: Wer erscheint? Was wird zitiert? Was fehlt?

4. Monitoring-Tools

Am I Cited und ähnliche Tools verfolgen deine Sichtbarkeit auf KI-Plattformen. Sie zeigen, welche Anfragen deine Marke auslösen und wo Lücken bestehen.

Das ist Query-Research, nicht Keyword-Research. Ein anderes Denkmuster.

Reddit ist das beste kostenlose Query-Research-Tool für KI.

Warum Reddit funktioniert:

• Menschen stellen Fragen so, wie sie sie an KI stellen würden
• Detailreicher Kontext inklusive
• Echte Probleme, keine Marketingsprache
• KI-Systeme zitieren Reddit häufig

So mined man Reddit nach Anfragen:

1. Finde Subreddits in deiner Kategorie
2. Suche nach Empfehlungsthreads
3. Achte auf Muster bei der Fragestellung
4. Notiere den gelieferten Kontext

Beispiel-Suchbegriffe:

• “was nutzt ihr für [Kategorie]”
• “empfehle [Kategorie]”
• “Alternative zu [Konkurrent]”
• “bestes [Kategorie] für [Anwendungsfall]”
• “wie macht ihr [Aufgabe, die du löst]”

Was du extrahieren solltest:

• Die exakte Frageformulierung
• Den bereitgestellten Kontext
• Folgefragen
• Welche Antworten upgevotet werden

Wir haben an einem Nachmittag 80+ einzigartige Query-Muster auf Reddit gefunden. Diese wurden unsere KI-Optimierungsziele.

Aus Vertriebssicht: Dein Vertriebsteam ist eine Query-Research-Goldgrube.

Was Interessenten uns fragen:

• “Wie schneidet das im Vergleich zu [Konkurrent] ab?”
• “Wie lange dauert die Einrichtung normalerweise?”
• “Integriert es sich mit [spezifischem Tool]?”
• “Welche Unternehmensgröße nutzt das?”
• “Wie ist die Preisgestaltung für [spezifisches Szenario]?”

Das sind genau die Prompts, die sie bei KI stellen.

Wir haben angefangen, das systematisch zu erfassen:

1. Nach jedem Verkaufsgespräch protokolliert der Vertriebsmitarbeiter die Top 3 Fragen
2. Wöchentliche Muster-Reviews
3. Monatliche Zusammenstellung der Top-Fragen
4. Weitergabe an das Content-Team zur Optimierung

Erkenntnis: 70% der KI-relevanten Anfragen tauchen nie in Keyword-Tools auf. Es sind spezifische, kontextbezogene, anwendungsgetriebene Fragen, die nur in echten Gesprächen auftauchen.

Dein Vertriebsteam spricht täglich mit Interessenten. Sie kennen die Fragen. Frag sie.

Systematischer Prompt-Testing-Prozess:

Schritt 1: Erste Prompt-Liste erstellen Aus allen Quellen (Kundensprache, Reddit, Vertrieb etc.) 50–100 Prompts sammeln.

Schritt 2: Prompts kategorisieren

• Awareness: “Was ist [Kategorie]?”
• Consideration: “Bestes [Kategorie] für [Anwendungsfall]”
• Entscheidung: “[Produkt] vs [Konkurrent]”
• Technisch: “Wie [konkrete Aufgabe mit Produkt]”

Schritt 3: Plattformübergreifend testen Jeden Prompt testen auf:

• ChatGPT
• Perplexity
• Claude
• Google AI Overview

Schritt 4: Ergebnisse dokumentieren

Schritt 5: Muster erkennen

• Wo sind wir stark?
• Wo gibt es Lücken?
• Welche Inhalte würden Lücken schließen?

Schritt 6: Priorisieren Fokussiere auf hochintentionale Prompts, bei denen du nicht erscheinst, aber solltest.

So erhältst du eine umsetzbare Query-Liste, nicht nur Keywords mit Volumen.

Tools speziell für KI-Query-Recherche:

Visibility-Tracking:

• Am I Cited – Verfolgt Marken-Nennungen auf KI-Plattformen
• SE Ranking AI Toolkit – KI-Visibility-Monitoring
• Profound – KI-Share-of-Voice-Tracking

Fragen-Recherche:

• AnswerThePublic – Frage-Visualisierung
• AlsoAsked – Frage-Beziehungen
• Semrush “Questions”-Filter – Keyword-Fragen

Conversation-Mining:

• Gong/Chorus – Analyse von Verkaufsgesprächen
• Intercom/Zendesk – Support-Ticket-Analyse
• Brand24 – Social-Mention-Tracking

Die Lücke: Kein Tool liefert “KI-Suchvolumen” wie Ahrefs Suchvolumen liefert. Diese Daten gibt es öffentlich einfach nicht.

Unser Workaround:

1. Traditionelle Tools für Fragensuche nutzen
2. KI-Visibility-Tools für die Präsenzverfolgung einsetzen
3. Manuelles Testing für Gap-Analyse
4. Zu priorisierter Prompt-Liste kombinieren

Es ist mehr Arbeit als klassische Keyword-Recherche, aber notwendig für KI-Optimierung.

So kategorisieren und priorisieren wir Prompts:

Kategorie 1: Brand-Queries

• “[Deine Marke] Bewertung”
• “Ist [Deine Marke] gut?”
• “[Deine Marke] Preise” Priorität: Muss optimiert werden. Du musst deine Marke in KI besitzen.

Kategorie 2: Vergleichs-Queries

• “[Deine Marke] vs [Konkurrent]”
• “Alternativen zu [Konkurrent]”
• “Beste [Kategorie]-Tools” Priorität: Hoher Wert, hohe Intention.

Kategorie 3: Problem-Queries

• “Wie löse ich [Problem, das du angehst]?”
• “Bester Weg für [Aufgabe]”
• “Welche Tools helfen bei [Herausforderung]?” Priorität: Awareness-Phase, größere Reichweite.

Kategorie 4: Branchen-Queries

• “Was ist [Konzept in deiner Branche]?”
• “[Branche] Best Practices”
• “[Branche] Trends 2026” Priorität: Thought-Leadership-Möglichkeit.

Wir wollen bei 80% der Brand-Queries, 50% der Vergleichs-, 30% der Problem- und 20% der Branchen-Queries erscheinen.

Verschiedene Kategorien brauchen unterschiedliche Content-Typen.

Query-Research ist iterativ, kein Einmal-Projekt.

Monatlicher Research-Rhythmus:

Woche 1: Frische Entdeckung

• Neue Support-Tickets analysieren
• Aktuelle Fragen aus Verkaufsgesprächen
• Reddit/Forum-Monitoring
• Neue Prompts zum Tracking hinzufügen

Woche 2: Performance-Review

• Bei welchen Prompts werden wir jetzt genannt?
• Bei welchen noch nicht?
• Gibt es neue Konkurrenten?
• Welcher Content wird zitiert?

Woche 3: Gap-Priorisierung

• Höchstwertige fehlende Prompts
• Welcher Content würde die Lücken schließen?
• Welche bestehenden Inhalte brauchen Optimierung?

Woche 4: Aktionsplanung

• Content-Aufgaben für den nächsten Monat
• Optimierungs-Prioritäten
• Neue Tracking-Ergänzungen

KI-Suche entwickelt sich ständig. Query-Research ist kein Projekt – es ist ein Prozess.

Reverse Engineering der KI-Sichtbarkeit von Wettbewerbern:

1. Stärken der Wettbewerber identifizieren Prompts auf verschiedenen Plattformen testen:

• Wo erscheinen Wettbewerber, wo du nicht erscheinst?
• Welche ihrer Inhalte werden zitiert?
• Welche Sprache löst deren Nennung aus?

2. Zitierte Inhalte analysieren Wenn ein Wettbewerber erscheint:

• Welche Seite wird zitiert?
• Was macht sie zitierwürdig?
• Wie ist sie aufgebaut?

3. Ihre Lücken finden Wo erscheinen SIE nicht?

• Kannst du diese Lücke füllen?
• Welcher Content würde diesen Prompt abdecken?

Beispiel-Erkenntnis: Wettbewerber erscheinen für “bestes [Kategorie] für Enterprise”, aber nicht für “bestes [Kategorie] für Startups”.

Wir haben Content für Startups erstellt. Jetzt dominieren wir Startup-bezogene Prompts, während sie Enterprise dominieren.

Das Verständnis der Query-Abdeckung der Wettbewerber zeigt Chancen auf.

Das stellt meine Sicht auf Recherche komplett auf den Kopf. Neues Playbook:

Datenquellen (statt Keyword-Tools):

1. Kundensupport-Gespräche
2. Verkaufsgespräch-Transkripte
3. Reddit/Forum-Diskussionen
4. AnswerThePublic/AlsoAsked
5. Direktes Testing auf KI-Plattformen

Research-Prozess:

1. Natürlichsprachliche Fragen aus Quellen extrahieren
2. Nach Intention kategorisieren (Brand, Vergleich, Problem, Branche)
3. Plattformübergreifend testen
4. Sichtbarkeit und Lücken dokumentieren
5. Nach Business-Value priorisieren
6. Content zur Lückenschließung erstellen
7. Monatlich tracken und iterieren

Tools:

• Am I Cited für Visibility-Tracking
• Klassische Tools für Fragensuche
• CRM/Support-Tools für Kundensprache

Wichtige Denkweise: Nicht “welche Keywords haben Volumen”, sondern “welche Fragen stellen Menschen und wie können wir die Antwort sein”.

Danke euch allen – das ist das neue Playbook, das ich gebraucht habe.