Ich mache seit 8 Jahren Keyword-Recherche. Ich weiß, wie man Ahrefs, SEMrush benutzt, Suchvolumen findet, Konkurrenz analysiert. Das ist für mich Routine.
Aber KI-Suchanfragen sind komplett anders und ich tue mich schwer, mich anzupassen.
Das Problem:
Was ich herausfinden muss:
Traditionelle Keyword-Recherche fühlt sich an, wie mit einem Messer zu einer Schießerei zu gehen. Was ist das neue Playbook?
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:
Höre darauf, wie Kunden ihre Probleme in natürlicher Sprache beschreiben. Das sind die Prompts, die sie bei KI eingeben.
2. Frage-Mining-Quellen
| Quelle | Was sie zeigt | Am besten geeignet für |
|---|---|---|
| AnswerThePublic | Fragemuster zu Themen | Breite Query-Entdeckung |
| AlsoAsked | Frage-Beziehungen | Themen-Mapping |
| Quora | Echte Nutzerfragen | Reale Kundensprache |
| Ausführliche Problembeschreibungen | Kontext und Nuancen | |
| People Also Ask | Googles Fragedaten | Validierte Fragen |
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.
Der Ansatz über die Kundensprache ist Gold wert.
Wir haben 500 Support-Tickets und Transkripte von Verkaufsgesprächen durchforstet. Muster gefunden wie:
Diese exakten Formulierungen wurden unsere Ziel-Prompts. Viel wertvoller als Suchvolumendaten.
Reddit ist das beste kostenlose Query-Research-Tool für KI.
Warum Reddit funktioniert:
So mined man Reddit nach Anfragen:
Beispiel-Suchbegriffe:
Was du extrahieren solltest:
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:
Das sind genau die Prompts, die sie bei KI stellen.
Wir haben angefangen, das systematisch zu erfassen:
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
Schritt 3: Plattformübergreifend testen Jeden Prompt testen auf:
Schritt 4: Ergebnisse dokumentieren
| Prompt | ChatGPT-Ergebnis | Perplexity-Ergebnis | Werden wir genannt? | Konkurrenten genannt? |
|---|
Schritt 5: Muster erkennen
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:
Fragen-Recherche:
Conversation-Mining:
Die Lücke: Kein Tool liefert “KI-Suchvolumen” wie Ahrefs Suchvolumen liefert. Diese Daten gibt es öffentlich einfach nicht.
Unser Workaround:
Es ist mehr Arbeit als klassische Keyword-Recherche, aber notwendig für KI-Optimierung.
So kategorisieren und priorisieren wir Prompts:
Kategorie 1: Brand-Queries
Kategorie 2: Vergleichs-Queries
Kategorie 3: Problem-Queries
Kategorie 4: Branchen-Queries
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
Woche 2: Performance-Review
Woche 3: Gap-Priorisierung
Woche 4: Aktionsplanung
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:
2. Zitierte Inhalte analysieren Wenn ein Wettbewerber erscheint:
3. Ihre Lücken finden Wo erscheinen SIE nicht?
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):
Research-Prozess:
Tools:
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.
Get personalized help from our team. We'll respond within 24 hours.
Überwachen Sie, welche Anfragen Nennungen Ihrer Marke auf KI-Plattformen auslösen. Verstehen Sie die tatsächlichen Prompts, bei denen Sie erscheinen – oder erscheinen sollten.
Community-Diskussion über Tools zur Recherche von Themen für KI-Suchen. Wie erkennt man Keywords und Fragen, die KI-Zitate generieren?
Erfahren Sie, wie Sie KI-Suchanfragen über ChatGPT, Perplexity, Claude und Gemini recherchieren und überwachen können. Entdecken Sie Methoden zur Verfolgung von...
Community-Diskussion darüber, wie sich konversationelle Anfragen von traditioneller Keyword-Optimierung für die KI-Suche unterscheiden. Echte Strategien von Mar...