Keyword-Recherche entscheidet, ob deine Seite gefunden wird oder in der Bedeutungslosigkeit hängen bleibt. Was früher ein reiner SEO-Prozess war, ist heute die Basis für jede Sichtbarkeit in Google, in Perplexity, in ChatGPT und in den AI Overviews. Dieser Guide zeigt dir, wie du Keyword-Recherche 2026 richtig aufsetzt, wie du parallel Prompt-Recherche für Sprachmodelle betreibst, welche Tools sinnvoll sind, wie du Suchintention und Query Fan-Out liest und wie du deine Keywords so priorisierst, dass daraus Traffic und Anfragen werden.
Kurzfassung für Eilige
Keyword-Recherche ist heute Nachfrage-Recherche in zwei Kanälen. Du sammelst Suchbegriffe für Google und parallel Prompts für ChatGPT, Perplexity und Gemini, gleichst sie mit realer Suchintention ab, priorisierst nach Schwierigkeit und Business-Wert und ordnest jedes Keyword einer Ziel-URL zu, die sowohl für Google als auch für Large Language Models lesbar bleibt. Wer diesen Schritt überspringt, produziert Content, der weder rankt noch in AI-Antworten zitiert wird.
Drei Datenpunkte aus dem 165-Sites-Portfolio
Auf Sites, die vor jedem Publish eine strukturierte Keyword-Recherche mit Suchintentions-Abgleich durchlaufen, liegen die Impressionen pro Artikel im Schnitt deutlich höher als auf Sites, die nur nach Bauchgefühl schreiben. Artikel, die eine H2-Struktur aus tatsächlichen Nutzerfragen abbilden, sammeln in der Google Search Console erkennbar mehr Long-Tail-Impressionen. Cluster mit sauberem Hub-and-Spoke-Aufbau werden in Perplexity-Antworten häufiger als Referenz gezogen als Einzelartikel ohne Cluster-Anbindung.
Was ist Keyword-Recherche eigentlich?
Keyword-Recherche ist der strukturierte Prozess, in dem du herausfindest, welche Fragen deine Zielgruppe wirklich stellt, welche Suchbegriffe sie dafür nutzt und wie stark diese Begriffe gesucht werden. Sie ist die Grundlage jeder ernsthaften Content-Strategie und die erste Antwort auf die Frage, worüber du überhaupt schreiben solltest.
Der Begriff ist historisch aus dem klassischen SEO gewachsen, meint heute aber deutlich mehr als reines Volumen-Sammeln. Es geht darum, ein realistisches Bild der Nachfrage abzubilden, Muster in den Suchanfragen zu erkennen und daraus eine belastbare Themenlandschaft zu bauen. In der Praxis kombiniert eine gute Keyword-Recherche vier Datenschichten: Suchvolumen aus klassischen Tools, Wettbewerbsintensität, semantische Nähe der Begriffe zueinander und die Fragen, die Nutzer in Sprachmodellen stellen. Erst die Kombination dieser vier Ebenen liefert dir eine Themenlandkarte, die 2026 trägt.
Wie führst du eine Prompt-Recherche für ChatGPT, Perplexity und Google AI Mode?
Prompt-Recherche ist die Ergänzung der klassischen Keyword-Recherche, in der du systematisch aufschreibst, welche Fragen und Aufgaben Nutzer den Sprachmodellen stellen. Anders als Suchbegriffe sind Prompts ganze Sätze, oft mit Kontext, Zielgruppe und gewünschtem Format. Du sammelst sie, indem du dich in die Rolle deiner Kunden versetzt und Formulierungen wie „vergleiche X und Y“, „schreibe mir einen Plan für“, „was kostet ein“ oder „welcher Anbieter passt zu“ durchspielst.
In der Praxis lohnt es sich, für jedes Kern-Thema fünfzehn bis dreißig Prompts zu sammeln und diese in ChatGPT, Perplexity und Google AI Mode nebeneinander zu testen. Du siehst dann in den Quellenangaben, welche Domains als Referenz gezogen werden, und du erkennst semantische Muster, die deine klassische Keyword-Recherche allein nicht liefert. Wer diese Referenz-Domains systematisch analysiert, bekommt eine ehrlichere Wettbewerbsliste als jedes klassische SEO-Tool.
Ein wichtiger Effekt: Prompts sind fast immer Long-Tail. Wo klassische Keyword-Tools bei „Backlinks kaufen“ oder „SEO Agentur“ enden, produzieren Sprachmodelle Fragen wie „welche Backlink-Anbieter sind für ein Handwerker-Unternehmen aus Frankfurt sinnvoll“. Genau diese Fragen sind die Grundlage für neue H2 in deinen Artikeln und für den Aufbau von Topical Authority. Wie das strategisch mit AI-Antwortmaschinen zusammenspielt, ist im Guide zu Answer Engine Optimization beschrieben.
Warum ist Keyword-Recherche heute Pflicht, obwohl LLMs alles beantworten?
Weil LLMs ihre Antworten aus einer endlichen Menge an Quellen ziehen. Nur wenn deine Inhalte zu den Begriffen und Fragen ranken, die Menschen wirklich stellen, tauchst du in klassischen SERPs und in AI Overviews als Quelle auf. Keyword-Recherche ist damit auch Sichtbarkeits-Recherche für KI-Suchmaschinen geworden.
Die Verschiebung ist subtil, aber wichtig: Früher hast du Keywords gesucht, um eine Seite zu ranken. Heute suchst du Keywords, um Themengebiete abzudecken, deine Marke als Entität auf diesen Themen zu positionieren und in den Antworten von Systemen wie Perplexity, Gemini oder ChatGPT genannt zu werden. Das ist der Grund, warum Themen-Cluster und semantische Vollständigkeit heute wichtiger sind als der einzelne Keyword-Treffer.
Wer in diesem Umfeld ohne Keyword-Recherche schreibt, liefert Content, der weder in Suchergebnissen sichtbar wird noch in AI-Antworten zitiert wird. Beide Systeme brauchen einen semantischen Anker, und dieser Anker entsteht aus der Recherche. Für die messbare Seite dieser Sichtbarkeit lohnt ein Blick auf AI Citations, weil dort dokumentiert ist, welche Signale eine Zitation in einem Sprachmodell überhaupt auslösen.
Wie läuft eine gute Keyword-Recherche Schritt für Schritt ab?
Eine belastbare Keyword-Recherche folgt vier Phasen: Seed-Sammlung, Ausbau über Tools, Bewertung der Suchintention und Priorisierung nach Geschäftswert. Wer diese Reihenfolge einhält, spart sich später endlose Diskussionen über Content-Priorität und produziert Themenlisten, die Redaktion und Vertrieb gleichermaßen tragen.
Der 4-Phasen-Prozess
1. Seed: 15 bis 30 Kern-Themen aus Angebot, Kundengesprächen und Wettbewerber-Analyse.
2. Expansion: Jedes Seed über Tools zu Long-Tails, Fragen, Prompts und Related-Terms ausbauen.
3. Intention: Jedes Keyword einer der vier Suchintentionen zuordnen und mit realen SERPs sowie AI-Antworten abgleichen.
4. Priorisierung: Nach Business-Wert, Ranking-Chance und Cluster-Zugehörigkeit sortieren.
Phase eins passiert offline. Du redest mit Sales, du liest Support-Tickets, du hörst zu, welche Formulierungen Kunden nutzen. Erst dann gehst du in ein Tool. Wer mit Tools startet, endet oft bei generischen Themen, die schon jeder abdeckt.
Phase zwei ist der eigentliche Recherche-Sprint. Du fütterst deine Seeds in Ubersuggest, Semrush, Ahrefs, DataForSEO oder Sistrix und sammelst systematisch, was rund um jeden Seed existiert. Parallel prüfst du in ChatGPT und Perplexity, welche Fragen die Modelle spontan formulieren, wenn du dein Seed als Prompt eingibst. Am Ende hast du eine Rohliste mit dreihundert bis mehreren tausend Begriffen, ergänzt um dreißig bis achtzig konkrete Nutzer-Prompts.
Phase drei ist der Filter. Du wirfst Duplikate raus, du gruppierst semantisch, du prüfst SERPs stichprobenartig, du markierst pro Keyword die Suchintention und du prüfst pro Prompt, ob deine Marke bereits als Antwort auftaucht. Ohne diesen Filter ist die Liste wertlos.
Phase vier ist die Übersetzung in einen Redaktionsplan. Jedes priorisierte Keyword bekommt eine Ziel-URL, eine Content-Form und eine Cluster-Zugehörigkeit. Erst hier wird aus Recherche produzierbarer Content.
Welche Keyword-Typen gibt es und wo setzt du sie ein?
Grob unterscheidest du zwischen Short-Head, Mid-Tail und Long-Tail-Keywords. Short-Head ist volumenstark, aber generisch. Mid-Tail bringt Fokus. Long-Tail liefert die konkreten Fragen, die auch in KI-Antworten aufgegriffen werden. Für Topical Authority brauchst du alle drei Ebenen und musst sie gezielt einer Content-Rolle zuweisen.
Short-Head-Keywords wie „SEO“ oder „Backlinks“ gehören auf Pillar-Pages, die ein ganzes Themenfeld abdecken. Sie bringen selten direkt Anfragen, definieren aber deinen thematischen Anspruch. Details zum Aufbau solcher Übersichtsseiten liest du im Guide zur Pillar Page.
Mid-Tail-Keywords wie „Backlink Audit“ oder „Local SEO Agentur“ gehören auf Service-, Kategorie- oder Hub-Seiten. Sie tragen den Löwenanteil deines qualifizierten Traffics, weil hier die Suchintention konkreter wird und die Konkurrenz enger definierbar ist. Die Landingpage der SEO-Agentur ist ein Beispiel für Mid-Tail mit Transaktions-Anteil.
Long-Tail-Keywords sind das eigentliche Zugpferd. Sie liefern hohen Konversions- und Zitations-Wert. Für die AI-Sichtbarkeit sind sie besonders wichtig, weil LLMs auf spezifische Formulierungen reagieren. Mehr zur Systematik dahinter findest du im Beitrag zu Long-Tail-Keywords.
Welche Tools brauchst du wirklich für die Keyword-Recherche?
Für den Einstieg reichen zwei Tools: eine Datenquelle für Volumen und Difficulty sowie die Google Search Console für deinen bereits vorhandenen Sichtbarkeitsteppich. Wer professionell arbeitet, ergänzt eine Wettbewerbs-Analyse, ein SERP-Beobachtungs-Tool und einen Prompt-Testkanal in ChatGPT und Perplexity. Alles darüber ist Komfort, keine Notwendigkeit.
Die vier Tool-Kategorien im Überblick
Datenquelle: DataForSEO, Semrush, Ahrefs oder Sistrix liefern Volumen, Difficulty und verwandte Terms in einer API oder UI.
Eigene Sichtbarkeit: Google Search Console zeigt, wofür deine Seite schon jetzt Impressionen bekommt, oft mit unerwarteten Chancen auf Position elf bis zwanzig.
Wettbewerbs-Analyse: Ahrefs Content Gap oder Sistrix Wettbewerber liefern, worauf Wettbewerber ranken und du nicht.
SERP- und Prompt-Beobachtung: AlsoAsked, AnswerThePublic, Perplexity und Google AI Mode zeigen, wie Fragen strukturiert sind und was in AI-Antworten auftaucht.
Ein Punkt wird oft unterschätzt: Perplexity und Google AI Mode sind selbst brauchbare Keyword-Tools geworden. Wenn du dort eine Frage stellst, siehst du in den Quellenangaben, welche Seiten die KI als Referenz zieht. Das ist gelebte Wettbewerbs-Recherche in Echtzeit und hilft dir, deine Themenlücken zu erkennen. Für die technische Seite, wie du deine eigenen Seiten für diese Zitations-Auswahl vorbereitest, ist der Guide zu JSON-LD und strukturierten Daten die Pflichtlektüre.
Wie misst du Suchvolumen, Difficulty und Suchintention richtig?
Suchvolumen ist immer ein Näherungswert, kein exakter Wert. Difficulty-Scores unterscheiden sich zwischen Tools stark. Suchintention wiederum ist die einzige Metrik, die du direkt in der SERP prüfen kannst und die immer verlässlich ist. Wer nur auf Zahlen schaut, ignoriert die wichtigste Information.
Wenn ein Tool 2.400 Suchen pro Monat für ein Keyword ausweist, kann der reale Wert zwischen 800 und 4.000 liegen. Nutze Volumen als Größenordnung, nicht als Wahrheit. Wichtiger ist der relative Vergleich innerhalb deines Themen-Clusters.
Difficulty ist noch stärker relativ. Ein DR-70-Score bei Ahrefs bedeutet etwas völlig anderes als ein KD-70-Score bei Semrush. Beide sagen: Ranken ist schwer, aber wie schwer, hängt an deinem eigenen Autoritäts-Level ab. Ein neues Projekt sollte Difficulty unter 30 anpeilen, ein etabliertes Projekt darf sich Difficulty über 50 nehmen.
Suchintention prüfst du, indem du das Keyword googelst und die Top zehn ansiehst. Dominieren Ratgeber, ist die Intention informational. Dominieren Kategorieseiten, ist sie transaktional. Dominieren Vergleichsseiten, ist sie kommerziell. Die Systematik dahinter liest du im Guide zur Suchintention.
Wie deckst du Query-Fan-Out-Cluster für eine Landingpage auf?
Query Fan-Out ist der Prozess, bei dem eine Sprachmodell-Suche eine Nutzerfrage in mehrere Teilfragen zerlegt, jede einzeln beantwortet und die Antworten zu einer Gesamtantwort zusammensetzt. Für deine Keyword-Recherche heißt das: Zu jedem Kern-Keyword musst du die typischen Teilfragen kennen, weil genau sie in AI-Antworten als Bausteine auftauchen.
Praktisch gehst du so vor: Du nimmst dein Kern-Keyword, formulierst es als Frage und stellst diese Frage nacheinander in Google AI Mode, Perplexity und ChatGPT. Aus den Zwischenüberschriften und Teilantworten leitest du fünf bis zehn Sub-Fragen ab. Diese Sub-Fragen werden zu H2 oder H3 in deinem Artikel. Wenn deine Seite diese Sub-Fragen sauber beantwortet, steigt die Wahrscheinlichkeit, in AI-Antworten als Quelle gezogen zu werden, spürbar.
Ein zweiter Weg führt über die DataForSEO-API und Sistrix. Beide zeigen zu einem Keyword verwandte Fragen und Related Searches, aus denen du Fan-Out-Cluster ableiten kannst. Als Operator kombinierst du beide Wege: KI-Modelle für die inhaltliche Ebene, klassische Tools für Volumen und Wettbewerb. Wie die grundsätzliche Verschiebung zwischen klassischer und generativer Suche aussieht, ist im Beitrag zu GEO vs. SEO aufgeschlüsselt.
Wie verändert KI-Sichtbarkeit die klassische Keyword-Recherche?
KI-Antworten belohnen nicht das einzelne Keyword, sondern die semantische Vollständigkeit rund um ein Thema. Deine Recherche muss deshalb weniger auf Einzeltreffer, sondern auf Themen-Cluster ausgelegt sein. Fragen-basierte Long-Tails werden dabei zur wichtigsten Ebene, weil LLMs auf Fragen deutlich besser reagieren als auf Nominalphrasen.
Konkret heißt das: Wenn du zu einem Kernbegriff arbeitest, sammelst du parallel zwanzig bis dreißig Long-Tail-Fragen, die rund um diesen Begriff auftauchen. Jede dieser Fragen wird potenziell zu einer H2 in deinem Artikel oder zu einem eigenen Beitrag. So entsteht ein Themen-Cluster, der sowohl für Google als auch für LLMs semantisch dicht wirkt. Wie du solche Cluster systematisch baust, zeigt der Beitrag zu Themencluster, die strategische Draufsicht auf ganze Themenfelder liefert die Topical Map.
Ein zweiter Effekt: Semantisch verwandte Begriffe rücken zusammen. Die klassische Trennung zwischen „SEO“ und „AI-Visibility“ verschwimmt, weil beide Systeme dieselben Bedeutungsvektoren nutzen. Als Operator brauchst du also nicht zwei getrennte Keyword-Listen, sondern eine Liste, die beide Welten abdeckt.
Wie verbindest du Keyword-Recherche mit Entity-SEO und Brand Mentions?
Keyword-Recherche liefert dir die Fragen, Entity-SEO liefert die Antworten mit Kontext. Beide Ebenen müssen sich in deinem Content-Plan treffen, sonst produzierst du zwar rankende Seiten, wirst in AI-Antworten aber trotzdem nicht als Marke wahrgenommen. Der Bindeglied-Trick: Jedes wichtige Keyword bekommt in deinem Redaktionsplan zusätzlich eine oder zwei Entitäten zugeordnet, die im Artikel explizit genannt und intern verlinkt werden müssen.
Für eine kleine Personal Brand heißt das: Deine eigene Marke, dein Name, deine zentralen Themen sind Entitäten. Jeder Artikel muss diese Entitäten zumindest streifen, damit Sprachmodelle die semantische Verbindung lernen. Auf einer Portfolio-Site heißt das: Marken der Kunden, Produkte, Regionen. Ohne diese Verankerung bleibt jede Keyword-Recherche folgenlos für die AI-Sichtbarkeit. Vertiefend liest du das im Guide zu Entity-SEO.
Der zweite Hebel sind Brand Mentions, also externe Nennungen deiner Marke ohne Link. Sie zahlen direkt auf deine Entity-Autorität ein und beeinflussen, wie oft du in AI-Antworten überhaupt in Betracht gezogen wirst. Wenn du deine Keyword-Recherche einmal um Prompts erweiterst, in denen deine Marke oder deine Themen als Antwort erwartet werden, siehst du sehr schnell, wo deine Sichtbarkeitslücken liegen.
Welche Fehler machen die meisten bei der Keyword-Recherche?
Die häufigsten Fehler sind: Recherche ohne Ziel, Fokus auf Volumen ohne Intention, ignorierte SERPs, keine Priorisierung nach Business-Wert und ein blinder Fleck bei Prompts in Sprachmodellen. Jeder dieser Fehler kostet Wochen an Redaktionszeit, weil produzierter Content am Ende weder rankt noch Anfragen bringt noch in AI-Antworten auftaucht.
Die fünf teuersten Recherche-Fehler
1. Nur nach Volumen sortieren und die Suchintention übersehen.
2. Wettbewerber-Keywords blind übernehmen, ohne zu prüfen, ob sie zum eigenen Angebot passen.
3. Content bauen, bevor die semantischen Cluster gebildet sind.
4. Long-Tails und Prompts ignorieren, weil das Volumen pro Begriff klein wirkt.
5. Die eigene Search Console nicht als Startpunkt nutzen und Chancen mit Position elf bis zwanzig übersehen.
Der teuerste Fehler in der Praxis ist Nummer fünf. Die meisten Websites haben in der Google Search Console fünfzig bis dreihundert Keywords, die knapp außerhalb der ersten Seite ranken. Diese Position-elf-bis-zwanzig-Zone ist die schnellste Content-Chance überhaupt, wird aber selten systematisch bearbeitet. Wie du daraus konkrete Refresh-Kandidaten baust, findest du im Beitrag zum Content Audit.
Wie priorisierst du eine große Keyword-Liste im Alltag?
Priorisierung ist der Schritt, den fast alle unterschätzen. Aus einer Liste mit fünfhundert Keywords wird nur dann Umsatz, wenn du klar entscheidest, welche zwanzig zuerst produziert werden. Die einfachste Formel dafür ist eine Matrix aus Business-Wert und Ranking-Chance, gewichtet mit dem Cluster-Beitrag.
Business-Wert lässt sich in drei Stufen bewerten: hoch, wenn das Keyword direkt zu Anfragen führt, mittel, wenn es qualifizierten Traffic bringt, niedrig, wenn es reine Awareness ist. Ranking-Chance leitest du aus Difficulty, aktueller Position und Content-Aufwand ab. Cluster-Beitrag beschreibt, ob das Keyword deine Autorität in einem strategisch wichtigen Themenfeld stärkt.
Ein einfaches Bewertungsschema mit drei Punkten pro Achse liefert ein Ranking von neun bis drei Punkten. Alles ab sieben Punkten produzierst du sofort. Alles zwischen fünf und sechs Punkten planst du für die nächsten Wochen. Alles darunter wandert in die Halde und wird erst wieder angefasst, wenn die A-Liste steht.
Operator-Regel für die Wochen-Priorisierung
Nimm dir Freitagmittag zwanzig Minuten, öffne die Search Console, filtere auf Positionen elf bis zwanzig und schau, welche drei Keywords das größte Delta zwischen Impressionen und Klicks haben. Genau diese drei bearbeitest du in der Folgewoche. Das ist die kleinste sinnvolle Recherche-Routine, und sie schlägt jede aufwendige Tool-Analyse.
Ergänzend hilft es, jede Priorisierung mit einer Ziel-URL zu verknüpfen. Aus reinen Keyword-Listen entsteht selten Umsetzung. Sobald jedes Keyword aber einer URL zugeordnet ist, wird aus einer abstrakten Recherche eine konkrete Aufgabe für die Redaktion. Die Verbindung zu deinem internen Linknetzwerk übernimmt dann der Guide zur internen Verlinkung.
Keyword-Recherche ist der operative Startpunkt jedes Cluster-Aufbaus. Der strategische Rahmen dahinter, wie Cluster zu messbarer Topical Authority werden, ist im eigenen Guide dokumentiert.
Wie oft solltest du deine Keyword-Recherche aktualisieren?
Eine Keyword-Recherche ist kein Einmal-Projekt. Neue Suchbegriffe entstehen mit jedem Produkt-Launch der Wettbewerber, mit jeder gesellschaftlichen Debatte, mit jedem neuen Sprachmodell. Sinnvoll ist ein Rhythmus aus einer großen Recherche pro Jahr und einem kleinen Refresh pro Quartal, ergänzt um eine wöchentliche Zwanzig-Minuten-Runde in der Google Search Console.
Die große Jahresrecherche legt die Themenlandschaft neu, prüft komplette Cluster auf Vollständigkeit und identifiziert weiße Flecken. Der Quartals-Refresh nimmt vorhandene Cluster und füllt Lücken, oft ausgelöst durch neue AI-Overview-Fragen oder Perplexity-Antworten. Die Wochen-Runde ist reine Symptom-Behandlung: Position-elf-bis-zwanzig-Keywords werden zu Refresh-Aufträgen. Wer diese drei Ebenen sauber trennt, hat einen Content-Motor, der von selbst läuft. Für die konkrete Umsetzung im Portfolio-Kontext, in dem viele Sites gleichzeitig gepflegt werden müssen, hilft ein Backlink Audit als zweite Datenschicht neben der Keyword-Recherche.
Quellen und weiterführende Literatur
Die folgenden Quellen vertiefen einzelne Bereiche der Keyword-Recherche und helfen dir, deine eigene Systematik zu schärfen:
Google Search Central dokumentiert die Grundlagen zu Suchergebnissen und Ranking-Faktoren unter developers.google.com/search. Für die Systematik hinter Suchintention und semantischer Vollständigkeit ist Koray Gübürs Publikations-Archiv unter koray.com die zentrale Referenz. Die aktuelle Sicht auf Query-Fan-Out und AI Overviews findest du im offiziellen Google-Search-Blog unter blog.google/products/search.
Wenn du tiefer in die Verbindung von Keyword-Recherche und AI-Sichtbarkeit einsteigen willst, empfiehlt sich der Beitrag zu Answer Engine Optimization. Für die technische Umsetzung deiner Ergebnisse hilft der Guide zu KI-Suchmaschinen-Sichtbarkeit. Wenn du Volumen und Difficulty selbst über eine API abfragen willst, ist die Dokumentation von DataForSEO unter docs.dataforseo.com der schnellste Einstieg.
