Keywords waren eine Brückentechnologie: eine Übersetzungshilfe zwischen menschlichem Problem und maschinenlesbarem Suchbegriff. Large Language Models (LLMs) verstehen Nutzerprobleme direkt und machen den Keyword-Umweg überflüssig. Die Konsequenz: Wer heute noch in Keywords denkt statt in Themen und Prompts, optimiert für eine Welt, die gerade verschwindet.
Ich sage das in Kundengesprächen mittlerweile offen: Klassische Keyword-Recherche mit Suchvolumen, Difficulty und Cost-per-Click (CPC) hat als Ausgangspunkt der Content-Strategie ausgedient. Keywords sind weiterhin nützlich als Indikator dafür, was gesucht wird. Die Metriken drumherum verlieren dagegen an Bedeutung.
Inhalt
Warum Keywords eine Brückentechnologie waren
Andrew Holland ist GEO-Stratege und Autor des Ultimate Guide to GEO. Er beschreibt darin einen Punkt, den ich aus der Praxis bestätigen kann: Keywords waren der menschliche Versuch, Probleme in maschinenlesbare Suchanfragen zu übersetzen. Ein großer Mann, der Sommerkleidung sucht, musste bei Google mehrere Suchen starten: „XXL Sommershirts“, „Hemden große Größen“, „beste Passform breite Schultern“. Bei ChatGPT tippt er einfach: „Welche Hemden passen am besten für breite Schultern im Sommer?“ Eine Frage, keine Keywords.
Topic Research ersetzt das Keyword-Denken durch themenbasiertes Arbeiten. Statt einzelne Suchbegriffe zu optimieren, identifiziert Topic Research die Themenfelder und Nutzer-Prompts hinter den Suchanfragen, bei Google und bei KI-Systemen gleichzeitig.
Holland verweist auf die Information Foraging Theory von Peter Pirolli und Stuart Card. Die Kernidee: Menschen suchen Informationen wie Tiere nach Nahrung. Die zentrale Formel: Information Gain Rate = Informationswert / Kosten der Beschaffung. Menschen wollen den höchsten Informationswert bei geringstem Aufwand.
Das war im Grunde schon immer so. Niemand sucht nach dem perfekten Ergebnis. Menschen nehmen das beste Ergebnis, das sich in kurzer Zeit finden lässt. Herbert Simon nannte das Satisficing, eine Mischung aus „satisfy“ und „suffice“. Wir klicken uns bei Google nicht bis Seite 5 durch. Wir nehmen das erste Ergebnis, das gut genug wirkt.
LLMs verschieben die Information-Gain-Gleichung mittlerweile radikal. Die Kosten der Informationsbeschaffung fallen fast auf null. Ein LLM durchsucht, filtert, vergleicht und fasst in 8 Sekunden zusammen. Die Information Gain Rate explodiert. Deswegen nutzen laut Bain & Company 80 % der Konsumenten Zero-Click-Ergebnisse in mindestens 40 % ihrer Suchen. Organischer Web-Traffic sinkt laut Branchenanalysen geschätzt um 15 bis 25 %.
Was das für die Content-Strategie bedeutet
Der Ausgangspunkt der Content-Strategie verschiebt sich vom Keyword zum Nutzer-Prompt. Früher zählten drei Metriken: Suchvolumen, Difficulty, CPC. Heute zählt die Frage: Welches Problem löst das Produkt, und für wen? Content bleibt dabei das Fundament, nur die Planung beginnt an anderer Stelle.
Früher: Keyword → Content
Der klassische Workflow sah so aus: Semrush öffnen, Keyword eingeben, Suchvolumen prüfen, Difficulty bewerten, Content-Brief schreiben. Ein Blogpost für „Augenlasern Kosten“ mit 2.400 monatlichen Suchanfragen, einer Keyword Difficulty von 38 und einem CPC von 4,20 €.
Ehrlicherweise habe ich das selbst jahrelang genauso gemacht. Ich habe Neuronwriter genutzt und geschaut, dass bestimmte Keywords im Text stehen, egal ob sie dort sauber reingepasst haben oder nicht. Das war Standard. Und für Google hat es funktioniert.
Heute: Thema → Prompt → Content
Der neue Workflow beginnt letztlich mit einer anderen Frage: Was macht der Kunde, und für wen? Welche Probleme löst das Produkt? Welche Fragen stellen Nutzer bei KI-Systemen zu diesem Themenfeld?
Ein konkretes Beispiel: Statt „Augenlasern Kosten“ als Keyword zu targetieren, starten wir eine Prompt Research in RankScale. Prompt Research analysiert, welche Fragen Nutzer bei ChatGPT und Perplexity zu einem Themenfeld stellen, nicht welche Keywords sie bei Google eintippen. Die Antwort: „Gibt es eine Altersgrenze für Augenlasern?“ Der Prompt hat kein Suchvolumen bei Google, ist aber hochrelevant für LLMs. Ein Blogpost dazu, und der Kunde steht bei Perplexity, ChatGPT und Gemini direkt auf Platz 1.
Was viele überrascht: Prompt-Themen funktionieren auch bei Google. Bei einem Kunden aus der Medizintechnik haben die promptbasierten Blogposts die durchschnittlichen Klicks von knapp 150 auf über 300 pro Tag fast verdoppelt. Content, den wir für LLM-Prompts geschrieben haben, rankt auch bei Google, weil er thematisch präzise und inhaltlich vollständig ist.
Topic Research optimiert letztlich für beides gleichzeitig. Die Regeln sind dieselben: Informationen müssen schnell zugänglich sein (Cost of Retrieval) und Mehrwert bieten zu dem, was schon im Internet steht (Information Gain). Das gilt für Google genauso wie für ChatGPT.
Category Entry Points: Warum Situationen wichtiger sind als Suchbegriffe
Holland führt ein Konzept aus der Marketing-Wissenschaft ein, das für Topic Research zentral ist: Category Entry Points (CEPs) nach dem Ehrenberg-Bass Institute.
Die Idee: Kunden betreten eine Produktkategorie nicht über Keywords, sondern über Situationen, Bedürfnisse und Kontexte. Prof. Jenni Romaniuk beschreibt CEPs in „How Brands Grow 2“ als „mental distribution outlets“ und identifiziert 6 Dimensionen:
- WHY: Warum kaufst du das Produkt?
- WHEN: Wann kaufst du es?
- HOW: Wie fühlst du dich dabei?
- WHERE: Wo kaufst du es?
- WITH WHOM: Mit wem zusammen?
- WHILE: Während welcher Aktivität?
Hollands Beispiel: Ein Online-Shop für rote Kleider. Die Keyword-Recherche sagt: „rotes Kleid kaufen“, „Abendkleid rot“, „rotes Cocktailkleid“. Die CEP-Analyse sagt: Kunden kaufen rote Kleider für Kreuzfahrt-Abendveranstaltungen. Die LLM-Suche lautet dann: „I need a formal dress for a cruise ship evening event, something elegant in red.“ Kein Keyword-Tool der Welt zeigt diesen Prompt an.
Was heißt das in der Praxis? Statt „für welches Keyword optimiere ich?“ lautet die Frage bei Topic Research: „Welches Problem löst mein Produkt für wen in welcher Situation?“
Mein Ansatz ist simpler als die 6-Dimensionen-Analyse, aber im Kern dasselbe: Was machst du, und für wen? Daraus ergibt sich der Titel. „CRM für Stadtwerke und Energiebranche“ schlägt kein Keyword-Tool vor. Aber es ist exakt die Seite, die Google und LLMs als Antwort auf die entsprechende Frage brauchen.
Prompt Research in der Praxis: Ein Kundencase
Bei einem Kunden aus der Medizintechnik haben wir im Sommer 2025 die Content-Strategie komplett umgestellt. Ausgangslage: knapp 150 Blogpost-Klicks pro Tag, Content-Planung rein keyword-basiert. Seitdem läuft die Planung ohne klassische Keyword-Recherche. Stattdessen: Prompt Research über RankScale. Das Ergebnis: verdoppelte Blogpost-Klicks und über 67 % LLM-Visibility.
Der Workflow
- Überthema eingeben: Im Prompt Research Tool von RankScale ein Überthema eingeben, zum Beispiel „Augenlasern“. RankScale zeigt daraufhin mögliche Prompts an, die Nutzer bei KI-Systemen zu diesem Thema stellen.
- Prompts sichten: Die Prompts sind in Subkategorien geclustert. Neben jedem Prompt stehen die Aufrufhäufigkeit und eine Trendanzeige: stabil, fallend oder steigend. Steigende Prompts sind die interessantesten.
- Prompts zu Titeln machen: Relevante Prompts auswählen und daraus Blogpost-Titel ableiten. Ein Prompt = ein Titel = ein Post.
- Blogposts schreiben: Direkte Antwort auf den Prompt, kurz und präzise. Kein Keyword-Stuffing, kein 5.000-Wörter-Rundumschlag.
- Tracking einrichten: Die verwendeten Prompts in RankScale tracken, um die LLM-Sichtbarkeit nach Veröffentlichung zu messen. Parallel: Google-Performance über die Search Console.
Die Ergebnisse
LLM-Sichtbarkeit: Über 67 % Visibility für den Standort, Durchschnittsposition 2,5 bei KI-Systemen. Blogpost-Klicks: Von knapp 150 auf über 300 pro Tag, fast verdoppelt allein durch promptbasierte Blogposts. Conversion: 12,65 % für LLM-Traffic seit Januar 2026, verglichen mit 2-3 % über die organische Google-Suche.
Die Domain-Daten bestätigen den Trend: Die Gesamtzahl der rankenden Keywords sank innerhalb von 6 Monaten um 20 % (von über 3.200 auf rund 2.600). Gleichzeitig stieg die Zahl der Top-3-Keywords von 239 auf 250. Der organische Traffic wuchs um 27 % (von knapp 24.000 auf über 30.000 monatliche Besucher). Der Traffic-Wert stieg um 15 % auf rund 84.000 € monatlich. Weniger Keywords, bessere Themen, mehr Gesamtsichtbarkeit.
Topic Research: Themen trennscharf abgrenzen
Topic Research heißt: Ein Blogpost pro Thema, eine Frage pro Post. Ein häufiges Missverständnis ist, „in Themen denken“ mit „alles in einen Topf werfen“ zu verwechseln. Themen lassen sich genauso trennscharf abgrenzen wie Keywords, und genau das sollte passieren.
Ein Blogpost pro Thema. Nicht „Augenlasern: Alles was du wissen musst“ mit 5.000 Wörtern, sondern: „Gibt es eine Altersgrenze für Augenlasern?“ als eigenständiger, fokussierter Beitrag. „Zahlt die Krankenkasse Augenlasern?“ als separater Post. Jeder Post beantwortet genau eine Frage: isoliert verständlich, chunk-fähig für LLMs, rankfähig bei Google.
Warum funktioniert das? Content rankt nicht nur für das intendierte Keyword, sondern sammelt Klicks für verwandte Begriffe ein. Ein thematisch präziser Post zieht automatisch die richtigen Long-Tail-Queries an, bei Google und bei LLMs.
Was sich ändern muss und was bleibt
Topic Research entwertet die vier klassischen Keyword-Metriken: Suchvolumen, Keyword Difficulty, Keyword-Dichte und die Tool-Logik dahinter. Fünf SEO-Prinzipien bleiben dagegen bestehen: thematische Relevanz, Information Gain, Cost of Retrieval, Entity-Salience und semantische Struktur. Die beiden folgenden Listen ziehen die Trennlinie im Detail nach.
Was sich ändert
- Suchvolumen als Entscheidungskriterium verliert an Bedeutung. „Suchvolumen = 0“ ist kein Ausschlusskriterium mehr.
- Keyword Difficulty spielt für LLMs keine direkte Rolle. LLMs bewerten nicht nach Backlinks.
- Keyword-Stuffing ist endgültig tot. LLMs erkennen unnatürliche Keyword-Häufungen und stufen den Content herab (negatives Sentiment in RankScale).
- Die Tool-Industrie (Semrush, Ahrefs, Sistrix) muss sich transformieren. RankScale, Otterly und Peec.ai zeigen die Richtung.
Was bleibt
- Thematische Relevanz bleibt der wichtigste Ranking-Faktor, bei Google und bei LLMs.
- Information Gain bleibt entscheidend: Inhalte müssen Mehrwert bieten gegenüber dem, was bereits existiert.
- Cost of Retrieval bleibt relevant: Schnelle, gut strukturierte, schlanke Seiten bevorzugen Google und LLMs gleichermaßen.
- Entity-Salience bleibt zentral: Die Hauptentität muss klar erkennbar sein, ob Marke oder Thema.
- Semantisches SEO bleibt die Grundlage: Klare Struktur, explizite Relationen, chunk-fähige Absätze.
Generative Engine Optimization (GEO) ist keine komplett neue Disziplin. GEO ist zu 80 % SEO. Die Denkweise muss sich trotzdem verändern. Tradierte Konzepte wie Keyword-Dichte, Suchvolumen-Priorisierung und Difficulty-Scores funktionieren nicht mehr. Von der Draufsicht gelten dieselben Regeln für LLMs wie für Google. Die Umsetzung ist anders.
Was Kunden dazu sagen
Kunden sind froh, keine „klassischen SEO-Texte“ mehr schreiben zu müssen: keyword-gestopfte Texte, die niemand gern liest. Der neue Ausgangspunkt ist eine einzige Frage: „Was machst du, und für wen?“ Daraus lässt sich der Titel stricken, und der Rest folgt.
Die Erkenntnis, die viele überrascht: Du kannst auch auf Platz 3 bei Google mehr Leads einsammeln als auf Platz 1, wenn Snippet und Inhalt besser sind. Und du kannst bei ChatGPT empfohlen werden, ohne jemals für das entsprechende Keyword bei Google gerankt zu haben.
Wenn du wissen willst, welche Prompts Nutzer bei KI-Systemen zu deinem Thema stellen und welche davon Content-Potenzial haben, übernehmen wir die Prompt Research als Teil unseres SEO-Audits.
Häufige Fragen
Kann ich Semrush für Topic Research nutzen?
Semrush ist für Keyword-Recherche optimiert, nicht für Topic Research. Die Keyword-Daten aus Semrush wie Volumen, Difficulty und CPC bleiben nützlich zur Validierung, taugen als Ausgangspunkt für promptbasierte Content-Strategie aber nur noch bedingt. Für Topic Research startest du bei den Fragen und Themen, die deine Zielgruppe in LLMs und Suche tatsächlich stellt, und nutzt Keyword-Tools danach zur Priorisierung.
Ist Keyword-Recherche komplett überflüssig?
Keyword-Recherche ist nicht überflüssig, Keyword-Recherche verändert ihre Funktion. Keywords bleiben nützlich als Indikator dafür, was Menschen suchen. Die Metriken drumherum verlieren an Bedeutung für die Content-Strategie: Suchvolumen, Difficulty, CPC. Der Ausgangspunkt verschiebt sich von „Welches Keyword hat das höchste Volumen?“ zu „Welches Thema löst welches Problem?“
Was ist der Unterschied zwischen Topic Research und Keyword-Recherche?
Keyword-Recherche identifiziert Suchbegriffe und deren Metriken. Topic Research identifiziert Themenfelder, Nutzer-Prompts und Problemstellungen. Keyword-Recherche beantwortet „Wonach suchen Menschen bei Google?“ Topic Research beantwortet „Welche Probleme haben Menschen, die mein Produkt lösen kann?“ Topic Research nutzt Tools wie RankScale für Prompt Research statt Semrush für Suchvolumen.
Was ist Prompt Research?
Prompt Research ist der operative Teil von Topic Research. In RankScale gibst du ein Überthema ein und bekommst die konkreten Prompts angezeigt, die Nutzer bei ChatGPT, Perplexity und Gemini zu diesem Thema stellen. Die Prompts sind in Subkategorien geclustert, mit Aufrufhäufigkeit und Trendanzeige (steigend, stabil, fallend). Aus diesen Prompts leitest du Blogpost-Titel ab. Das ist die Grundlage für eine Content-Strategie, die für Google und LLMs gleichzeitig funktioniert.
Funktioniert Content ohne Suchvolumen wirklich?
Ja. 90 % der ChatGPT-Citations kommen von Seiten auf Rang 21 oder schlechter bei Google. LLMs bedienen eine andere Nachfrage als die klassische Google-Suche. Bei unserem Kunden aus der Medizintechnik haben promptbasierte Blogposts ohne Google-Suchvolumen die Klicks verdoppelt, weil die Themen auch bei Google rankten, nur eben für Queries, die in keinem Keyword-Tool auftauchen.
Muss ich meine bestehende Keyword-Strategie aufgeben?
Nein. Topic Research ersetzt Keyword-Recherche nicht schlagartig, Topic Research ergänzt Keyword-Recherche und verschiebt den Fokus. Bestehender Content, der für Keywords rankt, bleibt wertvoll. Neuer Content sollte themen- und promptbasiert geplant werden. Der Übergang ist fließend.
Welche Tools brauche ich für Topic Research?
RankScale (ab 20 $/Monat) für Prompt Research und AI Visibility Tracking. Die Google Search Console für Performance-Daten. Optional: DataForSEO AI Optimization API für LLM-Rohdaten. Die klassischen Tools (Semrush, Ahrefs) bleiben nützlich für Backlink-Analyse und technisches SEO. Für die Content-Strategie rücken promptbasierte Tools in den Vordergrund.
Wie grenze ich Themen voneinander ab?
Topic Research erfordert dieselbe Trennschärfe wie Keyword-Recherche. Ein Blogpost pro Thema, eine Frage pro Post. „Gibt es eine Altersgrenze für Augenlasern?“ und „Zahlt die Krankenkasse Augenlasern?“ sind zwei separate Themen, auch wenn ein Keyword-Tool beides unter „Augenlasern Kosten“ zusammenfassen würde.
Quellen
- Holland, Andrew (2025): „The Ultimate Guide to GEO: Part 1“, LinkedIn. Themen: Information Foraging Theory, Category Entry Points, Problem Spaces
- Holland, Andrew (2024): „What information gain in SEO really means“, Search Engine Land. Thema: Information Foraging Theory für SEO
- Nielsen Norman Group: „Information Foraging: A Theory of How People Navigate on the Web“. Pirolli/Card-Theorie praxisnah erklärt
- Bain & Company (2025): „Consumer reliance on AI search results signals new era of marketing“. Kernzahlen: 80 % Zero-Click, organischer Traffic -15 bis -25 %
- Semrush (2025): „LLM Seeding: An AI Search Strategy“. Kernzahl: 90 % der ChatGPT-Citations von Seiten jenseits Rang 21
- Ehrenberg-Bass Institute: marketingscience.info. Themen: Category Entry Points, „How Brands Grow“
- Windolph, Benny: „Semantisches SEO“, HECHT INS GEFECHT. Thema: Content-Regeln für Google und KI
- Windolph, Benny: „LLM-Sichtbarkeit“, HECHT INS GEFECHT. Thema: Monitoring und Conversion-Daten
- Windolph, Benny: „GEO: Generative Engine Optimization“, HECHT INS GEFECHT. Thema: NAPD-Framework und Citations