Prompt Research

In der klassischen Google Suche ließ sich Nachfrage klar messen: Keywords und Suchvolumina zeigten, was wie oft gesucht wird. „Gasgrill“ hat ein messbares monatliches Suchvolumen, darauf lässt sich Content planen.

In der AI Suche funktioniert das nicht mehr. Nutzer formulieren individuelle Prompts statt standardisierte Keywords einzugeben. Statt „gasgrill“ fragt ein Nutzer bei ChatGPT: „Ich suche einen Gasgrill mit mindestens 3 Brennern für meine Dachterrasse, möglichst kompakt und mit Seitenbrenner. Budget bis 500 Euro.“ Ein anderer bei AI Mode: „Vergleiche die Vor- und Nachteile von Gasgrills und Holzkohlegrills für Einsteiger.“ Und ein dritter bei AI Overviews: „Gasgrill Winterlagerung“.

Das Ergebnis: Viele Prompts sind einzigartig oder kommen nur sehr selten vor. Einzelne Prompts zu analysieren und darauf Content-Strategien aufzubauen ist nicht praktikabel.

Die Lösung: Von Prompts zu Themen

Prompt Research löst dieses Problem durch eine Abstraktionsebene. Statt einzelne Prompts zu analysieren, bündelt das Tool ähnliche Prompts zu Themen (Topics). Ein Topic fasst alle Prompts zusammen, die sich hinreichend genau mit einem Thema und einem Ziel beschäftigen. Das Topic „Gasgrill Winterlagerung“ enthält zum Beispiel alle Varianten von Nutzerfragen rund um das Einlagern und Schützen eines Gasgrills im Winter, egal ob kurz oder ausführlich formuliert, egal auf welcher Plattform.

Dieses Clustering macht AI Suchnachfrage analysierbar: Statt Millionen einzigartiger Prompts stehen klar abgegrenzte Themen mit aggregierten Kennzahlen zur Verfügung. Die Grundlage bilden über 62 Millionen echte Nutzerfragen, gebündelt in über 1,4 Millionen Topics.

So funktioniert Prompt Research

Der Einstieg ist wie bei der klassischen Keyword-Recherche: Ein Keyword eingeben und die Suche starten. Prompt Research durchsucht die Datenbank sowohl nach dem eingegebenen Keyword als auch semantisch nach thematisch verwandten Topics.

Themen-Übersicht

Das Ergebnis ist eine Übersicht aller passenden Topics. Für „gasgrill“ findet das Tool zum Beispiel 485 Topics, von „Gasgrill Kaufberatung“ über „Gasgrill Anschaffung: Kombigrill & tragbare Modelle“ bis „Gasgrill Winterlagerung“ und „Gasgrill Hitzeoptimierung“. Die Topics decken den gesamten Nutzungszyklus ab: von der Kaufentscheidung über den Betrieb bis zur Wartung.

In der Kopfzeile werden die aggregierten Werte aller gefundenen Topics zusammengefasst: Anzahl Topics, durchschnittliche Dialog Länge, Verteilung über die Customer Journey Phasen und Verteilung der Intents.

In der Tabelle darunter werden die einzelnen Topics mit Name, Beschreibung, Suchvolumen, Dialog Länge, Customer Journey Stage und Intent aufgelistet.

Filter helfen, die oft große Anzahl an Topics auf die strategisch relevanten einzugrenzen. Neben den Schnellfiltern für Intent und Customer Journey Stage lassen sich über Jetzt filtern eigene Filter erstellen. Filterbare Felder sind: Thema, Suchvolumen, Dialog Länge, Nächster Schritt, Buyer Persona und Emotional Driver.

Damit lassen sich nicht nur klassische Metriken eingrenzen, sondern auch die psychologischen und strategischen Datenpunkte gezielt nutzen:

• Nächster Schritt enthält ‚kaufen‘ findet Topics, bei denen der logische nächste Schritt ein Kauf ist. Ideal um kommerziell relevante Themen zu isolieren.
• Buyer Persona enthält ‚Einsteiger‘ findet Topics, deren Zielgruppe Anfänger sind. Hilfreich um gezielt Einstiegs-Content zu planen.
• Emotional Driver enthält ‚Angst‘ findet Topics, bei denen Unsicherheit oder Sorge die Suche treibt. Diese Themen profitieren von vertrauensbildendem Content.
• Dialog Länge > 4 findet besonders beratungsintensive Themen mit hohem Erklärungsbedarf.

Filter lassen sich kombinieren und speichern.

Topic-Detail

Ein Klick auf ein Topic öffnet die Detail-Ansicht mit allen verfügbaren Datenpunkten. Die Informationen sind so aufgebaut, dass sie direkt als Briefing für die Content-Erstellung oder die Optimierung bestehender Inhalte dienen können.

Oben stehen die vier Kennzahlen: Suchvolumen, Dialog Länge, Intent und Customer Journey Stage. Zusammen ergeben sie ein schnelles Bild: Wie groß ist das Thema, wie komplex ist es, was will der Nutzer und wo steht er in seiner Entscheidung?

Die Dialog Länge ist dabei besonders relevant für die Content-Planung. Ein Wert von 1,5 (einfache Faktenabfrage) verlangt nach einer kurzen, präzisen Antwort. Ein Wert von 3,5 (komplexes Beratungsgespräch) zeigt, dass der Nutzer viele Fragen hat und tiefgehender Content mit mehreren Abschnitten, Vergleichen oder Entscheidungshilfen nötig ist.

Beschreibung: Eine kurze sachliche Zusammenfassung des Themas. Sie hilft dabei, ein Topic schnell einzuordnen und von ähnlich klingenden Topics abzugrenzen.

Zielgruppe und Strategie

Dieser Bereich liefert das Briefing hinter den Zahlen. Statt nur zu wissen, dass ein Thema „Commercial“ ist und in der „Consideration“-Phase liegt, zeigt er, wer konkret sucht und warum.

Die Buyer Persona beschreibt die typische Person hinter der Suche. Für „Gasgrill Anschaffung“ ist das zum Beispiel „der sicherheitsorientierte Hobby-Griller, der Komfort sucht, aber den finanziellen Aufwand gegen den tatsächlichen Nutzen abwägt.“ Das ist direkt nutzbar: Der Content sollte Sicherheit und Komfort betonen und gleichzeitig eine klare Kosten-Nutzen-Argumentation liefern.

Der Emotional Driver zeigt, was die Suche wirklich antreibt. Oft ist das nicht die offensichtliche Frage, sondern eine tieferliegende Motivation. Bei „Gasgrill Anschaffung“ ist es die Angst vor einer kostspieligen Fehlentscheidung. Content, der diese Angst adressiert (z.B. durch einen strukturierten Vergleich oder eine klare Empfehlung), wird besser performen als eine reine Feature-Auflistung.

Die Nächste Nutzerfrage zeigt, wohin die Reise geht. Wenn der Nutzer nach der Antwort als nächstes fragt „Welches Gasgrill-Modell ist für einen Anfänger am besten geeignet?“, dann sollte der Content diese Frage vorwegnehmen oder direkt darauf verlinken. So bleibt der Nutzer im eigenen Content-Ökosystem statt erneut bei der AI zu fragen.

Der Nächste Schritt benennt die logische Handlung nach der Informationsphase. Das ist oft ein Kauf, kann aber auch eine Anmeldung, ein Download oder eine weiterführende Recherche sein. Für die Content-Strategie zeigt dieser Wert, welches Conversion-Ziel realistisch ist: Bei „Vergleichstabelle der eigenen Anforderungen gegen die drei Gerätetypen erstellen“ ist klar, dass der Nutzer noch nicht kaufbereit ist, sondern einen Vergleichs-Content braucht.

Ungestellte Fragen sind Fragen, die der Nutzer nicht gestellt hat, aber kennen sollte, um eine bessere Entscheidung zu treffen oder Fehler zu vermeiden. Bei „Gasgrill Anschaffung“ zum Beispiel: „Wie hoch sind die laufenden Kosten für Gasflaschen im Vergleich zu Holzkohle?“ oder „Benötigt ein hochwertiger Gasgrill eine spezielle Abdeckung für die Langlebigkeit?“

Ungestellte Fragen sind oft die besten Ansatzpunkte für Content, der sich von der Konkurrenz abhebt. Während die meisten Inhalte die offensichtlichen Fragen beantworten, zeigt Content, der ungestellte Fragen adressiert, Expertise und schafft Vertrauen. In AI Antworten wird genau diese Tiefe belohnt.

Marken zeigt die Marken, die für dieses Thema relevant sind. Nicht jedes Topic hat relevante Marken. Wo sie vorhanden sind, helfen sie einzuschätzen, welche Wettbewerber für ein Thema bereits präsent sind und gegen wen der eigene Content antreten muss.

Nutzerprompts

Unter „Nutzerprompts“ zeigt das Tool Prompts für jede AI Plattform: AI Mode, ChatGPT, AI Overview, Gemini, Copilot und Perplexity. Die Prompts unterscheiden sich je Plattform, weil Nutzer auf jeder Plattform anders suchen.

Bei AI Overviews sind die Prompts kurz und keyword-orientiert, vergleichbar mit klassischen Google-Suchanfragen. Bei AI Mode werden konversationelle Recherche-Fragen gestellt, die auf Synthese und Vergleich abzielen. Bei ChatGPT sind die Prompts deutlich ausführlicher: mit konkretem Kontext, Angaben zur eigenen Situation und spezifischen Anforderungen. Bei Gemini liegt der Fokus auf kompakter Problemlösung. Copilot und Perplexity ergänzen das Bild mit ihren jeweiligen plattformtypischen Fragemustern.

Diese Unterschiede sind relevant für die Content-Optimierung. Content, der bei AI Overviews sichtbar sein soll, muss auf kurze Faktenabfragen optimiert sein. Content für ChatGPT-Sichtbarkeit muss dagegen komplexe, kontextreiche Fragen beantworten können. Die Nutzerprompts zeigen konkret, welche Art von Fragen auf welcher Plattform gestellt werden.

Suchvolumen in Prompt Research

Was zeigt das Suchvolumen?

Das Suchvolumen in Prompt Research ist ein kanalübergreifender Markt-Indikator. Es schätzt die monatliche Nachfrage für ein Thema über die relevanten AI Plattformen hinweg: Google AI Overviews, ChatGPT, Gemini und weitere.

Der Wert beantwortet die Frage: Wie groß ist das Informationsbedürfnis zu diesem Thema im gesamten AI-Ökosystem? Anstatt unvollständige Einzelwerte pro Plattform auszuweisen, liefert dieser konsolidierte Wert das Gesamtpotenzial. Damit lassen sich Themen strategisch priorisieren und die relative Nachfrage einschätzen.

Das Suchvolumen in Prompt Research ist eine eigenständige Metrik für den AI-Markt. Es misst die geschätzte Nachfrage in der AI Suche und ist nicht direkt mit dem klassischen Google-Suchvolumen gleichzusetzen.

Wie wird das Suchvolumen berechnet?

Das Berechnungsmodell überführt globale Nutzungsdaten in konkrete, themenbezogene Marktwerte. Die Berechnung erfolgt in vier Schritten:

Schritt 1: Gesamtvolumen ermitteln und Suchintent isolieren. Zunächst erfassen wir das globale Volumen der AI Plattformen. ChatGPT verarbeitet nach Angaben von OpenAI mehr als 2,5 Milliarden Nachrichten pro Tag; für andere Plattformen nutzen wir vergleichbare Daten oder fundierte Branchen-Benchmarks. Da generative AI auch für kreatives Schreiben, Programmieren und andere Aufgaben ohne Recherche-Fokus genutzt wird, bereinigen wir die Daten statistisch, sodass das reine Informations- und Suchbedürfnis übrig bleibt.

Schritt 2: Lokalisierung und Gewichtung durch Crawling-Daten. Über die bekannten Anteile der Länder an der globalen Nutzung (Visitor Share) brechen wir das Volumen auf den deutschen Markt herunter. Für Google AI Overviews nutzen wir zusätzlich unsere eigene Crawling-Infrastruktur: Wir messen, bei welchen Topics und Suchintentionen Google ein AI Overview ausspielt. Diese Sichtbarkeitsdaten fließen als Gewichtung direkt in die Berechnung ein.

Schritt 3: Verteilung auf einzelne Topics. Da AI Plattformen keine Nachfragedaten auf Themenebene veröffentlichen, nutzen wir die reale Nachfrage aus der klassischen Google Suche als Proxy zur Verteilung. Die Prämisse: Ein Thema, das in der Google Suche ein großes Informationsbedürfnis auslöst, hat auch in der AI Suche eine entsprechend hohe Relevanz. Wir nutzen den Google-Traffic als Verteilungsschlüssel, um das zuvor ermittelte AI-Gesamtvolumen proportional auf einzelne Topics herunterzubrechen.

Schritt 4: Werte runden. Die Ergebnisse werden leicht gerundet, um keine Scheingenauigkeit zu erzeugen. Ein angezeigter Wert von 25.000 bedeutet nicht exakt 25.000 Anfragen, sondern markiert die Größenordnung.

Methodische Prämissen

Das Suchvolumen ist ein datengetriebener Benchmark, keine exakte Messung. Jedes statistische Modell basiert auf Prämissen, die wir hier offenlegen:

Prämisse 1: Proportionale Informationsnachfrage. Wir gehen davon aus, dass die relative Verteilung der Nachfrage zwischen Topics in der AI Suche strukturell der Google Suche ähnelt. Wenn „Kaffeemaschine entkalken“ generell ein größeres Suchbedürfnis auslöst als „Kaffeemaschine reinigen“, bildet das Modell dieses Verhältnis auch für die AI Suche ab. Einzelne Themen können in der Realität davon abweichen. Durch die Bündelung vieler einzelner Prompts zu einem Topic werden statistische Ausreißer aufgefangen: Einzelne Prompts können in ihrer Häufigkeit stark schwanken, aber auf Topic-Ebene gleichen sich diese Schwankungen aus. Je mehr Prompts ein Topic umfasst, desto stabiler und vergleichbarer wird der Wert.

Prämisse 2: Plattformübergreifender Durchschnitt. Die Verteilung zwischen den AI Plattformen wird pro Topic nicht individuell ausgewiesen, sondern spiegelt den deutschen Gesamtmarkt wider. In der Praxis können bestimmte Themen auf einzelnen Plattformen überproportional gefragt sein (z.B. komplexe Recherchen bei ChatGPT, schnelle lokale Fragen bei AI Overviews).

Prämisse 3: Aktualität der Datenbasis. Wir greifen auf die jeweils aktuellsten verfügbaren Nutzungsdaten der AI Anbieter und Drittquellen zurück und aktualisieren die Berechnungsgrundlage regelmäßig.

Warum gibt es kein exaktes Suchvolumen für AI Search?

In der klassischen Google Suche stellt Google über den Keyword Planner aggregierte Suchvolumina bereit. Für AI Search existiert kein vergleichbares Werkzeug. Kein AI Anbieter veröffentlicht Nachfragedaten auf der Ebene einzelner Themen. Zudem fehlt ein einheitlicher Standard dafür, was „eine Suche“ ist: ein isoliertes AI Overview ist etwas anderes als eine einzelne Nachricht in einem längeren ChatGPT-Dialog.

Eine exakte Messung ist daher systembedingt nicht möglich. Das Suchvolumen in Prompt Research ist die aktuell bestmögliche datengestützte Annäherung an den AI-Suchmarkt.

Weiterentwicklung

Die Methodik wird kontinuierlich weiterentwickelt. Sobald AI Plattformen mehr Daten veröffentlichen oder sich neue Datenquellen ergeben, fließen diese in das Modell ein. Die angezeigten Werte können sich dadurch im Laufe der Zeit verändern, auch rückwirkend.

Wofür eignet sich das Suchvolumen?

• Themen priorisieren: Der Wert zeigt, welche Themen eine hohe Nachfrage haben und welche weniger relevant sind. Für die Planung von Content-Maßnahmen ist die relative Größenordnung entscheidend.
• Potenziale vergleichen: In Kombination mit der Dialog Länge zeigt das Suchvolumen, wo Potenzial für tiefgehenden Content besteht. Hohes Volumen bei hoher Dialog Länge deutet auf großen Erklärungsbedarf.
• Märkte einschätzen: Über die aggregierten Werte lässt sich das Volumen ganzer Themenfelder in der AI Suche abschätzen.

Wofür eignet es sich nicht?

• Direkte Vergleiche mit dem Google-Suchvolumen: Die Metriken messen unterschiedliche Ökosysteme und sind nicht direkt vergleichbar.
• Plattform-Isolierung: Das Volumen zeigt den Gesamtmarkt. Es eignet sich nicht, um die Nachfrage ausschließlich bei ChatGPT oder ausschließlich bei Gemini zu analysieren.
• Tagesaktuelle Trends: Das Modell basiert auf monatlichen Durchschnittswerten und bildet keine kurzfristigen Schwankungen ab.