SEO Keyword Analyse mit KI: Wie ich als SEO Berater Claude für strategische Keyword-Recherche nutze

Was dieser Artikel leistet für eine SEO Keyword Analyse mit KI:

Tipp: Der Text ist ziemlich lang. Lasse ihn Dir von KI zusammenfassen!

Eine SEO Keyword Analyse bewertet Suchbegriffe nach Suchvolumen, Wettbewerb, Quick-Win-Potenzial und strategischer Relevanz. Ziel ist eine priorisierte Liste, mit der ein Content-Team strategisch arbeiten kann.

Dieser Artikel beschreibt einen Praxis-Prozess in neun Schritten, mit dem ich als SEO Berater eine vollständige Keyword-Analyse mit Claude als KI-Partner durchführe. Der Prozess kombiniert Daten aus Google Search Console, Sistrix, Wettbewerber-Exporten und Google Keyword Planner. Das Ergebnis ist eine geclusterte, bewertete und priorisierte Excel-Datei.

Ich weiß, dass moderne KI-Modelle das Thema Keyword-Analyse heute selbst gut erklären können. Ich schreibe diesen Artikel trotzdem, weil ich glaube, dass konkrete Beispiele aus realen Projekten und persönliche Erfahrungswerte aus mehreren Jahren SEO-Beratung für viele Entscheider hilfreicher sind als generische KI-Antworten. Genau diese Erfahrung versuche ich hier einzubringen.

Was sich durch KI in der Keyword-Analyse verändert hat

Keyword-Tools wie Sistrix, Semrush oder Ahrefs gibt es seit vielen Jahren. Sie liefern Daten in einer Qualität, an die KI-Modelle nicht herankommen, und werden auch in Zukunft nicht überflüssig. Was sich verändert hat, ist die Schicht oberhalb der Tools. Also der Schritt, in dem aus mehreren Tausend Keywords eine strukturierte, deduplizierte und strategisch bewertete Liste wird.

Diese Schicht war früher Excel-Handarbeit. Sortieren, filtern, gruppieren, manuell clustern, Scoring-Formeln basteln. Wer das schon mal gemacht hat, kennt den Aufwand. Und kennt auch das Risiko, dass nach drei Stunden Excel-Arbeit immer noch keine wirklich saubere Liste rauskommt.

Genau dieser Teil lässt sich mit Claude erheblich beschleunigen. Claude verarbeitet CSV-Exporte direkt, dedupliziert über alle Quellen hinweg, bildet thematische Cluster nach Regeln, die ich vorgebe, und wendet ein Scoring-Modell konsistent auf Tausende Zeilen an. Das ist nicht Magie, das ist saubere Datenverarbeitung mit einem Sprachmodell als Werkzeug.

Die zweite Veränderung betrifft die Art des Arbeitens. Ich arbeite mit Claude im Dialog. Das heißt: Claude macht einen Vorschlag, ich prüfe, ich korrigiere, Claude lernt im Verlauf der Session dazu. Bei einem klassischen Tool drücke ich einen Button und bekomme ein Ergebnis. Bei Claude formuliere ich eine Hypothese und bekomme eine begründete Antwort, die ich hinterfragen kann. Beides hat seine Berechtigung. Für strategische Entscheidungen ist der Dialog aber überlegen.

Welche Daten eine SEO Keyword Analyse braucht

Bevor ich Claude überhaupt öffne, sammle ich die Datenquellen. Das ist der Schritt, der am häufigsten unterschätzt wird. Eine Keyword-Analyse ist immer nur so gut wie die Daten, die sie füttert.

Mein Standard-Setup besteht aus vier Quellen. Erstens der Google Search Console Export der Suchanfragen und der Seiten, jeweils als CSV. Das ist die wichtigste Quelle, weil sie zeigt, wofür die Domain bereits real Sichtbarkeit hat. Zweitens der Sistrix-Export der eigenen Domain mit allen rankenden Keywords. Drittens die Sistrix-Exporte der zwei bis vier wichtigsten Wettbewerber. Viertens der Google Keyword Planner, den ich aus zwei Gründen einsetze. Zum einen zur Validierung von Suchvolumen für Keywords, bei denen Sistrix lückenhaft oder veraltet wirkt. Zum anderen als Ideengeber, um zusätzliche Keyword-Vorschläge zu generieren, die in den anderen Quellen noch nicht auftauchen. Vor allem bei neuen Themen oder bei Domains mit wenig Bestandssichtbarkeit ist der Keyword Planner als Ideenquelle wertvoll.

Bei spezifischen Projekten kommen weitere Quellen dazu, etwa ein Sistrix-Export einer Legacy-Domain bei Migrationen oder ein Screaming-Frog-Crawl zur URL-Mapping-Validierung. Diese Spezialfälle blende ich hier aber bewusst aus, um den Prozess fokussiert zu halten.

Die Faustregel: Je mehr Quellen ich kombiniere, desto vollständiger und realistischer wird das Bild. Wer nur Keyword-Vorschläge aus einem Tool nimmt, bekommt einen Ausschnitt. Wer GSC, eigene Sistrix-Daten, drei Wettbewerber und Keyword Planner kombiniert, bekommt ein 360-Grad-Bild.

Schritt 1: Scope schärfen, bevor Daten fließen

Der erste Schritt im Chat ist immer derselbe. Ich kläre mit Claude den Scope. Welche Domain, welcher Markt, welche Sprache, welches primäre Ziel. Geht es um Quick Wins, also um Rankings, die kurz vor Seite eins stehen und mit On-Page-Arbeit gehoben werden können? Geht es um Gap-Analyse, also um Themen, die der Wettbewerb besetzt und die eigene Domain nicht? Oder geht es um Content-Priorisierung, also um die Frage, welche Themencluster strategisch ausgebaut werden sollen?

Diese Klärung dauert fünf Minuten und ist trotzdem entscheidend. Wenn der Scope unscharf bleibt, schwimmt die Analyse. Wenn der Scope klar ist, wird jeder spätere Schritt einfacher. Claude stellt in dieser Phase gezielte Rückfragen. Das wirkt manchmal kleinlich, ist aber gewollt. Ein guter Berater fragt, bevor er anfängt. Ein gutes KI-Modell auch.

In einem Projekt für einen Telekommunikationsanbieter, mit dem ich seit längerem arbeite, war der Scope zum Beispiel klar definiert: Postpaid-Mobilfunk hat Vorrang vor Prepaid, der deutsche Markt steht im Fokus, das primäre Ziel ist Content-Priorisierung über eine Cluster-Architektur. Diese drei Sätze haben die gesamte nachfolgende Analyse strukturiert.

Schritt 2: Ist-Stand-Analyse über die Google Search Console

Im zweiten Schritt lade ich den GSC-Export der Suchanfragen und der Seiten hoch und lasse Claude analysieren. Was kommt dabei raus? Klicks und Impressionen aggregiert. Verteilung der Rankings nach Positionsgruppen, also Top 3, Position 4 bis 10, Position 11 bis 20, Position 21 und schlechter. Verhältnis von Brand- zu Non-Brand-Traffic. Liste der stärksten URLs nach Klicks und nach Impressionen. Erste Quick Wins, also Keywords auf Position 4 bis 20 mit relevantem Suchvolumen.

Diese Auswertung ist die Basis. Sie zeigt, wo die Domain heute steht und wo der größte Hebel liegt. Beim Telekommunikationsanbieter hat sich in diesem Schritt zum Beispiel gezeigt, dass ein erheblicher Teil des organischen Traffics über Brand-Suchen kam und dass im Non-Brand-Bereich vor allem Tarif-bezogene Keywords schon Sichtbarkeit hatten, während informationelle Themen rund um Mobilfunk-Beratung kaum besetzt waren. Diese Erkenntnis hat die gesamte Content-Strategie geprägt.

Schritt 3: Gap-Analyse über Wettbewerber-Exporte

Jetzt kommen die Wettbewerber-Exporte aus Sistrix dazu. Claude führt drei Operationen durch. Erstens identifiziert das Modell Keywords, auf denen mindestens ein Wettbewerber rankt, die eigene Domain aber nicht. Zweitens dedupliziert es: pro Keyword wird nur das beste Wettbewerber-Ranking behalten, damit die Liste nicht durch Mehrfachzählungen aufgebläht wird. Drittens filtert Claude Noise raus, also Brand-Keywords der Wettbewerber, nicht-zielsprachige Begriffe und offensichtlich irrelevante Themen.

Was übrig bleibt, ist die strategisch wertvollste Liste in der ganzen Analyse. Sie zeigt, welche Themenfelder im Markt etabliert sind und auf der eigenen Domain noch nicht oder nicht ausreichend besetzt werden. Beim Telekommunikationsanbieter waren das zum Beispiel ganze Themenblöcke rund um Vertragsmodalitäten, SIM-Karten-Typen und tarifübergreifende Beratungsthemen.

Schritt 4: Masterliste zusammenführen

Jetzt führt Claude alle Quellen zu einer einzigen Tabelle zusammen. Dedupliziert wird auf Basis des normalisierten Keywords, also Kleinschreibung und getrimmt. Die Spaltenstruktur, mit der ich arbeite, sieht in der Praxis so aus: Keyword, Suchvolumen, Position der eigenen Domain, GSC-Klicks, GSC-Impressionen, GSC-Position, Intent, vorläufiges Themencluster, Prüfhinweis bei unsicheren Zuordnungen, Quelle.

Wichtig ist die Spalte "Quelle". Sie zeigt, aus welchen Datenquellen ein Keyword stammt. Ein Keyword, das in GSC, eigener Sistrix und drei Wettbewerber-Exporten auftaucht, ist strategisch anders zu bewerten als eines, das nur aus einem einzelnen Wettbewerber-Export kommt.

Wie groß sollte die Masterliste sein? Das hängt stark vom Geschäftsmodell ab. Bei einem fokussierten B2B-Anbieter sind 500 bis 1.500 Keywords typisch. Bei einem großen E-Commerce-Shop können es 5.000 bis 10.000 sein. In einem Telko-Projekt ist auf diese Weise eine Masterliste von 943 Keywords entstanden. Wichtig ist nicht eine absolute Zahl, sondern die Frage, ob mit der Liste noch strategisch gearbeitet werden kann. Wenn die Liste zu groß wird, sollte sie clusterweise bearbeitet werden statt im Ganzen.

Schritt 5: Themencluster bilden

Die geclusterte Liste ist der entscheidende Übergang von Daten zu Strategie. Ich gebe Claude die Cluster-Logik vor, die zum jeweiligen Geschäftsmodell passt. Für einen B2C-Mobilfunkanbieter sind das andere Cluster als für einen B2B-Produkthersteller oder einen Energieberater.

Typische Cluster für ein B2C-Telekommunikationsprojekt: Brand, Tarif-Keywords, Geräte-Keywords, Service- und Vertragsthemen, Beratung und Vergleich, technische Informationen, internationale oder fremdsprachige Keywords als eigenes Bucket. Typische Cluster für einen B2B-Produkthersteller: Brand, Produktkategorien, einzelne Produkte und Artikelnummern, Materialien und Werkstoffe, Anwendungen und Branchen, technische Normen, Karriere als irrelevantes Bucket.

Ein wichtiger Punkt aus der Praxis: Claude clustert nicht von alleine richtig. Wer einfach sagt "bilde sinnvolle Cluster", bekommt Cluster, die nicht zum Geschäftsmodell passen. Entweder gebe ich die Cluster-Logik von Anfang an präzise vor, also mit Cluster-Namen und Zuordnungsregeln, oder ich arbeite iterativ und korrigiere die ersten Vorschläge. Beides funktioniert, aber der präzise Initial-Prompt spart Zeit. Eine gute Faustformel: Wenn ich Claude in einem Satz erklären kann, welche Cluster ich will und welche Logik dahintersteht, kommt ein brauchbares Ergebnis. Wenn ich das nicht kann, sollte ich das Cluster-Konzept erst selbst klären, bevor Claude clustert.

Claude wendet die Cluster-Regeln dann auf die gesamte Liste an und markiert Zuordnungen, die inhaltlich geprüft werden sollten. Das sind typischerweise mehrdeutige Begriffe oder technische Normen, die nicht eindeutig zu einem Cluster gehören. Diese Markierung ist Gold wert, weil sie genau die Stellen herausschält, an denen menschliche Entscheidung gefragt ist.

Schritt 6: Bereinigung

Jetzt kommt der Schritt, den die meisten unterschätzen. Eine rohe Liste aus mehreren Quellen enthält immer Noise. Themenfremde Keywords, die durch breite Wettbewerber-Exporte reinkommen. Nicht-zielsprachige Keywords. Operator-Queries, also Suchen mit site: oder ähnlichen Operatoren, die von Monitoring-Tools stammen. Produkte anderer Hersteller, die für die eigene Domain irrelevant sind.

Mein Vorgehen mit Claude ist hier wichtig. Ich lasse Claude die Noise-Kandidaten nicht einzeln auflisten, sondern in Gruppen. Also: "Hier sind alle Keywords, die fremdsprachig wirken." "Hier sind alle Keywords, die Hersteller-Bezug haben, aber nicht zur eigenen Marke gehören." "Hier sind alle Keywords mit offensichtlich operativem Charakter."

Dann entscheide ich pro Gruppe, nicht pro Keyword. Das beschleunigt den Bereinigungsschritt enorm und vermeidet den Fehler, sich in Einzelentscheidungen zu verlieren. Das ist übrigens auch eine generelle Empfehlung für die Arbeit mit Claude: Entscheidungen pro Muster, nicht pro Einzelfall.

Schritt 7: Scoring und Priorisierung

Aus einer geclusterten Liste wird durch das Scoring eine handlungsfähige Liste. Ich arbeite mit einem Modell aus vier Dimensionen, jede mit null bis drei Punkten, maximal also zwölf Punkte.

Dimension 1: Suchvolumen

Wie groß ist die Nachfrage? 3 Punkte ab 500 monatlichen Suchanfragen. 2 Punkte für 100 bis 499. 1 Punkt für 10 bis 99. 0 Punkte für Keywords ohne erkennbares Suchvolumen.

Dimension 2: Wettbewerb

Wie stark sind die Wettbewerber auf den vorderen Plätzen? 3 Punkte, wenn auf den ersten Positionen kein etablierter Wettbewerber rankt. 2 Punkte für Wettbewerber-Positionen 11 bis 50. 1 Punkt für Positionen 4 bis 10. 0 Punkte bei Top-3-Dominanz durch starke Wettbewerber.

Dimension 3: Quick-Win-Potenzial

Gibt es ein vorhandenes eigenes Ranking, das mit On-Page-Arbeit gehoben werden kann? 3 Punkte für eigene Rankings auf Position 4 bis 10. 2 Punkte für 11 bis 20. 1 Punkt für 21 bis 50. 0 Punkte ohne eigenes Ranking.

Dimension 4: Strategische Relevanz

Passt das Keyword zur Kernstrategie und zum Geschäftsmodell? 3 Punkte für Kern-Keywords. 2 Punkte für unterstützende Themen. 1 Punkt für sonstige Themen mit Restbezug.

Gewichtung und Priorisierung

Wichtig: Die Dimension "Strategische Relevanz" muss nicht zwingend gleich gewichtet sein wie die anderen drei. Wenn ein Projekt einen klaren strategischen Fokus hat, etwa weil Postpaid-Mobilfunk Vorrang vor Prepaid haben soll oder weil ein bestimmter Produktbereich gepusht werden soll, kann diese Dimension auch doppelt gewichtet werden. Genauso lässt sich die Dimension je nach Geschäftsmodell konkretisieren. Für einen E-Commerce-Shop oder einen Telekommunikationsanbieter sollte sie als Business Value oder Conversion-Potenzial konkretisiert werden. Also nicht nur "passt zur Strategie", sondern "wie wahrscheinlich führt ein Klick auf dieses Keyword zu einem Vertragsabschluss oder Kauf". Beim Telekommunikationsanbieter habe ich genau das gemacht und ein gewichtetes Modell mit den Dimensionen Volume, Opportunity, Intent und Business Value gefahren.

Die Priorisierung läuft dann sauber: Hoch ab Score 10 aufwärts. Mittel 7 bis 9. Niedrig unter 7. Maßnahmentyp Optimierung für Keywords mit vorhandenem Ranking auf Position 4 bis 50. Maßnahmentyp Neuaufbau für Keywords ohne Ranking. Keywords auf Position 1 bis 3 werden separat behandelt und kommen nicht in die aktive Optimierungsliste.

Schritt 8: Excel als finales Deliverable

Die letzte Aufgabe für Claude ist die Ausgabe als Excel-Datei mit klarer Struktur. Tab 1 enthält die SEO-Prioritätsliste, sortiert nach Score absteigend. Tab 2 enthält eine Cluster-Übersicht mit Score-Statistik pro Cluster. Tab 3 enthält Legende und Erklärung des Scoring-Modells.

Formatierung ist hier kein Kosmetik-Thema, sondern Arbeitsfähigkeit. Farbkodierung nach Themencluster, Priorität-Spalte farbig rot, gelb, grün. Maßnahmen-Spalte farbig. Autofilter auf allen Spalten. Fixierte Kopfzeile. Eine Liste, die nicht gefiltert und sortiert werden kann, wird nicht benutzt.

Tool-Stack für die SEO Keyword Analyse mit Claude und wohin die Entwicklung geht

Claude ist in diesem Workflow das zentrale Analyse-Werkzeug, aber nicht das einzige. Mein vollständiger Stack für eine SEO Keyword Analyse sieht so aus:

Google Search Console liefert die wichtigsten Daten zur aktuellen Performance. Klicks, Impressionen, Positionen, Suchanfragen pro URL. Ohne GSC keine seriöse Analyse.

Sistrix ist heute noch mein Hauptwerkzeug für Sichtbarkeitsanalyse, Wettbewerber-Recherche und Keyword-Datenbank. Die Tiefe der Sistrix-Daten ist im deutschsprachigen Raum kaum zu schlagen. Meine These zur Zukunft: Für technisch affine SEO Berater wird sich die Datenbeschaffung in den nächsten Jahren verändern. Statt mit der Sistrix-Oberfläche zu arbeiten, wird der direkte Zugriff auf Rohdaten über APIs zunehmen, sei es über die Sistrix-API oder über Datenanbieter wie DataforSEO, die direkten Zugriff auf SERP- und Volume-Daten zu deutlich anderen Konditionen bieten. Mit Claude oder ähnlichen KI-Modellen lassen sich solche API-Anbindungen heute in wenigen Stunden bauen. Ich erwarte, dass dieser Schritt mittelfristig Standard wird und das klassische Tool-Abo für viele Use Cases ergänzt oder teilweise ersetzt.

Google Keyword Planner nutze ich zur Validierung von Suchvolumen und als Ideengeber, vor allem bei neuen Themen oder Domains mit wenig Bestandssichtbarkeit.

Screaming Frog kommt bei größeren Projekten ins Spiel, vor allem für Keyword-zu-URL-Mapping und für die Analyse semantisch ähnlicher Seiten innerhalb der eigenen Domain. Auch hier hat sich durch KI viel verändert: Screaming Frog lässt sich mit OpenAI- und ähnlichen API-Anbindungen heute deutlich erweitern. Tätigkeiten wie das Generieren von Meta-Descriptions, das Klassifizieren von Seiten nach Content-Typ oder die Analyse semantischer Ähnlichkeit von Seiten lassen sich direkt im Crawl automatisieren. Das macht Tasks, die früher manuell waren, in wenigen Minuten erledigbar.

Claude ist die Klammer um diese Tools. Claude verarbeitet die Exporte, dedupliziert, clustert, scort, schreibt die finale Excel-Datei. Was Claude nicht macht: Claude generiert kein Suchvolumen aus dem Nichts und produziert keine Wettbewerber-Rankings. Diese Daten müssen aus den Quell-Tools kommen.

Claude-spezifisch: Memory und Chat-Struktur richtig nutzen

Ein Punkt, der bei der Arbeit mit Claude entscheidend ist, betrifft die Chat-Struktur. Claude hat ein Memory-System, das projektbezogene Informationen über Sessions hinweg behält. Das ist mächtig, aber nicht für jede Aufgabe sinnvoll.

Meine Differenzierung in der Praxis: Projektkontext gehört ins Memory. Also die Domain, die Branche, der Stil, die Tools, die Kunden-Spezifika. Damit muss ich Claude bei jeder neuen Session nicht von vorne briefen. Einzelne Analyse-Tasks gehören dagegen in eigene Chats. Eine Keyword-Liste aufbauen ist ein eigener Chat. Content-Briefings erstellen ist ein anderer Chat. Sistrix-Audit ist ein dritter Chat.

Der Grund ist einfach. Wenn alle Tasks im selben Chat laufen, wird der Kontext irgendwann unübersichtlich, Claude verliert den Fokus, und die Antworten werden unschärfer. Saubere Chat-Trennung pro Task ist eine Disziplin, die sich in der Qualität der Ergebnisse direkt niederschlägt.

Versionierung ist die zweite Disziplin. Bei jeder größeren Änderung an einer Liste speichere ich eine neue Dateiversion, also v1, v2, v3. So kann ich jederzeit zurück, wenn eine Iteration in eine Sackgasse läuft.

Fünf Prinzipien für die Arbeit mit Claude in SEO-Projekten

Aus mehreren Monaten intensiver Arbeit mit Claude in Keyword-Projekten haben sich für mich fünf Prinzipien herauskristallisiert, die ich jedem SEO Berater oder SEO Freelancer empfehlen würde, der mit KI arbeiten will.

Erstens iterativ vorgehen, nicht im Big Bang. Eine Liste in einem einzigen Prompt zu erzeugen funktioniert nicht. Schritt für Schritt, Zwischenergebnis prüfen, dann weiter.

Zweitens Rohdaten hochladen statt zu beschreiben. Claude verarbeitet CSV direkt. Wer Daten verbal beschreibt, verliert Information und Zeit.

Drittens Entscheidungen pro Muster, nicht pro Einzelfall. Vor allem bei der Bereinigung. Claude zeigt Gruppen ähnlicher Probleme, der Mensch entscheidet auf Gruppen-Ebene.

Viertens Logik aktiv hinterfragen. Claude erklärt seine Scoring-Entscheidungen. Wenn etwas nicht plausibel ist, etwa eine Position 1 als Quick Win markiert, dann liegt ein Logikfehler in der Regel-Definition vor, der korrigiert werden muss. Diese Korrektur ist Teil des Arbeitens mit Claude und kein Bug.

Fünftens Thesen aufstellen, statt Behauptungen zu akzeptieren. Wenn Claude eine Aussage trifft, die zu glatt klingt, frage ich nach der Quelle oder nach der zugrunde liegenden Logik. Das ist eine generelle Haltung im Umgang mit KI, die sich auch in der Keyword-Analyse bewährt.

Ausblick: KI-Suche und die nächste Stufe der Keyword-Analyse

Die klassische SEO Keyword Analyse, wie ich sie hier beschreibe, ist auf Google als dominante Suchmaschine ausgerichtet. Das wird sich in den nächsten Jahren verändern. Immer mehr Nutzer suchen bereits in ChatGPT, Gemini, Perplexity und ähnlichen Systemen. Diese Systeme liefern keine klassischen Rankings, sondern Antworten. Die Frage ist also nicht mehr nur "Welche Keywords rankt meine Domain auf Google?", sondern "In welchen Antworten von KI-Systemen wird meine Marke genannt?"

Tools wie Sistrix bieten dafür inzwischen eigene AI- und Chatbot-Analysen an, mit denen sich Visibility in KI-Suchumgebungen tracken lässt. Auch Semrush hat in diese Richtung Funktionen ausgebaut. Das ist ein Feld, das sich gerade rasend schnell entwickelt und das in den kommenden Monaten Standard werden dürfte.

Für die Keyword-Analyse bedeutet das nach meiner Einschätzung zwei Dinge. Erstens bleibt die klassische Keyword-Liste die Basis. Wer in KI-Antworten genannt werden will, muss zu den relevanten Themen substanzielle Inhalte haben. Ohne Content-Substanz keine KI-Sichtbarkeit. Zweitens kommt eine zweite Ebene dazu, in der nicht mehr nur Keywords, sondern Prompts und Frage-Cluster analysiert werden müssen. Wie genau das in einen reproduzierbaren Workflow überführt wird, ist aktuell noch im Fluss. Ich beobachte das eng und werde dazu in den kommenden Wochen weitere Erkenntnisse teilen.

Häufige Fragen zur SEO Keyword Analyse mit KI

Was ist eine SEO Keyword Analyse?

Eine SEO Keyword Analyse identifiziert, gruppiert und bewertet die Suchbegriffe, mit denen eine Zielgruppe nach Inhalten, Produkten oder Dienstleistungen sucht. Sie bewertet jedes Keyword nach Suchvolumen, Wettbewerb, Quick-Win-Potenzial und strategischer Relevanz und liefert als Ergebnis eine priorisierte Liste, die als Grundlage für Content-Planung und On-Page-Optimierung dient.

Wie unterscheidet sich eine Keyword-Analyse mit KI von einer klassischen Keyword-Recherche?

Eine klassische Keyword-Recherche liefert Listen aus Keyword-Tools. Eine Keyword-Analyse mit KI baut darauf auf und strukturiert die Daten weiter. KI-Modelle wie Claude können CSV-Exporte aus mehreren Quellen direkt verarbeiten, deduplizieren, thematisch clustern und nach einem definierten Scoring-Modell priorisieren. Das beschleunigt den Analyseschritt erheblich und ermöglicht eine konsistente Bewertung über Tausende Zeilen hinweg.

Welche Tools brauche ich für eine SEO Keyword Analyse mit Claude?

Mindestens drei Quellen: Google Search Console für die eigene Ist-Performance, ein SEO-Tool wie Sistrix oder Semrush für Keyword-Daten und Wettbewerber-Rankings, und Google Keyword Planner zur Volumen-Validierung und als Ideengeber. Claude wird als Analyse-Schicht über diese Datenquellen gelegt und übernimmt Deduplizierung, Clustering und Scoring.

Wie viele Keywords sollte eine Masterliste enthalten?

Das hängt vom Geschäftsmodell ab. Für einen fokussierten B2B-Anbieter sind 500 bis 1.500 Keywords typisch. Für einen großen E-Commerce-Shop können es 5.000 bis 10.000 sein. Wichtig ist nicht die absolute Zahl, sondern dass mit der Liste strategisch gearbeitet werden kann. Sehr große Listen werden besser cluster-weise bearbeitet als im Ganzen.

Welches Scoring-Modell eignet sich für die Priorisierung von Keywords?

Ein bewährtes Modell arbeitet mit vier Dimensionen, jede mit null bis drei Punkten: Suchvolumen, Wettbewerb, Quick-Win-Potenzial und strategische Relevanz. Maximum sind zwölf Punkte. Keywords ab Score 10 haben hohe Priorität, 7 bis 9 mittlere, unter 7 niedrige. Die Dimension strategische Relevanz kann je nach Geschäftsmodell höher gewichtet werden, etwa wenn ein bestimmtes Produktsegment besonderen Fokus hat.

Ersetzt KI die Arbeit eines SEO Beraters?

Nein. KI beschleunigt die Datenarbeit und macht große Datenmengen handhabbar. Die strategischen Entscheidungen, also welche Cluster relevant sind, wie die Gewichtung im Scoring aussieht und welche Maßnahmen daraus folgen, bleiben Aufgabe eines erfahrenen SEO Beraters oder SEO Freelancers. KI ist ein Werkzeug, das gute Berater besser macht. Sie ersetzt sie nicht.

Wenn Sie diesen Prozess für Ihre Domain umsetzen möchten

Eine SEO Keyword Analyse in der hier beschriebenen Tiefe ist kein Workshop-Thema, das man in einer Stunde abhakt. Es ist ein methodischer Prozess, der je nach Domain-Größe und Wettbewerbssituation zwischen einem und drei Beratertagen in Anspruch nimmt. Das Ergebnis ist eine Excel-Datei, mit der ein Content-Team oder eine Agentur ein Jahr lang strategisch arbeiten kann.

Wenn Sie für Ihre Domain eine solche Analyse aufsetzen möchten oder ein bestehendes SEO-Projekt strukturell hinterfragen wollen, sprechen Sie mich gerne an. Ich arbeite als SEO Berater und SEO Freelancer mit Unternehmen, die SEO als strategischen Wachstumshebel ernst nehmen und nicht als Nebenkriegsschauplatz im Marketing-Mix.