Kontextbezogene Werbung entwickelt sich mit dem Aufkommen von KI-Intention-Modellen weiter. Da sich der Branchenfokus von der Aufmerksamkeit zur Intention verlagert, setzen Marken auf Predictive Targeting für eine intelligentere und datenschutzorientierte Kundenansprache.
Das Aufkommen von KI hat in verschiedenen Branchen erhebliche Veränderungen mit sich gebracht, und Programmatic Advertising bildet da keine Ausnahme. Ihr Aufstieg hat jedoch eine große Revolution ausgelöst – den Wandel von der Aufmerksamkeitsökonomie zur Intentionsökonomie. Begünstigt wird diese Revolution durch die Entwicklung kontextbezogener Werbung.
Die Aufmerksamkeitsökonomie, die sich um die Aufmerksamkeit des Nutzers drehte, wurde von großen Werbetreibenden genutzt. Unternehmen wie Meta nutzten diese Ökonomie effizient und gründeten sogar eigene Werbeplattform um dieses digitale Phänomen einzufangen.
Mit dem Einzug der KI in die Werbebranche nimmt die Intention Economy jedoch rasch Gestalt an. Die Intention Economy arbeitet an AI Intentionsmodelle, die Anzeigen basierend auf der Absicht des Benutzers anzeigen.
Betrachten Sie es als eine erweiterte Version von Kontextbezogene Werbung.
Die Lösung wird von der Werbebranche aufgegriffen, da die Beteiligten einen anhaltenden, aber allmählichen Wandel hin zu kekslos Ära. Genauer gesagt, die Ära der Nicht-Identitätscookies.
Wandel in der Werbung: Vom Kontext zur Absicht
Um Ihnen einen kurzen Überblick zu geben: Traditionelle kontextbezogene Werbung konzentriert sich auf die Anzeige von Anzeigen basierend auf dem Kontext der Seite. Schlüsselwörter, Kategorien und seitenbasierte Techniken wurden verwendet, um kontextbezogene Anzeigen anzuzeigen. Diese Anzeigen sind unabhängig von Daten von DrittanbieternSie waren Vorreiter im Bereich der cookielosen Werbung.
Da sich kontextbezogene Strategien in einer zunehmend datenschutzorientierten Welt ständig weiterentwickeln, verändert sich auch das Surfverhalten der Nutzer. agentenbasierte BrowserIn diesem Wandel ist die Absicht nicht mehr optional; sie wird zum Grundstein für sinnvolle Interaktion. Dies gilt nicht nur für Werbung, sondern auch für unseren Umgang mit Inhalten und SEO.
In der Suchmaschinenoptimierung (SEO) können Keywords beispielsweise auf verschiedene Arten kategorisiert werden, unter anderem nach der Absicht. Dazu gehören informative, kommerzielle, navigationsbezogene und transaktionale Keywords. Dies lässt sich sogar bei der Keyword-Recherche in Ahrefs erkennen. Diese Kategorisierung bildet die Grundlage für absichtsorientierte kontextbezogene Werbung.
Wie Sie im Bild sehen können, sind „I“ und „C“ nebeneinander geschrieben Gaming-Werbenetzwerke Geben Sie an, dass das Schlüsselwort sowohl informativ als auch kommerziell ist.
Viele Werbetreibende haben traditionelles Contextual Targeting mit anderen Targeting-Techniken kombiniert, die Daten von Drittanbietern wie Suchverlauf oder Nutzerverhalten nutzen, um zu verstehen, wie sich Nutzer während der Suche verhalten und Display-Anzeigen.
Angesichts der zunehmenden Kontrolle über die Datennutzung durch Dritte und dem daraus resultierenden Verlust des Benutzeridentitätssignals wird es für Werbetreibende jedoch schwierig, die feinen Veränderungen während der Suchreise eines Verbrauchers einzuschätzen.
Hier kommen prädiktive KI-Intentionsmodelle ins Spiel.
Prädiktive KI-Intentionsmodelle
Theoretisch erfassen KI-Intention-Modelle die Absicht hinter der Suche eines Nutzers nach Inhalten zu einem Produkt oder einer Dienstleistung. KI kann helfen, die dahinter verborgene Absicht des Nutzers zu enthüllen. Aufbauend auf traditionellem Contextual Targeting kann KI die Absicht ergänzen und so das Targeting präziser und die Anzeigen personalisierter gestalten – ganz ohne Cookies.
Intentionsmodelle werden trainiert, um zu erkennen, ob Inhalte informieren, anleiten oder zum Handeln anregen sollen und wie effektiv sie den Entscheidungsprozess eines Nutzers beeinflussen. KI-Modelle, die anhand von Intention-gekennzeichneten Datensätzen trainiert werden, können mithilfe fortschrittlicher natürlicher Sprachverarbeitung Inhalte von rein informativem bis hin zu stark transaktionalem Charakter identifizieren und Bewertungen vergeben, die angeben, wie nah ein Nutzer einer Handlung ist.
Beispielsweise hätte eine Produktbewertung, eine Kaufberatung oder ein Preisvergleich einen höheren Intention-Score als ein allgemeiner Artikel zum gleichen Thema.
Beispiel: Anzeigen, die auf der Grundlage der Absicht geschaltet werden
Lassen Sie uns dies weiter verstehen mit dem Header Bidding Beispiel.
Nehmen wir zum Beispiel an, ein Benutzer sucht nach „Was ist Header Bidding?“ und landet auf einem Artikel, der das Konzept, seine Vorteile und den Vergleich mit herkömmlichen Methoden erklärt. Wasserfall Setups. Dieser Teil ist informativ und dient als Einstiegspunkt, aber die Absicht des Benutzers befindet sich noch in der Bewusstseinsphase. Die Wahrscheinlichkeit einer sofortigen Aktion ist relativ gering, daher wäre der Absichtswert hier moderat.
Vergleichen Sie das nun mit einem Benutzer, der nach „Best Header-Bidding-Lösungen für Publisher“ oder „Wie man Header Bidding mit Prebid.js integriert“. Diese deuten auf ein höheres Maß an Recherche und Handlungsbereitschaft hin. Wenn sie auf einen Produktvergleich oder eine Implementierungsanleitung klicken, ist ihr Engagement für die Inhalte fokussierter und konversionsorientierter. Diese Art von Inhalten hat einen höheren Intent Score, da sie suggerieren, dass der Nutzer einer Entscheidung näher kommt.
Basierend auf der Suchabsicht können Werbetreibende Anzeigen schalten, die besser zur Suchabsicht des Nutzers passen. Beispielsweise können bei Suchanfragen mit Informationsabsicht wie „Was ist Header Bidding?“ Awareness-Anzeigen von HB/AdTech-Plattformen oder gesponserte Inhalte wie Blogs mit Erläuterungen zu den Grundlagen angezeigt werden.
Für Navigationsanfragen wie „Prebid.js Integrationsleitfaden“ oder „Header Bidding vs. Google Open Bidding“ können Werbetreibende oder Marken herunterladbare Leitfäden, kostenlose Demos, Beratungsangebote oder Fallstudien mit erfolgreichen Implementierungen anbieten.
Suchanfragen wie „Beste Header-Bidding-Lösungen für Publisher“ oder „Prebid Managed Service-Preise“ zählen zu den transaktionalen Suchanfragen. Wir sprechen hier von Leads am unteren Ende des Funnels, da der Nutzer in dieser Phase jederzeit einen Kauf tätigen kann. Um einen solchen Nutzer zu konvertieren, können Marken Anzeigen für „Angebot anfordern“, kostenlose Testversionen, Werbeaktionen auf der Anmeldeseite oder zeitlich begrenzte Angebote anzeigen.
Kontextuell 2.0: KI-Targeting
Wie bereits erwähnt, ist KI die treibende Kraft hinter der Entwicklung kontextbezogener Werbung. Mit KI können Marketingfachleute große Mengen unstrukturierter Daten scannen, tiefere semantische Zusammenhänge aufdecken und den Zusammenhang zwischen Seiteninhalten und den geplanten Aktionen des Nutzers identifizieren. Dieses hohe Maß an Raffinesse ermöglicht es ihnen, aussagekräftigere, datenschutzfreundliche Werbeerlebnisse zu bieten, die relevant sind in Echtzeit.
Es gibt drei Möglichkeiten, wie KI traditionelle kontextbezogene Werbung verbessern kann.
Kontextinterpretation
Herkömmliche kontextbezogene Werbemodelle können die Bedeutung der Suchanfrage falsch interpretieren. Dies kann zu verpassten Conversions oder Nutzerinteraktionen führen. Beispielsweise kann die Suchanfrage eines Nutzers nach „Taschen“ von herkömmlichen Modellen falsch interpretiert werden. Dies liegt daran, dass es viele verschiedene Arten von Taschen gibt, darunter Schultaschen, Laptoptaschen, Tragetaschen, Reisetaschen und mehr.
Welches Interesse den Benutzer hat, lässt sich mit herkömmlichen Modellen nicht feststellen. Hier Gen AI-Site-Suche Identifiziert die Suchabsicht des Benutzers anhand des Seiteninhalts. Dies wiederum trägt dazu bei, kontextrelevante Anzeigen anzuzeigen und sorgt für höhere Genauigkeit und Engagement.
Balance und Skalierbarkeit
Im Gegensatz zum herkömmlichen Modell gleicht KI sowohl Keywords als auch die Absicht ab, um relevante Anzeigen anzuzeigen. Das bedeutet, dass Ihre Anzeigen nicht nur auf offensichtlich relevanten Seiten erscheinen, sondern auch an überraschenden, leistungsstarken Stellen, die Sie sonst übersehen würden.
Wenn ein Benutzer beispielsweise nach „Clientseitiges Bieten SDK“ wird die KI aufgrund der hohen kontextuellen Relevanz auch damit beginnen, Anzeigen für „Header Bidding“ und „Prebid.js“ anzuzeigen.
Intelligentere Platzierungen
Kontextbezogene Werbung 1.0 würde Uhrenanzeigen nur auf Seiten mit Bezug zu Uhren anzeigen. Mit KI-Intention-Modellen ändert sich die Situation jedoch. Wie bereits erwähnt, gehen Intention-Modelle über die Keyword-Übereinstimmung hinaus; sie untersuchen Inhaltsthemen, Ton, Nutzerverhalten und Engagement-Signale, um eine Platzierung zu identifizieren.
Wenn KI beispielsweise in einem Artikel zum Thema Auto eine Anzeige für eine Smartwatch anzeigt, liegt das daran, dass sie starke Zusammenhänge zwischen der Interaktion mit Inhalten zum Thema Auto und technisch versierten Benutzern erkannt hat.
Expertenmeinung!
KI-Intention-Modelle entwickeln kontextbezogene Werbung vom reaktiven Targeting zum proaktiven Verständnis weiter. Anstatt nur Schlüsselwörter zu scannen, entschlüsseln diese Systeme nun die Absichten der Nutzer und helfen Marken, Inhalte an die Denkweise und nicht nur an den Moment anzupassen. Dieser Wandel ermöglicht einen emotional intelligenteren Medieneinkauf, bei dem Anzeigen relevant wirken, weil sie die Nutzer dort abholen, wo sie sich gerade auf ihrer Intention Journey befinden. Robb Hecht
Das Wettrennen um die Einführung des KI-Intention-Modells
Unternehmen setzen zunehmend KI-Intent-Modelle ein, um Marketingfachleuten verbesserte Targeting-Möglichkeiten zu bieten. Eines dieser Unternehmen ist SeedTag, ein führendes Unternehmen für kontextbezogene Werbung. Im April 2025 kündigte die Plattform die Einführung eines KI-Intent-Modells zur Identifizierung umsetzbarer Nutzerabsichten in Echtzeit an. Das Modell kann in Echtzeit zwischen gelegentlichem Surfen und Transaktionsbereitschaft unterscheiden, ohne personenbezogene Daten zu verwenden.
Nissan Spanien arbeitete mit SeedTag zusammen, um die Sichtbarkeit des Nissan Qashqai bei potenziellen Käufern im C-SUV-Segment zu erhöhen. Durch die zielgerichtete Segmentierung der Kampagne wurden folgende Ergebnisse erzielt:
- Reduzierte Kosten pro Qualitäts-Lead um 68 %
- Kosten pro Lead reduziert um 35%
- Dreifache Steigerung der qualifizierten Besuche
Ein weiteres Beispiel: BlueAir kooperierte mit Tinuiti, um seine Kunden auf der Grundlage von Echtzeitinteressen anzusprechen. Tinuitis KI-basierte kontextbezogene Werbung führte zu einer 2.4-fachen Steigerung der Detailseitenaufrufrate, einem Rückgang von 42 % CPMsund ein Anstieg der Neukunden der Marke um 34 %.
In ähnlicher Weise setzte PepsiCo auch KI-basierte kontextbezogene Werbung ein, um werteorientierte Verbraucher anzusprechen, was zu einer dreifachen Rendite der Werbeausgaben führte, einer Reduzierung von 62 % CPAund eine Senkung des CPM um 60 % – und das bei gleichzeitiger Erhöhung der einzigartigen Reichweite.
ContextGPT, das führende Produkt von Cognitiv AI, kombiniert KI-basiertes Kontext-Targeting mit Prompt-Engineering und ermöglicht es Werbetreibenden, relevante Zielgruppen in großem Umfang zu erreichen. Marketer können individuelle, markenspezifische Prompts erstellen und deren Relevanz anpassen, um die Ergebnisse zu verbessern.
Ihr zielgerichtetes Produkt wird in verschiedenen Branchen eingesetzt, darunter Unterhaltung, Lebensmittellieferung, Gaming und Getränke.
Auch Google hat sich der Liga angeschlossen und KI-basierte kontextbezogene Anzeigen auf YouTube angekündigt. Hauptsächlich unterstützt von Google Gemini, Anzeigenplatzierungen wird nicht nur thematisch ausgerichtet sein, sondern auch besser mit dem Kontext und der Relevanz des Videos und sogar mit dem Grad der emotionalen Beteiligung der Zuschauer beim Ansehen des Videos übereinstimmen.
In der Zwischenzeit hat Starbucks zwischen 2023 und 2024 seine eigene KI-Plattform „Deep Brew“ eingeführt, um Produktempfehlungen auf der Grundlage der KI-Zielgruppenausrichtung zu personalisieren.
Was hält die Zukunft bereit?
Der Aufstieg des KI-Intention-Modells markiert einen signifikanten Wandel in der Art und Weise, wie programmatische Werbung funktioniert. Während wir von der Aufmerksamkeitsökonomie zur Absichtsökonomie übergehen, wird die Zukunft der programmatischen Werbung von Datenschutz, Präzision und Zielstrebigkeit bestimmt.
Mit Contextual Advertising 2.0 betreten wir eine Ära, in der Anzeigenrelevanz wird intelligent vorhergesagt. Mit dem allmählichen Rückgang von Drittanbieter-Cookies bieten KI-Intent-Modelle eine intelligente, skalierbare und datenschutzorientierte Alternative zum programmatischen Targeting.
Die Werbebranche strebt nicht mehr nach Aufmerksamkeit, sondern nach Absicht. Dank KI als Vorreiter profitieren Marketer nun vom Besten aus beiden Welten: Präzision im großen Maßstab und Personalisierung ohne Eingriffe.
