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 auf der Aufmerksamkeit der Nutzer basierte, wurde von großen Werbetreibenden kommerziell genutzt. Unternehmen wie Meta nutzten diese Ökonomie effizient und brachten sogar eigene Werbeplattformen auf den Markt , um von diesem digitalen Phänomen zu profitieren.
Da KI jedoch zunehmend in die Werbebranche Einzug hält, entwickelt sich die Intentionenökonomie rasant. Diese basiert auf KI-gestützten Intentionenmodellen, die Werbung entsprechend den Absichten des Nutzers ausspielen.
Man könnte es als eine weiterentwickelte Form der kontextbezogenen Werbung betrachten.
Diese Lösung findet auch in der Werbebranche Anklang, da die Beteiligten einen fortlaufenden, aber schrittweisen Übergang in ein cookieloses Zeitalter vollziehen. Genauer gesagt: in ein Zeitalter ohne Identitäts-Cookies.
Wandel in der Werbung: Vom Kontext zur Absicht
Kurz gesagt: Traditionelle kontextbezogene Werbung konzentriert sich darauf, Anzeigen basierend auf dem Seitenkontext einzublenden. Keywords, Kategorien und seitenbezogene Techniken werden verwendet, um kontextbezogene Anzeigen zu schalten. Da diese Anzeigen unabhängig von Daten Dritter sind , spielen sie eine Vorreiterrolle im Bereich der cookielosen Werbung.
Da sich kontextbezogene Strategien in einer zunehmend datenschutzorientierten Welt stetig weiterentwickeln, verändert sich das Surfverhalten der Nutzer durch agentenbasierte Browser . In diesem Wandel ist die Nutzerabsicht nicht mehr optional, sondern wird zum Grundstein für eine sinnvolle Interaktion. Dies gilt nicht nur für Werbung, sondern auch für unsere Herangehensweise an Content 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, geben die neben Gaming-Werbenetzwerken stehenden Buchstaben „I“ und „C“ an, dass das Keyword sowohl informativer als auch kommerzieller Natur ist.
Viele Werbetreibende haben das traditionelle kontextbezogene Targeting mit anderen Targeting-Techniken kombiniert, die Daten von Drittanbietern wie Suchverlauf oder Nutzerverhalten nutzen, um zu verstehen, wie sich Nutzer während ihrer Suchprozesse verhalten und um Anzeigen auszuspielen.
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
Um dies besser zu verstehen, betrachten wir das Beispiel des Header Bidding.
Nehmen wir beispielsweise an, ein Nutzer sucht nach „Was ist Header Bidding?“ und stößt auf einen Artikel, der das Konzept, seine Vorteile und den Vergleich mit traditionellen Wasserfallmodellen erklärt . Dieser Artikel ist informativ und dient als Einstiegspunkt, doch die Absicht des Nutzers befindet sich noch in der Informationsphase. Die Wahrscheinlichkeit einer sofortigen Handlung ist relativ gering, daher wäre der Intent-Score hier moderat.
Vergleichen wir das nun mit einem Nutzer, der nach „Beste Header-Bidding-Lösungen für Publisher“ oder „Wie integriere ich Header Bidding mit Prebid.js?“ sucht. Solche Suchanfragen deuten auf ein höheres Maß an Recherche und Handlungsbereitschaft hin. Klickt der Nutzer auf einen Produktvergleich oder eine Implementierungsanleitung, ist sein Engagement zielgerichteter und konversionsorientierter. Diese Art von Inhalten erzielt eine höhere Kaufabsicht, da sie darauf schließen lässt, dass der Nutzer kurz vor einer Entscheidung steht.
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. Mithilfe von KI können Marketingfachleute große Mengen unstrukturierter Daten analysieren, tiefere semantische Zusammenhänge aufdecken und die Beziehung zwischen Seiteninhalten und den voraussichtlichen Nutzeraktionen identifizieren. Diese hohe Leistungsfähigkeit ermöglicht es ihnen, relevante und datenschutzfreundliche Werbeerlebnisse in Echtzeit bereitzustellen.
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.
Wofür sich der Nutzer interessiert, können herkömmliche Modelle nicht ermitteln. Die KI-gestützte Website-Suche von Gen AI identifiziert die Suchintention des Nutzers anhand des Seiteninhalts. Dies ermöglicht die Anzeige kontextrelevanter Werbung und sorgt so für höhere Genauigkeit und Interaktionsraten.
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 Nutzer beispielsweise nach „ Client-Side Bidding SDK“ sucht , wird die KI aufgrund der hohen Kontextrelevanz auch Anzeigen für „Header Bidding“ und „prebid.js“ einblenden.
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-gestützte Intentionmodelle revolutionieren kontextbezogene Werbung: von reaktivem Targeting hin zu proaktivem Nutzerverständnis. Anstatt lediglich Keywords zu scannen, entschlüsseln diese Systeme nun die Absicht der Nutzer und helfen Marken so, Inhalte auf deren Denkweise und nicht nur auf den jeweiligen Moment abzustimmen. Dieser Wandel ermöglicht einen emotional intelligenteren Mediaeinkauf, bei dem Anzeigen relevant wirken, weil sie die Nutzer genau dort erreichen, wo sie sich in ihrer Kaufentscheidungsphase 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 interessenbasiert in Echtzeit anzusprechen. Die KI-gestützte, kontextbezogene Werbung von Tinuiti führte zu einer 2.4-fachen Steigerung der Detailseitenaufrufe, einem Rückgang der TKP um 42 % und einem Zuwachs von 34 % an Neukunden.
Auch PepsiCo setzte KI-gestützte kontextbezogene Werbung ein, um preisbewusste Konsumenten anzusprechen. Dies führte zu einer Verdreifachung des Werbeerlöses, einer Senkung der Kosten pro Akquisition (CPA) um 62 % und einer Reduzierung der Kosten pro Kommune (CPM) um 60 % – und das alles bei gleichzeitiger Steigerung der individuellen 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.
Google hat sich dem Trend angeschlossen und KI-gestützte, kontextbezogene Werbung auf YouTube angekündigt. Die Anzeigenplatzierung , die hauptsächlich von Google Gemini ermöglicht wird, ist nicht nur thematisch passend, sondern orientiert sich auch stärker am Kontext, der Relevanz und sogar der emotionalen Beteiligung der Zuschauer während des Videos.
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-basierten Intention-Modells markiert einen bedeutenden Wandel in der Funktionsweise programmatischer Werbung . Mit dem Übergang von der Aufmerksamkeitsökonomie zur Intention-Ökonomie wird die Zukunft programmatischer Werbung von Datenschutz, Präzision und Zweckmäßigkeit geprägt sein.
Mit kontextbezogener Werbung 2.0 beginnt eine Ära, in der die Relevanz von Anzeigen intelligent vorhergesagt wird. Durch den allmählichen Rückgang von Drittanbieter-Cookies bieten KI-gestützte 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.
