Intent-First Clustering: Warum Keyword-Gruppierung nach Suchintention besser ist als nach Wörtern

Die meisten Keyword-Clustering-Tools von 2026 machen immer noch etwas, was 2018 akzeptabel war und heute ein struktureller Fehler ist: Sie gruppieren Keywords basierend auf Wortähnlichkeit oder der URL-Überschneidung in den SERPs. Das funktioniert, solange Quantität ausreicht. Es hört auf zu funktionieren, sobald du willst, dass deine Cluster ranken, von LLMs zitiert werden und Autorität aufbauen. — Thematische Autorität 2026: Warum Google semantische Abdeckung statt einzelne Keywords belohnt (BeKnow-Preise ansehen).

Bei BeKnow haben wir die Clustering-Logik von Grund auf um ein anderes Prinzip neu geschrieben: erst die Intention, dann die Wörter. Es heißt Intent-First Clustering und ist der Grund, warum die von der Plattform generierten Redaktionspläne Artikel produzieren, die sich nicht kannibalisieren und Cluster füllen, anstatt Keywords zu stapeln.

Was beim klassischen Clustering falsch läuft

Traditionelles Clustering folgt einem dieser beiden Ansätze:

Lexikalisches Clustering: Gruppiert Keywords, die Schlüsselwörter teilen. "Bester Rank Tracker" und "Rank Tracker kostenlos" landen zusammen, weil sie "Rank Tracker" teilen. Scheint offensichtlich und ist falsch: Die Intention ist völlig unterschiedlich (kommerziell vs. informativ/transaktional).

SERP-Überschneidungs-Clustering: Gruppiert Keywords, die URLs in den Top 10 Positionen von Google teilen. Raffinierter als lexikalisch, aber fragil: abhängig von der aktuellen SERP, bevorzugt bereits Starke (konsolidierte SERPs sind stabiler) und versagt bei neuen oder Nischen-Keywords, wo SERPs volatil sind.

Beide versagen aus demselben Grund: Sie behandeln das Keyword als String, nicht als Manifestation eines Bedürfnisses. Aber wer bei Google sucht (oder Perplexity fragt) schreibt keine Wörter: er drückt Intentionen aus. Und verschiedene Intentionen, auch wenn sie in ähnliche Wörter gekleidet sind, gehören niemals in denselben Cluster.

Die vier Intentionsfamilien (und warum nur vier nötig sind)

Wir haben lange diskutiert, ob wir 6, 8 oder 12 Intentionen unterscheiden sollten. Am Ende sind wir zu vier zurückgekehrt, weil alles andere Unterkategorien sind.

1. Informational: Der Nutzer will etwas verstehen. "Was ist Topical Authority", "Wie funktioniert Perplexity".

2. Commercial: Der Nutzer bewertet Optionen vor dem Kauf. "Beste Rank Tracker", "Semrush vs Ahrefs".

3. Transactional: Der Nutzer ist bereit zu handeln. "Semrush kaufen", "BeKnow kostenlos testen".

4. Navigational: Der Nutzer sucht eine spezifische Marke oder ein Produkt. "Search Console Login", "BeKnow.io".

Drei strenge Regeln ergeben sich aus dieser Taxonomie:

• Niemals verschiedene Intentionen im selben Cluster mischen. Eine informative und eine kommerzielle Seite zum selben Thema sind zwei verschiedene Dinge. Sie müssen separat geschrieben werden, auch wenn die Keywords ähnlich erscheinen.

• Der Hub eines Clusters hat immer eine dominante Intention. Wenn der Hub versucht, gleichzeitig Leitfaden und Vergleich zu sein, versagt er in beidem.

• Ein informativer Cluster kann einen kommerziellen über interne Links "füttern", bleibt aber ein separater Cluster mit separaten Metriken.

Wie Intent-First in der Praxis funktioniert

Der Workflow, den wir in BeKnow kodifiziert haben, erfolgt in drei obligatorischen Schritten in dieser Reihenfolge. Die Reihenfolge ist nicht verhandelbar: sie umzukehren reproduziert genau die Probleme des klassischen Clusterings.

Schritt 1 — Intentionsklassifikation für jedes Keyword

Jedes Keyword wird an ein Modell weitergegeben (in unserem Stack Gemini 2.5 Pro für die Planung), das ihm zuweist:

• eine der vier Intentionsfamilien

• einen Intent-Value-Score (wie "entscheidungsrelevant" es ist)

• einen Spezifitäts-Score (wie vertikal es ist)

Das ist der Schritt, den die meisten Tools überspringen oder approximieren. Es ist der, der den Unterschied zwischen einem Cluster, der rankt, und einem, der auf halbem Weg stehen bleibt, ausmacht.

Schritt 2 — Semantische Gruppierung innerhalb derselben Intention

Erst jetzt kommt die semantische Ähnlichkeit ins Spiel. Aber wir vergleichen nur Keywords derselben Intention: Ein "informational" wird niemals in denselben Cluster wie ein "commercial" gesteckt, auch wenn sie 90% der Wörter teilen. Das Clustering erfolgt über Vektor-Embeddings mit kalibrierten Distanzschwellen pro Familie (kommerzielle tolerieren breitere Cluster, informative müssen eng gehalten werden).

Schritt 3 — Hub- und Spoke-Auswahl für Cluster

Innerhalb jedes Clusters wird gewählt:

• Das Hub-Keyword: das mit dem höchsten Intent-Value und der niedrigsten Spezifität (die allgemeine Intention des Clusters).

• Die Spoke-Keywords: die mit der höchsten Spezifität (die vertikalen Unter-Intentionen), maximal 6, wie wir im Artikel über Hub & Spoke Architektur gesehen haben.

Jetzt ist der Cluster bereit, zum Redaktionsplan zu werden.

Was sich in der Praxis ändert: zwei Beispiele

Klassisches Beispiel (lexikalisches Clustering):

• Cluster "Rank Tracker" enthält: "bester Rank Tracker", "Rank Tracker kostenlos", "wie funktioniert ein Rank Tracker", "Rank Tracker für Agenturen", "Alternativen zu Rank Tracker"

• Ergebnis: Ein einziger Artikel versucht alles abzudecken. Wird zu einem verwirrenden Leitfaden, rankt für keines der Keywords gut.

Intent-First Beispiel:

• Informativer Cluster "Rank Tracker — verstehen": "wie funktioniert ein Rank Tracker", "was ist ein Rank Tracker"

• Kommerzieller Cluster "Rank Tracker — wählen": "bester Rank Tracker", "Rank Tracker für Agenturen", "Alternativen zu Rank Tracker"

• Transaktionaler Cluster "Rank Tracker — testen": "Rank Tracker kostenlos", "Rank Tracker kostenlose Testversion"

Drei Cluster statt einem. Scheint mehr Arbeit zu sein, ist weniger: Jeder Artikel ist vertikal, in der Hälfte der Zeit schreibbar, und jeder Cluster wird zu einem separaten Asset, das konvertiert (weil er eine präzise Funnel-Stufe anspricht).

Die Verschmelzungsregeln: wann zwei Cluster fusioniert werden

Auch mit Intent-First entstehen Grenzfälle: zwei Cluster mit derselben Intention aber ähnlichen Keywords. Die operative Regel ist:

• Gleiche Intention + semantische Überschneidung > 70% → fusionieren.

• Gleiche Intention + semantische Überschneidung zwischen 40% und 70% → separat halten, aber in einen Makro-Cluster (mit demselben Hub).

• Gleiche Intention + Überschneidung < 40% → unabhängige Cluster.

Unter 40% Überschneidung beantworten zwei Cluster, auch mit derselben Intention, grundsätzlich verschiedene Fragen. Ihre Fusion zu erzwingen ist genauso ein Fehler wie Cluster mit verschiedenen Intentionen zu trennen.

Warum dieses Modell auch für Answer Engines funktioniert

Es lohnt sich, mit diesem Punkt zu schließen, weil es die nahe Zukunft ist. Answer Engines (Perplexity, ChatGPT Search, Gemini, Copilot) wählen Quellen basierend auf zwei Dingen aus:

1. Die semantische Relevanz des Inhalts zur Anfrage.

2. Die Struktur der Website, die den Inhalt hostet: dichte und gut organisierte Cluster werden besser "gelesen".

Eine für Intent-First strukturierte Website hat einen systematischen Vorteil beim zweiten Punkt. Wenn Perplexity deine Domain verarbeitet, erkennt es, dass deine informative Seite in einem kohäsiven informativen Cluster steht und deine kommerzielle Seite in einem separaten kommerziellen Cluster. Für das Modell bedeutet das: Diese Website weiß, wovon sie spricht, und weiß zu wem sie spricht. Das ist genau das Signal, das es mit Zitierungen belohnt.

Zusammenfassung

Intent-First ist keine raffiniertere Variante des klassischen Clusterings: Es ist eine Paradigmenumkehr. Es hört auf zu fragen "Welche Keywords ähneln sich?" und beginnt zu fragen "Welche Nutzerbedürfnisse sind dieselben?". Das Ergebnis sind kleinere, vertikalere, konvertierbarere Cluster — und eine redaktionelle Struktur, die LLMs und Google als Signal echter Expertise lesen, nicht von Volumen.

Wenn du einen mit klassischem Clustering generierten Redaktionsplan hast, ist seine Überarbeitung unter Anwendung der Intention vor den Wörtern wahrscheinlich die Übung mit dem besten ROI, die du in den nächsten 30 Tagen machen kannst. Oft reicht es, zwei schlecht fusionierte Cluster zu trennen, um Rankings freizusetzen, die monatelang feststeckten.

Damit schließt sich der Cluster zu Topical Authority und Strategie: Du hast das Framework (was es ist und warum es wichtig ist), die Architektur (Hub & Spoke), die Schadensprävention (Kannibalisierung) und den gut konstruierten Rohstoff (Intent-First Clustering). Der Rest ist Umsetzung.

Verwandte Beiträge

• Thematische Autorität 2026: Warum Google semantische Abdeckung statt einzelne Keywords belohnt

• Hub & Spoke: Die Content-Architektur, die Cluster in Rankings verwandelt

• Keyword-Clustering für SaaS: BeKnows Intent-First-Strategie [Analyse]