Von Targeting zu Signalen: Der Paradigmenwechsel in Google Demand Gen
Das Wichtigste in Kürze
- Paradigmenwechsel: Ab März 2026 werden Lookalike Segmente in Google Demand Gen Kampagnen nicht mehr als harte Filter, sondern als “AI-Signale” interpretiert.
- Kontrollverlust vs. Performance: Werbetreibende verlieren die strikte Kontrolle über die Zielgruppen-Ähnlichkeit, gewinnen aber potenziell an Reichweite durch Googles KI-Optimierung.
- Datenqualität entscheidet: Da der Algorithmus freier agiert, wird die Qualität der Seed-Daten (Input-Listen) zum wichtigsten Steuerungshebel. “Garbage In, Garbage Out” gilt mehr denn je.
Die Art und Weise, wie wir Zielgruppen im Google-Kosmos definieren, durchläuft einen fundamentalen Wandel. Lange Zeit galten „Lookalike Audiences“ (statistische Zwillinge) als der Goldstandard für die Skalierung: Man lieferte eine Kundenliste, und das System suchte nach Nutzern mit möglichst identischen Merkmalen. Doch mit dem Update im März 2026 verabschiedet sich Google Demand Gen zunehmend von diesem statischen Modell. Anstatt starrer Zielvorgaben rücken sogenannte „AI Signals“ in den Fokus.
Das Ende der digitalen Zwillinge: Ein technischer Deep Dive
Bisher funktionierte das Prinzip der Lookalike Audiences wie ein strenger Zaun. Werbetreibende definierten eine Basiszielgruppe (Seed-Liste), und der Algorithmus suchte nach Nutzern innerhalb dieses statistischen Rasters. Wer nicht passte, sah die Anzeige nicht.
In den neuen Demand Gen Kampagnen wird diese Logik aufgebrochen. Ihre Kundenliste fungiert nicht mehr als eingezäunte Weide, sondern als Kompassnadel. Der Algorithmus nutzt die Daten Ihrer bestehenden Kunden, um zu lernen, welche Merkmale für eine Conversion relevant sind. Sobald das System dieses Muster erkannt hat, erhält es jedoch die Freiheit, die ursprünglichen demografischen oder verhaltensbasierten Grenzen zu überschreiten, um weitere Conversions zu finden.
„Man tauscht granulare Kontrolle gegen potenzielle Reichweite und Effizienz ein. Das System priorisiert den Abschluss über die präzise Einhaltung der manuell definierten Zielgruppenmerkmale.“
Die Konsequenz: Datenqualität wird zum entscheidenden Hebel
Viele Werbetreibende neigen dazu, sehr breite Zielgruppen als Basis für Lookalikes zu nutzen (z.B. “Alle Website-Besucher 30 Tage”). In einem System, das auf AI Signals basiert, ist dies fatal. Wenn Sie der KI eine Liste geben, die viele Nutzer ohne echtes Kaufinteresse enthält, lernt das System falsche Muster und skaliert diese Fehler hoch.
Nutzen Sie Listen von Kunden mit hohem Customer Lifetime Value (CLV) oder Mehrfachkäufern statt generischer Besucherlisten.
Eine Liste mit 1.000 echten Käufern ist als Signal wertvoller als 50.000 Fenstergucker. Die KI braucht klare Muster, keine großen Mengen an Rauschen.
Erstellen Sie separate Seed-Listen für verschiedene Produktkategorien. Ein Schuhkäufer hat andere Signale als ein Hosenkäufer.
Praktische Umsetzung: Weniger ist mehr
Der natürliche Impuls vieler Marketer ist es, den Kontrollverlust durch zusätzliche manuelle Einschränkungen (z.B. enge Geografie oder demografische Filter) auszugleichen. Dies führt oft zu “Over-Constraining”. Wenn Sie der KI einerseits sagen “Finde Kunden wie diese” und ihr andererseits die Hände binden, bricht die Performance ein.
- Skalierung: Findet Kunden außerhalb der offensichtlichen Demografie, die Sie manuell nie targetiert hätten.
- Effizienz: Automatische Optimierung auf Conversion-Wahrscheinlichkeit spart manuelle Anpassungen.
- Zukunftssicher: Passt sich dynamisch an verändertes Nutzerverhalten an, ohne dass Listen neu hochgeladen werden müssen.
- Kontrollverlust: Keine Garantie mehr, dass die Zielgruppe strikt der Seed-Liste ähnelt.
- Budget-Risiko: Schlechte Seed-Daten führen schneller zu verbranntem Budget (Scaling Bad Data).
- Lernphase: KI-Modelle benötigen Zeit und Conversions, um die Muster initial zu lernen.
AdHelden Redaktion · Februar 2026
