Contextual Targeting gehört zu den ältesten Prinzipien der Werbung – und erlebt gerade eine technologische Renaissance. Das Grundprinzip ist simpel: Zeige die richtige Werbung im richtigen inhaltlichen Umfeld. Ein Sportartikel-Hersteller schaltet seine Anzeige neben einem Laufbericht, ein Reiseveranstalter neben einem Reisebericht. Was früher manuell durch Mediaplaner entschieden wurde, läuft heute über semantische Analyse, Natural Language Processing und zunehmend über Large Language Models. Für den DACH-Markt ist das Thema besonders relevant, weil hier datenschutzrechtliche Anforderungen den Einsatz personenbezogener Targeting-Methoden einschränken und Contextual Targeting als cookiefreie Alternative an Bedeutung gewinnt.
Die Abkehr vom Third-Party-Cookie hat die Diskussion um Contextual Targeting neu entfacht. Während Audience-basiertes Targeting auf Nutzerprofilen und Verhaltensdaten basiert, kommt Contextual Targeting ohne diese Daten aus. Es analysiert stattdessen den Inhalt einer Seite, eines Videos oder eines Suchergebnisses – und ordnet Werbemittel entsprechend zu. Diese technische Unabhängigkeit von personenbezogenen Daten macht das Verfahren DSGVO-freundlicher, aber nicht automatisch effizienter. Die Qualität des Contextual Targetings hängt stark von der Präzision der Inhaltsanalyse ab.
Dieser Artikel betrachtet Contextual Targeting durch die LLM-Linse: Wie funktioniert das Prinzip in sechs verschiedenen Werbe-Gattungen, welche Stärken und Schwächen hat es jeweils, und welche neue Dimension entsteht durch LLM-basierte Tools wie ChatGPT, Claude.ai oder Perplexity? Die Betrachtung zeigt, dass Contextual Targeting je nach Gattung grundlegend unterschiedliche Mechanismen hat – und dass die LLM-Ebene das Konzept in eine völlig neue Richtung verschiebt.
Meine Perspektive
Contextual Targeting wird in der Praxis oft unterschätzt, weil es im Vergleich zu Audience-basiertem Targeting weniger granular wirkt. Wer einmal mit detaillierten Zielgruppensegmenten gearbeitet hat, empfindet die Rückkehr zur kontextuellen Logik als Rückschritt. Das ist ein Denkfehler. Contextual Targeting ist kein Ersatz für Audience Targeting – es ist eine komplementäre Logik mit eigenen Stärken. In der Arbeit bei blueShepherd beobachten wir, dass Kampagnen, die beide Ansätze kombinieren, konsistentere Ergebnisse liefern als rein audience-basierte Setups, besonders in sensiblen Kategorien wie Gesundheit, Finanzen oder politisch angrenzenden Themen. Der Kontext gibt dem Nutzer einen Interpretationsrahmen für die Werbebotschaft – das ist ein psychologischer Effekt, den kein Retargeting-Pixel replizieren kann. Die LLM-Dimension fügt diesem Bild eine neue Schicht hinzu, die wir noch am Anfang des Verstehens stehen.
Contextual Targeting in Print
Wie funktioniert es?
Print war das erste Medium, in dem Contextual Targeting systematisch betrieben wurde. Verlage haben immer schon Anzeigenplätze nach redaktionellem Umfeld verkauft: Automobilanzeigen im Automobilteil, Stellenanzeigen im Karriereteil, Reiseanzeigen im Reisemagazin. Die Zuordnung erfolgt durch Mediaplaner auf Basis von Reichweiten- und Leserschaftsdaten sowie dem redaktionellen Konzept des Titels. Sonderwerbeformen wie Advertorials, Beilagen oder themengebundene Sonderhefte sind konsequente Weiterentwicklungen dieses Prinzips. Die Granularität ist begrenzt: Man wählt ein Heft oder eine Rubrik, aber nicht eine einzelne Seite oder einen spezifischen Artikel.
Vorteile
- Hohe inhaltliche Glaubwürdigkeit durch das redaktionelle Umfeld des Titels
- Keine technische Infrastruktur notwendig – keine Cookies, kein Tracking
- Langfristige Markenpräsenz in thematisch relevanten Titeln stärkt Markenassoziationen
- Planungssicherheit durch feste Buchungsstrukturen
Nachteile
- Keine dynamische Anpassung an einzelne Inhalte innerhalb eines Titels möglich
- Messung des kontextuellen Effekts schwierig – Attribution bleibt ungenau
- Lange Vorlaufzeiten, geringe Flexibilität bei der Kampagnensteuerung
- Reichweiten sinken strukturell in vielen Printtiteln
Geeignet für
Marken mit klarem Themenfit zu etablierten Printtiteln, B2B-Unternehmen in Fachmedien, Kampagnen mit Fokus auf Glaubwürdigkeit und Markenimage. Besonders wirksam, wenn das redaktionelle Umfeld selbst Autorität in einem Fachgebiet besitzt und dieser Autoritätstransfer auf die Marke gewünscht ist.
Contextual Targeting in Display Advertising
Wie funktioniert es?
Im programmatischen Display-Umfeld ist Contextual Targeting technisch deutlich ausgereifter als in Print. Demand-Side-Platforms (DSPs) analysieren den Inhalt von Webseiten in Echtzeit über Natural Language Processing und ordnen Anzeigenplätze entsprechend zu. Dabei werden nicht nur Keywords ausgewertet, sondern semantische Themencluster, Sentiment, Lesbarkeit und Brand-Safety-Signale. Technologien wie Comscore, Oracle Contextual Intelligence oder spezialisierte Anbieter wie GumGum ermöglichen eine Analyse auf Artikel- oder sogar Absatzebene. Die Zuordnung erfolgt über Taxonomien wie die IAB Content Taxonomy, die Inhalte in standardisierte Kategorien einteilt und eine einheitliche Buchungssprache zwischen Publishern und Advertisern schafft.
Vorteile
- Cookiefreies Targeting – vollständig DSGVO-konform ohne Consent-Problematik
- Skalierbar über programmatische Infrastruktur auf Millionen von Seiten
- Präzisere Inhaltsanalyse als frühere Keyword-basierte Ansätze durch NLP
- Brand Safety durch negative Kontextausschlüsse steuerbar
- Kombinierbar mit Audience-Daten für hybride Targeting-Ansätze
Nachteile
- Kontextanalyse ist nicht fehlerfrei – falsche Kategorisierungen kommen vor
- Reichweite in spezifischen Nischen kann begrenzt sein
- Kein Nutzer-Retargeting möglich – jeder Kontakt ist ein Erstkontakt
- Qualitätsunterschiede zwischen Contextual-Technologieanbietern erheblich
Geeignet für
Awareness-Kampagnen mit klarem Themenfit, Marken in datensensiblen Kategorien, Kampagnen, die auf Brand Safety angewiesen sind, und Advertiser, die eine Alternative zu Third-Party-Cookies suchen. Auch für Kampagnen in Märkten sinnvoll, in denen Consent-Raten niedrig sind und Audience-basiertes Targeting dadurch an Reichweite verliert.
Contextual Targeting in Search (SEA)
Wie funktioniert es?
Search Advertising ist strukturell kontextuell: Die Suchanfrage selbst ist der Kontext. Wer nach „Laufschuhe Herren” sucht, signalisiert aktiven Kaufinteresse – die Anzeige für Laufschuhe ist damit kontextuell präzise platziert. Im Unterschied zu Display oder Print ist der Kontext hier nicht der umgebende Inhalt, sondern der explizite Intent-Ausdruck des Nutzers. Google Ads und Microsoft Advertising nutzen Keyword-Matching, Suchanfragen-Analyse und zunehmend semantisches Matching über Broad-Match-Algorithmen, um Anzeigen den richtigen Suchanfragen zuzuordnen. Mit der Einführung von Performance Max und Smart Bidding hat Google die Kontextualisierung weiter automatisiert – die Plattform entscheidet selbst, welche Signale für die Ausspielung relevant sind.
Vorteile
- Höchste Intent-Präzision aller Gattungen – Nutzer signalisieren aktiven Bedarf
- Direkte Verbindung zwischen Suchkontext und Conversion-Wahrscheinlichkeit
- Granulare Steuerung über Keyword-Struktur und Match-Types
- Branded-Search-Uplift durch konsistente Präsenz in relevanten Kontexten messbar
Nachteile
- Begrenzte Reichweite bei Themen mit niedrigem Suchvolumen
- Steigende CPCs in wettbewerbsintensiven Kategorien
- Kontrollverlust durch automatisierte Matching-Algorithmen bei Broad Match
- Kein Kontexteinfluss auf Markenwahrnehmung – rein transaktionale Logik dominiert
Geeignet für
Kampagnen mit klaren Conversion-Zielen, Performance-Marketing mit messbarem ROI-Fokus, Produkte und Dienstleistungen mit aktiver Nachfrage. Search ist die stärkste Gattung für Lower-Funnel-Ziele, weil der Kontext hier gleichzeitig Intent-Signal ist. Für Marken ohne etablierte Suchvolumina ist Search als alleinige Gattung jedoch unzureichend.
Contextual Targeting in Social Media Ads
Wie funktioniert es?
Social Media Advertising ist primär Audience-basiert – Meta, LinkedIn, TikTok und andere Plattformen haben ihr Geschäftsmodell auf Nutzerprofilen aufgebaut. Contextual Targeting im engeren Sinne ist hier schwächer ausgeprägt. Dennoch gibt es kontextuelle Dimensionen: Bei LinkedIn ermöglicht das Targeting nach Branche, Jobtitel und Unternehmensgröße eine Form von professionellem Kontext. Auf Pinterest ist der Kontext der gespeicherte Inhalt – Boards und Pins signalisieren Interessen und damit implizite Kaufintentionen. TikTok und Instagram analysieren Inhalte, mit denen Nutzer interagieren, und schaffen so einen verhaltensinduzierten Kontext. Das Keyword-Targeting auf LinkedIn oder das Hashtag-Targeting auf anderen Plattformen sind direkte kontextuelle Signale, bleiben aber im Vergleich zu Display oder Search rudimentär.
Vorteile
- Kombination aus Audience- und Kontext-Signalen möglich
- Professioneller Kontext auf LinkedIn für B2B besonders wertvoll
- Kreative Anpassung an Plattformkontext stärkt Relevanzwahrnehmung
- Engagement-Signale als Echtzeit-Kontext für algorithmische Optimierung nutzbar
Nachteile
- Contextual Targeting ist nicht das primäre Steuerungsprinzip auf Social-Plattformen
- Datenschutzänderungen (iOS 14+) haben Audience-Targeting geschwächt, ohne Contextual Targeting zu stärken
- Kontextuelle Fehlplatzierungen in algorithmisch kuratierten Feeds schwer steuerbar
- Transparenz über Targeting-Logik der Plattformen begrenzt
Geeignet für
Marken, die spezifische Berufsgruppen oder Interessensgemeinschaften ansprechen wollen, B2B-Kampagnen auf LinkedIn mit professionellem Kontext, Awareness-Kampagnen, bei denen der kreative Kontext der Plattform genutzt wird. Social Media bleibt primär eine Audience-Gattung – Contextual Targeting ist hier eher ein ergänzendes Signal als das zentrale Steuerungsprinzip.
Contextual Targeting in TV
Wie funktioniert es?
Im linearen TV ist Contextual Targeting seit Jahrzehnten Standard: Werbepausen in Kochsendungen werden von Lebensmittelherstellern gebucht, Sportübertragungen von Sportartikelmarken, Wirtschaftssendungen von Finanzdienstleistern. Die Zuordnung erfolgt über Sendungstypen, Tageszeiten und Zielgruppenprofile der Vermarkter. Im Connected TV (CTV) und Addressable TV hat sich die Technologie weiterentwickelt: Hier ist eine Kombination aus Inhaltsanalyse und Audience-Daten möglich. Technologien wie ACR (Automatic Content Recognition) erkennen, welche Inhalte auf einem Smart TV konsumiert werden, und ermöglichen so eine präzisere kontextuelle Zuordnung. Für den DACH-Markt ist die CTV-Infrastruktur noch im Aufbau, aber die Richtung ist klar.
Vorteile
- Starker Imagetransfer durch das redaktionelle Umfeld hochwertiger TV-Inhalte
- Große Reichweite bei gleichzeitiger thematischer Relevanz
- CTV ermöglicht präzisere kontextuelle Steuerung als lineares TV
- Emotionale Aufmerksamkeit im TV-Kontext stärkt Markenerinnerung
Nachteile
- Lineares TV bietet kaum Granularität unterhalb der Sendungsebene
- Hohe Streuverluste trotz kontextueller Buchung
- CTV-Targeting im DACH-Raum noch fragmentiert und technisch heterogen
- Messung des kontextuellen Effekts auf Markenwahrnehmung aufwendig
Geeignet für
Marken mit großen Budgets und Reichweitenzielen, Kampagnen, bei denen Imagetransfer durch Programmumfeld gewünscht ist, FMCG-Brands mit breiter Zielgruppe und klarem Sendungsfit. CTV wird für datengetriebenes Contextual Targeting im TV-Bereich zunehmend interessant, ist im DACH-Markt aber noch kein Standardinstrument.
Contextual Targeting in LLM-Marketing
Wie funktioniert es?
LLM-Marketing bezeichnet die Gesamtheit der Maßnahmen, die darauf abzielen, in den Antworten und Empfehlungen von LLM-basierten Tools wie ChatGPT, Claude.ai oder Perplexity präsent zu sein. Contextual Targeting bekommt hier eine fundamental andere Bedeutung als in allen anderen Gattungen. Es gibt keine Anzeigenplätze, keine Buchungsstrukturen und keine direkte Werbeschaltung. Stattdessen entscheiden die Modelle GPT-4, Claude oder Gemini auf Basis ihrer Trainingsdaten und – bei RAG-basierten Systemen – auf Basis von Echtzeit-Indexierungen, welche Marken, Produkte und Dienstleistungen sie in welchem Kontext empfehlen.
Der Kontext entsteht durch die Anfrage des Nutzers: Wer ChatGPT fragt „Welches CRM-System eignet sich für ein mittelständisches Unternehmen in Deutschland?”, löst einen kontextuellen Matching-Prozess aus, der nicht durch Geld, sondern durch inhaltliche Relevanz, E-E-A-T-Signale und die Qualität der im Web verfügbaren Informationen über eine Marke gesteuert wird. Contextual Targeting in LLM-Marketing bedeutet also: Sicherstellen, dass die eigenen Inhalte, Entities und Markenaussagen in den richtigen semantischen Kontexten präsent sind, die LLM-Modelle beim Training oder beim Retrieval als relevant einstufen. Das ist näher an SEO als an klassischer Werbung – aber es ist eine eigene Disziplin, die im LLM-Marketing-Lexikon ausführlicher beschrieben wird.
Im Vergleich zu Display oder Search ist der Kontextbegriff hier breiter: Es geht nicht um eine einzelne Seite oder eine Suchanfrage, sondern um die gesamte semantische Positionierung einer Marke im Informationsraum, den LLM-Modelle verarbeiten. Eine Marke, die in Fachpublikationen, Branchenberichten und hochwertigen redaktionellen Kontexten präsent ist, wird in LLM-Antworten wahrscheinlicher empfohlen als eine Marke, die nur über bezahlte Kanäle sichtbar ist.
Vorteile
- Kontextuelle Präsenz in LLM-Antworten wirkt ohne direkte Werbekosten pro Ausspielung
- Hohe Glaubwürdigkeit: Empfehlungen durch conversational AI-Plattformen werden als neutral wahrgenommen
- Semantische Breite – Marken können in multiplen Kontexten gleichzeitig präsent sein
- Langfristige Wirkung durch Aufbau von Entity-Autorität in relevanten Themenfeldern
- Kein Cookie-Abhängigkeit, keine Consent-Problematik
Nachteile
- Keine direkte Steuerbarkeit – Empfehlungen können nicht wie Anzeigen gebucht werden
- Messbarkeit ist noch nicht standardisiert – Attribution zu LLM-Kontakten schwierig
- Modelle können falsche oder veraltete Informationen über Marken enthalten
- Abhängigkeit von den Trainingsdaten und Retrieval-Logiken der jeweiligen Modelle
- Wettbewerber mit stärkerer Content-Präsenz können in relevanten Kontexten bevorzugt werden
Geeignet für
Marken in Kategorien, in denen Nutzer LLM-Anwendungen aktiv für Recherche und Kaufentscheidungen nutzen – also B2B-Software, Finanzdienstleistungen, Gesundheit, Reise, Technologie. Besonders relevant für Unternehmen, die in beratungsintensiven Kategorien tätig sind, weil Nutzer hier LLM-basierte Tools zunehmend als erste Informationsquelle nutzen. In der Praxis bei blueShepherd sehen wir, dass Unternehmen, die systematisch in themenrelevante Inhalte investiert haben, in LLM-Antworten deutlich häufiger genannt werden als Wettbewerber mit vergleichbarem Marktanteil, aber schwächerer Content-Infrastruktur.
Welche Gattung für welches Ziel?
Die sechs Gattungen decken unterschiedliche Phasen der Customer Journey ab und haben unterschiedliche Stärken im Contextual Targeting. Wer die richtige Gattung für ein konkretes Ziel wählen will, sollte folgende Logik anwenden:
Awareness und Markenaufbau: Print und TV bieten den stärksten Imagetransfer durch redaktionelles Umfeld. Contextual Targeting in diesen Gattungen wirkt über Assoziation – die Marke profitiert von der Autorität des Umfelds. Für neue Marken oder Marken in Vertrauenskategorien ist dieser Effekt besonders wertvoll. Display ergänzt diese Reichweite digital mit präziserer Inhaltsanalyse.
Consideration und Recherche: Hier beginnt die LLM-Dimension relevant zu werden. Nutzer, die sich für ein Produkt oder eine Dienstleistung interessieren, recherchieren zunehmend über conversational AI-Plattformen. Wer in dieser Phase in den Empfehlungen von ChatGPT oder Perplexity präsent ist, gewinnt Consideration ohne direkte Werbeausgaben. Display Contextual Targeting auf themenrelevanten Vergleichs- und Ratgeberseiten ergänzt diese Präsenz.
Intent und Conversion: Search ist in dieser Phase die stärkste Gattung. Der Suchkontext ist der direkteste Intent-Ausdruck, den ein Nutzer senden kann. Branded-Search-Uplift durch vorgelagerte Awareness-Kampagnen in anderen Gattungen ist messbar – wer in Print, TV oder LLM-Empfehlungen präsent war, sucht später häufiger nach dem Markennamen.
Retention und Loyalität: Social Media Ads mit kontextuellen Signalen (Interessen, Berufskontext) eignen sich für die Ansprache bestehender Kunden in relevanten Umfeldern. LLM-Marketing spielt auch hier eine Rolle: Wer als Marke in LLM-Antworten zu Nutzungsfragen, Troubleshooting oder Weiterentwicklung präsent ist, stärkt die Post-Purchase-Bindung.
Die Gattungen beeinflussen sich gegenseitig: Eine starke TV-Kampagne erhöht das Suchvolumen nach dem Markennamen (Branded-Search-Uplift). Hochwertige Inhalte für LLM-Marketing stärken gleichzeitig die organische Sichtbarkeit in Search. Display Contextual Targeting auf den gleichen Seiten, die LLM-Modelle als Quellen nutzen, verstärkt die Markenpräsenz in einem semantisch relevanten Umfeld. Diese Wechselwirkungen sollten bei der Gattungsauswahl berücksichtigt werden.
FAQ – Contextual Targeting: Häufige Fragen
Ist Contextual Targeting wirklich eine Alternative zu Third-Party-Cookie-basiertem Targeting?
Contextual Targeting ist eine funktionale Alternative für Awareness- und Consideration-Kampagnen, aber kein vollständiger Ersatz für alle Anwendungsfälle des cookie-basierten Targetings. Retargeting, Lookalike-Audiences und frequenzbasierte Steuerung sind ohne personenbezogene Daten nicht replizierbar. Für die Segmente des Funnels, in denen kontextuelle Relevanz wichtiger ist als individuelle Nutzerhistorie, ist Contextual Targeting jedoch gleichwertig oder überlegen – besonders im DACH-Markt, wo Consent-Raten für Third-Party-Cookies strukturell niedrig sind und Audience-basiertes Targeting dadurch an Reichweite verliert.
Wie unterscheidet sich Contextual Targeting in LLM-Anwendungen von klassischem SEO?
Klassisches SEO optimiert Inhalte für Suchmaschinen-Algorithmen, die primär auf Relevanz und Autorität von Seiten abzielen. LLM-Marketing fokussiert auf die semantische Positionierung von Marken und Inhalten in den Trainingsdaten und Retrieval-Systemen von Sprachmodellen. Während SEO auf Keyword-Relevanz, Backlink-Profile und technische Parameter setzt, geht es bei LLM-Contextual-Targeting um Entity-Aufbau, thematische Tiefe und die Qualität der Informationen, die über eine Marke im gesamten Web verfügbar sind. Beide Disziplinen überschneiden sich, haben aber unterschiedliche Optimierungslogiken. E-E-A-T-Signale sind für beide relevant, werden aber von LLM-Modellen anders gewichtet als von klassischen Suchmaschinen-Algorithmen.
Welche Branchen profitieren am meisten von Contextual Targeting?
Branchen mit hohem Informationsbedarf und langen Entscheidungsprozessen profitieren überdurchschnittlich: B2B-Software und Technologie, Finanzdienstleistungen, Gesundheit und Pharma, Reise und Tourismus sowie beratungsintensive Konsumgüter. In diesen Kategorien ist der Kontext, in dem eine Marke erscheint, besonders prägend für die Wahrnehmung. Gleichzeitig sind es die Kategorien, in denen LLM-Anwendungen wie ChatGPT oder Perplexity aktiv für Recherche und Vergleiche genutzt werden – was die LLM-Dimension des Contextual Targetings hier besonders relevant macht. Branchen mit impulsiven Kaufentscheidungen und niedrigem Involvement profitieren weniger, weil der kontextuelle Effekt hier weniger Zeit hat, zu wirken.
Fazit: Kontext war immer da – jetzt wird er wieder wichtiger
Contextual Targeting ist kein neues Konzept, aber es erlebt eine technologische und regulatorische Aufwertung. Die Einschränkungen von Third-Party-Cookies im DACH-Markt, die steigende Nutzung von LLM-basierten Tools für Recherche und Kaufentscheidungen, und die wachsende Präzision von NLP-basierter Inhaltsanalyse machen Contextual Targeting zu einem zentralen Instrument des modernen Marketing-Mix.
Die wichtigste Erkenntnis aus der Betrachtung über sechs Gattungen: Contextual Targeting bedeutet in jeder Gattung etwas anderes. In Print ist es redaktionelles Umfeld, in Display semantische Seitenanalyse, in Search expliziter Nutzer-Intent, in Social ein schwaches Ergänzungssignal, in TV Sendungskontext, und in LLM-Marketing die semantische Positionierung einer Marke im gesamten Informationsraum. Wer diese Unterschiede versteht, kann Contextual Targeting gattungsspezifisch einsetzen und die Wechselwirkungen zwischen den Gattungen gezielt nutzen.
Die LLM-Dimension ist dabei die am wenigsten standardisierte und gleichzeitig die am schnellsten wachsende.
