Wie zuverlässig ist der KI-Markenfilter der Google Search Console?

Der KI-gestützte Markenfilter der Google Search Console ist keine bloße Weiterentwicklung der klassischen Trennung markenbezogener und nicht markenbezogener Suchanfragen per regulärem Ausdruck. Google ordnet Suchanfragen mit einem eigenen KI-gestützten System ein. Ein Regex-Filter dagegen prüft ausschließlich die Zeichenfolgen und Regeln, die ein SEO-Analyst vorgibt. Deshalb können beide Verfahren dieselbe Suchanfrage unterschiedlichen Segmenten zuordnen.

Bedeutet eine solche Abweichung, dass Google falsch klassifiziert? Nicht unbedingt. Wenn ein regulärer Ausdruck auf eine Suchanfrage zutrifft, beweist das noch keine Markenabsicht. Umgekehrt ist auch das Label des KI-Filters kein unabhängig überprüfter Referenzwert.

Google kündigte den Markenfilter am 20. November 2025 an. Seit dem 11. März 2026 steht er laut Google allen berechtigten Websites zur Verfügung. Auf Grundlage der offiziellen Dokumentation erläutert dieser Beitrag, wie sich beide Verfahren kontrolliert vergleichen lassen. Da keine vergleichbaren Exporte einer konkreten Search-Console-Property vorliegen, werden weder gemessene Fehlerquoten noch Genauigkeitswerte behauptet.

Wie funktioniert der KI-gestützte Markenfilter der Google Search Console?

Mit dem Branded Queries Filter können Sie markenbezogene und nicht markenbezogene Suchanfragen im Search-Console-Bericht Leistung → Suchergebnisse getrennt analysieren.

Dafür stehen zwei Segmente zur Verfügung:

• Branded (markenbezogen): Suchanfragen mit dem Markennamen, Namensvarianten oder eng mit der Marke verbundenen Produkten und Dienstleistungen.
• Non-branded (nicht markenbezogen): Andere Suchanfragen, die Googles System nicht als markenbezogen einordnet.

Der Filter lässt sich auf die Suchtypen Web, Bilder, Videos und News anwenden. Für das jeweilige Segment zeigt die Search Console Klicks, Impressionen, Klickrate (CTR) und durchschnittliche Position. Auch Search Console Insights enthält eine Aufschlüsselung der Klicks nach markenbezogenen und nicht markenbezogenen Suchanfragen.

Laut Googles offizieller Ankündigung vom 20. November 2025 beruht die Klassifizierung nicht auf dem Ein- oder Ausschließen bestimmter Keywords per Regex. Google verwendet dafür ein internes, KI-gestütztes System.

Welche Suchanfragen können als markenbezogen gelten?

Googles Definition ist nicht auf Suchanfragen beschränkt, die den Unternehmensnamen wörtlich enthalten.

In der offiziellen Ankündigung nennt Google für die eigene Marke folgende Beispiele:

Suchanfrage	Warum sie als markenbezogen gelten kann
Google	Der Markenname selbst
Gogle	Eine falsche Schreibweise des Markennamens
Gmail	Ein der Marke zugeordnetes Produkt

Diese Beispiele stammen aus Googles Produktbeschreibung. Es handelt sich nicht um Ergebnisse eines für diesen Beitrag durchgeführten Tests.

Google berücksichtigt nach eigener Aussage Markennamen in verschiedenen Sprachen, Tippfehler sowie Suchanfragen nach eindeutig zugehörigen Produkten oder Dienstleistungen, selbst wenn der Markenname nicht vorkommt.

Das geht konzeptionell über einen Regex-Filter hinaus, der nur den Markennamen erkennt. Ein größerer möglicher Erfassungsbereich belegt allerdings noch keine höhere Klassifizierungsgenauigkeit.

Was ist über das KI-Modell nicht bekannt?

Google bestätigt, dass die Einordnung KI-gestützt erfolgt. Die öffentliche Dokumentation beschreibt jedoch weder die Modellarchitektur noch die Trainingsdaten, Konfidenzwerte für einzelne Suchanfragen, Entscheidungsschwellen oder feste Aktualisierungsintervalle.

Daher lässt sich nicht belastbar behaupten, dass ein bestimmtes Large Language Model, eine spezielle Embedding-Architektur oder ein definierter Schwellenwert für semantische Ähnlichkeit zum Einsatz kommt.

Diese Wissensgrenze ist wesentlich: Die Labels sichtbarer Suchanfragen können analysiert werden. Der vollständige interne Entscheidungsweg lässt sich aber nicht unabhängig reproduzieren.

Was bedeutet Googles Hinweis auf mögliche Klassifizierungsfehler?

Google räumt ausdrücklich ein, dass die dynamische und kontextabhängige Zuordnung von Suchanfragen gelegentlich zu Fehlern führen kann.

Daraus ergeben sich drei Konsequenzen für die Analyse:

• Behandeln Sie das KI-Label nicht als fehlerfreien Referenzstandard.
• Prüfen Sie unerwartete Zuordnungen anhand der tatsächlichen Produkte, Leistungen und des Markenkontexts.
• Unterstellen Sie keine dauerhaft unveränderte Klassifizierung; kontrollieren Sie die Ergebnisse in angemessenen Abständen.

Der letzte Punkt ist eine Empfehlung für die Qualitätssicherung. Er ist kein Beleg dafür, dass Google zu einem bestimmten Zeitpunkt tatsächlich Labels geändert hat.

Google weist außerdem darauf hin, dass der Filter keinen Einfluss auf die Suchrankings hat. Er dient ausschließlich der Auswertung in der Search Console.

Warum wird der Markenfilter nicht bei jeder Property angezeigt?

Die Funktion ist laut Google für berechtigte übergeordnete Properties vorgesehen. Unterverzeichnis- und Subdomain-Properties können ausgeschlossen sein. Darüber hinaus benötigt das System ausreichende Signale aus Suchanfragen und Impressionen.

Fehlt der Filter beispielsweise bei https://example.com/blog/ oder developers.example.com, ist das für sich genommen kein Hinweis auf einen technischen Fehler.

Ob eine Property berechtigt ist, muss in ihrer Search-Console-Oberfläche überprüft werden. Google nennt in der Dokumentation keinen allgemeingültigen Mindestwert für Impressionen.

Wie lassen sich markenbezogene Suchanfragen mit Regex abgrenzen?

Ein regulärer Ausdruck (Regular Expression, kurz Regex) ist ein Muster, das Zeichenfolgen anhand festgelegter Regeln erkennt.

Sein wichtigster Vorteil für das SEO-Reporting liegt in der Nachvollziehbarkeit: Die Definition markenbezogener Suchanfragen lässt sich dokumentieren, prüfen, wiederholen und versionieren.

So verwenden Sie einen Regex-Filter in der Search Console:

1. Öffnen Sie Leistung → Suchergebnisse.
2. Wählen Sie + Filter hinzufügen → Suchanfrage.
3. Entscheiden Sie sich für Benutzerdefiniert (Regex) / Custom (regex).
4. Geben Sie Ihren regulären Ausdruck ein.
5. Verwenden Sie Matches regex für Treffer und Doesn't match regex für nicht passende Suchanfragen.
6. Dokumentieren Sie Berichtsparameter und Regelversion, bevor Sie die Daten exportieren.

Grundlage ist die Google-Dokumentation zur erweiterten Filterung. Die Bezeichnungen können je nach Oberflächensprache leicht abweichen.

Warum ist RE2 bei Regex-Filtern in der Search Console wichtig?

Die Search Console nutzt die Syntax von RE2. Standardmäßig wird nur ein Teil der Suchanfrage abgeglichen; außerdem wird nicht zwischen Groß- und Kleinschreibung unterschieden.

Beispiele:

• marke|brand: Erkennt einen der beiden Ausdrücke.
• ^marke: Sucht marke am Anfang der Suchanfrage.
• marke$: Sucht marke am Ende der Suchanfrage.
• marke: Kann wegen des Teilstring-Abgleichs auch innerhalb längerer Wörter auftreten.
• (?-i)Marke: Aktiviert für diesen Ausdruck die Unterscheidung von Groß- und Kleinschreibung.

Der Teilstring-Abgleich ist besonders bei kurzen Markennamen relevant. Ein Filter mit lediglich param könnte beispielsweise auch das Wort Parameter erfassen, obwohl kein Markenbezug besteht.

Das wäre ein möglicher False Positive (falsch positiver Treffer): Eine nicht markenbezogene Suchanfrage wird allein wegen eines Texttreffers als markenbezogen eingeordnet.

Beachten Sie die konkreten Syntaxregeln und Grenzen von RE2. Ein Ausdruck, der in einer anderen Regex-Engine funktioniert, muss in der Search Console nicht identisch funktionieren oder überhaupt unterstützt werden.

Wie sollte ein markenspezifisches Regex-Wörterbuch aufgebaut sein?

Allein der offizielle Unternehmensname reicht für eine belastbare Segmentierung nicht immer aus.

Ein Markenwörterbuch kann in drei Ebenen gegliedert werden:

Ebene	Enthaltene Begriffe	Erforderliche Prüfung
Eindeutige Markennennung	Offizieller Markenname, Domain, gebräuchliche Schreibweisen	Offizielle Unternehmensquellen
Namensvarianten	Abkürzungen, sprachspezifische Varianten, belegte Tippfehler	Beobachtete Suchanfragen
Kontextbezogener Markenbezug	Eindeutig zugeordnete Produkt-, Dienstleistungs- und Submarkennamen	Produktzugehörigkeit und menschliche Prüfung

Ein Markenwörterbuch ist nicht mit einer allgemeinen Keyword-Recherche gleichzusetzen. Es dient zunächst der konsistenten Klassifizierung für Berichte, nicht der Ermittlung neuer Suchpotenziale.

Regex-Beispiel für türkische Zeichen und Schreibvarianten

ILLUSTRATIVES BEISPIEL — KEIN TATSÄCHLICHES TESTERGEBNIS

Ein enger Ausgangsausdruck:

gokhanaksoy

Ein erweiterter Ausdruck für ausgewählte Namensvarianten:

(g[oö]khan[ -]?aksoy|gokhanaksoy\.com\.tr)

Der zweite Ausdruck soll beispielsweise gokhanaksoy, gökhan aksoy und gokhan-aksoy erkennen.

Er erfasst weder alle denkbaren Tippfehler noch jede Zusammenschreibung oder jede kontextbezogene Markensuche. Auch mögliche falsch positive Treffer durch Teilstring-Abgleiche müssen vor dem produktiven Einsatz geprüft werden.

Es geht hier nicht um ein universell korrektes Regex, sondern darum, warum jede Regel explizit dokumentiert und an realen Suchanfragen validiert werden muss.

Ein produktiver Ausdruck sollte auf dem verifizierten Markenwörterbuch der jeweiligen Property beruhen.

Wie sollte der Vergleich zwischen KI-Markenfilter und Regex aufgebaut sein?

Zwei Gesamtwerte aus demselben Search-Console-Bericht nebeneinanderzustellen genügt nicht, um die Zuverlässigkeit der Verfahren zu bewerten.

Vergleichbar sind nach Möglichkeit dieselben Suchanfragen innerhalb desselben Berichtsumfangs.

Andernfalls können Unterschiede aus der Datenerfassung oder Aggregation stammen statt aus der Klassifizierung.

1. Den Messumfang konstant halten

Legen Sie vor dem Test folgende Parameter fest:

Parameter	Kontrollbedingung
Search-Console-Property	Dieselbe Property
Zeitraum	Identischer Beginn und identisches Ende
Datenstatus	Möglichst abgeschlossene Berichtstage
Suchtyp	Zunächst Web
Land	Dasselbe Land oder derselbe Gesamtumfang
Gerät	Dasselbe Gerät oder dieselbe geräteübergreifende Auswahl
Aggregation	Vergleichbare Property-/Suchanfragenebene
Regex-Version	Dokumentiert und unverändert
Weitere Filter	Identisch oder bewusst deaktiviert

Ein KI-Segment für alle Länder lässt sich beispielsweise nicht direkt mit einem Regex-Segment vergleichen, das auf Deutschland beschränkt ist.

Ebenso dürfen Impressionen aus einer nach Seiten gruppierten Auswertung nicht automatisch mit Property-Gesamtwerten gleichgesetzt werden.

2. Vier Suchanfragensegmente getrennt exportieren

Erstellen Sie nach Möglichkeit vier Ansichten:

• KI — Branded
• KI — Non-branded
• Regex — Matches regex
• Regex — Doesn't match regex

Archivieren Sie zu jedem Export Property, Zeitraum, Suchtyp, Land, Gerät, sämtliche aktive Filter und die Regex-Version.

Wenden Sie die Filter in getrennten, kontrollierten Zuständen an. Ein noch aktivierter Suchanfragenfilter könnte beispielsweise das KI-Segment unbeabsichtigt auf eine Teilmenge reduzieren.

Zentrale Regel: Fehlt eine Suchanfrage im Export, darf sie nicht automatisch der jeweils anderen Klasse zugeordnet werden.

Kennzeichnen Sie fehlende Beobachtungen als not_observed. Prüfen Sie anschließend, ob das Fehlen mit der Klassifizierung, Zeilenlimits, anonymisierten Suchanfragen oder einer unvollständigen Datenausgabe zusammenhängt.

3. Suchanfragen normalisieren, Originaltext behalten

Für die Verknüpfung der Datensätze können Suchanfragen vereinheitlicht werden. Der Originaltext muss jedoch erhalten bleiben.

Empfohlenes Datenschema:

Feld	Zweck
query_raw	Ursprüngliche Suchanfrage
query_normalized	Standardisierter Schlüssel zur Verknüpfung
gsc_ai_label	branded / nonbranded / not_observed / unknown
regex_label	branded / nonbranded / not_observed / unknown
human_label	branded / nonbranded / ambiguous / not_reviewed
regex_version	Version des Regelwerks
clicks, impressions	Gemessene Werte im selben Berichtsumfang
ctr, average_position	Ursprungswerte oder korrekt aggregierte Kennzahlen
evidence_note	Begründung und Unsicherheit der Zuordnung
property, date_range, search_type, country, device	Messumfang

Bei türkischen Markennamen ist die Normalisierung von Unicode-Zeichen besonders sorgfältig zu prüfen. Die Zeichen I, İ, ı und i dürfen nicht ungeprüft zu einem gemeinsamen Schlüssel zusammengeführt werden.

Die Normalisierung soll Datensätze zuverlässig abgleichen, nicht Googles interne Klassifizierung nachbauen.

4. Eine Übereinstimmungsmatrix für KI und Regex erstellen

Suchanfragen, für die beide Labels beobachtet wurden, lassen sich vier Feldern zuordnen.

LEERE VERGLEICHSMATRIX — REALE DATEN ERFORDERLICH

KI-Klassifizierung	Regex: Branded	Regex: Non-branded
KI: Branded	A — Übereinstimmung	B — Abweichung
KI: Non-branded	C — Abweichung	D — Übereinstimmung

A und D stehen für übereinstimmende Entscheidungen, B und C für Abweichungen.

Suchanfragen, bei denen mindestens eines der beiden Labels fehlt, werden separat ausgewiesen. Sie dürfen nicht stillschweigend einem der vier Felder zugeschlagen werden.

Die Übereinstimmungsrate berechnet sich so:

Agreement = (A + D) / (A + B + C + D) × 100

In den Nenner gehören ausschließlich Suchanfragen, für die beide Klassifizierungen vorliegen.

Diese Kennzahl zeigt, wie häufig beide Verfahren zur gleichen Entscheidung kommen. Sie sagt nicht, ob die Entscheidung inhaltlich richtig ist.

5. Übereinstimmung nicht mit Genauigkeit verwechseln

Das ist die zentrale methodische Unterscheidung.

Wenn KI und Regex eine Suchanfrage beide als markenbezogen einstufen, bleiben mindestens drei Möglichkeiten:

• Beide Zuordnungen sind korrekt.
• Beide Verfahren machen denselben Fehler.
• Die Suchanfrage ist im Markenkontext mehrdeutig.

Eine hohe Übereinstimmung garantiert also keine hohe Genauigkeit.

Um Klassifizierungsgenauigkeit zu bewerten, brauchen Sie unabhängige Referenzlabels.

Diese kann eine Fachperson erstellen, die die offiziellen Produkte und Dienstleistungen der Marke kennt. Idealerweise sieht sie vor der Bewertung weder das KI- noch das Regex-Label.

Eine zweite prüfende Person hilft, Bewertungsunterschiede sichtbar zu machen. Abweichungen sollten nach einem dokumentierten Entscheidungsverfahren geklärt werden.

Für eindeutig binär klassifizierbare Suchanfragen gelten folgende Kennzahlen:

• Accuracy (Genauigkeit): (TP + TN) / (TP + TN + FP + FN)
• Precision (Präzision, branded): TP / (TP + FP)
• Recall (Sensitivität, branded): TP / (TP + FN)
• F1-Score: 2 × Precision × Recall / (Precision + Recall)

TP bezeichnet richtig positive, FP falsch positive, TN richtig negative und FN falsch negative Entscheidungen im Vergleich zum unabhängigen Referenzlabel.

Ohne Angaben zur Stichprobe, zu ausgeschlossenen Datensätzen und zum Umgang mit mehrdeutigen Suchanfragen können diese Werte in die Irre führen.

Enthält eine Stichprobe beispielsweise nur wenige tatsächlich markenbezogene Suchanfragen, kann die Gesamtgenauigkeit hoch sein, obwohl das Verfahren markenbezogene Anfragen schlecht erkennt. Precision und Recall müssen deshalb getrennt betrachtet werden.

6. Analyse nach Suchanfragen und nach Trafficgewicht trennen

Jede Suchanfrage gleich zu gewichten beantwortet eine andere Frage, als Klicks oder Impressionen zur Gewichtung heranzuziehen.

Die suchanfragenbasierte Auswertung zeigt, wie konsistent beide Verfahren über unterschiedliche Begriffe hinweg klassifizieren.

Eine klickgewichtete Auswertung hilft dagegen einzuschätzen, welche Folgen die Abweichungen für die Interpretation des organischen Traffics haben könnten.

Eine Abweichung bei einer Suchanfrage mit vielen Impressionen kann für einen Managementbericht wichtiger sein als eine Abweichung bei einer seltenen Longtail-Suche.

Betrachten Sie daher sowohl die Anzahl strittiger Suchanfragen als auch ihren Anteil an Klicks und Impressionen.

Doch auch eine trafficgewichtete Übereinstimmung ist kein unabhängiger Nachweis der Richtigkeit.

Bei welchen Suchanfragen könnten KI und Regex voneinander abweichen?

Die folgenden Szenarien ergeben sich aus Googles dokumentierter Funktionsbeschreibung und dem technischen Verhalten regulärer Ausdrücke. Sie sind zu prüfende Hypothesen, keine Messbefunde.

ILLUSTRATIVES BEISPIEL — KEIN TATSÄCHLICHES TESTERGEBNIS

Suchanfragetyp	Mögliche Ursache der Abweichung	Prüfung
Tippfehler im Markennamen	Die Variante fehlt im Regex-Wörterbuch	Belegte Schreibweisen prüfen
Markenspezifischer Produktname	Der Markenname kommt im Suchtext nicht vor	Produktzugehörigkeit bestätigen
Markenname mit allgemeiner Wortbedeutung	Regex erfasst nicht verwandte Suchanfragen	Suchintention prüfen
Zusammen- oder Getrenntschreibung	Regel für Leerzeichen oder Bindestrich fehlt	Schreibvarianten testen
Türkische Sonderzeichen	Muster berücksichtigt ein Zeichen nicht	Zeichenabgleich prüfen
Mehrsprachiger Markenbezug	Sprachvariante fehlt im Wörterbuch	Sprache und Markenkontext prüfen
Eigenmarke zusammen mit Wettbewerber	Vergleichsabsicht kann mehrdeutig sein	Primären Markenbezug bewerten
Mehrdeutiges Produkt oder Angebot	Suchanfrage kann mehrere Marken betreffen	Eigenständige Kategorie „mehrdeutig“ beibehalten
Fehlende Exportzeile	Datenabdeckung statt Klassifizierungsfehler	Exportumfang überprüfen

Die Tabelle beschreibt mögliche Abweichungs- und Fehlerklassen. Da für diesen Beitrag keine tatsächlichen Labels aus einer Search-Console-Property gemessen wurden, werden weder vermeintliche Google-Entscheidungen noch erfundene Prozentwerte ausgewiesen.

Warum kann ein enges Regex falsch negative Treffer erzeugen?

Wenn das Wörterbuch nur den offiziellen Firmennamen enthält, können Suchanfragen nach eindeutig zugehörigen Produkten oder Leistungen ausgeschlossen bleiben.

Google nennt Gmail als Beispiel für eine markenbezogene Produktsuche. Ein enger Regex-Ausdruck, der lediglich nach google sucht, erkennt die Zeichenfolge gmail dagegen nicht.

Das zeigt den konzeptionellen Unterschied beider Ansätze. Es ist jedoch kein gemessener Abweichungsfall für eine bestimmte Property.

Warum kann ein breites Regex falsch positive Treffer erzeugen?

Ein Markenname kann zugleich ein allgemein gebräuchliches Wort sein oder Bestandteil anderer Begriffe werden.

Ein rein textbasierter Filter erfasst dann womöglich Suchanfragen ohne tatsächlichen Bezug zur Marke.

Mit zusätzlichen Varianten kann die Abdeckung steigen, gleichzeitig aber auch die Zahl falsch positiver Treffer. Immer weitere Begriffe hinzuzufügen ist deshalb für sich genommen keine verlässliche Optimierung.

Wie sollten Regex v1 und v2 verglichen werden?

Dokumentieren Sie beide Fassungen getrennt:

Regex v1: Offizielle Markennamen und überprüfte Grundvarianten.

Regex v2: Weitere Varianten und präzisere Abgleichsgrenzen, die nach der Analyse realer Abweichungen bestätigt wurden.

Ein besseres Ergebnis auf den ursprünglichen Testdaten genügt nicht. Die überarbeitete Regel sollte zusätzlich anhand einer unabhängigen Validierungsstichprobe geprüft werden, die nicht zur Entwicklung verwendet wurde.

Andernfalls kann sich der Ausdruck zu stark an historische Suchanfragen anpassen und bei neuen Begriffen versagen.

Für langfristig vergleichbare SEO-Berichte ist diese Trennung entscheidend: Ändert sich die Definition markenbezogener Anfragen, kann sich auch die Bedeutung der Zeitreihe verändern.

Gehen Datenunterschiede in der Search Console wirklich auf die Klassifizierung zurück?

Ein besonders großes Risiko besteht darin, fehlende oder anders aggregierte Suchanfragedaten als Klassifizierungsfehler von KI oder Regex zu interpretieren.

Google dokumentiert unterschiedliche Filter-, Gruppierungs- und Exportbedingungen für Leistungsdaten in der Search Console.

Diese Grenzen beschreibt Googles technische Erläuterung der Performance-Daten.

Warum sind anonymisierte Suchanfragen relevant?

Zum Schutz der Privatsphäre anonymisiert Google bestimmte selten gestellte Suchanfragen.

Ihr Wortlaut erscheint nicht in der Leistungstabelle. Die zugehörigen Werte können jedoch in ungefilterten Diagrammsummen enthalten sein.

Wird ein Suchanfragenfilter gesetzt, können anonymisierte Anfragen entfallen. Dadurch können gefilterte und ungefilterte Gesamtsummen voneinander abweichen.

Die folgende Gleichsetzung ist deshalb nicht allgemein gültig:

Klicks mit Regex-Treffer + Klicks ohne Regex-Treffer = ungefilterte Gesamtklicks in jedem Fall

Eine Differenz belegt weder automatisch einen Fehler im Regex noch in Googles KI-Klassifizierung.

Da der Wortlaut anonymisierter Suchanfragen nicht vorliegt, lassen sich für sie auch keine unabhängigen Referenzlabels auf Suchanfragenebene erstellen.

Welchen Einfluss haben Zeilenlimits in Oberfläche und API?

Google dokumentiert für Exporte über die Search-Console-Oberfläche eine Grenze von 1.000 Zeilen.

Die Search Analytics API kann pro Anfrage bis zu 25.000 Zeilen zurückgeben. Per Paginierung lassen sich weitere Zeilen abrufen. Die dokumentierten Datenbegrenzungen und die Anonymisierung gelten jedoch weiterhin.

Mehr API-Zeilen bedeuten nicht, dass sämtliche tatsächlich gestellten Suchanfragen abrufbar sind.

Während Regex-Filteroperatoren für die API dokumentiert sind, ist das interne KI-Markenlabel dort nicht als reguläre Filterdimension oder eigener Operator beschrieben.

Ein per API und Regex erstelltes Markensegment darf daher nicht als direktes Ergebnis von Googles KI-Klassifizierung bezeichnet werden.

Technische Referenz: Search Analytics API — query.

Warum können Diagrammsummen und Suchanfragenzeilen voneinander abweichen?

Diagramme und Tabellen der Search Console können auf unterschiedlichen Aggregationsregeln beruhen.

Seitenfilter, die Zusammenfassung über kanonische URLs, anonymisierte Suchanfragen und Zeilenlimits können die Werte beeinflussen.

So muss beispielsweise die Summe eines anders gruppierten Seitenberichts nicht mit den Impressionen auf Property-Ebene übereinstimmen.

Bevor diese Differenz der Markenklassifizierung zugeschrieben wird, sollte die Aggregationsebene geprüft werden.

Checkliste zur Ursachenanalyse bei Datenabweichungen

Wenn sich zwei Segmente unerwartet unterscheiden, prüfen Sie in dieser Reihenfolge:

1. Nutzen beide Berichte dieselbe Search-Console-Property?
2. Stimmen Zeitraum, Land, Gerät und Suchtyp überein?
3. Sind zusätzliche Suchanfragen- oder Seitenfilter aktiv?
4. Werden Diagramm und Tabelle auf vergleichbarer Ebene aggregiert?
5. Ist der Einfluss anonymisierter Suchanfragen berücksichtigt?
6. Können Zeilenlimits oder abgeschnittene Exporte die Differenz erklären?
7. Werden Suchanfragen ohne zwei beobachtete Labels separat erfasst?
8. Wurden verbleibende Abweichungen anhand realer Suchanfragen geprüft?

Erst danach sollten ungeklärte Unterschiede als mögliche Klassifizierungsabweichungen untersucht werden.

Das ist auch bei organischen Leistungsschwankungen wichtig: Aus steigenden oder sinkenden Gesamtklicks geht nicht automatisch hervor, welche Suchanfragengruppe sich verändert hat. Dieser Aspekt gehört ebenfalls zur Analyse eines plötzlichen Rückgangs des organischen Traffics.

KI-Markenfilter oder Regex: Was eignet sich für das SEO-Reporting?

Entscheidend ist nicht, welches Verfahren technisch anspruchsvoller wirkt, sondern welche Entscheidung der Bericht unterstützen soll.

Entscheidungsmatrix nach Berichtsziel

Berichtsziel	Bevorzugter Ansatz	Begründung
Schnelle Analyse markenbezogener und nicht markenbezogener Suchen	KI-Markenfilter	Googles integrierte Segmentierung
Markenspezifische Regeln prüfen	Regex	Begriffe und Abgleichslogik sind nachvollziehbar
Wiederholbares Regelwerk pflegen	Versioniertes Regex	Definition und Änderungen sind dokumentierbar
Googles kontextuelle Zuordnung untersuchen	KI-Filter	Zeigt Googles eigene Segmentlabels
Genauigkeit im Managementbericht beurteilen	KI + Regex + unabhängige Referenzlabels	Ermöglicht die Analyse gemeinsamer Fehler und Abweichungen
Regelbasierte Filterung über die API	Regex	RE2-basierte Operatoren sind dokumentiert
Markenbezogene Nachfrage über die Zeit beobachten	Einheitlich abgegrenzte KI- oder Regex-Zeitreihe	Vergleichbare Definitionen sind erforderlich

Diese Matrix ist keine gemessene Rangfolge der Verfahren. Sie leitet eine Vorgehensweise aus den dokumentierten Funktionen und Anforderungen an die Nachprüfbarkeit ab.

Welche Fehlklassifizierungen sind für Managementberichte besonders kritisch?

Nicht jeder Klassifizierungsfehler hat dieselben betriebswirtschaftlichen Folgen.

Wird beispielsweise eine tatsächlich markenbezogene Produktsuche als nicht markenbezogen erfasst, kann die organische Sichtbarkeit außerhalb der Marke verzerrt erscheinen.

Umgekehrt verwischt eine als markenbezogen eingeordnete generische Kategoriesuche die Grenze zwischen Markennachfrage und allgemeiner Kategorienachfrage.

Ob solche Fehler in einem konkreten Bericht tatsächlich auftreten, lässt sich nur mit realen Suchanfragedaten feststellen.

Managementberichte sollten daher nicht nur Segmentwerte zeigen, sondern auch den Umfang relevanter Abweichungen und deren mögliche Auswirkungen auf die geschäftliche Interpretation offenlegen.

Sind nicht markenbezogene Suchanfragen gleichbedeutend mit neuen Nutzern?

Nein.

Eine nicht markenbezogene Suchanfrage ist lediglich ein Begriff, der von einem bestimmten Klassifizierungsverfahren nicht der Marke zugeordnet wird.

Die suchende Person kann die Website bereits besucht haben, schon Kunde sein oder die Marke kennen und trotzdem einen allgemeinen Suchbegriff verwenden.

Diese Größen sind nicht gleichzusetzen:

• Nicht markenbezogene Suchanfrage
• Neuer Nutzer
• Neuer Kunde
• Inkrementelle Neukundengewinnung

Mehr nicht markenbezogene Suchanfragen können auf bessere Auffindbarkeit und Kategoriesichtbarkeit hindeuten. Aussagen über tatsächlich gewonnene Nutzer oder Kunden erfordern jedoch passende Analyse- und Geschäftsdaten.

Auch die Sichtbarkeit in KI-Antworten und die klassische Marken-Segmentierung in der Search Console sind unterschiedliche Messbereiche. Sie beantworten nicht dieselbe Frage. Den größeren Zusammenhang behandelt SEO im KI-Zeitalter: Sichtbarkeit in Suche und Antworten.

Fazit: Wie lässt sich die Zuverlässigkeit des KI-Markenfilters bewerten?

Der KI-gestützte Markenfilter der Google Search Console ermöglicht eine integrierte Analyse markenbezogener Suchanfragen. Google behauptet in seiner Dokumentation jedoch nicht, dass jede Zuordnung korrekt ist.

Regex bietet transparente, reproduzierbare Regeln. Die Genauigkeit hängt allerdings davon ab, wie vollständig das Markenwörterbuch ist und wie präzise die Muster definiert wurden.

Aus den dokumentierten Grundlagen lassen sich vier Schlussfolgerungen ableiten:

1. KI und Regex sind unterschiedliche Verfahren. Googles KI-gestützte Klassifizierung basiert nicht auf Regex. Ein Vergleich derselben Suchanfragen ist deshalb sinnvoll.
2. Eine Abweichung beweist noch keinen Fehler. Ob eines der Labels richtig ist, muss anhand unabhängiger Kenntnisse des Markenkontexts geprüft werden.
3. Prüfen Sie zuerst die Datenabdeckung. Anonymisierte Suchanfragen, Zeilenlimits, aktive Filter und unterschiedliche Aggregationen können das Ergebnis beeinflussen.
4. Transparenz ist für entscheidungsrelevante Berichte zentral. Der KI-Filter eignet sich für schnelle Auswertungen, versionierte Regex-Regeln für nachvollziehbare Definitionen. Aussagen über Genauigkeit benötigen unabhängige Referenzlabels.

Für diesen Beitrag wurde keine Übereinstimmungsrate und keine Genauigkeitsquote aus tatsächlichen Search-Console-Exporten berechnet. Entsprechend wird keines der beiden Verfahren als grundsätzlich genauer dargestellt.

Zuverlässigkeit wird nicht dadurch messbar, dass zwei Systeme übereinstimmen, sondern dadurch, dass ihre Entscheidungen unabhängig überprüft werden können.

Quellen

Die Aussagen zu Produktfunktionen und Datenbegrenzungen stützen sich auf die offizielle Google-Dokumentation:

1. Google Search Central — Introducing the branded queries filter in Search Console — 20. November 2025; Aktualisierung vom 11. März 2026.
2. Search Console-Hilfe — Advanced filtering and comparison — RE2-Syntax und Filterverhalten.
3. Google Search Central — A deep dive into Search Console performance data — Anonymisierung und Zeilenlimits.
4. Search Console-Hilfe — Troubleshooting data discrepancies — Unterschiede zwischen Diagramm-, Tabellen- und Filtersummen.
5. Search Console-Hilfe — Dimensions and data groupings — Suchanfragendimensionen und Datenbegrenzungen.
6. Search Analytics API-Referenz — API-Filteroperatoren und Abfrageparameter.

Häufig gestellte Fragen

Verwendet der Markenfilter der Search Console Regex?

Nein. Google erklärt ausdrücklich, dass die Zuordnung zu markenbezogenen und nicht markenbezogenen Suchanfragen durch ein internes, KI-gestütztes System erfolgt. Regex ist eine separate Filtermöglichkeit.

Kann Googles KI-Markenfilter Suchanfragen falsch zuordnen?

Ja. Google räumt ein, dass die kontextabhängige und dynamische Klassifizierung gelegentlich Fehler verursachen kann. Eine allgemeingültige Fehler- oder Genauigkeitsquote nennt die offizielle Dokumentation nicht.

Warum unterscheiden sich die Ergebnisse von KI-Markenfilter und Regex?

Die Verfahren können dieselbe Suchanfrage unterschiedlich einordnen. Anonymisierte Suchanfragen, Zeilenlimits, aktive Filter oder unterschiedliche Aggregationen können ebenfalls Differenzen erzeugen. Der Grund muss anhand vergleichbarer Daten geklärt werden.

Für welche Search-Console-Properties ist der KI-Markenfilter verfügbar?

Laut Google steht er berechtigten übergeordneten Properties zur Verfügung. Unterverzeichnis- und Subdomain-Properties können ausgeschlossen sein. Außerdem werden ausreichende Suchanfragen- und Impressionensignale benötigt. Prüfen Sie die Berechtigung in der Property selbst.

Warum kann eine Suchanfrage ohne Markennamen als markenbezogen gelten?

Googles Definition berücksichtigt eindeutig zugehörige Produkte und Dienstleistungen. In der offiziellen Ankündigung wird beispielsweise Gmail als Suchanfrage mit Bezug zur Marke Google genannt.

Gibt es den KI-Markenfilter auch in der Search Analytics API?

In der am 3. November 2026 geprüften offiziellen API-Referenz sind includingRegex und excludingRegex dokumentiert. Das interne KI-Markenlabel ist dort nicht als reguläre Filterdimension oder Operator beschrieben. Ein API-Regex-Ergebnis ist nicht mit der KI-Zuordnung gleichzusetzen.

Sind nicht markenbezogene Suchanfragen automatisch neue Nutzer?

Nein. Die Bezeichnung beschreibt die Einordnung eines Suchbegriffs, nicht ob eine Person die Website erstmals besucht oder ein neuer Kunde ist.

Wie berücksichtigt Regex türkische Sonderzeichen und Tippfehler?

Verwenden Sie belegte Namensvarianten, Zeichenklassen und geeignete Abgleichsgrenzen. Beispielsweise erfasst [oö] eines der beiden Zeichen. Prüfen Sie vor dem produktiven Einsatz anhand realer Suchanfragen falsch positive und falsch negative Treffer.