Google Ads Kampagnen-Struktur 2026: KI-basiertes Clustering für optimale Silo-Architektur

Warum Kampagnen-Struktur 2026 neu gedacht werden muss

Google Ads hat sich in den letzten drei Jahren fundamental verändert. Broad Match dominiert immer mehr Auktionen, Performance Max übernimmt automatisch Inventar, und Googles eigene KI trifft Gebotsent­scheidungen in Millisekunden. Was bleibt dir als Advertiser? Die Kontrolle über die Struktur — und die ist wichtiger denn je.

Viele Accounts, die wir bei galineo analysieren, leiden nicht an schlechten Geboten oder falschen Anzeigentexten. Sie leiden an einer kaputten Architektur. Keywords konkurrieren gegeneinander, Anzeigengruppen überschneiden sich semantisch, und das Budget fließt in Richtungen, die niemand bewusst geplant hat. Das Resultat: verschwendetes Budget, schwache Quality Scores und frustrierte Werbetreibende.

2026 kommt eine weitere Dimension hinzu: Die Ausbreitung von KI-Suchsystemen verändert, wie Nutzer Informationen konsumieren. Matthew Prince, CEO von Cloudflare, warnte in einem Interview, dass KI-Systeme es für Content-Ersteller 750- bis 30.000-mal schwieriger machen, organischen Traffic zu gewinnen — verglichen mit klassischer Google-Suche. Das bedeutet: Paid Search gewinnt als direkter Kanal weiter an strategischer Bedeutung, und wer hier schlecht strukturiert ist, zahlt doppelt drauf.

Die Antwort auf diese Herausforderung ist keine Rückkehr zu manueller Micromanagement-Struktur, sondern der gezielte Einsatz von KI für das, was Menschen schlecht können: semantisches Clustering in großem Maßstab. Lass uns anschauen, wie das funktioniert.

KI-basiertes Clustering: Grundlagen und Funktionsweise

Klassisches Keyword-Clustering funktioniert so: Du sammelst Keywords, sortierst sie nach Themen, ordnest sie manuell Anzeigengruppen zu. Bei 50 Keywords ist das machbar. Bei 500 Keywords wird es mühsam. Bei 5.000 Keywords ist es schlicht unrealistisch — zumindest ohne KI-Unterstützung.

KI-basiertes Clustering analysiert semantische Ähnlichkeiten zwischen Keywords mithilfe von Embedding-Modellen. Diese Modelle verstehen nicht nur lexikalische Übereinstimmungen («Schuhe kaufen» und «Schuhe bestellen»), sondern auch konzeptuelle Verwandtschaft («Laufschuhe» und «Running Shoes»). Das Ergebnis sind Cluster, die sich an der tatsächlichen Suchintention orientieren — nicht an zufälligen String-Übereinstimmungen.

Was KI beim Clustering besser macht als Menschen

Ein Mensch orientiert sich beim Clustering meist an offensichtlichen Gemeinsamkeiten. Eine KI erkennt auch subtile semantische Verbindungen und — ebenso wichtig — subtile Unterschiede. «Günstige Laufschuhe» und «Premium Laufschuhe» gehören zwar zum gleichen Produkt, aber zu völlig unterschiedlichen Kaufabsichten und sollten deshalb in separate Anzeigengruppen mit angepassten Anzeigen und Gebotsstrategien.

Noch entscheidender ist die Geschwindigkeit. Wie aus einer Analyse von KI-gestützten Google Ads Workflows hervorgeht, reduziert sich der Zeitaufwand für Keyword-Recherche und manuelles Clustering von über 90 Minuten auf einen Bruchteil davon — und das bei höherer Konsistenz und weniger menschlichen Fehlern. Der traditionelle Weg umfasst Keyword-Recherche (eine Stunde), manuelles Clustering (30 Minuten) und die anschließende Anzeigengruppen-Erstellung — insgesamt ein Halbtages-Projekt, das mit KI auf 10 bis 15 Minuten schrumpft.

Die drei Cluster-Dimensionen

Effektives KI-Clustering für Google Ads arbeitet nicht nur mit semantischer Ähnlichkeit. Es berücksichtigt drei Dimensionen gleichzeitig:

Silo-Architektur in Google Ads: Das Fundament

Der Begriff «Silo-Architektur» kommt ursprünglich aus dem SEO und bezeichnet eine thematisch saubere Trennung von Inhaltsbereichen, die Signalkonflikte verhindert. In Google Ads bedeutet Silo-Architektur: Jedes Keyword hat genau einen definierten Platz im Account, Anzeigengruppen konkurrieren nicht gegeneinander, und Kampagnen erhalten klare, nicht-überlappende Themenbereiche.

Das klingt selbstverständlich — ist es aber in der Praxis selten. Die häufigste Ursache für schlechte Account-Performance ist nicht das Gebot, sondern Keyword-Kannibalisierung: Zwei Anzeigengruppen kämpfen um die gleiche Auktion, treiben den eigenen CPL nach oben und verwässern die Qualitätssignale für beide.

Die drei Ebenen einer sauberen Silo-Struktur

Eine gut aufgebaute Google Ads Silo-Architektur folgt immer dem gleichen Prinzip: Vom Breiten zum Spezifischen, von der Kampagne zur Anzeigengruppe zum Keyword. Jede Ebene erfüllt eine definierte Rolle.

Die Kampagnen-Ebene ist dabei bewusst schlank gehalten. Viele Accounts machen den Fehler, zu viele Kampagnen zu erstellen — was das Budget fragmentiert und Googles Lernphase verlängert. Weniger, aber thematisch klar abgegrenzte Kampagnen performen langfristig besser.

Der KI-Clustering-Workflow in der Praxis

Wie sieht ein KI-gestützter Clustering-Workflow konkret aus? Wir haben bei galineo einen Prozess entwickelt, der sich in der Praxis bewährt hat — von der Keyword-Liste bis zur fertigen Kampagnen-Struktur, die direkt in den Google Ads Editor importiert werden kann.

Schritt 1: Keyword-Inventur und Bereinigung

Bevor die KI clustern kann, braucht sie saubere Eingabedaten. Das bedeutet: Duplikate entfernen, irrelevante Terms herausfiltern und eine erste Intent-Klassifizierung vornehmen. Dieser Schritt lässt sich ebenfalls automatisieren — KI-Modelle können Keywords bereits in diesem Stadium nach Transaktions-, Navigations- und Informations-Intent sortieren.

Schritt 2: Semantisches Embedding und Cluster-Bildung

Jedes Keyword wird in einen hochdimensionalen Vektor umgewandelt. Keywords mit ähnlicher Bedeutung liegen im Vektorraum nah beieinander. Ein Clustering-Algorithmus (typischerweise k-Means oder HDBSCAN) gruppiert diese Vektoren in semantisch kohärente Cluster. Das Ergebnis ist eine Liste von Cluster-Vorschlägen, die du validierst und bei Bedarf manuell anpasst.

Schritt 3: Kampagnen-Mapping und Export

Die validierten Cluster werden auf die Kampagnen- und Anzeigengruppen-Ebene gemappt. Das Ergebnis ist eine strukturierte Exportdatei — idealerweise im TSX-Format für den Google Ads Editor. Dieser Schritt nimmt in einem gut aufgesetzten KI-Workflow unter fünf Minuten in Anspruch.

Negative Keywords und Budget-Kontrolle durch KI

Keine Silo-Architektur ist vollständig ohne eine durchdachte Negative-Keyword-Strategie. Und auch hier ist KI der Game-Changer — nicht wegen der Technologie an sich, sondern wegen der Systematik, die sie erzwingt.

In einer Analyse von KI-gestützten Google Ads Workflows, die uns aus der Praxis vorliegt, wird deutlich, wie gravierend das Problem ist: In einem beispielhaften Account wurden durch automatisierte Waste-Analyse 280 US-Dollar pro Monat an verschwendetem Budget identifiziert — allein durch drei Kategorien falsch ausgelieferter Suchanfragen. Keywords wie «[free]» im Exact Match blockierten dabei 95 Dollar monatlich, «[jobs]»-bezogene Anfragen kosteten 73 Dollar, und informationelle Suchanfragen mit «how to» im Phrase Match verbrannten weitere 58 Dollar. Diese Zahlen sind kein Einzelfall — sie repräsentieren ein strukturelles Problem, das in fast jedem Account ohne saubere Negativ-Pflege existiert.

Der entscheidende Vorteil von KI-gestützter Negativ-Analyse: Sie arbeitet systematisch und ohne blinde Flecken. Menschen neigen dazu, offensichtliche Negative anzulegen (Konkurrenz-Marken, irrelevante Branchen), aber subtile Budget-Fresser wie Intent-Mismatches oder semantische Überlappungen zwischen Anzeigengruppen werden oft übersehen.

Drei Ebenen der Negativ-Strategie

Kampagnen-Typen und ihre optimale Einordnung

Die Silo-Architektur muss 2026 auch die verschiedenen Kampagnen-Typen berücksichtigen, die Google anbietet — und die sich in ihrer Funktionsweise fundamental unterscheiden. Performance Max, Search und Shopping arbeiten nach unterschiedlichen Logiken und reagieren unterschiedlich auf strukturelle Signale.

Performance Max in der Silo-Struktur

Performance Max ist der stärkste Disruptor für klassische Silo-Architekturen. Die Kampagne greift über alle Google-Inventare — und wenn sie nicht sauber eingebettet ist, kannibalisiert sie Search-Kampagnen, beansprucht Brand-Traffic und verwässert die Daten-Basis für Smart Bidding.

Die Lösung: Performance Max erhält in der Silo-Architektur einen klar definierten Bereich — typischerweise für Remarketing und prospektive Nutzer, die noch keinen klaren Transaktions-Intent gezeigt haben. Brand-Keywords und hochkonvertierende Bottom-of-Funnel-Cluster bleiben in dedizierten Search-Kampagnen, die durch Asset-Group-Signale von PMax abgeschirmt werden.

Brand vs. Non-Brand Trennung

Diese Trennung ist nicht optional — sie ist ein strukturelles Muss. Brand-Kampagnen haben andere CPCs, andere Conversion Rates und andere strategische Ziele als Non-Brand-Kampagnen. Sie in derselben Kampagne zu mischen verunreinigt alle Performance-Daten und macht eine sinnvolle Optimierung unmöglich.

Messung und kontinuierliche Optimierung

Eine gut aufgebaute Silo-Architektur ist kein einmaliges Projekt — sie ist ein lebendiges System, das regelmäßige Pflege braucht. Die gute Nachricht: Wenn die Struktur stimmt, sind auch die Optimierungs-Signale sauber. Du weißt genau, welche Anzeigengruppe für welches Ergebnis verantwortlich ist.

KPIs auf Struktur-Ebene

Neben den klassischen Performance-KPIs (CTR, CPA, ROAS) gibt es strukturspezifische Metriken, die du regelmäßig prüfen solltest:

Impression Share Verlust durch Budget: Zeigt, ob deine Silo-Kampagnen ausreichend Budget haben. Hoher Budget-Verlust in einem Silo bedeutet: entweder Budget erhöhen oder das Silo weiter segmentieren.

Suchterm-Überlappung zwischen Anzeigengruppen: Wenn dieselben Suchbegriffe in mehreren Anzeigengruppen auftauchen, ist deine Silo-Architektur löchrig. KI-gestützte Analyse identifiziert diese Überlappungen automatisch und schlägt Negativ-Keywords vor.

Quality Score Verteilung pro Silo: Ein sinkender Quality Score in einer Anzeigengruppe signalisiert oft, dass Keywords und Anzeigentexte semantisch auseinanderdriften — ein typisches Symptom einer schlecht gewarteten Cluster-Struktur.

Häufige Fehler bei der Kampagnen-Organisation

Nach über 22 Jahren Erfahrung im Google Ads Management haben wir bei galineo eine klare Sicht auf die immer wiederkehrenden Strukturfehler — unabhängig von Account-Größe oder Branche.

Fehler 1: Zu viele Anzeigengruppen mit zu wenig Daten

Wer jeden einzelnen Produktnamen in eine eigene Anzeigengruppe packt, fragmentiert die Conversion-Daten so stark, dass Smart Bidding keine vernünftigen Entscheidungen mehr treffen kann. Die Regel: Eine Anzeigengruppe braucht mindestens 15 bis 20 Conversions pro Monat, um zuverlässig optimiert zu werden.

Fehler 2: Keine Trennung nach Funnel-Phasen

«Laufschuhe kaufen» und «Laufschuhe Vergleich» haben fundamental unterschiedliche Conversion Rates und erfordern unterschiedliche Gebotsstrategien. Sie in derselben Kampagne zu mischen bedeutet, einen Kompromiss-CPA zu setzen, der für keine der beiden Phasen optimal ist.

Fehler 3: Brand-Traffic in Non-Brand-Kampagnen

Brand-Traffic konvertiert deutlich besser als Non-Brand-Traffic. Wenn beides in derselben Kampagne landet, erscheinen Non-Brand-Keywords schlechter als sie sind — und werden fälschlicherweise pausiert oder abgewertet. Trenne immer.

Fehler 4: Performance Max ohne Abgrenzung

Performance Max ohne klar definierte Ausschlüsse und Signal-Assets ist wie ein Blankoscheck. Die Kampagne nimmt sich, was sie kriegen kann — inklusive deines teuer aufgebauten Brand-Traffics und deiner Best-Performing-Keywords aus Search-Kampagnen.

Branchen-Beispiele und Praxis-Setups

Theorie ist gut — Praxis ist besser. Schauen wir uns an, wie eine KI-basierte Silo-Architektur in verschiedenen Branchen konkret aussieht.

E-Commerce: Mehrstufige Produkt-Hierarchie

Ein Online-Shop für Sportartikel würde seine Silo-Architektur typischerweise so aufbauen: Oberste Ebene sind Produktkategorien (Laufschuhe, Fahrräder, Fitness-Equipment). Jede Kategorie erhält eine eigene Kampagne mit klaren Negativ-Listen zu den anderen Kategorien. Innerhalb jeder Kampagne clustert die KI die Keywords nach Marke, Preis-Segment und Funnel-Phase.

B2B-SaaS: Intent-First-Architektur

Im B2B-SaaS-Bereich dominiert die Intent-Segmentierung. Problem-aware Keywords («CRM Probleme lösen»), Solution-aware Keywords («beste CRM Software») und Product-aware Keywords («[Markenname] Preis») haben so unterschiedliche Conversion-Pfade, dass sie in separaten Silos laufen müssen — mit angepassten Landing Pages und Gebotsstrategien.

Lokale Dienstleister: Geo-Silo-Kombination

Für lokale Dienstleister kombiniert die optimale Architektur geografische und thematische Silos. Ein Sanitär-Betrieb, der in drei Städten aktiv ist, strukturiert nach Stadt mal Leistungsbereich — und nutzt KI-Clustering, um lokale Keywords («Klempner München Notdienst») korrekt zu clustern und von allgemeinen Suchanfragen zu trennen.

Alle drei Setups sind in unserem kostenlosen KI-Kampagnen-Struktur-Template als vorgefertigte Vorlagen enthalten — inklusive der empfohlenen Clustering-Regeln, Negativ-Listen und Kampagnen-Hierarchien.

Häufig gestellte Fragen