Als Digital-Analytics-Expert:innen beobachten wir bei FELD M eine grundlegende Veränderung in der Art, wie Inhalte online konsumiert werden. Es sind nicht mehr nur Menschen, die Ihre Seiten und Produkte aufrufen. KI-Agenten handeln zunehmend im Auftrag von Menschen: Sie suchen nach Informationen, bewerten Produkte und treffen Entscheidungen. Um Ihre Daten sauber zu analysieren und zu verstehen, was Menschen brauchen – und was KI-Systeme anfordern –, müssen Sie diesen KI-Bot-Traffic erfassen und klar von menschlichem Traffic unterscheiden.
Die FELD M Web-Analytics-Expert:innen Eric Böhme und Elisabeth Knapp haben dieses Thema im November 2025 auf unserem FELD M Analytics Meetup: Adobe Edition live präsentiert. Falls Sie sich dafür interessieren, werfen Sie gerne einen Blick auf unsere nächste Veranstaltung vor dem Adobe Summit 2026: The Road to Summit – mit ähnlichen Einblicken aus der Praxis.
KI-Traffic wächst rasant – und das hat spürbare Auswirkungen auf klassische Web-Metriken. Studien zeigen: Die Klickraten sinken, je häufiger KI-Zusammenfassungen in Suchergebnissen erscheinen. Wenn Google eine KI-generierte Antwort direkt in den Suchergebnissen anzeigt, rufen weniger Nutzer:innen die verlinkten Websites direkt auf.
Google bezeichnet diese verbleibenden Klicks als „höherwertig" – die Annahme: Wer trotzdem klickt, ist gezielter interessiert. Dennoch bedeutet diese Verschiebung, dass Sie ein vollständiges Bild davon benötigen, wie Ihre Inhalte von Menschen und KI konsumiert werden – als Grundlage für fundierte Entscheidungen.
Wenn Sie KI-Traffic getrennt erfassen, können Sie:
Ihre Content-Strategie optimieren: Sie können nachvollziehen, welche Inhalte KI-Crawler ansprechen, und Ihre Informationen entsprechend so strukturieren, dass sie für KI-Systeme gut lesbar sind.
Die Datenqualität sichern: Trennen Sie Bot-Traffic von echtem Nutzerverhalten, damit Ihre Analytics tatsächlich zeigen, wie Menschen Ihre Website nutzen.
Sich für die Zukunft aufstellen: KI-Suche und KI-Agenten werden weiter an Bedeutung gewinnen. Wer früh versteht, wie sie funktionieren, verschafft sich einen Wettbewerbsvorteil.
Nutzungsmuster erkennen: Verstehen Sie, wie KI-Systeme Ihre Inhalte interpretieren und nutzen.
Nicht jeder KI-Traffic ist gleich. Grundsätzlich lassen sich drei Kategorien von KI-Bots unterscheiden:
Diese Bots durchsuchen Websites systematisch, um Daten für das Training großer Sprachmodelle (LLMs) zu sammeln. Sie legen die Wissensbasis an, auf der KI-Systeme aufbauen. Typische Merkmale sind:
Systematisches und vollständiges Aufrufen von Seiten
Fokus auf textlastige, informative Inhalte
Regelmäßige Rückkehr, um Aktualisierungen zu erfassen
Diese Bots crawlen im Web, um Ihre Inhalte für Suchmaschinen wie Google oder Bing zu indexieren und in Suchergebnissen bereitzustellen.
Diese Agenten-Crawler führen in Echtzeit eine Retrieval-Augmented Generation (RAG) durch: Sie indexieren Inhalte, vergleichen diese mit der Anfrage eines Nutzers und liefern eine passende Antwort. Typische Merkmale:
Reagieren auf konkrete, unmittelbare Informationsanfragen
Rufen Seiten selektiv auf – je nach Suchanfrage
Stehen in direktem Zusammenhang mit Nutzerinteraktionen in KI-Systemen
Wer diese drei Typen unterscheiden kann, trifft bessere Entscheidungen bei der Content-Strategie sowie bei der technischen Umsetzung.
Je mehr KI zur primären Anlaufstelle für die Informationssuche wird, desto stärker entwickelt sich klassisches SEO weiter – hin zu dem, was manche als „GEO" (Generative Engine Optimization) bezeichnen. Das Ziel verschiebt sich: nicht mehr nur in Suchergebnissen ranken, sondern von KI-Systemen zitiert und referenziert werden.
Wichtig zu wissen: Aktuell kommt wahrscheinlich nur ein kleiner Teil Ihres Traffics von LLMs. Bevor Sie konkrete Entscheidungen treffen – etwa welche Inhalte Sie behalten oder entfernen –, empfehlen wir Ihnen ein Audit Ihrer bestehenden Inhalte. Erst aus dem Gesamtbild lassen sich sinnvolle Maßnahmen ableiten.
Viele der zentralen GEO-Prinzipien sind letztlich bekannte SEO-Prinzipien in neuem Gewand. Inhalte, die in beiden Welten funktionieren, sind gut strukturiert, leicht lesbar und beantworten die Frage der Nutzer:innen direkt – und setzen dabei auf Erfahrung, Expertise, Autorität und Vertrauenswürdigkeit (E-E-A-T).
Je gezielter Sie für KI-Sichtbarkeit optimieren, desto mehr Bot-Traffic werden Sie erhalten. Ein positiver Kreislauf, der allerdings einen angepassten Ansatz bei der Content-Erstellung und der technischen Umsetzung anfordert.
Zentrale Hebel sind dabei:
Strukturierte Daten: Sorgen Sie für gut organisierte Inhalte mit semantischem HTML.
Klare, verlässliche Informationen: KI-Systeme bevorzugen Quellen, denen sie vertrauen.
Aktuelle Inhalte: Frische Informationen werden häufiger zitiert.
Technische Zugänglichkeit: Stellen Sie sicher, dass Bots Ihre Inhalte problemlos crawlen und verstehen können.
Warum KI-Traffic relevant ist, haben wir geklärt. Jetzt geht es um die Praxis: Wie identifizieren und tracken Sie ihn in Adobe Analytics und in Customer Journey Analytics (CJA)?
Der einfachste Einstieg in die KI-Traffic-Erkennung basiert auf drei Datenpunkten:
Viele KI-Bots liefern erkennbare Referrer-Informationen, die auf ihre Herkunft hinweisen. Achten Sie auf Referrer mit folgenden Merkmalen:
Bekannte KI-Plattform-Domains
RAG-System-Identifier
LLM-Service-Endpunkte
KI-Bots geben sich häufig im User-Agent-String zu erkennen. Typische Muster, auf die Sie achten können:
„Bot" oder „Crawler" im User-Agent
Spezifische KI-Service-Identifier (z. B. GPTBot, ClaudeBot)
Namen bekannter LLM-Plattformen
Sie können auch benutzerdefinierte Tracking-Parameter implementieren, um KI-generierten Traffic explizit zu kennzeichnen. Das erfordert die Zusammenarbeit mit Ihrem Entwicklungsteam, bietet jedoch die zuverlässigste Identifikationsmethode. Ein Implementierungsbeispiel:
Fügen Sie einen URL-Parameter wie ?source=ai für KI-vermittelten Traffic hinzu.
Erstellen Sie in Adobe Analytics eine benutzerdefinierte Dimension, um diesen Parameter zu erfassen.
Bauen Sie Segmente auf Basis dieser Dimension auf.
Für eine präzisere Erkennung erstellen Sie spezialisierte Segmente in Adobe Analytics, die bot-typische Verhaltensmuster identifizieren:
Ungewöhnlich schnelle Seitenaufrufe: Bots navigieren deutlich schneller als Menschen.
Untypische Session-Muster: Keine menschlichen Zögerpausen oder explorative Klickpfade.
Keine Interaktion mit dynamischen Elementen: Fehlende Klicks auf Buttons, Formulare oder interaktive Inhalte.
Lineare Navigation: Geradlinige Bewegung durch Inhalte ohne typisches Nutzer-Browsing.
Fehlende Events: Keine Scroll-Events, keine Time-on-Page-Metriken oder andere Engagement-Signale.
Kombinieren Sie mehrere Verhaltensindikatoren für höhere Treffsicherheit.
Testen und verfeinern Sie Schwellenwerte anhand der spezifischen Muster Ihrer Website.
Behalten Sie falsch-positive Ergebnisse im Blick, um echte Nutzer:innen nicht auszuschließen.
Erwägen Sie, sowohl ein „wahrscheinlich Bot"- als auch ein „sicher Bot"-Segment zu erstellen.
Für Organisationen mit hohem KI-Traffic-Aufkommen oder besonderen Anforderungen bieten spezialisierte Bot-Detection-Tools die umfassendste Lösung:
Spezialisierte Anbieter gehen weit über die einfache User-Agent-Analyse hinaus. Typische Funktionen:
Machine-Learning-basierte Erkennung
Echtzeit-Identifikation und -Filterung
Detaillierte Berichte zu Bot-Typen und -Verhalten
Integration mit Adobe Analytics
Diese Tools werten in der Regel mehrere Signale gleichzeitig aus:
IP-Adress-Muster
Verhaltensbasiertes Fingerprinting
Konsistenzprüfungen bei Gerät und Browser
Netzwerkebenen-Indikatoren
Vier Faktoren helfen Ihnen bei der Entscheidung:
Ihre Website verzeichnet erheblichen Traffic (1 Mio.+ Seitenaufrufe pro Monat).
Bot-Traffic beeinträchtigt die Genauigkeit Ihrer Analytics spürbar.
Sie möchten Ihre Website gegen schädliche Bots schützen, nicht nur Crawler identifizieren.
Compliance- oder Sicherheitsanforderungen erfordern eine präzise Identifikation.
Die Art, wie Inhalte online entdeckt und konsumiert werden, verändert sich grundlegend. Ob KI-Suche die klassische Suche vollständig ersetzen wird, bleibt offen – auf diesen Wandel vorbereitet zu sein, sollte es nicht.
Wenn Sie KI-Traffic in Adobe Analytics sauber erfassen, können Sie:
Analytics-Daten sichern, die das letzte menschliche Verhalten widerspiegeln.
Ihre Content-Strategie für menschliche und KI-Zielgruppen optimieren.
Einen Vorsprung gegenüber dem Wettbewerb aufbauen.
Datenbasierte Entscheidungen darüber treffen, wie Sie Ihre Inhalte positionieren.
Das Umfeld entwickelt sich kontinuierlich weiter. Wer KI-Traffic-Muster früh versteht und darauf reagiert, verschafft sich einen echten Wettbewerbsvorteil. Starten Sie mit den grundlegenden Erkennungsmethoden, verfeinern Sie Ihren Ansatz auf Basis Ihrer Erkenntnisse und ziehen Sie weiterführende Lösungen in Betracht, wenn Ihre Anforderungen wachsen.
Wenn Sie tiefer in das Thema KI-Traffic-Erkennung und -Optimierung einsteigen möchten, empfehlen wir folgende Ressourcen:
Sie benötigen Unterstützung bei der Implementierung der KI-Traffic-Erkennung in Ihrem Adobe Analytics Setup? Sprechen Sie uns gerne an. Unser Team aus Digital-Analytics-Expert:innen hilft Ihnen dabei, eine durchdachte Strategie für das Verständnis und die Optimierung Ihres KI-Traffics zu entwickeln.