Meta Broad Targeting vs. Lookalike und Interessen: die Signal-Entscheidung 2026

Meta Broad Targeting ist 2026 keine Audience-Box mehr, sondern eine Signalfrage. Die Entscheidung lautet nicht "Broad oder Lookalike oder Interessen", sondern: Welches Qualitätssignal fütterst du dem System, und woran erkennst du, ob deine Variante wirklich besser ist oder ob du nur unterschiedliche Auslieferung misst? Im Advantage+-Regime sind Interessen und Lookalikes meist nur noch weiche Suggestions. Erst wenn Signal und Messung stehen, lohnt der Vergleich der Auswahlbox.

Was Meta Broad Targeting heute wirklich bedeutet

Du definierst nicht abschließend, wer deine Anzeige sieht. Du setzt Grenzen und Signale: erlaubte und ausgeschlossene Gruppen, Standort, zulässige Bereiche, Audience-Signale, Kampagnenziel, Optimierungsevent, Budget, Bid sowie Creative und Landingpage. Meta nutzt diese Inputs, um in der Auktion zu bewerten, wem deine Anzeige ausgespielt wird.

Offizielle Meta-Engineering-Veröffentlichungen beschreiben dahinter ein mehrstufiges Empfehlungssystem. Mit Andromeda werden in der Retrieval-Phase aus einem sehr großen Anzeigen-Pool einige Tausend Kandidaten gezogen, danach bewerten Ranking-Systeme den erwarteten Wert. Sequence Learning modelliert den Nutzer als zeitliche Abfolge von Aktionen statt als statischen Snapshot. Zum Stand der Prüfung ist die jüngste Ebene das Generative Ads Model (GEM), eine zentrale Modellschicht über der Ads-Recommendation-AI, die auf Sequence Learning aufbaut. Meta nennt dazu einzelne Verbesserungszahlen, etwa wenige Prozent mehr Conversions auf ausgewählten Segmenten. Das sind Meta-Eigenangaben auf selektierten Segmenten und keine Prognose für deinen Account.

Die operative Konsequenz: Targeting ist nicht nur die Audience-Einstellung. Signal, Creative, Event und Angebot beeinflussen gemeinsam, für wen deine Anzeige als relevant gilt. Das heißt nicht wörtlich "Creative ist das neue Targeting". Creative ist ein wichtiger semantischer Input, aber geografische, regulatorische, wirtschaftliche und strategische Grenzen bleiben. Wer dieses Zusammenspiel inhouse nicht sauber aufsetzt, holt sich hier oft eine professionelle Meta Ads Betreuung dazu, weil der teuerste Fehler vor dem Klick auf eine Audience-Box passiert.

Engpass 1: das Signal, nicht die Audience

Der teuerste Fehler ist selten die falsche Audience-Box. Es ist ein Optimierungsevent oder Seed, der billige, aber wertlose Conversions belohnt. Sieht Meta nur Raw Leads, findet Broad zuverlässig günstige Raw Leads. Spielst du qualifizierte Leads oder Sales zurück, wird der große Suchraum erst wertvoll.

Stell dir deshalb vor jeder Account-änderung eine Frage: Was repräsentiert das Signal, das ich zurückspiele? Solange das offen ist, ist "Broad gegen Lookalike" gar keine sinnvolle Frage. Die Qualität dieses Signals steht und fällt mit dem Setup von Pixel, CAPI und Eventqualität. Ein sauberer serverseitiger Event, der den profitablen Kunden abbildet, ist mehr wert als jede Verfeinerung der Zielgruppe.

Broad, Lookalike und Interessen als drei Startbedingungen

Die drei Optionen sind keine Qualitätsstufen, sondern unterschiedliche Startbedingungen für das System.

Broad

Broad bedeutet, dass du nur notwendige Grenzen setzt und Meta innerhalb eines großen Raums optimieren lässt. Das gibt dem System den größten Suchraum, reduziert manuelle Fragmentierung und findet Nachfrage außerhalb der offensichtlichen Interessen. Broad funktioniert besonders gut, wenn Purchase oder qualifizierter Lead korrekt gemessen wird, genug Eventvolumen existiert, das Creative eine klare Situation anspricht und die Economics Spielraum für Exploration lassen. Das Risiko: Bei schwachem Signal belohnt Broad günstige, wertlose Conversions, und unspezifisches Creative erzeugt viel irrelevante Reichweite.

Lookalike

Eine Lookalike basiert auf einer Seed-Gruppe, Meta sucht Personen, die dieser Gruppe ähneln. Die entscheidende Frage ist nicht "Wie groß ist meine Lookalike?", sondern "Was repräsentiert mein Seed?". Eine Lookalike skaliert nicht deine Absicht, sondern die Eigenschaften des gelieferten Seeds. Gute Seeds sind profitable Neukunden, Kunden mit hohem Deckungsbeitrag, qualifizierte oder abgeschlossene Leads und Wiederkäufer. Schwache Seeds sind alle Website-Besucher, gemischte Neu- und Bestandskunden, Leads ohne Qualitätsfilter, sehr alte Daten oder Giveaway-Teilnehmer.

Wichtig für 2026: Die klassische 1%-Lookalike existiert noch, ist in der Advantage+-Logik aber baulich entwertet. Sie geht als "Advantage+ lookalike (vormals lookalike expansion)" in das System ein und ist dort zum Stand der Prüfung meist nur noch ein weicher Suggestion-Input. Das relevante Hebel-Objekt ist die Seed- bzw. Custom-Audience-Qualität, nicht der manuelle Lookalike-Build. Der praktikable Workflow ist nicht mehr "1%-Lookalike bauen", sondern: Kundenliste als Custom Audience einspeisen und Advantage+ das Lookalike-Modeling intern auf reicherem Signal machen lassen.

Interessen

Interessen definieren einen thematischen Startpunkt. Sie können sinnvoll sein bei neuen Konten ohne belastbare First-Party-Daten, klar definierten Nischen, B2B- oder Spezialmärkten mit wenigen plausiblen Kontexten und als kontrollierte Hypothese gegen Broad. Aber Interessen sind keine exakte Abbildung von Kaufabsicht. Ein "Fitness"-Interesse sagt wenig über Motiv, Budget oder Problem einer Person. Interessen sind eine Hypothese, keine Charakterbeschreibung.

Controls vs. Suggestions: was Advantage+ noch hart nimmt

Zum Stand Juni 2026 strukturiert Advantage+ Audience die Eingaben in zwei Klassen, die du im aktuellen Ads Manager prüfen solltest. Controls sind harte Grenzen: Standort, Sprachen, Mindestalter, Ausschlüsse und Special-Ad-Category-Restriktionen. Suggestions sind weiche Signale: Alter, Geschlecht, Detailed Targeting (Interessen) sowie Custom- und Lookalike-Audiences. Genau hier liegt deine eigentliche Entscheidung: Gehört die Eingabe in die Controls und wirkt als feste Grenze, oder in die Suggestions und bleibt nur ein Hinweis an das System?

Die praktische Konsequenz: Wenn du eine Audience wirklich erzwingen musst, etwa aus Compliance- oder Markengründen, gehört sie als Control oder Exclusion eingetragen, nicht als Interessen-Suggestion. Wer Advantage+ tiefer ausreizen will, findet die Mechanik in unserer Übersicht zu Advantage+ richtig einsetzen.

Entscheidungsmatrix

Wenn …	Broad	Lookalike (als Seed/Custom)	Interessen
starkes Purchase-/Backend-Signal vorhanden	hoch	hoch	mittel
neues Konto, wenig eigene Daten	mittel	niedrig	hoch
hochwertige, kohärente Seed-Audience	hoch	hoch	mittel
kleine regionale Nische	mittel	mittel	hoch
neue Angle-Hypothese prüfen	hoch	mittel	hoch
starke regulatorische Grenzen (SAC)	prüfen	oft deaktiviert	prüfen
hoher, echter Creative-Nachschub	hoch	hoch	mittel
unspezifisches Creative	riskant	riskant	teils besser
uneinheitliche Leadqualität	nur mit Feedback-Loop	nur mit Quality-Seed	nur als Hypothese

Engpass 2: misst du Targeting oder nur unterschiedliche Auslieferung?

Hier scheitern die meisten Targeting-Tests, und das ist der Punkt, den die wenigsten Konkurrenzartikel sauber treffen. Wer Broad gegen Lookalike in einem klassischen A/B-Test der Ad-Sets stellt, misst fast garantiert auch unterschiedliche Auslieferung mit. Der Algorithmus schickt verschiedene Varianten an verschiedene Audience-Segmente. Dein Audience-Effekt vermischt sich dann mit der Audience-Komposition.

Eine Untersuchung von Burtch, Moakler, Gordon, Zhang und Hill (arXiv 2508.21251, "Characterizing and Minimizing Divergent Delivery in Meta Advertising Experiments", 28.08.2025) ordnet das über große Datenmengen ein: ausgewertet wurden 3.204 Conversion-Lift-Tests und 181.890 A/B-Tests. Die Autoren zeigen, dass divergente Auslieferung spezifisch für A/B-Tests und vom System gewollt ist, während Lift-Tests mit Control-Group valide kausale Ergebnisse liefern. Die Kampagnenkonfiguration kann divergente Auslieferung in A/B-Tests reduzieren, aber kein Setup eliminiert sie vollständig.

Wenn du dennoch im A/B-Rahmen vergleichst, halte die Business-Hypothese konstant: gleiches Offer, gleiche Landingpage, gleiche Creative-Familie, gleiches Optimierungsevent, gleiche Attribution und Geografie. Und teste nicht zu viele Audiences gleichzeitig, denn je mehr Zellen, desto weniger Daten pro Zelle. Bewertet wird am Ende immer am Backend, über die Logik des Backend-Feedback-Loops. Bei Leadgen ist eine Variante erst gewonnen, wenn Qualität und Abschluss tragen, nicht wenn der In-Platform-CPA niedriger aussieht.

Rechenbeispiel: warum der niedrigere CPA verlieren kann

Die folgenden Zahlen sind ein illustratives Rechenbeispiel, keine Benchmark.

Du vergleichst zwei Seeds. Seed A: 20.000 Purchases, gemischt aus Neu- und Bestandskunden, mehrere Länder, unterschiedliche Produktgruppen. Seed B: 4.000 profitable Neukunden, derselbe Markt, Kauf innerhalb der letzten 180 Tage, überdurchschnittlicher Bestellwert.

Angenommen, die Variante aus Seed A liefert im Ads Manager einen Lead-CPA von 18 Euro, die aus Seed B einen von 26 Euro. Im reinen Plattformblick gewinnt A. Schaut man ans Backend, qualifizieren sich bei A 20 Prozent der Leads zu profitablen Neukunden, bei B 40 Prozent. Dann kostet ein qualifizierter Neukunde aus A rechnerisch 90 Euro (18 / 0,20), aus B nur 65 Euro (26 / 0,40). Seed B ist kleiner, aber wirtschaftlich kohärenter und gewinnt auf dem KPI, der zählt. Gleichzeitig kann Broad beide schlagen, wenn Meta über ein sauberes Purchase-Signal und das Creative bereits genug relevante Muster erkennt. Die belastbare Antwort entsteht aus dem Lift-Test, nicht aus Seed-Größe oder CPA allein.

Creative und Exclusions: die unterschätzten Hebel

Ein spezifisches Creative kann innerhalb einer breiten Audience selbst selektieren. Eine Botschaft wie "Für geschäftsführende Gesellschafter mit hohem sechsstelligen Jahreseinkommen" spricht eine kleine Gruppe an, obwohl die technische Audience breit ist (illustratives Beispiel). Das ist keine Garantie für perfekte Targeting-Qualität, sondern eine zusätzliche Selektionsschicht. Mehr Creative-diversität heißt aber nicht, wahllos Ads hochzuladen. Near-Duplicate-Ads erzeugen weniger neue semantische Breite als echte Konzepte.

Exclusions sind oft wichtiger als zusätzliche Targets. Prüfe bestehende Kunden, bereits konvertierte Leads, interne Zugriffe, Personen in laufenden Sales-Prozessen und vertraglich ausgeschlossene Gruppen. Saubere Ausschlüsse verbessern Attribution und Experience. Zu aggressive Ausschlüsse verkleinern jedoch den Delivery-Raum.

Wann diese Regel nicht gilt

Special Ad Categories. In regulierten Kategorien (zum Stand Juni 2026 etwa Wohnen, Beschäftigung, Kredit) greift die Signal-vor-Audience-Logik nur eingeschränkt. Custom-Lookalikes sind dort deaktiviert, das Alters-Targeting wird auf 18 bis 65+ erzwungen, und die früheren "Special Ad Audiences" wurden deprecated. Das ist der klare Fall, in dem die übliche Best Practice nicht gilt. Prüfe Eligibility und Restriktionen immer im aktuellen Ads Manager, nicht nach diesem Artikel.

Sehr kleine Märkte. Bei engem regionalem Angebot ist die theoretische Wahl zwischen Broad und Interessen oft weniger wichtig als Creative, Offer und die real verfügbare Nachfrage. Mehr Audience-Feintuning bringt hier kaum Informationsgewinn.

Organische oder Influencer-Peaks. Bei starken organischen Spitzen findet die Plattform vorübergehend besonders warme Personen und lässt ein Setup besser aussehen, als es nachhaltig ist. Bewerte den Test dann über längere, repräsentative Zeiträume.

Häufige Mythen, kurz korrigiert

• "Interessen sind tot." Nein. Sie sind nur kein automatischer Präzisionsgewinn gegenüber Broad und in Advantage+ meist nur Suggestion.
• "Lookalikes sind immer besser, weil First-Party." Nur, wenn der Seed die richtigen Kunden repräsentiert. Sonst skalierst du Rauschen.
• "Broad funktioniert nur bei großen Accounts." Datenmenge hilft, aber Markt, Offer, Creative und Signal entscheiden mit.
• "Creative ersetzt Targeting." Creative beeinflusst Relevanz und Response, ersetzt aber keine Geografie, Compliance, Economics oder Ausschlüsse.
• "Breite Audience heißt unqualifizierte Leads." Breite Delivery kann gute Qualität liefern, wenn die Plattform ein Qualitätssignal bekommt und Botschaft sowie Formular vorselektieren.

Fazit

Broad, Lookalike und Interessen sind Werkzeuge für unterschiedliche Ausgangslagen, keine Rangliste. Die beste Audience ist nicht die, die im Ads Manager am präzisesten aussieht. Es ist die Konfiguration, die ein gutes Signal, ein relevantes Creative und ein tragfähiges Geschäftsergebnis zusammenbringt. Definiere zuerst den wertvollen Kunden und das Signal, das ihn abbildet. Wähle dann die Seed- oder Custom-Audience, die genau ihn repräsentiert. Lass Advantage+ das Modeling übernehmen, nutze Interessen und Lookalike als gezielte Hypothese oder harte Grenze, und entscheide am Ende über einen Lift-Test auf deinem Backend-KPI, nicht über den niedrigsten CPA im Ads Manager.

Häufige Fragen

Ist Broad Targeting auf Meta 2026 generell besser als Lookalike oder Interessen?

Nein. Broad, Lookalike und Interessen sind keine Rangliste, sondern unterschiedliche Startbedingungen für das System. Broad gewinnt, wenn ein sauberes Purchase- oder Backend-Signal gemessen wird, genug Eventvolumen existiert und das Creative klar selektiert. Bei schwachem Signal oder zu wenig Daten kann ein engerer Seed oder eine Interessen-Hypothese sinnvoller sein.

Warum sollte ich Broad vs. Lookalike nicht im klassischen A/B-Test vergleichen?

Weil ein A/B-Test der Ad-Sets fast immer auch unterschiedliche Auslieferung mitmisst. Der Algorithmus spielt verschiedene Varianten an verschiedene Audience-Segmente aus, sodass sich dein Audience-Effekt mit der Audience-Komposition vermischt. Audience- und Strategie-Entscheidungen gehören deshalb in einen Conversion-Lift-Test mit Control-Group, der den inkrementellen Effekt sauber isoliert.

Was macht eine gute Seed-Audience für Lookalikes aus?

Eine gute Seed bildet genau den Kunden ab, den du mehr willst: profitable Neukunden, Kunden mit hohem Deckungsbeitrag, qualifizierte oder abgeschlossene Leads und Wiederkäufer. Schwache Seeds wie alle Website-Besucher, gemischte Neu- und Bestandskunden oder ungefilterte Giveaway-Leads skalieren Rauschen. Eine Lookalike vergrößert nicht deine Absicht, sondern die Eigenschaften des gelieferten Seeds.

Warum kann eine Variante mit niedrigerem CPA trotzdem die schlechtere Wahl sein?

Weil der In-Platform-CPA nur die Plattform-Conversion misst, nicht den wirtschaftlichen Wert dahinter. Eine Variante mit 18 Euro Lead-CPA, von der sich nur 20 Prozent zu profitablen Neukunden qualifizieren, kostet pro qualifiziertem Neukunden 90 Euro. Eine Variante mit 26 Euro CPA und 40 Prozent Qualifizierung kostet nur 65 Euro. Entschieden wird am Backend-KPI, nicht am niedrigsten CPA.

Wirken Interessen und Lookalikes in Advantage+ überhaupt noch?

Zum Stand der Prüfung strukturiert Advantage+ Audience die Eingaben in harte Controls und weiche Suggestions. Interessen, Custom- und Lookalike-Audiences laufen meist als Suggestions, also als Hinweis an das System, nicht als feste Grenze. Wenn du eine Audience wirklich erzwingen oder ausschließen musst, gehört sie als Control oder Exclusion eingetragen, nicht als Interessen-Suggestion.