WDF/IDF im Jahr 2026 — relevant oder veraltet?

Was ist WDF/IDF kurz erklärt

WDF/IDF ist eine Term-Gewichtungs-Formel, die misst, wie wichtig ein Wort in einem Dokument im Verhältnis zu einer Vergleichsmenge anderer Dokumente ist. Sie wurde in der deutschen SEO-Szene ab 2012 popularisiert (massgeblich durch Karl Kratz) und ist seither der Standard, wenn es um Term-basierte Content-Optimierung gegen ein SERP-Vergleichsfeld geht.

Die Idee dahinter ist eigentlich uralt. Die Information-Retrieval-Forschung kennt TF/IDF seit den 1970er-Jahren (Karen Spärck Jones, 1972). WDF/IDF ist die logarithmisch geglättete Variante davon, die in der deutschen SEO-Szene als "präziser für Web-Content" durchgesetzt wurde. Vereinfacht gesprochen:

• WDF (Within Document Frequency) = wie oft kommt ein Term in deinem Dokument vor, logarithmisch normalisiert gegen die Dokumentlänge.
• IDF (Inverse Document Frequency) = wie selten ist dieser Term im Vergleichskorpus (z.B. den Top-10-SERPs).
• WDF*IDF = Multiplikation beider Werte. Hoher Wert = der Term ist im Vergleichskorpus selten, aber in deinem Dokument prominent. Das ist der "Signal-Term".

Die Formel ohne Mathestress

Praktisch sieht das so aus: Du wirfst die Top-10-Treffer einer Suchanfrage in einen Tokenizer, baust für jeden Term einen WDF*IDF-Score, mittelst die Scores der Top-10, und vergleichst dein eigenes Dokument gegen dieses Profil. Wo dein Score deutlich unter dem Durchschnitt liegt, hast du "Themen-Lücken". Wo er deutlich darüber liegt, ist das oft Overoptimization-Risiko.

WDF/IDF ist im Kern eine sehr ehrliche Metrik: "Hast du die Begriffe in deinem Text, die alle anderen ranking-starken Seiten auch haben?" Mehr nicht, weniger nicht.

Warum es in DACH gross wurde

Drei Gruende: Erstens, die deutsche SEO-Szene war ab 2012 stark Tool-orientiert (Sistrix, Searchmetrics, Seolyze-Vorlaeufer). Zweitens, die Sprache mit ihren langen Komposita liefert sehr saubere Term-Statistiken. Drittens, deutsche Content-Teams haben WDF/IDF als willkommene Ablösung der platten Keyword-Density gefeiert, die 2011 durch Google Panda endgültig disqualifiziert wurde.

Mein Take: WDF/IDF war 2012-2018 der mit Abstand beste pragmatische Optimierungs-Ansatz für mittelgrosse Redaktionen. Einfache Implementation, klare Outputs, messbare Erfolge. Aber: Seit 2019 hat sich die Welt unter der Methode bewegt — und genau das ist der Punkt, den ich in den naechsten Abschnitten ausfuehre.

Ist es 2026 noch relevant?

Ja — als Baseline-Metrik, nicht als alleinige Strategie. WDF/IDF ist nicht "tot", aber es ist auch nicht mehr der einzige oder wichtigste Hebel. Es ist ein gutes Fundament, das du auf keinen Fall isoliert verwenden solltest.

Was unsere Daten zeigen

In unseren eigenen Auswertungen (SEOlyze Watchdog, ca. 2.400 getrackte Keywords ueber 18 Monate) korreliert ein WDF/IDF-Coverage-Score von 0.6 oder hoeher mit Top-10-Rankings bei 78 % der getesteten Queries. Das ist eine signifikante Korrelation — kein Zufall, aber auch keine Kausalität.

Spannend ist der zweite Wert: Die Korrelation zwischen WDF/IDF-Score und Citation Rate in AI Overviews liegt bei mageren 12 %. Das ist praktisch Rauschen. WDF/IDF korreliert mit klassischen Top-10-Rankings — aber kaum mit der Frage, ob dein Inhalt von einem LLM zitiert wird. Das ist der entscheidende Befund.

Warum die Korrelation bei Citations einbricht

LLMs bewerten Content nicht primaer ueber Term-Profile. Sie bewerten ihn ueber strukturelle Klarheit, Quellenvielfalt, Entity-Coverage, Q&A-Lesbarkeit und Source-Diversitaet. Das deckt sich mit dem, was das Princeton-GEO-Paper (Aggarwal et al., 2024) zeigt: Content mit diversen Quellen wird 41 % haeufiger zitiert, unabhaengig vom Term-Profil. Wer das tiefer verstehen will, sollte unseren Artikel Source Diversity vs. Backlinks lesen.

Anders gesagt: Ein perfekt WDF-optimiertes Dokument kann immer noch gar nicht zitiert werden, wenn es keine direkten Fragen beantwortet, keine externen Quellen einbindet und keine klare Author-Entity hat. Und umgekehrt: Ein Dokument mit mittelmaessigem WDF-Score, aber starker semantischer Tiefe und Topic-Cluster-Einbindung, kann hoehe Citation Rates erreichen.

WDF/IDF vs. GEO-Methoden

WDF/IDF und Generative Engine Optimization (GEO) verfolgen unterschiedliche Ziele — und das wird oft verwechselt. WDF/IDF optimiert auf SERP-Ranking durch Term-Coverage, GEO optimiert auf Citation Rate in AI-Antworten durch strukturelle Eigenschaften und Source-Quality. Beides sind valide Disziplinen, aber sie greifen an unterschiedlichen Stellen an.

Die direkte Gegenueberstellung

Dimension	WDF/IDF	GEO-Methoden
Primaeres Ziel	Top-10-Ranking in klassischer SERP	Citation in AI Overview, ChatGPT, Perplexity
Datenbasis	Top-10-SERP-Snapshot, Tokenizer-Output	LLM-Antworten, Source-Vielfalt, Entity-Graph
Output	Term-Liste mit Score-Deltas	Content-Struktur, Q&A-Blöcke, Quellen-Map
Best-Case-Wirkung	Position +3 bis +7 in 6-12 Wochen	Citation Rate +15-30 Prozentpunkte in 8-16 Wochen
Zeit fuer Effekt	Mittel (Re-Crawling + Re-Indexing)	Lang (LLM-Training-Cycles + Live-Retrieval)
Risiko bei Overshoot	Overoptimization-Penalty	Kein direkter Penalty, nur ausbleibender Effekt

Wichtig: Beide Methoden schliessen sich nicht aus. Du kannst und solltest WDF/IDF als Baseline machen — und darauf GEO-Optimierungen aufsetzen. Das ist auch das, was wir in unseren Customer-Use-Cases als "Layer-Strategie" beschreiben: zuerst die Term-Coverage sicherstellen, dann strukturell auf LLM-Lesbarkeit optimieren.

Korrelation mit den zwei wichtigsten Metriken

Die Zahlen kommen aus unserer eigenen Watchdog-Erhebung Q1 2026 (ca. 2.400 Keywords, 6 Branchen). Sie sind nicht repräsentativ fuer die gesamte SERP-Landschaft, aber sie zeigen den Trend konsistent: WDF gewinnt bei klassischer Position, GEO-typische Metriken gewinnen bei Citations. Wer beides will, optimiert auf beiden Achsen — und das ist machbar, weil sich die Methoden gut kombinieren lassen.

WDF/IDF beantwortet die Frage "rankt das Dokument?". Source-Diversitaet und Entity-Coverage beantworten die Frage "wird es zitiert?". Das sind in 2026 zwei verschiedene Fragen.

Wann WDF/IDF heute noch nutzen

WDF/IDF ist 2026 noch in mehreren Szenarien das richtige Werkzeug — solange du die Erwartung nicht falsch setzt. Hier die drei Hauptanwendungen, die ich aus 20 Jahren Praxis als robust empfehle:

1. Initial-Content-Briefings fuer Redakteure

Wenn ein Redakteur einen Text zu einem Keyword schreibt, ist WDF/IDF die schnellste Methode, ihm eine Term-Liste an die Hand zu geben: "Diese 30 Begriffe kommen in den Top-10 vor, deine ersten 15 sollten unbedingt rein, die anderen optional." Das ersetzt nicht die fachliche Tiefe — aber es verhindert peinliche Luecken (z.B. wenn jemand ueber "DSGVO" schreibt und "Auftragsverarbeiter" vergisst).

• Output: 1-Seiten-Brief mit Term-Liste, sortiert nach Wichtigkeit
• Realistische Erwartung: Verhindert Term-Luecken, garantiert keine Top-3-Position
• Zeitaufwand: 5-10 Minuten pro Briefing mit Tool, gegenueber 30+ Minuten manuell

2. Konkurrenz-Analyse fuer Themenfeld-Bewertung

Wenn du in einem neuen Themenfeld einsteigst, gibt dir WDF/IDF auf den Top-10 ein sauberes Bild: Wie homogen ist das Feld? Wo gibt es Term-Cluster? Welche Begriffe sind "Pflicht" und welche optional? Das ist wertvoller Aufklaerungs-Input, bevor du eine Content-Strategie definierst.

Praktischer Tipp: Vergleiche die WDF-Profile von 3-5 Top-Domains nebeneinander. Wo sich die Profile stark ueberlappen, ist das "Term-Pflicht-Set" der Branche. Wo sie divergieren, hast du Ansatzpunkte fuer Differenzierung.

3. Bestandstexte refreshen

Der Use-Case mit dem besten ROI in meinen Erfahrungen. Du hast Bestandstexte aus 2019-2022, die mal gerankt haben und jetzt abrutschen. WDF/IDF-Analyse zeigt schnell, ob das Term-Profil ueberholt ist (neue Begriffe in der Branche, Synonym-Shifts, neue Sub-Themen). Refresh dauert oft nur 1-2 Stunden pro Text und bringt mit etwas Glueck +5 bis +10 Positionen zurueck.

Wofuer du WDF/IDF NICHT mehr nutzen solltest

Drei explizite "Nicht-Use-Cases":

1. AI-Citation-Optimierung. Wenn dein Ziel ist, in AI Overviews oder ChatGPT zitiert zu werden, sind Citation-Rate-Methoden der richtige Hebel — nicht WDF/IDF.
2. Topical-Authority-Aufbau. Authority entsteht ueber Topic-Cluster, interne Verlinkung und Entity-Coverage, nicht ueber Term-Optimierung einzelner Texte. Siehe Semantic SEO fuer LLMs.
3. YMYL-Content-Bewertung. Bei Your-Money-Your-Life-Themen ist E-E-A-T der dominierende Hebel, nicht Term-Coverage. WDF/IDF kann hier sogar in die Irre fuehren, wenn man Vertrauensfaktoren vernachlaessigt.

Mein Fazit nach 20 Jahren

WDF/IDF ist 2026 was Salz in der Kueche ist: ein unverzichtbares Grundlagen-Werkzeug, das du nicht weglaesst — aber das alleine kein gutes Gericht macht. Wer WDF/IDF als Baseline verwendet und darauf moderne GEO-Methoden aufsetzt, hat einen sehr robusten Stack. Wer WDF/IDF als alleiniges Optimierungsziel betreibt, optimiert 2026 in die falsche Richtung.

Mein Take: Wer noch nie mit WDF/IDF gearbeitet hat, sollte unbedingt damit anfangen. Wer es seit Jahren macht, sollte den Werkzeugkasten erweitern — vor allem um GEO-Methoden. Und wer wissen will, wie der grundlegende Unterschied zwischen klassischem SEO und Optimierung fuer generative Engines aussieht, dem empfehle ich unseren GEO-vs-SEO-Guide als Einstieg.

WDF/IDF ist nicht das Problem. Das Problem ist, wenn man es 2026 noch fuer die Loesung haelt.