AIREITERBei der Creator-Auswahl beginnt der Prozess auf der Buyer-Seite fast immer gleich: Creator Marketplace öffnen, einen Follower-Bereich einstellen, Kategorie und Region hinzufügen und aus den verbleibenden Hunderten von Profilen die bekannten Namen auswählen.
Das Problem ist nicht, dass diese Filter zu grob wären. Der Fehler steckt im Ansatz. Follower-Zahl, Kategorie und Region sind statische Creator-Tags: Sie beschreiben, wer jemand ist. Entscheidend ist aber eine andere Frage: Sieht die Content-Struktur dieser Person so aus wie die Creatives, die bei dir nachweislich funktionieren? Zwischen beiden Antworten besteht oft kaum ein Zusammenhang.
Vorab zur Abgrenzung: Creator-Verzeichnis, vorgeschlagene Suchbegriffe und Asset-Rankings stammen hier aus der öffentlichen Creator-Marketing-Plattform und dem Creative Center der Plattform. Der Zugriff erfolgt mit dem eigenen eingeloggten Account, ohne Signaturen und ohne irgendwelche Umgehungen. Es geht in diesem Setup darum, öffentliche Daten für Entscheidungen zu verknüpfen.
Warum Follower-Zahlen ein verspätetes und verzerrtes Signal sind
Die Auswahl nach Follower-Zahl ist aus drei unabhängigen Gründen systematisch falsch – und jeder einzelne davon reicht bereits aus. Erstens ist sie ein nachlaufender Wert: Sie summiert vergangene Erfolge und zeigt lediglich, dass ein Account irgendwann viral ging. Ob diese Person auch in diesem Monat noch trifft, sagt sie nicht. Ein Account, der vor zwei Jahren mit einem Hit eine Million Follower gewonnen hat und seither kaum gewachsen ist, liegt größenordnungsmäßig über einem aufstrebenden Account, dessen Posts regelmäßig kleinere Peaks erzielen. Für die Kampagne ist oft Letzterer interessanter.
Zweitens ist die Kennzahl verunreinigt. Gekaufte Follower, virale Treffer außerhalb deiner Kategorie und Zielgruppen ohne Überschneidung landen alle in derselben Zahl. Daraus lässt sich nicht herausrechnen, wie viel der Audience tatsächlich für dich relevant ist. Drittens zieht die Sortierung nach Follower-Zahl automatisch zu den größten Namen – und damit zu den höchsten Preisen. Die wirklich kosteneffizienten Creator sitzen meist im Mid-Tier: passende Struktur, gutes Engagement pro Post und nur ein Bruchteil der Top-Gage. Wer Follower zur Hauptachse macht, vergräbt genau diese Profile so weit unten, dass sie niemand mehr sieht.
Welche Filter im Creator-Verzeichnis nur begrenzt helfen
Das Filterpanel der Creator-Suche bietet viele Dimensionen, die sich grob in drei Gruppen einteilen lassen.
Da sind zunächst Identitäts-Tags: Follower-Bereich, Region, Sprache und Kategorie. Für einen groben Zuschnitt sind sie sinnvoll – etwa um offensichtlich unpassende Sprachen und Regionen auszusortieren. Zur eigentlichen Auswahl sollten sie aber nicht werden, genau aus den genannten Gründen. Besonders tückisch ist die Kategorie: Zwei Creator können beide als „Beauty“ markiert sein, während eine Person Reviews produziert und die andere Sketche. Für dich ist möglicherweise nur eines davon brauchbar.
Dann gibt es die von der Plattform berechneten Scores. Median Plays und Engagement Rate sind aussagekräftiger als Follower-Zahlen, weil sie aktuelle statt kumulierter Performance abbilden. Zusammengesetzte Werte wie Creator Value oder Acceptance Rate bleiben dagegen Black Boxes der Plattform. Doch auch die besseren Kennzahlen beschreiben ein Ergebnis, keine Struktur: Sie zeigen, dass der Content effektiv ist, nicht warum. Die Black-Box-Scores optimieren zudem Plattform-Transaktionen statt deines ROI und lassen sich nicht auf deine eigene Definition von „wirksam“ ausrichten. Als Referenz taugen sie, als zentrale Auswahlachse nicht.
Was wirklich fehlt, gibt es im Verzeichnis überhaupt nicht: die Content-Struktur. In welcher Sekunde landet der Hook? Beginnt das Video mit einem Pain Point oder direkt mit dem Ergebnis? Ist es ein Voiceover oder ein Sketch? Wie wird das Verkaufsargument eingebaut? Keine dieser Dimensionen erscheint im Filterpanel – obwohl sie entscheidet, ob sich ein Creative erfolgreich nachbauen lässt.
Der bessere Weg: Von erfolgreichen Assets zurück zu passenden Creatorn
Da das Filterverzeichnis keine Content-Struktur liefert, führt Vorwärtsfiltern in eine Sackgasse. Die richtige Richtung ist rückwärts: Nicht die Creator Library, sondern deine Library erfolgreicher Assets ist der Ausgangspunkt. „Erfolgreich“ muss dabei datenbasiert definiert sein: Wo bricht die Retention pro Sekunde ein? In welcher Sekunde liegt der Klick-Peak? In welchem CTR-Perzentil der Kategorie liegt das Asset? Wie diese Bewertung funktioniert, behandelt der Beitrag zu Retention-Kurven. Hier setze ich voraus, dass du bereits einen Bestand an Assets hast, die diese Hürde genommen haben.
Extrahiere daraus einzeln die Strukturmerkmale: Hook-Typ, Bild in den ersten drei Sekunden, Platzierung des Verkaufsarguments, Erzählstruktur. Verdichte sie zu Struktur-Feature-Karten und leite daraus ein „Effective Structure Profile“ ab: die gemeinsamen Strukturpunkte deiner Gewinner, etwa „Pain-Point-Einstieg + Ergebnis zuerst in Sekunde 5 + Voiceover einer realen Person“. Das Profil muss aus wenigen konkret beschreibbaren Strukturmerkmalen bestehen, nicht aus einer Floskel wie „hohe Content-Qualität“.
Erst im dritten Schritt geht es zurück in die Creator Library. Filtere nicht nach Follower-Zahl, sondern nutze das Profil für die Rückwärtssuche: Welche Creator veröffentlichen aktuell Inhalte mit derselben Struktur? Entscheidend ist die Video-Struktur, die ein Kandidat tatsächlich postet – nicht die Follower-Zahl. Das Ergebnis muss sich als klarer Satz formulieren lassen: Diese Person wird empfohlen, weil ihre letzten drei Posts dieselbe Hook-Struktur wie dein Asset im Top-Perzentil verwenden, nicht weil sie 500k Follower hat.
Vorgeschlagene Begriffe nutzen statt nur eigene Kategorien zu denken
Um Kandidaten auf eine handhabbare Menge einzugrenzen, sind vorgeschlagene Begriffe das nützlichste und zugleich am meisten unterschätzte Werkzeug. Die Begriffe, die das Suchfeld zu einem Seed-Keyword vorschlägt, sind eine Projektion des Content-Clusterings, das die Plattform aus dem Verhalten auf der gesamten Seite gebildet hat. Diese Erweiterungsbegriffe sind tatsächlich nah am Ausgangsbegriff und meist deutlich präziser als Kategorien, die man spontan selbst festlegt. Häufig tauchen dort sogar ein oder zwei Richtungen auf, die in der eigenen Taxonomie gar nicht existieren.
Sie sind allerdings nur der Startpunkt, nicht die endgültige Antwort: Erweitere damit auf benachbarte Richtungen, die du bisher nicht abgedeckt hast. Anschließend grenzt das Strukturprofil die passenden Creator innerhalb jeder Richtung ein.
Welches Modell für Feature-Extraktion und Ähnlichkeitsbewertung passt
Das Modell übernimmt hier zwei Aufgaben: Es extrahiert Strukturmerkmale und beurteilt, ob zwei Struktursets einander ähneln. Beides ist nicht einfach „bewerten und sortieren“. Eine Ähnlichkeitszahl von 0 bis 100 hilft nicht weiter; gebraucht wird ein strukturiertes Urteil, das konkret benennt, worin die Übereinstimmung besteht – und worin nicht.
Die vier Schritte stellen unterschiedliche Anforderungen an ein Modell:
Schritt | Benötigte Fähigkeit | Empfehlung | model id |
|---|---|---|---|
Für jedes Asset eine Struktur-Feature-Karte extrahieren | Günstige Bulk-Verarbeitung mit hoher Parallelität | Claude Sonnet 5 |
|
Aktuelle Videos eines Creators vollständig lesen und daraus ein Profil bilden | Langer Kontext, verarbeitet mehr als ein Dutzend Transkripte gleichzeitig | Kimi K3 |
|
Ähnlichkeitsurteil: Strukturprofil gegen Creator-Content | Starkes Reasoning, benennt Abweichungen konkret | Claude Opus 5 |
|
Treffer prüfen: Warum diese Empfehlung fragwürdig sein könnte | Mittleres Reasoning, begründet direkt am Video | GPT-5.6 Sol |
|
Nur beim dritten Schritt verändert ein Modellwechsel das Ergebnis sichtbar. Feldextraktion beherrscht fast jedes Modell. Schwierig ist das konkrete Benennen von Abweichungen in der Ähnlichkeitsbewertung: Ein schwaches Modell liefert hohe Ähnlichkeit plus einen Absatz, der lediglich wiederholt, was beide Seiten gemeinsam haben. Ein starkes Modell sagt dagegen: „Das Profil verlangt Ergebnis zuerst, aber die letzten drei Videos dieses Creators erzählen jeweils den Prozess Schritt für Schritt. Der Hook passt, die Erzählstruktur nicht – mit Vorsicht bewerten.“ Genau dieses Urteil ist gefragt.
Verlass dich nicht auf diese Einschätzung, sondern teste sie. Das Protokoll entspricht der Auswahl eines Modells zur Identifikation von Algorithmus-Familien in dem Reverse-Engineering-Beitrag: Nimm einen Creator, mit dem du bereits gearbeitet hast und dessen gute Performance du kennst, als Kontrollfall. Gib das Effective Structure Profile und dessen aktuelle Inhalte an claude-opus-5 und gpt-5.6-sol. Prüfe ausschließlich, ob das Ähnlichkeitsurteil auf ein konkretes Video zurückverweist. Nutze die Modellstufe, die sagen kann: welches Video, welcher Strukturpunkt. Das entspricht der Qualität von Gegenbelegen in dem Beitrag zum Algorithm-Fingerprinting: Kann das Modell auch bei hoher Bewertung weiter nach Schwachstellen suchen?
Die eigentliche Hürde sind die Wechselkosten
Vier Stufen von drei Anbietern bedeuten drei SDKs, drei Auth-Schemata und drei Fehlerformate. Drei Clients anzubinden, nur um zwischen den Schritten die Modellstufe wechseln zu können, lohnt sich kaum. Deshalb bleiben viele Teams durchgehend bei einem Modell – meist sogar bei einer günstigen Stufe für die Ähnlichkeitsbewertung, obwohl dort ein Reasoning-Modell nötig wäre. Das Ergebnis ist ein Stapel von Scores ohne nachvollziehbare Grundlage.
AIReiter vereinheitlicht diese Ebene: ein Key, eine OpenAI-kompatible Schnittstelle, alle vier Stufen dahinter. Für den Wechsel muss im Request-Body nur das Feld model geändert werden.
# Similarity judgment: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
-H "Authorization: Bearer $AIREITER_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "claude-opus-5",
"messages": [{"role": "user", "content": "<effective structure profile + a creator recent-content list>"}]
}'
# Extract structural-feature cards in bulk: change the model field, leave the rest
# "model": "claude-sonnet-5"
Wenn du bereits das OpenAI SDK nutzt, setze base_url auf https://aireiter.com/api/v1 und ändere sonst nichts. Mit dem Anthropic SDK verwendest du POST /api/v1/messages und denselben Key.
Preislich liegen Claude-Modelle 30% unter Listenpreis, GPT-Modelle bei der Hälfte. Der Rabatt greift genau dort, wo die Hauptkosten entstehen: Das einzelne Extrahieren von Struktur-Feature-Karten verursacht Hunderte bis Tausende von Bulk-Calls mit Claude Sonnet 5. Das sind ein bis zwei Größenordnungen mehr Aufrufe als bei der Ähnlichkeitsbewertung und damit der größte Kostenblock. Die 30% Ersparnis treffen also den teuersten Schritt.
Ohne Anmeldung testen: Führe zunächst manuell eine Ähnlichkeitsbewertung für einen bekannten Creator durch und prüfe, ob sie auf ein konkretes Video zurückführbar ist. Erst dann entscheidest du, ob du es integrierst.
Sobald das Matching steht, kommt der nächste Schritt: Die wirksame Struktur wird in ein Generation Briefing überführt und an die plattforminterne Bild- und Videogenerierung übergeben, um Assets in großer Menge zu produzieren. Die gesamte Pipeline behandelt der Beitrag von Keywords bis zur fertigen Anzeige; Creator-Matching ist darin nur eine Stufe.
Validierung: Ohne Bezug zu einem konkreten Asset bleibt es eine Black Box
Der entscheidende Unterschied zwischen diesem Ablauf und der Black-Box-Variante „Dem Modell einen Haufen Creator geben und einige empfehlen lassen“ ist die Nachvollziehbarkeit. Ein qualifizierter Treffer muss sich aufschlüsseln lassen: Creator X wird empfohlen, weil die Struktur seines aktuellen N-ten Videos zu deinem erfolgreichen Asset Y passt. X, N und Y müssen jeweils konkret benannt sein. Fehlt eines davon, lässt sich der Treffer weder validieren noch nach dem Kampagnenstart anhand der Daten überprüfen.
Verankere diese Nachvollziehbarkeit deshalb direkt im Prompt: Jeder Treffer muss das konkret passende Asset und den übereinstimmenden Strukturpunkt nennen. Alles, was sich nicht zurückverfolgen lässt, wird als Rauschen verworfen – unabhängig davon, wie hoch die Ähnlichkeit aussieht.
Fazit
Der Standardansatz bei der Creator-Auswahl – Follower-Bereich einstellen, Kategorie und Region ergänzen – ist systematisch falsch. Er filtert Identitäts-Tags, während du eine Übereinstimmung in der Content-Struktur brauchst. Drehe den Prozess um: Extrahiere die Struktur erfolgreicher Creatives, leite daraus ein Profil ab und suche damit rückwärts nach Creatorn mit passender Struktur. Jeder Treffer muss auf ein konkretes Asset zurückführbar sein.
Das Filterverzeichnis liefert statische Tags. Gut laufende Assets liefern kopierbare Struktur. Bleib nicht bei der Follower-Spalte stehen.