Wie KI-Suche Quellen auswählt (RAG & Grounding einfach erklärt)

Wie KI-Suchmaschinen Quellen für ihre Antworten auswählen

ChatGPT, Perplexity und Google AI Overviews generieren ihre Antworten auf komplexe Suchanfragen in der Regel nicht ausschließlich aus ihrem internen Trainingsgedächtnis. Stattdessen nutzen viele moderne KI-Suchsysteme Retrieval-Mechanismen.

Diese Mechanismen rufen externe, aktuelle Quellen ab, bewerten die gefundenen Passagen und verwenden sie als Kontext für die finale Antwort. Dieser Prozess entscheidet letztlich darüber, welche Website in einer KI-Antwort als Quelle zitiert wird und welche unberücksichtigt bleibt.

Die zugrundeliegende Architektur wird in der Informatik meist als Retrieval-Augmented Generation (RAG) bezeichnet. Das Konzept wurde durch ein Forschungspapier von Facebook AI Research (FAIR) im Jahr 2020 geprägt (Quelle: "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", Lewis et al.).

Das Papier beschreibt die Verknüpfung eines Informationsabrufs (Retrieval) mit der Textgenerierung (Generation). Wenn ein Nutzer eine Frage stellt, sucht das System zunächst in einem Index nach passenden Textabschnitten. Diese Abschnitte werden dem Sprachmodell zusammen mit der ursprünglichen Frage übergeben.

Das Modell formuliert daraus eine lesbare Antwort und verweist auf die genutzten Dokumente. Für Website-Betreiber und SEO-Verantwortliche bedeutet dies eine Verschiebung der Prioritäten bei der Content-Erstellung.

Das Ziel ist es nicht mehr nur, ein klassisches Ranking aufzubauen. Es geht vielmehr darum, die Wahrscheinlichkeit zu erhöhen, dass KI-Systeme den eigenen Absatz als Quelle zitieren. Dafür sollten Inhalte so strukturiert sein, dass Maschinen sie leicht extrahieren, semantisch einordnen und als faktisch belastbar einstufen können.

Das Problem fehlender Aktualität: Warum Sprachmodelle externe Daten benötigen

Große Sprachmodelle werden auf riesigen Textkorpora trainiert. Während dieses monatelangen Trainingsprozesses lernen sie grammatikalische Muster, semantische Zusammenhänge und ein breites Basiswissen über die Welt.

Dieses Wissen ist jedoch in den Parametern des Modells eingefroren, sobald das Training abgeschlossen ist. Ein Modell, dessen Training im vergangenen Jahr beendet wurde, hat von sich aus keine Kenntnis von den Ereignissen des heutigen Tages oder von neu veröffentlichten Studien.

Dieser statische Zustand führt zu zwei konkreten Herausforderungen bei der Informationsbeschaffung, die Suchmaschinen-Anbieter lösen müssen:

• Veraltete Fakten: Wenn Nutzer nach aktuellen Entwicklungen, neuen Produkten oder jüngsten Wahlergebnissen suchen, kann das reine Sprachmodell diese Fragen nicht aus seinem internen Gewichtungsnetzwerk beantworten.
• Halluzinationen: Wenn ein Modell eine Antwort generieren soll, aber nicht über die nötigen Fakten verfügt, berechnet es oft lediglich die statistisch wahrscheinlichste Wortfolge. Das Ergebnis klingt plausibel, ist aber faktisch falsch.

Laut dem "Hallucination Evaluation Model" Leaderboard von Vectara (Stand 2024) weisen selbst führende Modelle ohne externes Grounding messbare Halluzinationsraten auf. Um diese Schwächen auszugleichen, greifen Systeme wie Perplexity oder die ChatGPT Search auf Live-Suchen zurück.

Sie nutzen das Sprachmodell primär als Werkzeug für das Leseverständnis und die Formulierung. Die eigentlichen Fakten stammen aus den abgerufenen Suchergebnissen. Dieser Vorgang wird als "Grounding" bezeichnet – die KI wird durch den System-Prompt angewiesen, ihre Aussagen in den bereitgestellten Quellen zu verankern.

Der Prozess: Von der Suchanfrage zur zitierten Quelle

Um Inhalte so aufzubereiten, dass sie leichter als Quelle berücksichtigt werden, ist ein Verständnis der technischen Abläufe im Hintergrund hilfreich. Der Weg von der Nutzereingabe bis zur fertigen KI-Antwort verläuft in mehreren, stark automatisierten Phasen.

Indexierung und Vektorisierung (Embeddings)

Bevor ein System Informationen abrufen kann, müssen diese maschinenlesbar aufbereitet sein. Bei reinen RAG-Systemen werden lange Texte in kleinere Abschnitte, sogenannte Chunks, unterteilt. Ein Chunk umfasst oft nur wenige hundert Wörter oder einen einzelnen Absatz.

Diese Textblöcke werden anschließend durch ein Embedding-Modell in Vektoren umgewandelt. Vektoren sind lange Zahlenreihen, die die semantische Bedeutung des Textes in einem mehrdimensionalen Raum repräsentieren.

Diese Vektoren werden in einer Vektordatenbank gespeichert. Wenn ein Textabschnitt eine klare, in sich geschlossene Antwort auf eine spezifische Frage liefert, ist sein Vektor präziser. Verschachtelte Sätze, die viel Vorwissen aus vorherigen Absätzen voraussetzen, lassen sich hingegen schwerer semantisch eindeutig verorten.

Der Retrieval-Schritt (Informationsabruf)

Stellt ein Nutzer eine Frage, wird diese ebenfalls in einen Vektor umgewandelt. Das System sucht in der Datenbank nach den Vektoren, die der Frage am ähnlichsten sind. Diesen Vorgang nennt man Semantische Suche.

Es ist wichtig zu betonen, dass nicht alle KI-Suchsysteme ausschließlich mit reinen Vektordatenbanken arbeiten. Google AI Overviews nutzen beispielsweise unter anderem Query-Fan-out-Techniken.

Bei einem Query-Fan-out wird die ursprüngliche, oft komplexe Suchanfrage im Hintergrund in mehrere spezifischere Suchanfragen aufgeteilt. Diese Teil-Anfragen werden genutzt, um verschiedene Aspekte eines Themas über den klassischen Google-Index abzurufen.

Unabhängig von der exakten Suchmethode gilt das gleiche Grundprinzip: Die Systeme rufen die Textpassagen ab, die die höchste Relevanz zur Suchanfrage aufweisen. Genau hier entscheidet sich, ob ein Absatz das Potenzial hat, in der finalen Antwort aufzutauchen.

Grounding und Antwortgenerierung

Im letzten Schritt erhält das Sprachmodell einen komplexen Prompt im Hintergrund. Dieser enthält die ursprüngliche Frage des Nutzers sowie die abgerufenen Text-Chunks aus den verschiedenen Quellen.

Die Anweisung an die KI lautet in der Regel, die Frage ausschließlich auf Basis der bereitgestellten Texte zu beantworten und die entsprechenden Quellen direkt im Text zu referenzieren.

Wenn ein abgerufener Textabschnitt die Fakten klar, präzise und ohne unnötige Füllwörter benennt, fällt es der KI leichter, diese Informationen zu extrahieren. Ein gut strukturierter Absatz wird somit wahrscheinlicher als Quelle zitiert als ein unstrukturierter Fließtext.

Multi-Engine-Optimierung: Inhalte für KI-Systeme aufbereiten

Die Optimierung für KI-gestützte Suchmaschinen wird in der Fachwelt oft unter dem Begriff Generative Engine Optimization (GEO) zusammengefasst. Das Ziel ist eine Multi-Engine-Strategie.

Bei dieser Strategie werden Inhalte nicht nur für den klassischen Google-Algorithmus aufbereitet. Sie sollen gleichermaßen für Perplexity, ChatGPT, Sprachassistenten und interne Suchlösungen verständlich und nutzbar sein.

Eine Benchmark-Studie der Princeton University ("GEO: Generative Engine Optimization", 2023) hat untersucht, welche Faktoren die Sichtbarkeit in KI-generierten Antworten erhöhen. Die Forscher analysierten Tausende von Suchanfragen und die daraus resultierenden KI-Antworten.

Sie stellten fest, dass das Hinzufügen von relevanten Statistiken, klaren Zitaten und einer leicht verständlichen Sprache (Fluency Optimization) die Wahrscheinlichkeit einer Zitation messbar steigern kann. Komplexe Schachtelsätze wirkten sich hingegen negativ auf die Extraktionsrate aus.

Struktur und Semantik als Fundament

KI-Systeme bevorzugen Inhalte, die direkt auf den Punkt kommen. Der erste Satz eines Absatzes sollte die Kernfrage beantworten. Dies wird oft als Answer-First-Prinzip bezeichnet.

Wenn eine Aufgabe bei der Content-Erstellung darin besteht, die genauen Nutzerfragen aus SERP-Daten zu extrahieren, um eine solche Struktur aufzubauen, kannst du SEOlyze nutzen. Das Tool hilft dabei, die relevanten W-Fragen aus den Suchergebnissen zu identifizieren.

So kannst du deine H2- und H3-Überschriften exakt auf den Informationsbedarf der KI-Systeme und der menschlichen Nutzer abstimmen. Lange Textwüsten ohne Zwischenüberschriften sind für Extraktions-Algorithmen schwerer zu verarbeiten.

Der Einsatz von Aufzählungszeichen (Bullet Points), nummerierten Listen und fettgedruckten Entitäten hilft den Parsern, die wichtigsten Datenpunkte schnell zu erfassen. Jeder Absatz sollte idealerweise einen in sich geschlossenen Gedanken behandeln.

Die Rolle von strukturierten Daten (Schema.org)

Strukturierte Daten nach Schema.org sind keine Garantie für eine KI-Einbindung. Es gibt auch kein spezielles Markup, das exklusiv für AI Overviews oder ChatGPT entwickelt wurde.

Dennoch bilden strukturierte Daten ein starkes Fundament für die Multi-Engine-Optimierung. Sie deklarieren Entitäten und Zusammenhänge maschinenlesbar, was den Systemen die Verarbeitung erleichtert.

Während das FAQPage-Schema in der klassischen Google-Suche für die meisten Seiten nicht mehr als primärer Hebel für Rich Results fungiert, ist es technisch nicht veraltet. Es hilft Crawlern weiterhin, Frage-Antwort-Strukturen zu erkennen.

Für Ratgeber und Fachartikel empfiehlt sich jedoch primär ein sauberes Article- oder BlogPosting-Markup (Quelle: Google Search Central Dokumentation zu strukturierten Daten). Wichtig ist dabei, dass die strukturierten Daten exakt zum sichtbaren, indexierbaren Text passen.

Im E-Commerce erleichtern Produkt- und Angebotsdaten (Offer-Schema) es den Systemen, Preise, Bewertungen und Verfügbarkeiten fehlerfrei zu verarbeiten. Dies erhöht die Wahrscheinlichkeit, in transaktionalen KI-Antworten berücksichtigt zu werden.

Vorher-Nachher-Beispiel: Textstruktur für die KI-Extraktion optimieren

Um zu verdeutlichen, wie sich die Textstruktur auf die Zitierfähigkeit auswirkt, betrachten wir einen Absatz, der die Frage "Was ist der Largest Contentful Paint (LCP)?" beantworten soll.

Schwache Passage (Vorher):

In der heutigen digitalen Landschaft ist die Ladezeit einer Website ein Thema, das man auf keinen Fall ignorieren sollte. Ein ganz wichtiger Faktor dabei ist der sogenannte LCP. Er misst, wie lange es dauert, bis das größte Element auf dem Bildschirm für den Leser sichtbar wird. Wenn du diesen Wert verbesserst, wird das den Erfolg deines Unternehmens steigern, weil die Nutzer dann nicht mehr so schnell abspringen und die Seite viel besser finden.

Optimierte Passage (Nachher):

Der Largest Contentful Paint (LCP) ist eine Core-Web-Vitals-Metrik, die die Ladezeit des größten sichtbaren Elements (meist ein Bild oder Textblock) im Viewport misst. Laut den Richtlinien von Google sollte der LCP-Wert für eine gute Nutzererfahrung bei 2,5 Sekunden oder weniger liegen. Ein optimierter LCP reduziert die Absprungrate, da Besucher den Hauptinhalt der Seite schneller visuell erfassen können. Zur Verbesserung des LCP tragen Maßnahmen wie das Komprimieren von Bildern, das Einrichten von Caching und die Optimierung der Serverantwortzeiten (TTFB) bei.

Die optimierte Passage beginnt direkt mit der Definition. Sie nennt konkrete Schwellenwerte (2,5 Sekunden) und verknüpft das Thema mit relevanten Entitäten (Core Web Vitals, TTFB, Caching).

Zudem verzichtet der zweite Text auf Füllwörter und vage Versprechungen. Diese hohe Informationsdichte erhöht die Wahrscheinlichkeit, dass ChatGPT, Perplexity oder Google AI diesen Absatz als präzise Quelle heranziehen und zitieren.

Themenabdeckung und Entitäten: Den Kontext für die KI schärfen

Ein Retrieval-System bewertet nicht nur den einzelnen Satz, der als Antwort dienen könnte. Es analysiert den semantischen Kontext des gesamten Dokuments, um die fachliche Tiefe zu beurteilen.

Wenn ein Text über Suchmaschinenoptimierung spricht, erwartet das System das Vorhandensein verwandter Entitäten. Dazu gehören Begriffe wie Crawling, Indexierung, Backlinks oder Rendering.

Fehlen diese essenziellen Begriffe, stufen Algorithmen den Text möglicherweise als weniger umfassend ein. Dies kann dazu führen, dass eine andere, detailliertere Quelle für die KI-Antwort bevorzugt wird.

Um sicherzustellen, dass ein Artikel die nötige semantische Tiefe besitzt, ist ein systematischer Wettbewerbs-Abgleich sinnvoll. Hier kannst du SEOlyze einsetzen, um zu analysieren, welche Terme und Themenfelder die Top-Ergebnisse abdecken.

Das Tool zeigt dir auf einen Blick, welche relevanten Entitäten in deinem Text noch fehlen. Sobald du einen ersten Textentwurf hast – sei es von einem menschlichen Redakteur oder als KI-Entwurf –, lässt sich dieser direkt in SEOlyze scoren und aufwerten.

So stellst du sicher, dass die Begrifflichkeiten natürlich in den Textfluss integriert werden. Ein unnatürliches Keyword-Stuffing wird dadurch vermieden, da der Fokus auf der thematischen Vollständigkeit liegt.

Auch bei der Erstellung von Alt-Texten für Bilder, die zunehmend von multimodalen KI-Systemen ausgelesen werden, hilft eine fundierte Term-Analyse. Sie ermöglicht es, den visuellen Inhalt präzise in Text zu übersetzen. Teste diese Funktionen für deinen nächsten Artikel direkt in der SEOlyze-Plattform, um deinen Workflow zu optimieren.

Diese inhaltliche Tiefe zahlt auch auf die E-E-A-T-Prinzipien (Experience, Expertise, Authoritativeness, Trustworthiness) ein. Die Google Search Central Dokumentation macht deutlich, dass die Kriterien für hilfreiche, verlässliche Inhalte auch für die Ausspielung in AI Overviews gelten.

Ein Text, der ein Thema umfassend und fachlich korrekt abdeckt, wird von den Systemen leichter als vertrauenswürdige Quelle berücksichtigt. Oberflächliche Texte haben es in der Multi-Engine-Umgebung zunehmend schwerer.

Technische Voraussetzungen: KI-Crawler und Logfile-Analysen

Damit Inhalte überhaupt in den Index der verschiedenen KI-Anbieter gelangen, müssen die technischen Voraussetzungen für das Crawling gegeben sein. Wenn die Bots der KI-Unternehmen per robots.txt blockiert werden, kann der Inhalt nicht als Quelle dienen.

Zu den wichtigsten spezifischen Crawlern gehören derzeit der GPTBot (für das Training von OpenAI-Modellen) und der OAI-SearchBot (für Suchfunktionen). Hinzu kommen der PerplexityBot sowie der ClaudeBot von Anthropic.

Für Google AI Overviews ist weiterhin der reguläre Googlebot zuständig. Ein separater Crawler namens "Google-Extended" existiert zwar als Token für die robots.txt, er steuert jedoch primär die Nutzung von Inhalten für das Training zukünftiger Modelle, nicht das Crawling für die aktuelle Suche.

Die Dokumentation von OpenAI (Quelle: OpenAI Platform Docs) weist explizit darauf hin, dass der OAI-SearchBot genutzt wird, um Suchergebnisse für Nutzer bereitzustellen. Zudem greift die ChatGPT Search je nach Anfrage auf Drittanbieter-Suchpartner wie Bing zurück.

Aus diesem Grund sollte auch der Bingbot nicht blockiert werden, wenn man in den Antworten von ChatGPT als Quelle auftauchen möchte. Eine Blockade von Suchmaschinen-Crawlern schließt die eigene Website aus vielen KI-Ökosystemen aus.

Ein Blick in die Server-Logfiles zeigt, ob und wie oft diese Bots eine Website besuchen. Bot-Zugriffe sind ein technischer Frühindikator dafür, dass die Seite abrufbar ist und gecrawlt wird.

Sie sind jedoch kein Beweis und keine Garantie dafür, dass der Inhalt tatsächlich in einer KI-Antwort zitiert wird. Eine seriöse Auswertung kombiniert Logfile-Daten immer mit einem Zitations-Monitoring und der Analyse von Referral-Traffic.

Checkliste: So erhöhst du die Wahrscheinlichkeit für KI-Zitationen

Um die theoretischen Konzepte in die Praxis umzusetzen, hilft eine systematische Prüfung der eigenen Inhalte. Die folgende Checkliste fasst die wichtigsten Kriterien zusammen, um Texte für KI-Suchsysteme aufzubereiten: