Retrieval-Augmented Generation (RAG) ist eine Methode, bei der ein KI-System zunächst eine Reihe von Dokumenten nach relevanten Passagen durchsucht und dann basierend darauf eine Antwort schreibt. Googles AI Overviews, Perplexity, ChatGPT Search und Microsoft Copilot nutzen alle eine Form davon. Für SEO ändert dies die Wettbewerbseinheit: Anstatt dass eine ganze Seite für eine Suchanfrage rankt, konkurrieren einzelne Passagen darum, abgerufen, zitiert und referenziert zu werden.
Wie funktioniert Retrieval-Augmented Generation?
Ein RAG-System hat drei Hauptschritte. Erstens werden Dokumente in Abschnitte (Chunks) unterteilt, oft jeweils ein paar hundert Wörter lang, und in numerische Repräsentationen namens Embeddings umgewandelt, die die Bedeutung erfassen. Zweitens, wenn ein Benutzer eine Frage stellt, wandelt das System die Frage in dieselbe Art von Repräsentation um und findet die inhaltlich ähnlichsten Abschnitte, manchmal kombiniert mit einer Stichwortsuche. Drittens erhält ein Sprachmodell die Frage plus die abgerufenen Abschnitte und schreibt eine Antwort, wobei es oft die Quellen zitiert.
Web-Scale-Systeme fügen ihre eigenen Ebenen hinzu. Sie führen möglicherweise zuerst eine herkömmliche Suche durch, rufen die Top-Seiten ab, extrahieren Passagen und bewerten diese Passagen dann vor der Generierung. Die Details sind für keine große Suchmaschine öffentlich, aber das allgemeine Muster ist in der Forschung und in technischen Beiträgen der Anbieter gut dokumentiert.
Warum ist RAG für die organische Sichtbarkeit wichtig?
RAG erklärt, warum manche Seiten in KI-Antworten zitiert werden, während andere mit ähnlichem Ranking dies nicht werden. Der Abruf bevorzugt Passagen, die eine Frage klar und für sich allein stehend beantworten. Eine Seite, die die Antwort nach einer langen Geschichte erst im siebten Absatz versteckt, mag zwar gut ranken, erzeugt aber einen schwachen Chunk.
Es erklärt auch, warum KI-Antworten manchmal kleinere Websites zitieren. Wenn eine Nischenseite die klarste Passage zu einem Unterthema enthält, kann der Abruf sie hervorheben, selbst wenn die Seite insgesamt weniger autoritär ist.
Was ändert sich für SEO und was bleibt gleich?
Ein Großteil der Grundlagen bleibt bestehen. Seiten müssen weiterhin crawlbar und indexierbar sein, da die meisten Web-RAG-Systeme auf einem Suchindex basieren. Autorität ist weiterhin wichtig, da Suchmaschinen Quellen vor dem Abruf nach Vertrauenswürdigkeit filtern. Relevanz ist weiterhin wichtig, da die Chunks mit der Bedeutung der Suchanfrage übereinstimmen müssen.
Was sich ändert
- Die Qualität der Passage ist genauso wichtig wie die Qualität der Seite. Jeder Abschnitt sollte Sinn ergeben, wenn er allein gelesen wird.
- Klare Überschriften helfen bei der Chunking-Bildung. Systeme trennen oft an Überschriften, daher schwächt eine vage H2 wie “Weitere Gedanken” den darunter liegenden Chunk.
- Direkte Antworten gewinnen. Der erste Satz unter einer Fragen-Überschrift sollte diese beantworten.
- Fakten müssen explizit sein. Zahlen, Namen, Daten und Definitionen, die klar dargelegt sind, lassen sich leichter extrahieren als implizite.
- Aktualität zeigt sich in den Antworten. Veraltete Passagen können mit veralteten Fakten zitiert werden, was der Marke mehr schadet, als gar nicht zu erscheinen.
Was sich nicht ändert
Keyword-Stuffing funktioniert immer noch nicht, da Embeddings die Bedeutung erfassen und nicht die Wiederholung. Dünne Inhalte funktionieren immer noch nicht, da es nichts gibt, was sich zu abrufen lohnt. Und die Benutzerzufriedenheit ist immer noch wichtig, da Menschen, die von einer KI-Antwort weiterklicken, die Seite wie jeder andere Besucher beurteilen.
Wie schreibt man Inhalte, die gut abgerufen werden?
Die folgende Checkliste spiegelt das allgemeine Verhalten von Abrufsystemen wider:
- Verwenden Sie H2- und H3-Überschriften im Frage-Stil, die der Art und Weise entsprechen, wie Menschen fragen.
- Platzieren Sie eine direkte Antwort von 40 bis 80 Wörtern direkt unter jeder Fragen-Überschrift.
- Halten Sie Absätze auf eine Idee fokussiert, damit eine Chunk-Grenze keinen Gedanken zerreißt.
- Wiederholen Sie das Subjekt beim Namen, anstatt sich über Abschnitte hinweg auf “es” oder “dies” zu verlassen; ein allein gelesener Chunk verliert den früheren Kontext.
- Verwenden Sie Tabellen für Vergleiche mit klaren Spaltenüberschriften und Einheiten.
- Fügen Sie Definitionen für Begriffe beim ersten Erscheinen hinzu.
- Markieren Sie wichtige Entitäten mit strukturierten Daten (Organization, Product, FAQ, HowTo, wo relevant).
- Behalten Sie ein sichtbares “Zuletzt aktualisiert”-Datum bei und aktualisieren Sie die Fakten tatsächlich.
Sollten Unternehmen ihre eigenen RAG-Systeme aufbauen?
Ja, für einige Anwendungen, und dies ist ein separater Punkt von SEO. Viele Unternehmen bauen jetzt RAG-Assistenten über ihre eigenen Hilfecenter, Produktdokumentationen oder internes Wissen auf. Die gleichen Schreibprinzipien gelten: klare Chunks, explizite Fakten und gute Überschriften lassen interne Assistenten besser antworten.
Ein nützlicher Nebeneffekt ist, dass ein gut strukturiertes Hilfecenter sowohl dem internen Assistenten als auch externen Suchmaschinen dient. Einmal für den Abruf schreiben zahlt sich doppelt aus.
Wie Alien Road RAG-Denken auf Kunden-SEO anwendet
In einem typischen Engagement beginnt die Arbeit mit einer Entdeckungsphase sowohl für die Suche als auch für KI-Antworten. Das Team sammelt die Prioritätsanfragen des Kunden, prüft Rankings in der Search Console und führt dieselben Fragen durch AI Overviews, Perplexity und ChatGPT Search, um aufzuzeichnen, welche Passagen zitiert werden.
Als nächstes folgt ein Passagen-Audit. Wichtige Seiten werden nach Überschriften aufgeteilt und jeder Abschnitt wird isoliert gelesen: Beantwortet er eine Frage für sich allein? Nennt der erste Satz die Antwort? Sind Fakten explizit und aktuell? Abschnitte, die nicht bestehen, werden umgeschrieben, Überschriften werden geklärt und Vergleichsinhalte in Tabellen verschoben. Strukturierte Daten und interne Links werden gleichzeitig aktualisiert.
Für Kunden mit großen Dokumentationen oder Hilfecentern kann das Team auch einen internen RAG-Assistenten über den Inhalten prototypisieren, um Lücken zu finden. Fragen, die der Assistent nicht gut beantworten kann, deuten normalerweise auch auf fehlende oder unklare Seiten auf der öffentlichen Website hin. Das Reporting kombiniert klassische organische Metriken mit einer monatlichen Stichprobe von KI-Antwort-Zitaten für denselben Abfragesatz, sodass der Kunde beide Kanäle nebeneinander sieht.
Wie kann man die Wirkung von RAG-orientierten Änderungen messen?
Keine Suchmaschine bietet einen vollständigen Zitatbericht, daher basiert die Messung auf Stichproben und Proxys:
- Ein fester Satz von Fragen, die monatlich über mehrere KI-Antwort-Suchmaschinen hinweg geprüft werden, wobei Zitate protokolliert werden.
- Referral-Traffic von KI-Tools in der Analyse, segmentiert nach Landingpage.
- Search Console-Klicks und -Impressionen für die umgeschriebenen Seiten im Vergleich zu unberührten Seiten.
- Featured-Snippet-Gewinne, die dieselbe Antwort-zuerst-Struktur belohnen.
- Engagement auf Landingpages, um zu bestätigen, dass Besucher von KI-Antworten das finden, was sie erwartet haben.
Wo man diese Woche anfangen sollte
Öffnen Sie Ihre drei wichtigsten Seiten und kopieren Sie jeden Abschnitt, einschließlich der Überschrift, in eine separate Notiz. Lesen Sie jeden so, als wäre er das Einzige, was ein Fremder sehen würde. Schreiben Sie jeden Abschnitt um, dessen erster Satz seine eigene Überschrift nicht beantwortet. Überprüfen Sie diese Fragen dann jetzt in einer KI-Antwort-Suchmaschine und nächsten Monat erneut, um zu sehen, ob sich die Zitate ändern.
Weiterlesen: KI-Optimierung · KI-Optimierung