Warum KI manche Seiten zitiert und andere ignoriert: Was zwischen Sichtbarkeit und Wirksamkeit liegt

Die Forschung zu Perplexitys neuem Embedding-Modell pplx-embed bestätigt einen Mechanismus, den wir bei ROCKITdigital seit vielen Monaten in der GEO-Analysepraxis beobachten: Zitation beginnt mit Retrieval – aber Retrieval garantiert keine Zitation.

Ein Einkäufer im technischen Vertrieb fragt ChatGPT nach CNC-Lohnfertigern für Präzisionsbauteile. Eine Studieninteressierte recherchiert Studiengänge im Gesundheitsbereich über Perplexity. Ein Geschäftsführer lässt sich von Gemini über E-Rechnungspflichten briefen. In allen drei Fällen entscheidet sich im Retrieval-Moment – bevor eine Website aufgerufen wird, bevor ein Angebot eingeholt wird – wer im Rennen ist und wer nicht existiert.

Die SEO-Branche erlebt derzeit eine Welle von Fehlinformationen, bei der Konzepte aus Information Retrieval und NLP zu simplen „Hebeln“ für Sichtbarkeit umgedeutet werden. Dawn Anderson z.B. hat in ihrer Analyse zu GEO-Mythen zu Recht darauf hingewiesen: Chunking beispielsweise ist ein Preprocessing-Mechanismus, kein Ranking-Faktor – und der Versuch, manuell „für KI bzw. Bots zu chunken“, führt zu kurzfristigen Taktiken, die das Nutzererlebnis verschlechtern.

Dieser Artikel geht einen anderen Weg. Statt vereinfachter Hebel wollen wir verstehen, was tatsächlich passiert:

Wie funktionieren die Embedding-Stacks bei Perplexity, Google und OpenAI? Was lässt sich von außen ableiten, was bleibt Black Box? Und wie übersetzt sich diese technische Realität in ein Diagnose-Framework, das erklärt, warum manche Domains trotz guter Inhalte nicht oder sehr wenig zitiert werden?

Sichtbarkeit und Wirksamkeit: Eine notwendige Unterscheidung

Der Sichtbarkeitsindex ist das meistzitierte Metriken-Konstrukt der deutschen SEO-Branche. Er misst präzise, was er messen soll: die Präsenz einer Domain in klassischen Suchergebnissen, primär gewichtet nach Suchvolumen und Rankingposition.

Die Frage, die der Sichtbarkeitsindex nicht beantwortet: Was passiert, nachdem ein RAG-System eine Seite abgerufen hat? Wird der Inhalt als zitierfähige Quelle erkannt und in eine generierte Antwort eingebaut? Oder wird er abgerufen und verworfen, weil er die strukturellen Anforderungen nicht erfüllt?

Diese Frage beschreibt eine eigene Dimension: Wirksamkeit.

Sichtbarkeitsindex	Wirksamkeitsindex
Misst Rankingpräsenz in Suchergebnissen	Misst Zitierfähigkeit im Retrieval-Moment
Inhalte der eigenen Domain als Bezugsgröße	Inhalte (intern und extern) als Quelleneinheit
Etablierter Branchenstandard	Neuer Messrahmen für das GEO-Zeitalter

Sichtbarkeit ist in der Regel Voraussetzung für Wirksamkeit – aber keine Garantie. Ein RAG-System kann nur zitieren, was es abrufen kann. Wer für relevante Sub-Queries nicht indexiert ist, scheidet aus dem Retrieval-Prozess aus. Aber die Umkehrung gilt ebenfalls: Wirksamkeit ist auch ohne ausgeprägte klassische Sichtbarkeit erreichbar. Ein spezialisierter Anbieter mit kohärenten, tiefen Inhalten kann in KI-Antworten erscheinen – (noch) unabhängig von seiner klassischen Rankingposition.

Was zwischen Sichtbarkeit und Wirksamkeit liegt, lässt sich in drei Dimensionen beschreiben:

• Extrahierbarkeit: Der Grad, in dem relevante Inhalte als strukturierter, lesbarer Text vorliegen – zugänglich für den Retrieval-Prozess
• Antwortdichte: Der Anteil der für ein Themenfeld typischen Sub-Queries, die eine Domain eigenständig und vollständig beantwortet
• Kohäsion: Das Ausmaß, in dem alle relevanten Inhaltseinheiten als erkennbarer, konsistenter Wissensverbund zusammenwirken

Der versteckte Gatekeeper: Wie Retrieval tatsächlich funktioniert

Perplexity macht in ihrer Forschung zu pplx-embed eines sehr deutlich: Embeddings werden in der ersten Stufe der Kandidatenauswahl für Web-Scale-Retrieval eingesetzt. Sie bestimmen, welche Dokumente aus Milliarden von Seiten überhaupt von nachgelagerten Rankern und Sprachmodellen betrachtet werden.

Google und OpenAI nutzen ähnliche mehrstufige Muster. Der entscheidende Punkt: Retrieval ist hybrid.

1. Lexikalische Kandidatengenerierung – klassische Indexierung, Token-basiertes Retrieval wie BM25
2. Dense Retrieval – Embeddings für semantischen Recall
3. Reranking – präzisere Modelle bewerten die Kandidaten
4. Synthese + Zitation – das LLM liest die Top-Passagen und attribuiert Aussagen

Die Implikation: Wenn Ihr Inhalt nicht in die Kandidatenmenge gelangt, kann er nicht zitiert werden. Extrahierbarkeit ist die Eintrittsbedingung für jeden weiteren Wirksamkeitsfaktor.

Eine HAR-Analyse des ChatGPT-Netzwerkverkehrs – eine Aufzeichnung aller Requests zwischen Browser und Server – zeigt die Mechanik im Detail: ChatGPT löst bei der Verarbeitung einer Anfrage parallele Suchanfragen aus, sogenannte Query Fan-Outs. Die Suchergebnisse landen als strukturierte Objekte in den Metadaten – in Feldern wie search_result_groups und citations. Was dort nicht als strukturierte Einheit extrahierbar ist, wird nicht zitiert. Rhetorik und Textqualität spielen in diesem Moment keine Rolle. Struktur entscheidet.

Die drei technischen Paradigmenwechsel im Retrieval

Um zu verstehen, warum manche Seiten zitiert werden und andere nicht, müssen wir entschlüsseln, wie Google, OpenAI und Perplexity das Internet in Vektorräume übersetzen.

1. Perplexity: Bidirektionale Semantik und Late Chunking

Perplexity kritisiert Standard-Decoder-Only-Embedding-Ansätze, weil kausales Masking echtes Verständnis einschränkt. Ihr Ansatz führt bidirektionalen Kontext durch diffusionsbasiertes Continued Pretraining ein. Zusätzlich unterstützt ihre Forschung „Late Chunking“ – ein kontextuelles Embedding-Modell, das Passagen mit Bewusstsein für das gesamte Dokument repräsentiert.

Oder einfach gesagt: Herkömmliche Embedding-Modelle lesen Text nur in eine Richtung – wie jemand, der einen Satz versteht, ohne zu wissen, wie er endet. Perplexity liest in beide Richtungen und behält dabei das gesamte Dokument im Blick. Wenn das System einen einzelnen Absatz bewertet, weiß es bereits, worum es auf der gesamten Seite geht – und kann einschätzen, ob dieser Absatz zur Gesamtaussage passt oder ein Fremdkörper ist.

Sie optimieren explizit für unordentliche Realwelt-Suchen: Long-Tail-Anfragen, verrauschte Dokumente und Verteilungsverschiebungen – nicht für saubere akademische Benchmarks. Perplexity trainiert also nicht für Laborbedingungen, sondern für das echte Web: spezifische Nischenanfragen, unaufgeräumte Seiten und Themen, die gestern noch niemand kannte.

Was das bedeutet:

• Long-Tail-Anfragen: Nicht „Schuhe kaufen“, sondern „rote Wanderschuhe für breite Füße unter 150 Euro mit guter Dämpfung“ – also die spezifischen, seltenen Anfragen, die echte Menschen stellen
• Verrauschte Dokumente: Webseiten, wie sie wirklich existieren – mit Werbung, Navigation, Cookie-Bannern, Kommentarspalten, veralteten Sidebar-Widgets. Nicht aufgeräumte Textabschnitte oder ähnliche „Artefakte“, die wir alle immer noch kennen.
• Verteilungsverschiebungen: Die Art, wie Menschen suchen, ändert sich ständig. Was gestern niemand fragte („E-Rechnungspflicht 2025″), ist heute eine Massenanfrage. Das Modell muss mit Themen umgehen, die es beim Training nie gesehen hat.
• Akademische Benchmarks: Standardisierte Testdatensätze, auf denen KI-Modelle verglichen werden – oft künstlich sauber und wenig repräsentativ für echte Webinhalte.

Und was das für Content bedeutet: Ihre Seite ist ein semantisches Feld. Lokale Klarheit ist wichtig, aber globale thematische Kohärenz prägt das Retrieval. Seiten mit gemischten Intents oder lose verbundenen Abschnitten verwässern das kontextuelle Signal. Eine Seite mit thematisch unverbundenen Abschnitten erzeugt schwächere Embedding-Signale auf Chunk-Ebene. Kohäsion ist nicht nur eine redaktionelle Qualitätseigenschaft – sie ist eine messbare technische Variable im Retrieval-Prozess.

2. Google: Task-Aware Asymmetrie und Passage Ranking

Googles Übergang von lexikalischer Suche zu neuralem Retrieval hat sich von RankBrain über BERT und MUM zu den Gemini-Ära-Systemen entwickelt. Eine wichtige Klarstellung:

Google legt nicht öffentlich offen, welche Embedding-Modelle genau im Live-Search-Ranking-Stack verwendet werden. Was Google bestätigt, ist der Einsatz von KI-gestützten Ranking-Systemen und Passage-Level-Verständnis in der Suche.

Zwei Kernmechanismen prägen dennoch, wie Google Inhalte abruft:

• Passage Ranking via BERT und Nachfolger: Google Search bewertet Text auf Passagen-Ebene. Ein hochrelevanter Absatz, der tief auf einer unstrukturierten Seite vergraben ist, kann unabhängig das Retrieval auslösen.
• Task-spezifische Embeddings: In Googles Vertex AI definieren Entwickler einen task_type. Webseiten werden als RETRIEVAL_DOCUMENT eingebettet, Nutzeranfragen als RETRIEVAL_QUERY.

Was das für Content bedeutet: Der Vektorraum ist asymmetrisch. Das Retrieval-System sucht nach Text, der sich strukturell und semantisch wie eine Antwort verhält. Inhalte, die übermäßig die Query-Formulierung spiegeln, verhalten sich eher wie eine RETRIEVAL_QUERY als wie ein autoritatives RETRIEVAL_DOCUMENT – was die Retrieval-Wettbewerbsfähigkeit reduziert.

3. OpenAI: Matryoshka Representation Learning (MRL)

OpenAIs Modelle text-embedding-3-small und text-embedding-3-large betreiben die Retrieval-Schicht für ChatGPT. Der technische Durchbruch: Matryoshka Representation Learning (MRL).

MRL ermöglicht es, einen Embedding-Vektor (bis zu 3.072 Dimensionen) auf eine kleinere Größe (z.B. 256 Dimensionen) zu kürzen, ohne seinen Kerninhalt zu verlieren. Wie russische Matroschka-Puppen sind die wichtigsten semantischen Informationen mathematisch in die ersten Dimensionen frontgeladen. Die tieferen Dimensionen enthalten hyper-spezifische Nuancen.

Was das für Content bedeutet: Um Rechenkosten bei Web-Scale-Suchen zu sparen, führen KI-Systeme Coarse-to-Fine-Retrieval durch – stark gekürzte Vektoren für den ersten schnellen Durchlauf, dann Reranking. Wegen MRL ist die umgekehrte Pyramide des Schreibens mathematisch verstärkt. Wenn Sie die Kernthese im vierten Absatz vergraben, könnte sie beim schnellen Retrieval aus dem Vektorraum herausgekürzt werden.

Der Matroschka-Absatz: Mit der Antwort beginnen

Retrieval- und Zitationssysteme belohnen Passagen, die Intent schnell auflösen. Weil OpenAI Bedeutung in frühe Vektordimensionen frontlädt, können Sie sich keine Aufwärm-Absätze mehr leisten.

Die Lösung: Verschieben Sie die Kernaussage nach oben. Der erste Satz sollte eine direkte Antwort oder Entitätsdeklaration sein. Der zweite Satz liefert Umfang oder Definition. Unterstützende Evidenz folgt.

Beispiel: Wie SEO-Inhalte beim Retrieval scheitern

Schwach (Query-spiegelnder Stil):

Was ist eine E-Rechnung?
Die E-Rechnung wird in Deutschland immer wichtiger. In diesem Artikel erklären wir, was sie ist und warum Unternehmen sich damit beschäftigen sollten.

Warum das unterperformt:

• spiegelt einen Query-Vektor
• verzögert die Antwort
• niedrige frühe semantische Dichte
• schwache Entitätsverankerung

Stark (retrieval-optimiert):

Eine E-Rechnung ist eine elektronische Rechnung in einem strukturierten Datenformat wie ZUGFeRD oder XRechnung, die maschinell verarbeitet werden kann. Ab Januar 2025 sind Unternehmen in Deutschland im B2B-Bereich verpflichtet, E-Rechnungen empfangen zu können – die Pflicht zur Ausstellung folgt stufenweise bis 2028.

Warum das gewinnt:

• Antwort im ersten Satz
• Entität vollständig verankert (ZUGFeRD, XRechnung als Standards benannt)
• hohe frühe semantische Dichte
• konkrete Daten und Fristen als Vertrauenssignal
• verhält sich wie ein RETRIEVAL_DOCUMENT

Das RETRIEVAL_DOCUMENT verkörpern

Die nicht neue, aber trotzdem sehr wichtige Erkenntnis: Google erwartet, dass ein abgerufener Chunk wie eine autoritative Antwort agiert, nicht wie ein gespiegelter Suchprompt.

Die Lösung: Hören Sie auf, Überschriften und Eröffnungssätze zu schreiben, die die Nutzeranfrage wiederholen. Eliminieren Sie rhetorische Fragen im Fließtext. KI-Modelle suchen nach deklarativen, faktischen Aussagen, die Intent auflösen – nicht nach zurückgespiegelten Fragen. Lassen Sie den Nutzer die Frage stellen. Ihr Inhalt muss die Antwort sein. Und klar, das kann schon noch funktionieren wenn man in klassischen, althergebrachten SEO-Strukturen denkte. Der moderne GEO hat diese Ebene längst verlassen.

Chunk-vollständige, pronomenfreie Abschnitte

Wegen Googles Passage Ranking und Perplexitys Chunk-Level-Retrieval muss (bestenfalls) jeder Abschnitt für sich allein stehen können. Gehen Sie davon aus, dass jeder Absatz unabhängig extrahiert werden könnte.

Die Lösung: Vermeiden Sie Abschnitte, die nur Sinn ergeben, wenn der Leser die gesamte Seite verarbeitet hat. Eliminieren Sie schwebende Pronomen („es“, „sie“, „dieser Prozess“) über Absatzgrenzen hinweg. Führen Sie kanonische Entitäten häufig wieder ein, damit das Retrieval-System das exakte Subjekt erfasst. Oder einfach gesagt: Schreiben Sie nicht „Dieses Verfahren ermöglicht…“, wenn Sie die E-Rechnung meinen – schreiben Sie „Die E-Rechnung ermöglicht…“. Jeder Absatz sollte auch allein gelesen funktionieren. Das Retrieval-System extrahiert möglicherweise nur diesen einen Absatz – und muss trotzdem wissen, wovon die Rede ist.

Noch ein Wort zur kanonischen Entität:

Kanonische Entität soll heißen: die eine, eindeutige Bezeichnung für ein Konzept, eine Person, ein Produkt oder eine Organisation – die „offizielle“ Benennung, auf die sich alle Varianten zurückführen lassen.

Beispiel:

Varianten (nicht kanonisch)	Kanonische Entität
E-Rechnung, elektronische Rechnung, digitale Rechnung, eRechnung	E-Rechnung
Zmölnig, Ralf, R. Zmölnig, Herr Zmölnig, der Geschäftsführer	Ralf Zmölnig
ROCKITdigital, Rockit, die Agentur, wir	ROCKITdigital GmbH
ZUGFeRD, Zugferd, ZugFeRD-Format, das Format	ZUGFeRD

Warum das für Retrieval wichtig ist:

Wenn Sie auf einer Seite zwischen „E-Rechnung“, „elektronische Rechnung“, „digitale Rechnung“ und „das neue Format“ wechseln, muss das Embedding-Modell raten, ob das alles dasselbe ist. Je öfter Sie den kanonischen Begriff verwenden, desto stärker wird das semantische Signal im Vektorraum – und desto eindeutiger kann das System Ihre Seite dem Thema zuordnen.

Entscheiden Sie sich für einen bzw. wenige Begriff(e) und bleiben Sie dabei. Variation ist stilistisch nett, aber semantisch teuer. Und ja, auch ohne stilistische Nettigkeiten kann man angenehme Texte verfassen! Wenn Ihr/e Contentverantwortliche/r anderes behaupten, schicken Sie sie zu uns 😉

Das Kohäsionsproblem: Substanz ohne Zusammenhang

Die verbreitete Annahme lautet: Wer wenig in KI-Antworten erscheint, hat zu wenig Content produziert. Diese Diagnose ist in vielen Fällen falsch. Das eigentliche Problem ist struktureller Natur.

Ein Beispiel aus unserer Analysepraxis illustriert die Mechanik: Eine Hochschule mit einem Studiengang im Gesundheitsbereich verfügt (u.a.!) über ein umfangreiches FAQ-Dokument mit mehr als 25 strukturierten Fragen, einen Studiengangsflyer mit dem vollständigen Curriculum, ein Interview mit der Studiendekanin zur Berufsdefinition, einen aktiven Video-Kanal mit Studierendenstimmen.

Diese Inhalte wurden anhand von zwölf typischen Sub-Queries geprüft. Das Ergebnis: Drei bis vier Sub-Queries werden von der zentralen Studiengangseite nahezu vollständig beantwortet. Die übrigen acht bis neun bleiben auch teils unbeantwortet bzw- nur fragmentarisch adressiert.

Die Ursache ist nicht fehlendes Material. Die Ursache ist dessen Verteilung und fehlende strukturelle Vernetzung:

• Das FAQ-Dokument liegt als PDF vor. PDFs sind für Suchmaschinen indexierbar – aber sie liefern RAG-Systemen keinen strukturiert extrahierbaren Text.
• Der Studiengangsflyer existiert als PDF, verlinkt von der Hauptseite, aber inhaltlich nicht integriert. Das Curriculum ist für das Retrieval-System strukturell nicht verfügbar.
• Das Experteninterview ist auf einer separaten Newsseite publiziert – ohne bidirektionale Verlinkung zur Studiengangseite, ohne Schema-Markup, das Expertin und Studiengang als zusammengehörig ausweist, ohne Entitäts-Verknüpfung etc.
• Die Videos enthalten weder strukturierte Transkripte noch Beschreibungen. Als zitierfähige Textquellen existieren diese Inhalte für RAG-Systeme nicht.

Das Ergebnis: Ein RAG-System findet eine Domain mit erkennbarer Substanz – aber keine kohärente Quelle. Es findet Fragmente an verschiedenen Stellen, kann sie aber nicht als zusammengehöriges Wissensmodell zusammensetzen. Die Domain wirkt dünn. Nicht weil sie es ist, sondern weil ihre Substanz strukturell zerstreut ist.

Das RAG-System sucht keine einzelne perfekte Seite. Es sucht eine kohärente Quelle – eine Domain, deren Inhalte gemeinsam das Bild einer verlässlichen, erfahrenen und autoritativen Quelle erzeugen. Was Google als E-E-A-T bewertet, erkennt ein RAG-System als Zitierbarkeit. Beides entsteht nicht isoliert – sondern durch Kohäsion.

Hier liegt die Verbindung zu Perplexitys Late Chunking: Weil bei der Berechnung der semantischen Repräsentation eines Textabschnitts der gesamte thematische Kontext der Seite einfließt, erzeugen thematisch unverbundene Abschnitte schwächere Embedding-Signale. Kohäsion ist keine redaktionelle Geschmacksfrage. Sie ist eine technische Variable im Retrieval-Prozess.

Fehlende Kohäsion öffnet das Feld für externe Inkohärenz

Das Kohäsionsproblem hat eine zweite Dimension: Wer nicht selbst kommuniziert, wird kommuniziert.

Eine Organisation, die den eigenen semantischen Raum nicht kohärent besetzt, konkurriert im Retrieval-Prozess mit unkontrollierten Fremdsignalen – Bewertungsplattformen, Portaleinträge, Wikipedia-Artikel mit veralteten Angaben, Social-Media-Beiträge. Jedes dieser Signale hat für das RAG-System prinzipiell dasselbe formale Gewicht wie eigene Inhalte – wenn es strukturell besser aufbereitet ist.

Diese Dynamik entfaltet sich in drei Stufen:

Das stille Vakuum: Die Organisation hat keine kohärenten eigenen Signale für bestimmte Sub-Queries geliefert. Das RAG-System füllt die Lücken mit dem, was verfügbar ist. Die Organisation wird nicht falsch dargestellt – sie wird unvollständig dargestellt: mit den Attributen, die externe Quellen ihr zuschreiben.

Die unkontrollierte Übernahme: Externe Signale sind strukturierter oder autoritativer als eigene. Ein Wikipedia-Eintrag mit veralteten Angaben kann für ein RAG-System eine autoritativere Quelle darstellen als der aktuelle Jahresbericht – wenn er besser strukturiert und stärker verlinkt ist.

Die aktive Verdrängung: Ein einzelnes, gut indexiertes negatives Signal dominiert das Retrieval für bestimmte Anfragen dauerhaft – weil kein kohärentes eigenes Gegengewicht existiert.

Kevin Indigs ChatGPT-Zitationsforschung bestätigt das Muster

Kevin Indig hat eine großangelegte Analyse veröffentlicht, wie ChatGPT Quellen zitiert. Sein Kernbefund: ein starker positioneller und struktureller Bias. Ein großer Anteil der Zitationen stammt aus dem frühen Teil einer Seite, und Zitationen korrelieren mit Passagen, die definitionslastig, entitätsdicht und faktisch sind.

Das verstärkt dasselbe strukturelle Signal, das aus den Embedding-Architekturen hervorgeht:

• Antwort zuerst: Definition oder These in den ersten Satz des Abschnitts
• Entitätsdichte: Entität früh und konsistent benennen
• Faktische Sprache: deklarative Formulierung statt abgesicherter oder rhetorischer Texte
• Chunk-Vollständigkeit: jeder Abschnitt sollte für sich stehen, wenn er extrahiert wird

Kevin Indigs empirische Beobachtungen und die architektonischen Veröffentlichungen von Perplexity, Google und OpenAI konvergieren auf eine Realität:

Bevor ein LLM überhaupt entscheiden kann, ob es Ihre Seite zitiert, muss diese erst einmal in die Kandidatenmenge gelangen. Wer beim Retrieval ausscheidet, wird nicht zitiert – egal wie gut der Inhalt ist.

KI-Spam, Nützlichkeit und die neue Qualitätsschwelle

Googles jüngste Updates machen einen wichtigen Punkt deutlich: KI-generierter Content wird nicht automatisch bestraft. Skalierter, minderwertiger Content, der Rankings manipulieren soll, schon.

Wie Lily Ray und andere Search-Quality-Analysten wiederholt gewarnt haben, sind viele „GEO-Hacks“ einfach Spam-Muster in neuem Gewand. Dünne Seiten, template-getriebene Umschreibungen, künstliche Aktualisierungen können kurzfristige (Ranking- bzw. Zitierungs-)Gewinne liefern, aber langfristige Risiken schaffen. Und die Auswirkungen sind schon an vielen Beispielen sichtbar!

Warum Nützlichkeit maschinenerkennbar ist

Moderne Retrieval-Stacks bewerten Signale, die stark mit Nützlichkeit korrelieren:

• semantische Spezifität
• Entitätsklarheit
• informationelle Vollständigkeit
• faktische Verankerung
• strukturelle Kohärenz

Inhalte, die dünn oder übermäßig template-artig sind, produzieren schwächere semantische Signaturen im Vektorraum. Inhalte, die Tiefe und Klarheit demonstrieren, produzieren dichtere und diskriminativere Embeddings.

Nützlichkeit ist fallabhängig, aber messbar

• Information Gain: Fügt die Seite einzigartige Aussagen, Beispiele oder Daten hinzu im Vergleich zu den Top-Ergebnissen?
• Task Completion: Kann ein Nutzer die Aufgabe mit dieser Seite abschließen?
• Verifizierbarkeit: Sind Kernaussagen durch Primärquellen, Standards, Daten gestützt?
• Entitätsintegrität: Benennt jeder Abschnitt die Entität klar, mit konsistenter Terminologie?
• Abdeckung vs. Rauschen: Deckt die Seite den Intent vollständig ab, ohne Füllmaterial?

Das sind nicht nur redaktionelle Heuristiken. Sie bilden ab, was Retrieval-Systeme erkennen können. Oder einfach gesagt: Das sind keine Stilfragen für Lektoren. Das ist das, was Maschinen tatsächlich messen können – und messen. Also kein redaktioneller Geschmack. sondern das, was die Maschine sieht.

Unser Fazit

Die architektonischen Updates von Perplexity, Google und OpenAI bestätigen einen Wandel darin, wie das Web von Maschinen gelesen wird.

In modernen Suchsystemen:

• Embeddings helfen zu bestimmen, welcher Content semantisch relevant ist
• Retrieval-Systeme entscheiden, welche Passagen überhaupt betrachtet werden
• Vertrauenssignale beeinflussen, was letztendlich zitiert wird

Das ersetzt nicht die Grundlagen der Suche. Crawling, Indexierung, Links und Qualitätssignale sind weiterhin wichtig. Aber da KI-Systeme zunehmend die Entdeckung von Inhalten vermitteln, wird die Fähigkeit dieser, klar verstanden, abgerufen und verifiziert zu werden, wichtiger.

Für Publisher und Content-Teams ist die Implikation nicht, Abkürzungen zu jagen, sondern das zu verstärken, was gutes SEO schon immer gefördert hat: klare semantische Struktur, explizite Entitäten, faktische Verankerung und genuinen nützlichen Content.

Die Frage ist nicht mehr nur: Sind wir sichtbar? Sondern: Wirken unsere Inhalte?

Sie wollen verstehen, warum Ihre Domain trotz guter Inhalte nicht zitiert wird – und wo die strukturellen Hebel liegen? Sie wollen auch in Google bessere Rankings erzielen, weil AI-Overviews alles andere als vorherrschend sind? Bei ROCKITdigital analysieren wir Ihre Content-Architektur auf Extrahierbarkeit, Antwortdichte und Kohäsion. Kontaktieren Sie uns unter +49 (0)89 12 22 30 6-12 oder über unser Kontaktformular. Am besten jetzt, bevor es Ihr Wettbewerb tut.

Quellen

• Andrea Volpini (WordLift): Why AI Cites Some Pages and Ignores Others, März 2026 – Analyse zu Embedding-Architekturen bei Perplexity, Google und OpenAI
• Perplexity Research: pplx-embed: State-of-the-Art Embedding Models for Web-Scale Retrieval, 2026 – Technische Dokumentation zum Embedding-Modell mit Late Chunking
• Dawn Anderson (Women in Tech SEO): Debunking and Demystifying Generative Information Retrieval, März 2026 – Analyse zu GEO-Mythen und Fehlinformationen
• Kevin Indig: The Science of how AI pays attention, 2026 – Empirische Analyse von ChatGPT-Zitationsmustern
• Alin Radulescu: ChatGPT HAR Architecture Analysis, 2026 – HAR-Analyse des ChatGPT-Netzwerkverkehrs und Query Fan-Out-Mechanik
• Google Vertex AI: Text Embeddings Documentation – Dokumentation zu task-spezifischen Embeddings