Wie KI-Suche funktioniert: Vektoren, BERT und Query Fan-out

Zuletzt aktualisiert: 9. September 2026

KI-Suche begann nicht mit ChatGPT

Wenn heute über KI-Suche gesprochen wird, beginnt die Geschichte fast immer mit ChatGPT. Das ist verständlich, denn seit November 2022 können Millionen Menschen direkt erleben, wie ein Sprachmodell Fragen beantwortet. Technisch beginnt die Entwicklung allerdings deutlich früher. Google setzte bereits Jahre zuvor Machine Learning ein, um Suchanfragen und Webseiten besser zu verstehen.

2015 führte Google RankBrain ein. Nach Googles eigener Darstellung war RankBrain das erste Deep-Learning-System, das in der Suche eingesetzt wurde. Es soll der Suchmaschine dabei helfen, Wörter mit Konzepten in Verbindung zu bringen und passende Inhalte zu finden, obwohl darin nicht unbedingt dieselben Wörter wie in der Suchanfrage stehen. RankBrain ersetzte jedoch weder alle vorherigen Ranking-Systeme noch machte es die Google-Suche zu einem einzigen selbstlernenden Algorithmus. Google kombiniert vielmehr verschiedene Systeme, die jeweils bestimmte Aufgaben übernehmen.

2017 veröffentlichten Forscher von Google das Paper „Attention Is All You Need“ über die Transformer-Architektur. Der Transformer verarbeitet die Beziehungen zwischen Elementen einer Eingabesequenz über sogenannte Attention-Mechanismen. Diese Architektur wurde später zur Grundlage zahlreicher Sprachmodelle. Daraus folgt allerdings nicht, dass heutige Modelle wie ChatGPT, Claude oder Gemini schlicht dieselbe Google-Technologie verwenden. Sie bauen auf einer veröffentlichten Architektur auf, wurden aber von unterschiedlichen Unternehmen weiterentwickelt und mit eigenen Daten, Trainingsverfahren und Systemkomponenten versehen.

2018 erschien das BERT-Paper, 2019 kam BERT in die Google-Suche. Diese beiden Daten werden häufig verwechselt. Vorgestellt wurde BERT, kurz für Bidirectional Encoder Representations from Transformers, im Oktober 2018. Für englischsprachige Suchanfragen in den USA setzte Google BERT ab Oktober 2019 ein. Das Modell betrachtet ein Wort im Zusammenhang mit den Wörtern davor und danach. Dadurch konnte Google etwa Präpositionen besser berücksichtigen, die den Sinn einer Suchanfrage verändern.

ChatGPT veränderte ab 2022 vor allem den Zugang zu generativer KI. Sprachmodelle waren nun keine Forschungsprojekte oder Hintergrundsysteme mehr, sondern antworteten in einem frei zugänglichen Chat-Interface. Für die Websuche kam später eine weitere Komponente hinzu: Aktuelle Informationen werden gesucht, ausgewählt und als Kontext für eine generierte Antwort verwendet.

Googles Aussagen belegen nicht die gesamte Suchmechanik

Google ist für manche Fragen die richtige Primärquelle. Wann eine Suchfunktion eingeführt wurde, welche Crawler das Unternehmen benennt oder welche Voraussetzungen offiziell für ein Suchprodukt gelten, kann zuerst Google selbst beantworten. Beschreibt Google hingegen die Bedeutung eines Ranking-Systems oder die Wirksamkeit einer Optimierung, handelt es sich um die Darstellung des Unternehmens. Diese Darstellung ist keine unabhängige technische Prüfung.

Weshalb diese Unterscheidung notwendig ist, zeigen die Gerichtsunterlagen aus dem US-Kartellverfahren. Im DOJ-Exponat PXR0356 zu Googles Suchsignalen werden Anchors, Body und Clicks als grundlegende Bestandteile der Topicality beschrieben. Das DOJ-Exponat PXR0357 zu Nutzerdaten und Navboost beschreibt Navboost als Query-Dokument-Tabelle mit Häufigkeiten der Nutzeraktivität. Die über Jahre öffentlich geführte Diskussion über Klickdaten ergab damit kein vollständiges Bild der internen Systeme.

Aus diesem Grund unterscheide ich im weiteren Text zwischen veröffentlichten Forschungsarbeiten, Gerichtsunterlagen und Selbstauskünften der Anbieter. Formulierungen wie „Google beschreibt“ oder „laut OpenAI“ sind bewusst gewählt. Sie benennen die Herkunft einer Aussage und damit zugleich ihre Grenze.

Was Vektoren wirklich erklären

Wie können Rechenmodelle Ähnlichkeiten zwischen Wörtern, Texten oder Bildern verarbeiten? Zu diesem Zweck werden Informationen häufig als Zahlenfolgen dargestellt. Solche Zahlenfolgen heißen Vektoren. Ein sogenanntes Embedding ordnet einem Element eine Position in einem mehrdimensionalen Raum zu. Ähnliche Elemente können dort näher beieinanderliegen als unähnliche.

Das bekannte Verfahren Word2Vec erzeugt statische Wort-Embeddings. Ein Wort erhält dabei grundsätzlich eine Repräsentation, obwohl es je nach Satz etwas anderes bedeuten kann. Das Wort „Bank“ bezeichnet beispielsweise ein Geldinstitut oder eine Sitzgelegenheit. Moderne kontextuelle Embeddings berücksichtigen dagegen die Wörter rund um den Begriff. Der Kontext beeinflusst somit seine Repräsentation.

BERT arbeitet mit solchen kontextabhängigen Repräsentationen. Der Name einer alten Embedding-Methode darf deshalb nicht mit der gesamten Funktionsweise moderner Suchsysteme gleichgesetzt werden. Ebenso wenig ist öffentlich belegt, dass Google jede Webseite auf genau einen Vektor reduziert und alle Rankings allein über die Cosine Similarity berechnet. In seinem öffentlichen Leitfaden nennt Google mehrere Ranking-Systeme. Dazu zählen RankBrain, Neural Matching und das Passage Ranking System. Ob die Auflistung alle für eine konkrete Suchanfrage wichtigen Systeme erfasst, lässt sich daraus nicht ableiten. Auch ihre genaue Gewichtung und ihr Zusammenspiel legt Google nicht offen.

Auch das berühmte Beispiel „König minus Mann plus Frau ergibt Königin“ veranschaulicht lediglich Beziehungen, die bestimmte statische Wort-Embeddings gelernt haben. Es beweist weder ein allgemeines Sprachverständnis noch erklärt es die Google-Suche als Ganzes. Vektoren helfen uns also, einen Teil der Technik zu verstehen. Aus diesem Teil lässt sich allerdings keine vollständige Ranking-Formel ableiten.

Unter der Haube: Wie Suchmaschine und KI-Chatbot arbeiten

Suchmaschine und KI-Chatbot sehen auf den ersten Blick ähnlich aus. Du stellst eine Frage und bekommst Informationen. Hinter dieser Oberfläche laufen jedoch nicht überall dieselben Prozesse ab. Zudem veröffentlichen Google und OpenAI nur einen Teil ihrer technischen Details. Eine genaue gemeinsame Architektur lässt sich aus den verfügbaren Quellen daher nicht seriös rekonstruieren.

Crawling und Zugriff

Google beschreibt die klassische Suche in drei Stufen: Crawling, Indexierung und Auslieferung. Googlebot ruft öffentlich erreichbare Seiten ab. Anschließend verarbeitet Google deren Text, Bilder, Videos und wichtige HTML-Elemente. Wird eine Suchanfrage gestellt, sucht das System im Index nach passenden Informationen und ordnet sie anhand zahlreicher Signale.

Bei ChatGPT Search ist zumindest für Website-Betreiber bekannt, dass der OAI-SearchBot Inhalte für Suchergebnisse abrufen kann. OpenAI selbst nennt Relevanz und Verlässlichkeit als zwei von mehreren Faktoren für die Auswahl von Suchergebnissen. Zusätzlich kann ChatGPT mit externen Suchanbietern arbeiten. Diese Angaben dokumentieren die öffentliche Produktbeschreibung von OpenAI. Sie legen weder die Gewichtung der Faktoren noch die vollständige Retrieval-Pipeline offen.

Die Crawler-Referenz im KI-Suche Wiki ordnet die einzelnen Kennungen ihren dokumentierten Aufgaben zu. Anhand dieser Angaben lässt sich zunächst klären, welchen Zugriff eine Regel betrifft. Ob daraus später ein Quellenverweis entsteht, muss an der Antwort selbst geprüft werden.

Retrieval und Sprachverarbeitung

Retrieval bezeichnet die Auswahl passender Informationen aus einem Bestand. Bei der klassischen Google-Suche durchsuchen mehrere Systeme den Index und bewerten, welche Seiten oder Seitenteile zu einer Anfrage passen. RankBrain und Neural Matching helfen Google dabei, Wörter mit Konzepten zu verbinden. Das Passage Ranking System kann einzelne Abschnitte einer Seite berücksichtigen, um die Relevanz der gesamten Seite besser einzuschätzen.

Generative Suchfunktionen ergänzen dieses Retrieval um ein Sprachmodell. Für AI Overviews und AI Mode beschreibt Google zwei Verfahren ausdrücklich: RAG bzw. Grounding und Query Fan-out. Laut der Produktdokumentation werden relevante Webseiten aus dem Suchindex abgerufen. Das Sprachmodell verarbeitet Informationen aus diesen Quellen und erzeugt daraus eine Antwort mit weiterführenden Links. Ob jede Antwort genau diesen Ablauf nutzt und welche weiteren Systeme beteiligt sind, geht aus der Dokumentation nicht hervor.

Ausgabe und Schwankungen

Die klassische Suche gibt längst nicht mehr bloß zehn blaue Links aus. Je nach Suchanfrage erscheinen beispielsweise lokale Ergebnisse, Bilder, Videos, Featured Snippets oder Produktinformationen. Welche Ergebnisse du siehst, kann sich außerdem durch Sprache, Standort, Gerät und weitere Faktoren verändern. Klassische Google-Ergebnisse sind deshalb nicht vollständig deterministisch.

Eine generative Suche formuliert dagegen zusätzlich eine Antwort. Da Sprachmodelle Token anhand von Wahrscheinlichkeiten erzeugen und die abgerufenen Quellen ebenfalls variieren können, schwanken Formulierung, Auswahl und Reihenfolge der genannten Quellen. Diese Variabilität erschwert die Messung von KI-Sichtbarkeit. Wie ich damit in meinen eigenen Erhebungen umgehe, erkläre ich im Artikel über die Messung von Sichtbarkeit in der KI-Suche.

Query Fan-out verteilt eine Frage auf mehrere Suchen

Was passiert, wenn eine Frage mehrere Themen und Entscheidungsschritte enthält? Nach Googles Beschreibung kann das System daraus mehrere verwandte Suchanfragen erzeugen und parallel ausführen. Dieses Verfahren nennt das Unternehmen Query Fan-out. Die Ergebnisse aus verschiedenen Unterthemen und Datenquellen werden danach für die Antwort zusammengeführt.

Aus der Frage „Welcher Autokredit passt zu mir, wenn ich einen Gebrauchtwagen kaufen und den Kredit vorzeitig ablösen möchte?“ könnten etwa Suchen nach Kreditvergleich, Voraussetzungen, Effektivzins, Sondertilgung und Vorfälligkeitsentschädigung entstehen. Welche Fan-out-Queries das System tatsächlich erzeugt und welche Quellen es auswählt, ist von außen allerdings nicht vollständig einsehbar.

Für die Content-Planung ist diese Einschränkung wichtig. Aus Query Fan-out folgt nicht, dass für jede denkbare Teilfrage eine eigene Seite gebaut werden sollte. In seinem aktuellen Leitfaden rät Google davon ab, zahlreiche Varianten allein für mögliche Fan-out-Queries zu produzieren. Diese Empfehlung beweist allerdings nicht, dass die Abdeckung passender Teilfragen für die Quellenauswahl bedeutungslos wäre. Ohne einsehbare Fan-out-Queries sollte ein Unternehmen seine Inhalte daher an echten Kundenfragen, eigener Erfahrung und verlässlichen Daten ausrichten.

RAG: Was passiert, wenn die KI keine Antwort hat?

Die Frage in dieser Überschrift greift etwas zu kurz. Ein System ruft externe Informationen nicht erst dann ab, wenn das Sprachmodell gar nichts weiß. Retrieval-Augmented Generation, kurz RAG, verbindet eine generierte Antwort mit zuvor abgerufenen Informationen. Diese zusätzlichen Informationen können eine Antwort aktueller, genauer und nachvollziehbarer machen.

Google verwendet hierfür häufig den Begriff Grounding. Laut dem Google-Leitfaden für generative Suchfunktionen greifen AI Overviews und AI Mode über die Kernsysteme der Suche auf relevante, aktuelle Webseiten aus dem Suchindex zu. Das Modell prüft Informationen aus den abgerufenen Seiten und zeigt Links an, welche die generierte Antwort unterstützen.

Bei ChatGPT Search können ebenfalls aktuelle Webquellen mit sichtbaren Quellenangaben in die Antwort einfließen. OpenAI veröffentlicht jedoch keine vollständige technische Beschreibung des Rankings und der gesamten Retrieval-Pipeline. Aus den öffentlichen Angaben lässt sich deshalb keine feste Kette ableiten, nach der ChatGPT bei fehlendem Trainingswissen stets auf Google oder Bing zurückgreift und anschließend deren bestplatzierte Seiten zitiert.

Google veröffentlicht keine Pflicht zu kleinen Content-Chunks

Aus der Verarbeitung einzelner Textpassagen wurde in der GEO-Diskussion schnell eine Schreibregel: Jeder Absatz müsse als eigenständiger Chunk funktionieren. Google erklärt seit Juli 2026, dass für die eigenen generativen Suchfunktionen keine Pflicht besteht, Inhalte in winzige Teile zu zerlegen. Damit ist zunächst nur eine öffentlich erklärte Anforderung für Google AI Overviews und AI Mode beschrieben.

Aus dieser Selbstauskunft folgt nicht, dass Abschnittsgrenzen, Überschriften oder die interne Zerlegung einer Seite technisch ohne Bedeutung sind. Google veröffentlicht weder die vollständige Retrieval-Pipeline noch die Segmentierung, die in allen beteiligten Systemen verwendet wird. Andere Anbieter können wiederum anders vorgehen. Eine feste Wortzahl pro Absatz oder die Vorgabe, jeder Textblock müsse ohne den restlichen Artikel funktionieren, lässt sich aus den verfügbaren Quellen daher ebenso wenig begründen.

Klare Zwischenüberschriften, verständliche Absätze und eine nachvollziehbare Reihenfolge bleiben trotzdem sinnvoll, zunächst für die Leser. Zugleich beschreibt Google für die klassische Suche ein Passage Ranking System, das einzelne Abschnitte einer Seite berücksichtigen kann. Die einfache Gegenüberstellung „In der SEO konkurrieren Dokumente, in der GEO konkurrieren Textabschnitte“ beschreibt die veröffentlichten Informationen daher nicht sauber. Wie stark eine bessere Segmentierung die Auswahl als Quelle verändert, müsste dagegen empirisch geprüft werden.

Welche Teile dieses Ablaufs in einem konkreten Fall überhaupt beobachtbar sind, kannst Du mit der Referenz zur Quellenauswahl prüfen. Sie unterscheidet protokollierte Abrufe und Suchaufrufe von sichtbaren Quellenlinks, Nennungen und der inhaltlichen Belegprüfung.

Google ordnet GEO der SEO zu

Bleibt die Frage, ob Unternehmen für generative Suche nun eine völlig neue Disziplin benötigen. Für AI Overviews und AI Mode ordnet Google die Arbeit weiterhin der SEO zu. Nach Angaben des Unternehmens beruhen die generativen Suchfunktionen auf den Ranking- und Qualitätssystemen der Google-Suche. Eine Seite muss indexiert und für die Anzeige mit einem Snippet geeignet sein. Zusätzliche technische Voraussetzungen, eine besondere KI-Schreibweise oder spezielles Schema-Markup veröffentlicht Google derzeit nicht.

Diese Einordnung ist für Googles eigenes Produkt nützlich, aber zugleich eine Unternehmensposition in einer fachlichen und kommerziellen Debatte. Sie definiert GEO nicht automatisch für alle Such- und Chatplattformen. Wer auch in ChatGPT Search erscheinen möchte, muss z. B. prüfen, ob OAI-SearchBot auf die Website zugreifen darf. Für Google übernimmt diese Aufgabe Googlebot.

Inhaltlich empfiehlt Google für generative Suchfunktionen vor allem einzigartige, hilfreiche und verlässliche Informationen, die über allgemein verfügbares Wissen hinausgehen. Hierzu zählen eigene Erfahrungen, Untersuchungen, Daten und fachlich begründete Perspektiven. Der aktuelle Leitfaden verwendet dafür den Begriff Non-Commodity Content. Daraus entsteht jedoch kein öffentlich belegter einzelner Rankingfaktor namens Non-Commodity Content. Auch die Wirkung auf Nennungen und Quellenverweise muss weiterhin mit realen Antworten und eigenen Daten geprüft werden. Künstlich kurze Chunks und eine llms.txt-Datei sind nach Googles Auskunft für die Google-Suche nicht erforderlich.

Belastbar sind zunächst die veröffentlichten Zugangsvoraussetzungen: Inhalte müssen für den jeweiligen Crawler erreichbar und beim Anbieter grundsätzlich auswählbar sein. Welche inhaltlichen Eigenschaften Nennungen und Quellenverweise wahrscheinlicher machen, lässt sich aus Anbieter-Dokumentationen allein nicht ableiten. Hierfür sind ergänzend Forschung, offengelegte Systemunterlagen und wiederholte eigene Messungen notwendig. Wie sich die bisherigen Hinweise auf konkrete Inhalte anwenden lassen, behandle ich im vierten Teil der Reihe über zitierfähige Inhalte und Brand Context in der KI-Suche.

Wie werden aus Deiner Frage Suchanfragen, und welche gefundenen Informationen erscheinen anschließend in der Antwort? Im Vergleich von ChatGPT, Gemini, AI Mode und AI Overviews im KI-Suche Wiki gehe ich diesen Vorgängen anhand von Produktbeschreibungen und Untersuchungen von Fachleuten nach. Dabei bespreche ich auch unterschiedliche Erklärungen dafür, wann recherchiert wird und wie Quellen zur Antwort hinzukommen.