KI-Antwortsysteme mischen zwei Wissensquellen: verdichtetes Trainingswissen mit festem Stichtag und Texte, die zur Laufzeit über Websuchen nachgeladen werden. Nur der zweite Weg reagiert auf Ihre heutige Website. Bewertet werden dabei nicht ganze Seiten, sondern einzelne Abschnitte — je eindeutiger, selbsterklärender und datierter ein Absatz ist, desto eher landet er in der Antwort.
Woher bezieht ein Sprachmodell sein Wissen über mein Unternehmen?
Zwei Wege führen zu einer Antwort. Der erste ist das Trainingswissen: Was während des Trainings im Korpus stand, steckt in verdichteter Form in den Modellparametern. Dieses Wissen hat einen Stichtag, ist unscharf und lässt sich nachträglich nicht korrigieren.
Der zweite Weg ist das Nachladen zur Laufzeit, im Fachjargon Retrieval. Das System startet während der Antworterzeugung eine oder mehrere Websuchen, liest die zurückgelieferten Texte und formuliert daraus. Nur dieser zweite Weg reagiert darauf, was heute auf Ihrer Website steht.
Beides mischt sich in der fertigen Antwort, und zwar unsichtbar. Ein System kann eine Behauptung aus dem Trainingswissen formulieren und ihr nachträglich eine Quelle zuordnen, die diese Behauptung gar nicht enthält. Genau daraus entstehen viele der Fehler, die Unternehmen bemerken, wenn sie Aussagen über sich selbst nachlesen.
Für einen mittelständischen Maschinenbauer folgt daraus eine unangenehme Asymmetrie: Am Trainingswissen ändern Sie kurzfristig nichts, am abrufbaren Material sehr wohl. Deshalb lohnt die Arbeit fast ausschließlich auf der zweiten Ebene.
Was geschieht zwischen meiner Frage und der fertigen Antwort?
Eine Nutzerfrage wird selten unverändert an eine Suchmaschine weitergereicht. Das System zerlegt sie in mehrere Suchanfragen, die jeweils einen Teilaspekt abdecken. Aus der Frage nach einem Lieferanten für Reinraumkomponenten in Süddeutschland werden schnell drei oder vier Abfragen: eine zur Produktkategorie, eine zur Region, eine zu Zertifizierungen.
Jede dieser Abfragen läuft gegen einen klassischen Web-Index. Die Anbieter unterhalten dafür keine exotische Spezialdatenbank, sondern greifen auf dieselbe Art von Infrastruktur zurück, die auch Suchmaschinen betreiben — teils mit eigenen Crawlern, teils mit zugekauften Indizes.
Aus den Trefferlisten entsteht eine Kandidatenmenge. Sie ist deutlich kleiner, als die Trefferzahl einer normalen Suche vermuten lässt: Meist gehen nur eine Handvoll Seiten pro Teilfrage in die weitere Verarbeitung.
Wie viele Teilanfragen gestellt werden, hängt von der Komplexität ab. Eine geschlossene Frage kommt mit einer aus, eine Kaufentscheidung mit mehreren Randbedingungen erzeugt leicht sechs. Für spezialisierte Anbieter ist das eine gute Nachricht: Je mehr Teilanfragen gestellt werden, desto mehr unterschiedliche Seiten gelangen in die Kandidatenmenge.
- Die Frage wird umformuliert und in Teilanfragen zerlegt.
- Jede Teilanfrage läuft gegen einen Web-Index und liefert eine kurze Trefferliste.
- Die Treffer werden geladen, in Abschnitte zerschnitten und nach Passung zur Frage sortiert.
- Nur die höchstplatzierten Abschnitte gelangen in das Kontextfenster des Modells.
- Aus diesen Abschnitten formuliert das Modell die Antwort und setzt die Quellenverweise.
Warum zieht das System Passagen heran und nicht ganze Seiten?
Das Kontextfenster eines Modells ist begrenzt und in der Verarbeitung teuer. Zehn vollständige Ratgeberseiten würden es füllen, ohne dass die eigentlich relevanten drei Sätze dadurch besser sichtbar wären. Deshalb wird jedes geladene Dokument zerlegt und abschnittsweise bewertet.
Die Folge ist unbequem für Redaktionen, die auf Spannungsbogen setzen. Ihre Seite konkurriert nicht als Ganzes, sondern Absatz für Absatz. Ein hervorragender Artikel mit einer schwachen Passage zum gefragten Detail verliert gegen eine mittelmäßige Seite, die genau dieses Detail sauber in einem Absatz beantwortet.
Nicht Ihre Seite bewirbt sich um die Antwort, sondern jeder einzelne Absatz für sich.
Welche Eigenschaften machen einen Absatz abrufbar?
Drei Eigenschaften tauchen immer wieder auf, wenn man nachvollzieht, welche Passagen zitiert werden. Erstens Eindeutigkeit: Der Absatz behandelt genau einen Sachverhalt und vermischt ihn nicht mit zwei weiteren. Zweitens Selbsterklärung: Er bleibt verständlich, wenn man ihn aus der Seite herausschneidet und ohne Umgebung liest.
Drittens die Nähe von Frage und Antwort. Entspricht eine Überschrift dem, was Menschen tatsächlich fragen, und steht die Antwort unmittelbar darunter, ist die Zuordnung trivial. Folgt die Antwort erst drei Absätze später, sinkt die Chance, dass genau dieser Abschnitt ausgewählt wird.
Hilfreich ist außerdem, dass die branchenüblichen Begriffe im Absatz selbst vorkommen. Wenn Ihr Markt von Reinraumklasse spricht und Ihr Text durchgehend von Sauberkeitsanforderung schreibt, findet die Zuordnung schlicht nicht statt.
Eine vierte Eigenschaft wird oft übersehen: die Länge. Absätze aus einem einzigen Satz tragen zu wenig Information, sehr lange verwässern ihr Thema. Zwischen vierzig und hundert Wörtern liegt der Bereich, in dem ein Abschnitt genug sagt und trotzdem eindeutig bleibt.
Ein Hersteller von Medizintechnik, der Sterilisationszyklen erklärt, nennt die Zykluszeit deshalb im selben Absatz wie das Verfahren, für das sie gilt — nicht in einer Tabelle am Seitenende, auf die im Text nur mit einem Rückbezug verwiesen wird.
Warum helfen ausdrückliche Aktualitätsangaben?
Systeme, die Abschnitte sortieren, haben ein Problem mit unbestimmter Zeit. Eine Aussage über Fördersätze ohne Jahresangabe ist wertlos, weil niemand weiß, ob sie noch gilt. Ein sichtbares Datum im Fließtext, ein Stand-vom-Vermerk und ein gepflegtes Änderungsdatum im Quelltext lösen das an der Wurzel.
Hinzu kommt: Bei Fragen, die erkennbar auf die Gegenwart zielen, bevorzugen die Systeme jüngere Dokumente. Wer Jahreszahlen nur im Seitentitel führt und im Fließtext vermeidet, verschenkt dieses Signal genau dort, wo es gebraucht wird — auf Absatzebene.
Warum scheitert der Abruf manchmal schon vor der Bewertung?
Bevor ein Abschnitt bewertet werden kann, muss das Dokument geladen und in Text verwandelt werden. An dieser Stelle fallen mehr Seiten aus, als Redaktionen vermuten. Ein Datenblatt, das nur als Bild in einem PDF vorliegt, enthält für den Abruf keinen einzigen Satz.
Ähnlich verhält es sich mit Inhalten hinter einer Anmeldung, mit Text, der erst nach einer Nutzerinteraktion erscheint, und mit Servern, die automatisierte Zugriffe mit einer Fehlermeldung beantworten. Formal existiert der Inhalt, für die Auswahl existiert er nicht.
Prüfen Sie Ihre wichtigsten Seiten deshalb einmal ohne Skriptausführung. Stehen die Kernaussagen im ausgelieferten Quelltext, ist die Voraussetzung erfüllt. Fehlen sie, ist jede Arbeit am Absatzbau vergeblich, weil sie niemand zu sehen bekommt.
Warum erscheint ein Wettbewerber, der schlechter rankt als wir?
Die klassische Ergebnisliste und die Kandidatenmenge einer KI-Antwort entstehen aus derselben Rohmenge, verfolgen aber unterschiedliche Ziele. Eine Suchmaschine sortiert Seiten danach, welche ein Mensch anklicken würde. Das Retrieval sortiert Abschnitte danach, welche eine Frage wörtlich beantworten. Diese Ziele fallen häufig auseinander.
Deshalb schlägt der Fachbeitrag eines kleinen Zulieferers gelegentlich die Übersichtsseite eines Marktführers: Der Zulieferer hat den konkreten Wert in einem sauberen Absatz stehen, der Marktführer verteilt ihn auf Bildunterschrift, Datenblatt und Grafik.
Für die Priorisierung heißt das: Position vier bis zehn in der Suche ist keine schlechte Ausgangslage. Diese Seiten sind indexiert und werden regelmäßig geladen; ihnen fehlt oft nur die klare Passage.
Was wissen wir über die Gewichtung tatsächlich nicht?
Hier ist Ehrlichkeit angebracht. Kein Anbieter legt offen, wie stark einzelne Faktoren in die Auswahl einfließen. Es gibt keine veröffentlichte Formel, keine Gewichtungstabelle und keine Zusicherung, dass die Mechanik in einem halben Jahr noch dieselbe ist. Alles, was Sie zu Rangfolgen lesen, ist Rekonstruktion aus Beobachtung.
Belegbar ist nur die grobe Architektur: Zerlegung der Frage, Abruf über Web-Indizes, Bewertung auf Abschnittsebene, Erzeugung mit Quellenverweis. Wer Ihnen exakte Prozentwerte für einzelne Faktoren in KI-Antworten nennt, hat sie nicht gemessen, sondern geschätzt.
Praktisch ist das weniger schlimm, als es klingt. Die belegbare Architektur genügt für vernünftige Entscheidungen — sie zeigt, dass Sie an Absätzen arbeiten müssen und nicht an Seitenzahlen.
Welche Arbeitsschritte folgen daraus konkret?
Beginnen Sie bei den Seiten, die ohnehin schon Suchtreffer erzielen, denn sie sind bereits indexiert und damit überhaupt abrufbar. Prüfen Sie dort jeden Absatz einzeln mit der Frage, ob er isoliert verständlich bleibt.
- Setzen Sie unter jede Frageüberschrift eine vollständige Antwort in zwei bis drei Sätzen.
- Lösen Sie Rückbezüge auf und ersetzen Sie dieser, jene und dabei durch das gemeinte Substantiv.
- Nennen Sie Zahl, Einheit, Geltungszeitraum und Herkunft im selben Satz.
- Teilen Sie Absätze, die zwei Themen behandeln, in zwei Absätze mit je einem Thema.
- Führen Sie ein sichtbares Datum der letzten inhaltlichen Prüfung.
Nach unserer Projekterfahrung bringt ein solcher Durchgang mehr als jede technische Zusatzmaßnahme, weil er genau an der Einheit ansetzt, die tatsächlich bewertet wird.
Wiederholen Sie den Durchgang halbjährlich. Die Mechanik der Anbieter verändert sich, die Anforderung an klar abgegrenzte, belegte Absätze bislang nicht — sie ist der stabilste Teil an einem ansonsten beweglichen Feld.