Was ist ein Embedding?

Ein Embedding ist die Darstellung eines Inhalts, etwa eines Wortes, Satzes oder Bildes, als lange Zahlenreihe (Vektor), die seine Bedeutung mathematisch erfasst. Inhalte mit ähnlicher Bedeutung erhalten ähnliche Zahlenreihen und liegen im sogenannten Vektorraum nahe beieinander. Suchmaschinen und KI-Systeme vergleichen Texte über Embeddings nach Bedeutung statt nach Wortlaut.

Kurzprofil des Begriffs

Wie wird Text zu einem Vektor?

Ein trainiertes KI-Modell wandelt Text in einen Vektor um: Es liest den Text und gibt eine feste Anzahl von Zahlen aus, häufig 768 oder 1.536. Jede dieser Zahlen beschreibt einen Bedeutungsaspekt, den das Modell beim Training an Milliarden von Textbeispielen gelernt hat. Der einzelne Wert ist für Menschen nicht lesbar; aussagekräftig ist erst das Muster der gesamten Zahlenreihe.

Anschaulich wird das im Vergleich: „Bäckerei“ und „Konditorei“ erzeugen ähnliche Vektoren, „Bäckerei“ und „Autowerkstatt“ deutlich verschiedene. Der Abstand zwischen zwei Vektoren lässt sich berechnen, und je kleiner er ist, desto ähnlicher ist die Bedeutung. Das funktioniert sogar über Sprachgrenzen hinweg: „Bäckerei“ und „bakery“ liegen im Vektorraum eng zusammen, obwohl sie kein Zeichen teilen.

Was ist eine Vektordatenbank?

Eine Vektordatenbank ist eine Datenbank, die Embeddings speichert und zu einem Anfrage-Vektor in Millisekunden die ähnlichsten gespeicherten Einträge findet. KI-Anwendungen zerlegen dafür Texte in Abschnitte (Chunks), erzeugen je Abschnitt ein Embedding und legen es in der Vektordatenbank ab. Stellt ein Nutzer eine Frage, wird die Frage selbst in einen Vektor umgewandelt und mit dem gespeicherten Bestand verglichen; die Treffer sind die bedeutungsähnlichsten Abschnitte.

Genau nach diesem Prinzip arbeitet Retrieval-Augmented Generation: Ein KI-Assistent holt die passendsten Abschnitte aus der Vektordatenbank und formuliert daraus eine belegte Antwort, statt frei zu raten.

Warum sind Embeddings für die KI-Suche wichtig?

Embeddings entscheiden, welche Inhalte eine KI-Suche überhaupt findet: Verglichen wird nicht der Wortlaut einer Seite, sondern ihre Bedeutung. Für Inhalte folgen daraus 3 Konsequenzen:

• Eigenständige Absätze gewinnen: KI-Systeme vergleichen Abschnitte, nicht ganze Seiten. Ein Absatz, der ohne den Rest des Textes verständlich ist, wird als eigenständiger Treffer erkannt.
• Klare Definitionen erzeugen präzise Vektoren: Ein Satz nach dem Muster „X ist Y“ landet bei Definitionsfragen weit vorn im Ähnlichkeitsvergleich.
• Konsistente Begriffe bündeln Bedeutung: Wer denselben Fachbegriff durchgehend verwendet, statt Synonyme zu rotieren, erzeugt ein klares semantisches Profil.

Diese Prinzipien gehören zum Handwerk der Generative Engine Optimization; wie sie sich in der Praxis umsetzen lassen, zeigt die Leistungsseite zur Optimierung für KI-Sichtbarkeit.

Häufige Fragen zum Embedding

Sind Embeddings dasselbe wie Keywords?
Nein. Ein Keyword ist ein sichtbarer Suchbegriff, ein Embedding eine interne Zahlendarstellung von Bedeutung. Embeddings erkennen auch Inhalte als passend, die das gesuchte Wort gar nicht enthalten, weil sie Bedeutung statt Zeichenketten vergleichen.

Kann ich die Embeddings meiner Website direkt beeinflussen?
Nicht direkt, die Vektoren erzeugt das jeweilige Modell. Beeinflussbar ist die Vorlage: Klar formulierte, eigenständige Absätze mit konsistenten Begriffen erzeugen präzise Embeddings und werden bei passenden Fragen als Treffer erkannt.

Nutzt Google Embeddings?
Ja. Google setzt seit Jahren neuronale Systeme wie RankBrain, BERT und MUM ein, die Suchanfragen und Inhalte als Vektoren verarbeiten. Auch die KI-Antworten der Google-Suche stützen sich auf semantische Ähnlichkeit statt auf reinen Wortabgleich.

Was ist Evergreen Content?

Evergreen Content ist Inhalt, der über Jahre relevant bleibt und kontinuierlich Besucher anzieht, weil sein Thema nicht an Ereignisse, Saisons oder Trends gebunden ist. Der Name kommt von immergrünen Pflanzen: So wie deren Blätter grün bleiben, verliert Evergreen Content seine Gültigkeit nicht. Typische Formate sind Definitionen, Anleitungen und Grundlagen-Ratgeber.

Kurzprofil des Begriffs

Wie unterscheidet sich Evergreen Content von News-Content?

Evergreen Content und News-Content unterscheiden sich vor allem im Traffic-Verlauf: News-Content erzeugt eine kurze Spitze und fällt danach auf nahezu null, Evergreen Content baut Besucherzahlen langsam auf und hält sie über Jahre.

Im Content-Marketing ergänzen sich beide Typen: Evergreen Content trägt die Grundlast an Besuchern, News-Content zeigt Aktualität und Fachnähe. Ein Redaktionsplan, der nur aus News besteht, muss jede Woche neu um Reichweite kämpfen; ein Evergreen-Fundament arbeitet dauerhaft.

Welche Formate eignen sich als Evergreen Content?

5 Formate haben sich als Evergreen Content bewährt:

1. Definitionen und Glossare: Fragen wie „Was ist X?“ werden dauerhaft gesucht.
2. Schritt-für-Schritt-Anleitungen: Wiederkehrende Aufgaben erzeugen wiederkehrende Nachfrage.
3. Checklisten und Vorlagen: Praktische Hilfsmittel werden gespeichert, geteilt und erneut aufgerufen.
4. Grundlagen-Ratgeber: Dauerhafte Probleme wie „Umzug planen“ oder „Steuererklärung verstehen“ verlieren ihre Zielgruppe nicht.
5. FAQ-Sammlungen: Gebündelte Antworten auf die häufigsten Fragen eines Fachgebiets.

Umfangreiche Evergreen-Stücke, die ein Kernthema einer Website tragen, werden oft als Cornerstone-Content ausgebaut und besonders stark intern verlinkt. In der SEO-Betreuung bildet dieses Evergreen-Fundament üblicherweise die erste Ausbaustufe eines Redaktionsplans, weil es planbaren Traffic liefert.

Wie pflegt man Evergreen Content?

Evergreen bedeutet pflegearm, nicht wartungsfrei: Auch zeitlose Inhalte veralten in den Details. Ein bewährter Pflege-Zyklus umfasst 4 Schritte:

1. Review-Termin festlegen: Jeder Evergreen-Artikel bekommt einen festen Prüfrhythmus, üblich sind 6 bis 12 Monate.
2. Details aktualisieren: Zahlen, Screenshots, Beispiele und externe Links auf den aktuellen Stand bringen.
3. Intern nachverlinken: Neue, thematisch passende Artikel in den Bestand einhängen.
4. Aktualisierung kenntlich machen: Das Änderungsdatum sichtbar auf der Seite und im Schema-Markup pflegen.

Wie stark Suchmaschinen Aktualität gewichten, hängt vom Thema ab; die Zusammenhänge erklärt der Beitrag zur Content Freshness. Für Evergreen-Themen gilt: Inhaltliche Richtigkeit schlägt künstliche Frische. Ein neues Datum ohne echte Überarbeitung verbessert nichts.

Häufige Fragen zu Evergreen Content

Wie lange bleibt Evergreen Content relevant?
Solange das zugrunde liegende Problem besteht: Eine Definition oder eine Grundlagen-Anleitung kann 5 Jahre und länger Besucher bringen. Voraussetzung ist, dass Details wie Zahlen, Screenshots und Beispiele regelmäßig aktualisiert werden.

Zählen Glossarartikel als Evergreen Content?
Ja, Glossarartikel sind ein Musterbeispiel: Die Frage „Was ist X?“ wird dauerhaft gesucht, die Antwort ändert sich nur in Details. Deshalb bilden Glossare in vielen Content-Strategien das Evergreen-Fundament.

Wie oft sollte man Evergreen Content aktualisieren?
Üblich ist ein Review alle 6 bis 12 Monate. Bei Themen mit schnellem Wandel, etwa KI oder rechtlichen Vorgaben, verkürzt sich der Zyklus; bei stabilen Grundlagenthemen reicht ein jährlicher Check der Fakten, Links und Beispiele.

Was ist eine Entität?

Eine Entität ist ein eindeutig identifizierbares Ding oder Konzept, das eigenständig existiert und von allem anderen unterscheidbar ist, zum Beispiel eine Person, ein Ort, ein Unternehmen, ein Produkt oder eine abstrakte Idee. Im SEO bezeichnet eine Entität einen solchen Knoten in Googles Knowledge Graph, der über eine eindeutige ID mit Eigenschaften und Beziehungen zu anderen Entitäten verknüpft ist. Entitäten sind die Grundlage des semantischen, entitätenbasierten SEO: Google versteht einen Inhalt nicht über einzelne Keywords, sondern über die Dinge, die ein Text beschreibt, und deren Zusammenhänge.

Der Begriff stammt aus der Philosophie und der Informatik und meint dort schlicht ein „Seiendes“, ein Objekt mit eigener Identität. Google übernahm dieses Prinzip 2012 mit dem Knowledge Graph unter dem Motto „things, not strings“ (Dinge, nicht Zeichenketten). Seitdem ordnet die Suchmaschine Inhalte nicht mehr nur nach Wörtern, sondern nach den Objekten und Bedeutungen dahinter.

Kurzprofil des Begriffs

Was ist eine Entität in der Suche?

In der Suche ist eine Entität ein reales oder abstraktes Objekt, das Google als eigenständigen Knoten mit einer stabilen Kennung im Knowledge Graph speichert. Jede Entität trägt eine maschinenlesbare ID (eine sogenannte Machine ID im Format /m/… oder /g/…), über die Google sie eindeutig von anderen Dingen abgrenzt, unabhängig davon, wie ein Nutzer sie benennt.

Eine Entität besteht aus drei Bausteinen: einem Typ (Person, Ort, Organisation, Produkt), einer Menge von Eigenschaften (Attribute wie Gründungsjahr, Einwohnerzahl, Farbe) und Beziehungen zu anderen Entitäten. Die Stadt München ist zum Beispiel eine Ort-Entität mit der Eigenschaft „rund 1,5 Millionen Einwohner“ und der Beziehung „liegt in → Bayern“. Genau diese Struktur macht eine Entität für eine Maschine verständlich.

Der Unterschied zur klassischen Websuche ist grundlegend. Früher zählte Google Wörter und deren Häufigkeit. Heute erkennt Google das Objekt hinter dem Wort, verknüpft es mit allem, was es über dieses Objekt weiß, und liefert dazu Wissensboxen, Knowledge Panels und Antworten in den SERP.

Wie erkennt Google Entitäten?

Google erkennt Entitäten durch die maschinelle Verarbeitung natürlicher Sprache, allen voran die Named Entity Recognition (NER). Dabei zerlegt ein Algorithmus einen Text, identifiziert Eigennamen und Fachbegriffe und ordnet sie einer bekannten Entität im Knowledge Graph zu. Vier Signale sind dabei besonders wichtig:

1. Named Entity Recognition: Google findet im Fließtext Namen von Personen, Orten, Marken und Konzepten und löst deren Bedeutung aus dem Kontext auf.
2. Ko-Vorkommen (Co-occurrence): Tauchen zwei Entitäten in vielen vertrauenswürdigen Quellen gemeinsam auf, schließt Google auf eine Beziehung. Wird eine Marke ständig neben einer Leistung genannt, verknüpft Google beide.
3. Strukturierte Daten: Ausgezeichnete Angaben per JSON-LD sagen Google direkt, welche Entität eine Seite beschreibt. Mehr dazu erklärt der Begriff strukturierte Daten.
4. Wissensquellen: Google gleicht Entitäten mit offenen Datenbanken wie Wikidata, Wikipedia und Google My Business ab und übernimmt dort belegte Fakten.

Das Attribut sameAs in den strukturierten Daten spielt hier eine Schlüsselrolle. Es verlinkt die eigene Entität mit ihren Einträgen bei Wikidata, LinkedIn oder in Branchenverzeichnissen und bestätigt Google so, dass es sich um dieselbe Sache handelt. Je mehr konsistente Belege existieren, desto sicherer ist Google in der Zuordnung.

Entität vs. Keyword: Wo liegt der Unterschied?

Ein Keyword ist eine Zeichenkette, die ein Nutzer eintippt; eine Entität ist das eindeutige Konzept dahinter. Das Keyword „Golf“ ist mehrdeutig, es kann das Auto, die Sportart oder einen Meerbusen meinen. Eine Entität dagegen ist immer eindeutig: Der VW Golf, das Golfspiel und der Persische Golf sind drei verschiedene Entitäten mit je eigener ID.

Diese Eindeutigkeit löst das größte Problem der reinen Keyword-Optimierung: die Mehrdeutigkeit. Google muss nicht mehr raten, welche Bedeutung gemeint ist, sondern erkennt sie aus dem Kontext der umgebenden Entitäten. Steht „Golf“ neben „PS“, „Getriebe“ und „Kofferraum“, ist die Auto-Entität gemeint.

Für die Praxis heißt das: Keyword und Entität schließen sich nicht aus, sie ergänzen sich. Das Keyword bleibt der Anlass der Suche, die Entität ist die Bedeutung, die Google bedient. Wer nur Keywords zählt, optimiert an der Oberfläche; wer Entitäten sauber benennt und einordnet, trifft die Intention.

Warum sind Entitäten für SEO und GEO wichtig?

Entitäten sind für SEO und GEO wichtig, weil sowohl Google als auch KI-Systeme ihre Antworten aus Entitäten und deren Beziehungen zusammensetzen, nicht aus einzelnen Wörtern. Wer als klar definierte Entität in diesen Wissensnetzen verankert ist, wird häufiger als Quelle herangezogen, in klassischen Suchergebnissen wie in KI-Antworten.

Drei Entwicklungen machen Entitäten zum zentralen SEO-Hebel:

• KI-Antworten und AI Overviews: Große Sprachmodelle und die KI-Übersichten in der Google-Suche ziehen bevorzugt Fakten heran, die als eindeutige Entitäten belegt sind. Diese Ausrichtung ist der Kern der Generative Engine Optimization (GEO).
• Sprachsuche und semantisches Verständnis: Gesprochene Anfragen sind länger und kontextreicher. Google beantwortet sie über Entitäten und deren Attribute, nicht über exakte Wortübereinstimmung.
• Vertrauen und Autorität: Eine Marke, die als eigene Entität mit konsistenten Fakten existiert, sendet starke E-E-A-T-Signale. Google verknüpft Erfahrung, Kompetenz und Vertrauenswürdigkeit an der Entität, nicht an einer einzelnen URL.

Kurz gesagt: Ranking entsteht zunehmend dort, wo Google eine Marke, ein Thema und deren Zusammenhänge als Entität sicher verstanden hat. Sichtbarkeit in der KI-Suche folgt derselben Logik.

Wie optimiert man auf Entitäten?

Auf Entitäten optimiert man, indem man die eigenen Kern-Entitäten für Maschinen eindeutig macht und in ein klares Themennetz einbettet. Entitätenbasiertes SEO folgt fünf Schritten:

1. Entitäten konsistent benennen: Marke, Leistungen und Kernthemen überall gleich schreiben, ohne Synonym-Rotation. Jeder Fakt gehört in einen eigenständigen Satz mit klarem Entitätsanker.
2. Strukturierte Daten auszeichnen: Per JSON-LD die Entität einer Seite explizit deklarieren (etwa Organization, Person oder DefinedTerm) und mit sameAs auf Wikidata und Profile verweisen.
3. Ein Entitäten-Netz aufbauen: Verwandte Themen als Cluster verlinken. Eine Pillar-Page bündelt das Hauptthema, Detailseiten wie dieser Glossareintrag verknüpfen die einzelnen Entitäten miteinander.
4. Die eigene Marke als Entität etablieren: Einträge in vertrauenswürdigen Quellen (Wikidata, Branchenverzeichnisse, Google-Unternehmensprofil) schaffen die Belege, die Google für einen eigenen Knoten braucht.
5. Kontext und Vollständigkeit liefern: Alle logischen Folgefragen zu einer Entität beantworten, damit Google Typ, Eigenschaften und Beziehungen vollständig erfassen kann.

In der Praxis greifen diese Schritte ineinander: Saubere Inhalte, präzises Schema und ein durchdachtes internes Verlinkungsnetz bilden zusammen das Fundament. Genau daran arbeitet eine technische SEO-Betreuung, die semantisches SEO und KI-Sichtbarkeit von Anfang an mitdenkt.

Wie stark eine Entität in KI-Antworten trägt, lässt sich messen und gezielt aufbauen. Genau darum kümmert sich die GEO-Betreuung: Entitäten sauber auszeichnen, Fakten über alle Quellen konsistent halten und die Marke so in KI-Systemen verankern.

Häufige Fragen zu Entitäten

Was ist der Unterschied zwischen einer Entität und dem Knowledge Graph?
Eine Entität ist ein einzelner Knoten, also ein konkretes Ding wie eine Person oder ein Ort. Der Knowledge Graph ist das gesamte Netz aus Millionen solcher Entitäten und ihren Beziehungen untereinander.

Braucht meine Marke einen Wikipedia-Eintrag, um eine Entität zu sein?
Nein. Ein Wikipedia- oder Wikidata-Eintrag stärkt eine Entität, ist aber keine Bedingung. Google bildet Entitäten auch aus strukturierten Daten, konsistenten Nennungen und einem gepflegten Unternehmensprofil.

Wie hängen Entitäten und strukturierte Daten zusammen?
Strukturierte Daten sind der direkteste Weg, Google eine Entität mitzuteilen. Per JSON-LD deklarierst du Typ, Eigenschaften und über sameAs die Identität einer Entität, sodass Google nicht raten muss.