Was ist Natural Language Processing?

Natural Language Processing (NLP) ist ein Teilgebiet der Informatik und der künstlichen Intelligenz, das Computern beibringt, menschliche Sprache in Text und gesprochener Form zu verarbeiten, zu verstehen und selbst zu erzeugen. Natural Language Processing verbindet Erkenntnisse der Linguistik mit Statistik und maschinellem Lernen. Suchmaschinen, Übersetzungsdienste, Sprachassistenten und große Sprachmodelle wie ChatGPT beruhen auf Natural Language Processing.

Kurzprofil des Begriffs

Wie funktioniert Natural Language Processing?

Natural Language Processing zerlegt Sprache in Bausteine, die ein Computer berechnen kann, und setzt sie anschließend zu einer Bedeutung zusammen. Klassische NLP-Systeme arbeiten dafür eine Kette von Teilaufgaben ab. Moderne Sprachmodelle lernen viele dieser Schritte gemeinsam, die Kette erklärt aber bis heute, was dabei inhaltlich passiert.

1. Tokenisierung: Das System zerlegt einen Satz in Tokens, also Wörter, Wortteile und Satzzeichen. Aus „Wo kann ich in München Brot kaufen?“ werden acht Einheiten.
2. Wortarten und Satzbau: Part-of-Speech-Tagging bestimmt für jedes Token die Wortart. Das Dependency Parsing erkennt, welches Wort von welchem abhängt, etwa dass „Brot“ das Objekt von „kaufen“ ist.
3. Entitätenerkennung: Die Named Entity Recognition markiert Namen von Orten, Personen, Unternehmen und Produkten. „München“ wird als Ort erkannt und mit dem bekannten Ding München verknüpft.
4. Bedeutung im Kontext: Das System klärt mehrdeutige Wörter über ihre Umgebung. „Bank“ bedeutet neben „Konto“ etwas anderes als neben „Park“. Technisch steckt dahinter meist ein Embedding, das Wörter und Sätze als Zahlenvektoren darstellt.
5. Aufgabe ausführen: Auf dieser Grundlage erledigt das System die eigentliche Aufgabe, etwa eine Absicht erkennen, einen Text übersetzen, eine Stimmung bewerten oder eine Antwort formulieren.

Im Beispielsatz führt diese Kette zu einer klaren Lesart: Gesucht wird ein Ort in München, an dem man Brot kaufen kann, also eine Bäckerei in der Nähe. Genau diese Übersetzung von Wörtern in eine Absicht nennt man in der Suche die Suchintention.

Welche Aufgaben übernimmt Natural Language Processing?

Natural Language Processing deckt 6 große Aufgabenfelder ab, die in fast jeder Anwendung kombiniert werden.

• Textklassifikation: Ein System ordnet Texte Kategorien zu, zum Beispiel Spam oder kein Spam, Thema A oder Thema B.
• Sentimentanalyse: Die Sentimentanalyse bewertet, ob eine Aussage positiv, negativ oder neutral gemeint ist. Unternehmen werten so Bewertungen und Supportanfragen aus.
• Informationsextraktion: Das System zieht Fakten aus Fließtext, etwa Namen, Daten, Preise und die Beziehungen zwischen ihnen.
• Maschinelle Übersetzung: Dienste wie DeepL und Google Übersetzer übertragen Texte zwischen Sprachen.
• Frage und Antwort: Das System findet zu einer Frage die passende Textstelle oder formuliert die Antwort selbst.
• Textgenerierung: Sprachmodelle schreiben Zusammenfassungen, E-Mails, Code und ganze Artikel.

Viele dieser Aufgaben laufen unbemerkt im Alltag mit. Beispiele sind die Autokorrektur auf dem Smartphone, der Spamfilter im Postfach, die Untertitel bei Videos und die Vorschläge im Suchfeld.

Wie hat sich Natural Language Processing entwickelt?

Natural Language Processing hat sich in 4 Phasen entwickelt, von festen Regeln über Statistik und neuronale Netze bis zu den heutigen Transformer-Modellen.

Der Sprung der letzten Phase liegt im Kontext. Ein Transformer gewichtet bei jedem Wort, welche anderen Wörter im Satz für seine Bedeutung zählen. Daraus sind die heutigen Large Language Models entstanden, die Natural Language Processing nicht mehr in Einzelschritten, sondern als ein einziges großes Modell betreiben.

Was ist der Unterschied zwischen NLP, NLU und NLG?

NLP ist der Oberbegriff, NLU und NLG sind seine beiden Richtungen. Natural Language Understanding (NLU) beschreibt den Weg von der Sprache zur Bedeutung: Ein System versteht, was ein Satz meint. Natural Language Generation (NLG) beschreibt den umgekehrten Weg von der Bedeutung zur Sprache: Ein System formuliert selbst einen Text.

Die Computerlinguistik ist die wissenschaftliche Disziplin dahinter. Sie untersucht Sprache mit den Methoden der Informatik, Natural Language Processing bezeichnet eher die praktische Anwendung.

Wie nutzt Google Natural Language Processing?

Google setzt Natural Language Processing seit mehr als zehn Jahren ein, um Suchanfragen und Webseiten nach ihrer Bedeutung statt nach einzelnen Wörtern abzugleichen. Die Entwicklung lief in Stufen, jede davon ein eigenes System:

• Hummingbird (2013): Das Update stellte die Bedeutung der ganzen Anfrage in den Mittelpunkt, statt jedes Wort einzeln zu werten.
• RankBrain (2015): RankBrain war das erste Deep-Learning-System der Google-Suche und half vor allem bei Anfragen, die Google noch nie gesehen hatte.
• Google BERT (2019): BERT liest ein Wort im Kontext der Wörter davor und danach und versteht damit kleine Wörter wie „für“ oder „ohne“, die den Sinn einer Anfrage drehen.
• MUM (2021): Das Multitask Unified Model verarbeitet Text und Bilder und überträgt Wissen zwischen Sprachen.
• Gemini (seit 2023): Modelle der Gemini-Familie formulieren heute die Antworten in den AI Overviews und im KI Mode der Google-Suche.

Zusammen bilden diese Systeme die Grundlage der semantischen Suche. Einen Einblick, wie Google Texte maschinell liest, gibt die Natural Language API in der Google Cloud. Sie zeigt für jeden Text die erkannten Entitäten, eine Gewichtung namens Salience zwischen 0 und 1 und die Stimmung des Textes. Die API ist ein eigenes Produkt und kein Fenster in das Ranking, eignet sich aber gut, um zu prüfen, ob ein Text sein Hauptthema für eine Maschine klar erkennbar macht.

Was bedeutet Natural Language Processing für SEO und KI-Sichtbarkeit?

Natural Language Processing belohnt Texte, die ein Thema klar, eindeutig und in natürlicher Sprache behandeln. Wiederholte Keywords bringen einem Sprachmodell keine zusätzliche Information, sie stören eher den Lesefluss. Aus der Funktionsweise ergeben sich 5 Regeln für Inhalte:

1. Entitäten eindeutig benennen: Unternehmen, Produkte, Orte und Personen sollten immer gleich heißen. Je klarer eine Entität beschrieben ist, desto sicherer verknüpft ein System sie mit seinem Wissen, zum Beispiel mit dem Knowledge Graph.
2. Kontext statt Wiederholung: Ein Text über Brot zeigt seine Tiefe durch Begriffe wie Sauerteig, Mehltype und Backzeit, nicht durch zehnmal „Brot kaufen“.
3. Fragen direkt beantworten: Steht die Antwort im ersten Satz eines Abschnitts, erkennt ein System sie als Antwort und kann sie herauslösen.
4. Abschnitte in sich verständlich halten: KI-Systeme zerlegen Seiten in Textstücke und bewerten jedes Stück einzeln. Ein Abschnitt, der ohne den Rest der Seite verständlich ist, wird eher übernommen. Wie das im Detail aussieht, beschreibt der Ratgeber zu zitierfähigem Content.
5. Bedeutung zusätzlich auszeichnen: Strukturierte Daten sagen einer Maschine direkt, was ein Text beschreibt, und nehmen ihr das Raten ab.

Für die KI-Sichtbarkeit wiegt das doppelt. Große Sprachmodelle sind selbst angewandtes Natural Language Processing: Sie lernen aus Trainingsdaten, welche Marke wofür steht, und lesen Webseiten beim Live-Abruf nach denselben Regeln. Wie sich Inhalte gezielt für diese Systeme aufbereiten lassen, zeigt unsere Seite zu GEO und KI-Sichtbarkeit.

Ein verbreiteter Irrtum sind sogenannte NLP-Keywords. Manche Tools listen Begriffe, die in gut rankenden Texten häufig gemeinsam vorkommen, und verkaufen sie unter diesem Namen. Eine offizielle Liste solcher Begriffe von Google gibt es nicht. Die Listen helfen beim Finden von Unterthemen, sind aber keine Vorgabe, die ein Text abarbeiten muss.

Häufige Fragen zu Natural Language Processing

Ist Natural Language Processing dasselbe wie künstliche Intelligenz?
Nein. Natural Language Processing ist ein Teilgebiet der künstlichen Intelligenz, das sich speziell mit Sprache befasst. Andere Teilgebiete der KI beschäftigen sich etwa mit Bildern, Robotik oder Planung.

Ist ChatGPT ein Beispiel für Natural Language Processing?
Ja. ChatGPT beruht auf einem großen Sprachmodell und verbindet beide Richtungen des Natural Language Processing: Es versteht die Eingabe (NLU) und formuliert eine Antwort (NLG).

Was hat Natural Language Processing mit Neuro-Linguistischem Programmieren zu tun?
Nichts außer der Abkürzung. Neuro-Linguistisches Programmieren ist ein Kommunikations- und Coachingmodell aus der Psychologie der 1970er Jahre. Natural Language Processing ist ein Fachgebiet der Informatik.

Was ist NAP?

NAP ist die Abkürzung für Name, Address, Phone und bezeichnet die drei Kerndaten eines Unternehmens: Firmenname, Anschrift und Telefonnummer. Im Local SEO steht NAP für das Prinzip, dass diese drei Angaben auf jedem Kanal wortidentisch auftauchen, also auf der eigenen Website, im Google-Unternehmensprofil, in Branchenbüchern und im strukturierten Markup. Suchmaschinen erkennen daran, dass alle Nennungen zum selben Unternehmen gehören. Weil auch KI-Systeme Kontaktdaten aus solchen Quellen beziehen und nicht live prüfen, wirkt eine einheitliche Datenlage zusätzlich darauf, ob Sprachmodelle den richtigen Standort und die richtige Telefonnummer ausgeben.

Kurzprofil des Begriffs

Wofür stehen Name, Address und Phone?

NAP besteht aus genau drei Feldern, und jedes hat eine eigene Regel:

1. Name: der Firmenname, wie er wirklich verwendet wird, inklusive Rechtsform, wenn diese Teil des Namens ist. Zusätze wie Ort oder Leistung gehören nicht hinein. „Musterbau GmbH“ ist der Name, „Musterbau GmbH Dachdecker München günstig“ ist Keyword-Stuffing und verstößt gegen die Richtlinien des Google-Unternehmensprofils.
2. Address: die vollständige Anschrift in einer festgelegten Schreibweise. Entscheidend ist nicht, ob du „Str.“ oder „Straße“ schreibst, sondern dass du überall dieselbe Variante nutzt.
3. Phone: eine Telefonnummer in einem einzigen Format. Eine Nummer mit lokaler Vorwahl belegt die Ortsbindung besser als eine reine 0800-Nummer.

Diese drei Felder werden nicht pro Kanal neu formuliert, sondern aus einer Quelle kopiert. Genau das macht NAP zu einer organisatorischen Aufgabe und nicht zu einer Textaufgabe.

Warum ist NAP-Konsistenz für Local SEO wichtig?

NAP-Konsistenz ist wichtig, weil Suchmaschinen aus vielen einzelnen Nennungen im Netz ein Bild eines Unternehmens zusammensetzen müssen. Jede Nennung in einem Verzeichnis, in einem Bewertungsportal oder in einem Presseartikel ist ein Datenpunkt. Stimmen die Datenpunkte überein, entsteht daraus eine klar umrissene Entität, die im Knowledge Graph verankert werden kann.

Weichen die Angaben voneinander ab, muss Google entscheiden, welche Variante stimmt. Diese Unsicherheit wirkt in drei Richtungen: Die Zuordnung zum Standort wird schwächer, das Vertrauen in die Daten sinkt, und im schlechtesten Fall entstehen Dubletten, also mehrere Profile für denselben Betrieb. Für die lokale Suche ist das teuer, denn dort konkurrieren nur wenige Ergebnisse um die Sichtbarkeit im Kartenbereich.

Konsistente Daten sind dabei kein Rankingfaktor, den man einzeln hochdrehen kann. Sie sind die Voraussetzung dafür, dass alle anderen lokalen Signale, etwa Google-Bewertungen oder lokale Landingpages, überhaupt auf dasselbe Konto einzahlen.

Warum sind NAP-Daten für KI-Systeme wichtig?

NAP-Daten sind für KI-Systeme relevant, weil Sprachmodelle wie ChatGPT, Perplexity oder Google AI Overviews Kontaktdaten nicht live überprüfen. Die Antwort entsteht aus Trainingsdaten und aus Quellen, die das System zur Anfrage abruft. Ein Modell ruft nicht zur Kontrolle beim Unternehmen an, sondern gibt wieder, was seine Quellen hergeben.

Daraus folgt: Je klarer und einheitlicher die Faktenlage im Netz ist, desto eher gibt ein System die richtige Adresse und Telefonnummer aus. Widersprechen sich die Quellen, steigt die Wahrscheinlichkeit, dass eine veraltete oder falsche Angabe erscheint. Wie stark einzelne KI-Systeme das gewichten, ist von außen nicht messbar und je nach Anbieter verschieden. Sicher ist nur die Richtung: konsistente Daten helfen, widersprüchliche schaden.

Zwei Bausteine wirken hier besonders, weil sie maschinenlesbar sind und keine Interpretation erfordern. Das LocalBusiness-Markup der Website macht Name, Adresse und Telefonnummer direkt auslesbar, und eine llms.txt kann dieselben Standortdaten als kuratiertes Briefing für KI-Crawler bereitstellen. Beides ersetzt die Pflege der Verzeichnisse nicht, sondern verstärkt sie. Wie KI-Systeme Quellen auswählen und zitieren, behandelt der Begriff Generative Engine Optimization, die Rolle belastbarer Faktenseiten der Begriff Grounding Page. NAP-Konsistenz ist dabei die Grundlage jeder Optimierung für KI-Sichtbarkeit.

Wie entstehen NAP-Inkonsistenzen?

NAP-Inkonsistenzen entstehen fast nie absichtlich, sondern über Zeit. Die häufigsten sechs Ursachen sind:

• Umzug oder Umfirmierung: Die eigene Website wird aktualisiert, alte Verzeichniseinträge bleiben stehen.
• Datenaggregatoren: Viele Portale kaufen Datensätze ein und vervielfältigen dadurch einen alten Stand.
• Automatisch erzeugte Einträge: Manche Verzeichnisse legen Profile ohne Zutun des Unternehmens an.
• Keyword-Zusätze im Namen: Wer den Firmennamen um Leistungen erweitert, hat pro Kanal eine andere Schreibweise.
• Telefonvarianten: Zentrale, Durchwahl, Mobilnummer und Servicenummer landen unkoordiniert in verschiedenen Profilen.
• Mehrere Personen: Wenn Marketing, Vertrieb und externe Dienstleister unabhängig Einträge pflegen, driften die Daten auseinander.

NAP, NAP+W oder NAPU: welche Varianten gibt es?

Neben NAP sind zwei erweiterte Schreibweisen verbreitet, die dieselbe Grundidee auf ein viertes Feld ausdehnen:

• NAP+W oder NAPW ergänzt die Website. Das ist sinnvoll, weil die verlinkte URL mitentscheidet, welchem Web-Auftritt ein Verzeichniseintrag zugeordnet wird.
• NAPU meint dasselbe, nutzt aber URL statt Website als vierten Buchstaben.

Ein verbindlicher Standard existiert nur für die drei Kernfelder. Alles darüber hinaus, etwa Öffnungszeiten, Kategorien oder Beschreibungstexte, wird von Agenturen unterschiedlich abgekürzt. Für die Praxis ist die Abkürzung zweitrangig: Entscheidend ist, dass jedes Feld, das nach außen geht, eine festgelegte Fassung hat. Wer die URL mitpflegt, sollte darauf achten, dass sie exakt der kanonischen Adresse entspricht, also mit demselben Protokoll und derselben Schreibweise mit oder ohne Schrägstrich am Ende.

Wie prüfst du deine NAP-Konsistenz?

Die Prüfung folgt fünf Schritten, die sich ohne Spezialwerkzeug umsetzen lassen:

1. Referenz festschreiben: Lege die drei Felder einmal verbindlich fest und halte sie in einer Datei fest, aus der alle kopieren.
2. Unternehmensprofil abgleichen: Das Google-Unternehmensprofil ist der wichtigste Einzeleintrag. Es muss zur Referenz und zum Impressum passen.
3. Nach der Nummer suchen: Suche die Telefonnummer und die Straße jeweils in Anführungszeichen. So findest du Nennungen, die du selbst nie angelegt hast.
4. Verzeichnisse durchgehen: Arbeite die relevanten Portale einmal vollständig durch und korrigiere abweichende Einträge, statt neue anzulegen.
5. Markup gegenprüfen: Vergleiche zum Schluss das strukturierte Markup der Website mit der Referenz.

Wie umfangreich dieser Abgleich ausfällt, hängt vom Alter des Unternehmens ab. Betriebe, die schon einmal umgezogen sind oder die Rechtsform gewechselt haben, finden regelmäßig zweistellige Zahlen abweichender Einträge. Wenn du diesen Abgleich nicht selbst führen willst, gehört er zur laufenden Local-SEO-Betreuung.

Wie hängen NAP, Unternehmensprofil und Schema zusammen?

NAP-Daten wirken doppelt: einmal sichtbar für Menschen und einmal maschinenlesbar für Suchmaschinen und KI-Systeme. Der maschinenlesbare Teil läuft über strukturierte Daten im Format JSON-LD. Ein LocalBusiness-Objekt enthält dort die Felder name, address und telephone, dazu Geokoordinaten, Öffnungszeiten und mit sameAs einen Verweis auf das Google-Unternehmensprofil.

Damit schließt sich der Kreis: Das Markup bestätigt, was im Impressum steht, das Unternehmensprofil bestätigt beides, und die Verzeichniseinträge stützen dieselbe Aussage von außen. Widerspricht das Markup den sichtbaren Angaben, ist es kein Vorteil, sondern ein zusätzliches Störsignal.

Wie funktioniert NAP bei mehreren Standorten?

Bei mehreren Standorten gilt NAP pro Standort, nicht pro Unternehmen. Jeder Standort braucht einen eigenen Datensatz mit eigener Adresse, ein eigenes Google-Unternehmensprofil und idealerweise eine eigene Standortseite auf der Website. Im Markup wird jeder Standort ein eigenes LocalBusiness-Objekt, das über parentOrganization auf das Dachunternehmen verweist.

Zwei Dinge werden dabei häufig falsch gemacht. Erstens werden Bewertungen des Hauptstandorts auf die Filialen übertragen, obwohl Bewertungen zu der Entität gehören, die sie erhalten hat. Zweitens erhalten Städte ohne echten Standort eine eigene Adresse, nur um lokal zu ranken. Beides ist riskant: Das eine verstößt gegen die Richtlinien für Bewertungsauszeichnungen, das andere gegen die Anforderung, dass ein Profil einen realen, erreichbaren Standort abbilden muss. Wer in einer Stadt keinen Standort hat, arbeitet dort mit einem Einzugsgebiet, nicht mit einer Adresse.

Häufige Fragen zu NAP

Ist „Str.“ statt „Straße“ ein Problem?
Nein, solange du dich für eine Variante entscheidest und sie überall verwendest. Suchmaschinen normalisieren gängige Abkürzungen. Riskant wird es erst, wenn zusätzlich Hausnummer, Zusatz oder Postleitzahl abweichen.

Muss die Telefonnummer eine Ortsvorwahl haben?
Vorgeschrieben ist das nicht, empfehlenswert schon. Eine Nummer mit lokaler Vorwahl unterstützt die Ortsbindung, während zentrale Service-Nummern für alle Standorte identisch sind und deshalb nichts über den Ort aussagen.

Was ist ein Citation?
Ein Citation ist eine Nennung deines Unternehmens mit NAP-Daten auf einer fremden Website, etwa in einem Branchenbuch. Ein Citation braucht keinen Link, um zu wirken: Schon die übereinstimmende Nennung ist ein Beleg.

Übernehmen KI-Systeme falsche Kontaktdaten?
Das kann vorkommen. Sprachmodelle prüfen Adressen und Telefonnummern nicht live nach, sondern geben wieder, was ihre Quellen hergeben. Steht eine veraltete Nummer in vielen Verzeichnissen, kann sie auch in KI-Antworten auftauchen, obwohl die eigene Website längst korrigiert ist. Deshalb zahlt die Pflege der Verzeichnisse auch auf die KI-Sichtbarkeit ein.

Was passiert nach einem Umzug?
Nach einem Umzug ändern sich Adresse und oft die Telefonnummer, also zwei von drei Feldern. Wichtig ist die Reihenfolge: erst Impressum, Website und Markup umstellen, dann das Unternehmensprofil, danach die Verzeichnisse. Ein zeitweiser Ranking-Rückgang ist normal, dauerhaft wird er nur, wenn alte Einträge stehen bleiben.