Chunking: Wie das LLM Ihre Inhalte aufteilt
Bevor eine KI Ihren Artikel liest, wird er in kleine, unabhängige Blöcke zerlegt. Dieses Verfahren, Chunking genannt, zu verstehen, verändert die Art, wie Sie jeden Abschnitt schreiben sollten.
Bevor ein RAG-System Ihre Inhalte suchen und abrufen kann, müssen diese in kleinere Einheiten zerlegt werden, die "Chunks" genannt werden. Diese Zerlegung, das Chunking, bestimmt, was eine KI beim Beantworten einer Frage tatsächlich von Ihrer Seite sieht: selten den gesamten Artikel, fast immer ein oder wenige isolierte Ausschnitte. Diese Tatsache überrascht oft Menschen, die gewohnt sind, in Kategorien von "Seite" statt "Textabschnitt" zu denken – und doch ist dies die Grundeinheit, mit der die meisten heutigen RAG-Systeme arbeiten. Dieses Prinzip zu verstehen, verändert grundlegend, wie man für GEO schreiben sollte. Das ist kein technisches Randdetail: Es ist buchstäblich die Arbeitseinheit, aus der eine generative KI ihre Wahrnehmung Ihres Inhalts aufbaut.
Warum Inhalte zerlegt statt vollständig verarbeitet werden
Ein LLM kann nicht bei jeder gestellten Frage das gesamte Web neu lesen, und selbst in einer RAG-Architektur ist es weder effizient noch notwendig, jede Seite als Ganzes zu verarbeiten. Systeme indizieren Inhalte daher im Voraus in Form kleinerer Blöcke, oft von wenigen hundert Wörtern, die gespeichert und schnell abrufbar gemacht werden. Wenn eine Frage eingeht, sucht das System nicht "welche Seite am besten passt", sondern "welche Chunks, einzeln betrachtet, am besten passen". Das ist ein grundlegender Unterschied zur klassischen SEO-Logik, die in der Regel eine ganze Seite bewertet. Die Größe dieser Chunks variiert je nach System: Manche Aufteilungen bleiben recht kurz, von wenigen Sätzen bis zu einem Absatz, andere fassen mehrere zusammenhängende Absätze zusammen. In jedem Fall bleibt das Ziel dasselbe: Einheiten zu erzeugen, die klein genug sind, um präzise zu sein, und groß genug, um verständlich zu bleiben.
Wie diese Aufteilung in der Regel erfolgt
In einer typischen RAG-Architektur stützt sich die Aufteilung häufig auf die bestehende Struktur des Dokuments: Überschriften und Zwischenüberschriften (Hn-Tags), Absätze, manchmal eine im Voraus festgelegte Maximallänge. Gut strukturierte Inhalte mit klaren Zwischenüberschriften, die den Inhalt jedes Abschnitts ankündigen, erleichtern eine kohärente Aufteilung, bei der jeder Chunk einer vollständigen Sinneinheit entspricht. Die Lektion Die Hn-Tags (H1, H2, H3) erklärt, wie diese Überschriftenhierarchie, die bereits für klassisches SEO nützlich ist, auch zu einem Anhaltspunkt für die automatische Aufteilung von Inhalten durch KI wird. Ein konkretes Beispiel: Ein Artikel, der über mehrere hundert Wörter hinweg lange Absätze ohne Zwischenüberschrift aneinanderreiht, bietet deutlich weniger Anhaltspunkte für eine saubere Aufteilung als ein Artikel, in dem jede H2-Zwischenüberschrift eine präzise Idee in drei oder vier kurzen Absätzen einführt.
Das Problem kontextabhängiger Textabschnitte
Das Hauptrisiko beim Chunking besteht darin, dass ein aus dem Kontext gerissener Ausschnitt seinen gesamten Sinn verliert. Ein Absatz, der mit "dieser Ansatz hat jedoch eine wichtige Einschränkung" beginnt, ist unverständlich, wenn der Chunk nicht die Erklärung zu "dieser Ansatz" enthält, die kurz zuvor in einem anderen Block genannt wurde. Ebenso riskiert ein Absatz, der "er", "sie", oder "dieses Produkt" verwendet, ohne das Thema jemals wieder einzuführen, falsch interpretiert oder schlicht ignoriert zu werden, sobald er aus seiner Umgebung isoliert ist. Hier eine einfache Veranschaulichung dieses Problems. Ein schlechter, kontextabhängiger Textabschnitt: "Dieser Ansatz ist jedoch teurer. Er bleibt dennoch in den meisten Fällen empfehlenswert." Ein guter, eigenständiger Textabschnitt: "Die Migration zu einem neuen Rechnungstool ist kurzfristig in der Regel teurer als die Beibehaltung des bestehenden Systems, bleibt aber für die meisten kleinen Unternehmen aufgrund der langfristigen Zeitersparnis empfehlenswert." Der zweite führt das Thema, "die Migration zu einem neuen Rechnungstool", erneut ein, während der erste voraussetzt, dass der Leser bereits weiß, wovon "dieser Ansatz" spricht. Inhalte, die für einen menschlichen Leser geschrieben sind, der den Artikel der Reihe nach von Anfang bis Ende liest, sind nicht immer für ein System geeignet, das nie mehr als ein isoliertes Fragment sehen wird.
Abschnitte schreiben, die für sich allein verständlich sind
Die praktische Konsequenz ist, dass jeder Abschnitt, jede Zwischenüberschrift so geschrieben werden muss, als könnte er unabhängig vom Rest des Artikels gelesen werden. Das bedeutet: das behandelte Thema erneut einzuführen, auch wenn dies eine leichte Redundanz mit dem Gesamttitel erzeugt, mehrdeutige Pronomen zu vermeiden, die sich auf einen weit entfernten Satz beziehen, und dafür zu sorgen, dass jeder Abschnitt klar auf die Frage antwortet, die seine eigene Zwischenüberschrift stellt, statt einen weiter oben begonnenen Gedanken fortzusetzen. Diese Anforderung knüpft direkt an die Prinzipien an, die in der Lektion Einen Artikel für GEO strukturieren beschrieben werden, die eine Artikelstruktur für genau diese Art des fragmentierten Lesens vorschlägt.
Chunking und strukturierte Daten: zwei ergänzende Mechanismen
Chunking konzentriert sich auf den sichtbaren Text, doch es gibt einen ergänzenden Mechanismus, der Systemen hilft, die Bedeutung Ihrer Seiten zu verstehen: strukturierte Daten nach Schema.org, die die Art eines Inhalts (ein Artikel, eine Frage-Antwort, ein Produkt) explizit in einem maschinenlesbaren Format beschreiben. Die Lektion Strukturierte Daten nach Schema.org verstehen erklärt, wie dieses ergänzende Markup automatisierten Systemen hilft, Inhalte besser zu interpretieren, selbst nachdem sie in Fragmente zerlegt wurden.
Das Wichtigste in Kürze: Ihr Inhalt wird von einer KI beim Beantworten einer Frage fast nie vollständig gelesen. Er wird in Fragmenten wahrgenommen. Eigenständige Abschnitte zu schreiben, die für sich allein bestehen können, ist daher eine der konkretesten Fähigkeiten, die es für GEO zu entwickeln gilt. Anders als eine reine Stilübung ist dies auch keine rein technische Fähigkeit: Es ist vor allem eine Schreibdisziplin, ähnlich der, die man von einem Journalisten verlangt, der einen Artikel verfasst, in dem jeder Absatz als eigenständige Kurzmeldung funktionieren könnte.