Klassisches LLM vs. LLM mit Suche (RAG)
Ein klassisches LLM antwortet mit dem, was es während des Trainings gelernt hat. Ein RAG-LLM sucht vor der Antwort aktuelle Informationen. Der Unterschied verändert alles für Ihre Sichtbarkeit.
Ein klassisches LLM generiert seine Antwort ausschließlich aus dem, was es während des Trainings gespeichert hat — eingefroren zu einem bestimmten Stichtag. Ein LLM mit Suche, genannt "RAG" (retrieval-augmented generation), sucht zuerst relevante, aktuelle Dokumente und stützt sich dann auf diese Dokumente, um seine Antwort zu erstellen. Diese Unterscheidung ist zentral, um zu verstehen, warum Ihr Inhalt beeinflussen kann — oder eben nicht —, was eine KI über Ihre Marke sagt.
Was ein klassisches LLM kann, und was nicht
Ein großes Sprachmodell wird mit einer enormen Textmenge trainiert, bis zu einem Stichtag. Nach Abschluss dieses Trainings ist sein "Wissen" in den Gewichten des Modells eingefroren: Es liest nichts in Echtzeit, sondern generiert Text auf Basis erlernter statistischer Regelmäßigkeiten. Zu einem stabilen, zur Trainingszeit gut dokumentierten Thema befragt, kann ein klassisches LLM präzise antworten. Zu aktuellen Nachrichten, einem nach seinem Stichtag veröffentlichten Produkt oder einer in seinen Trainingsdaten kaum vertretenen Marke befragt, hat es die Information schlicht nicht — oder riskiert, eine plausibel klingende, aber falsche Antwort zu "halluzinieren". Ein konkretes Beispiel verdeutlicht diese Grenze: Wenn Sie nach dem Stichtag eines Modells eine neue Marke oder ein neues Produkt einführen, hat das Modell schlicht kein internes Wissen darüber. Direkt danach befragt, kann es dies entweder ehrlich zugeben oder im schlimmsten Fall eine plausibel klingende, aber völlig falsche Beschreibung erfinden, basierend auf ähnlichen, anderswo gelernten Elementen.
Das Prinzip von RAG: suchen, bevor man antwortet
RAG fügt vor der Antwortgenerierung einen Schritt zum Abrufen von Informationen hinzu. Konkret wandelt das System in einer typischen RAG-Architektur die Frage des Nutzers in eine oder mehrere Suchanfragen um, ruft relevante Dokumente ab (über eine Websuchmaschine, eine Vektordatenbank oder beides) und stellt diese Dokumente dem Sprachmodell dann als zusätzlichen Kontext für die Formulierung seiner Antwort zur Verfügung. Das Modell rezitiert nicht mehr nur, was es gespeichert hat: Es liest Auszüge, die genau im Moment der Frage abgerufen wurden, und nutzt sie als Rohmaterial. Genau dieser Mechanismus ermöglicht es einem Chatbot, eine Quelle, eine aktuelle Zahl oder einen am Vortag veröffentlichten Artikel zu zitieren. Dieser Abrufschritt ist weder rechnerisch noch bei der Antwortzeit kostenlos: Es ist ein bewusster Kompromiss der KI-Anbieter zwischen der Geschwindigkeit einer rein generierten Antwort und der Zuverlässigkeit einer durch aktuelle Quellen geprüften Antwort. Das ist auch der Grund, warum manche Tools eine Suche nur dann auslösen, wenn die Frage es eindeutig erfordert — etwa bei aktuellen Ereignissen oder einem konkreten Thema —, statt systematisch bei jedem Austausch.
Warum diese Unterscheidung alles für Ihre Sichtbarkeit verändert
Arbeitet eine KI rein klassisch, ohne Suche, ist Ihre einzige Chance auf Erwähnung, ausreichend präsent in den Trainingsdaten des Modells gewesen zu sein — etwas, das im gegenwärtigen Moment größtenteils außerhalb Ihrer Kontrolle liegt. Arbeitet die KI hingegen im RAG-Modus, kann heute von Ihnen veröffentlichter Inhalt morgen abgerufen, gelesen und zitiert werden — vorausgesetzt, er ist für Crawler zugänglich und gut strukturiert. Diese zweite Situation eröffnet den eigentlichen Handlungsspielraum für GEO: abrufbaren Inhalt zu produzieren, der in isolierten Auszügen verständlich und ausreichend belegt ist, um zum Zeitpunkt der Auswahl als vertrauenswürdig eingestuft zu werden. Die Lektion Wie ein RAG-LLM eine Antwort erstellt beschreibt die konkreten Schritte dieses Prozesses im Detail, von der ursprünglichen Anfrage bis zur finalen Zitierung. Das garantiert nichts automatisch: Abrufbar zu sein bedeutet nicht, behalten zu werden, aber es ist eine unverzichtbare Vorbedingung, ohne die keiner der folgenden Schritte überhaupt eine Chance hat, stattzufinden.
Nicht jedes KI-Tool ist auf die gleiche Weise RAG
In der Praxis kombinieren die meisten Verbraucher-Chatbots beide Ansätze: Sie stützen sich bei stabilen Themen auf ihr internes Wissen und lösen eine Websuche aus, wenn die Frage aktuelle Ereignisse, ein konkretes Thema betrifft oder wenn der Nutzer dies ausdrücklich verlangt. Wie oft und auf welche Weise jedes Tool diese Suche auslöst, variiert deutlich von Produkt zu Produkt: Manche suchen fast durchgehend, andere nur in bestimmten Fällen. Diese Nuancen werden in der Lektion ChatGPT, Perplexity, Gemini, Claude: wie jeder seine Quellen auswählt ausgeführt, die die Funktionsweise der wichtigsten Tools auf dem Markt vergleicht. Bei manchen Tools kann der Nutzer diesen Suchmodus sogar manuell ein- oder ausschalten, indem er explizit eine Option wie "im Web suchen" wählt — was gut zeigt, dass klassisch und RAG keine zwei getrennten Toolkategorien sind, sondern oft zwei Betriebsmodi ein und desselben Produkts.
Was das konkret für Ihren Inhalt bedeutet
In einer von RAG dominierten Welt lautet die Frage nicht mehr nur "bin ich in den Suchergebnissen gut platziert", sondern "kann mein Inhalt innerhalb von Sekunden von einem System gefunden, verstanden und als vertrauenswürdig eingestuft werden, das nur einen isolierten Auszug meiner Seite liest". Das setzt für Crawler zugänglichen Inhalt voraus, in sich geschlossene Passagen, die nicht den Rest des Artikels benötigen, um verstanden zu werden, sowie konkrete Belege, die das System von der Zuverlässigkeit der Information überzeugen. Diese Anforderungen werden in den Lektionen zu Chunking und zur Strukturierung von Inhalten für GEO ausführlicher behandelt.
Merken Sie sich das Wesentliche: Ein klassisches LLM rezitiert, ein RAG-LLM sucht und synthetisiert dann. Es ist diese zweite Logik, die GEO überhaupt erst möglich macht, weil sie bei jeder neuen Frage eines Nutzers Raum für den Inhalt lässt, den Sie heute veröffentlichen.