Multimodale Inhalte: Bilder, Video, Audio

Multimodale Inhalte bezeichnen alles auf einer Website, was nicht als reiner Text vorliegt: Bilder, Videos, Podcasts, Infografiken. Damit eine generative KI diese Inhalte nutzen kann, müssen sie von einer ausreichend präzisen Textbeschreibung begleitet werden — sonst bleiben sie für eine Engine weitgehend unsichtbar.

Warum nicht-textuelle Inhalte für KIs weitgehend unsichtbar bleiben

Die Sprachmodelle hinter generativen KIs sind im Kern auf Text trainiert. Einige neuere Modelle verfügen über Fähigkeiten zum Bildverständnis oder zur automatischen Beschreibung, doch diese Fähigkeit ist je nach Modell und Kontext ungleichmäßig ausgeprägt und ersetzt keinen klaren, expliziten Begleittext. Sowohl für eine klassische Suchmaschine als auch für eine generative bleibt ein Bild oder Video ohne Textbeschreibung weitgehend ein Inhalt, den sie weder präzise indexieren noch zuverlässig zitieren kann.

Das führt zu einem häufigen blinden Fleck: Ein Unternehmen investiert vielleicht in ein sehr sorgfältig produziertes Produktdemo-Video oder eine Infografik, die seine Expertise perfekt zusammenfasst — ohne dass dieser Inhalt jemals in einer generierten Antwort aufgegriffen wird, einfach weil kein Begleittext einer Engine ermöglicht zu verstehen, was er enthält.

Der Alt-Text: die Grundlage für Bilder

Der Alt-Text ist die im Seitencode mit einem Bild verknüpfte Textbeschreibung. Ursprünglich für die Barrierefreiheit konzipiert (Screenreader für sehbehinderte Menschen), ist er auch zu einem wesentlichen Signal für Suchmaschinen und damit auch für GEO geworden.

Ein paar einfache Grundsätze:

• Beschreiben Sie sachlich, was das Bild tatsächlich zeigt, ohne Keyword-Stuffing.
• Passen Sie die Detailtiefe an die Bedeutung des Bildes an: Ein dekoratives Foto kann schlicht bleiben, ein technisches Diagramm oder eine Produktaufnahme verdient eine ausführlichere Beschreibung.
• Vermeiden Sie generische Texte ("bild1.jpg", "produktfoto"), die keine verwertbare Information liefern.
• Bei rein dekorativen Bildern ist ein leerer Alt-Text einem künstlichen Text vorzuziehen, der nichts hinzufügt.

Ein gut geschriebener Alt-Text ermöglicht es einer Engine zu verstehen, dass ein Bild einen bestimmten Punkt der Seite illustriert, und es somit als Teil eines kohärenten Inhalts zu betrachten — ein Kriterium, das mit den Prinzipien GEO-tauglicher Inhalte zusammenhängt.

Bildunterschriften: wertvoller ergänzender Kontext

Anders als der für menschliche Besucher unsichtbare Alt-Text wird die Bildunterschrift (Caption) unter oder neben dem Bild angezeigt. Sie liefert zusätzlichen Kontext — die Quelle eines Fotos, eine mit einem Diagramm verknüpfte Zahl, die Erklärung einer Grafik — der sowohl Besuchern als auch Engines hilft, visuelle Inhalte zu verstehen, ohne das Bild selbst interpretieren zu müssen.

Bildunterschriften sind besonders nützlich für Diagramme und Infografiken mit Daten: Die wichtigsten visuell dargestellten Zahlen in einer Bildunterschrift oder idealerweise im umgebenden Text zu wiederholen, ermöglicht es einer Engine, sie korrekt zu erfassen — während eine Angabe, die nur in einem Bild vorkommt, weiterhin sehr schwer zuverlässig zu extrahieren ist.

Transkripte für Video und Audio

Für Video und Audio (Podcasts, Webinare, Interviews) bleibt das vollständige Texttranskript der zuverlässigste Weg, diesen Inhalt für eine Engine nutzbar zu machen, ob generativ oder nicht. Ein gut strukturiertes Transkript ermöglicht es außerdem, eine bestimmte Passage aufzufinden und zu zitieren, was an die Chunking-Logik anknüpft, die viele Suchsysteme verwenden (siehe das Glossar).

Einige bewährte Praktiken:

• Veröffentlichen Sie das vollständige Transkript auf derselben Seite wie das Video oder Audio, statt auf einer separaten, schwer zu verknüpfenden Seite.
• Strukturieren Sie das Transkript bei längeren Inhalten mit Zwischenüberschriften oder Zeitstempeln, um das Auffinden einer bestimmten Passage zu erleichtern.
• Prüfen Sie bei in das Video eingebetteten Untertiteln deren Genauigkeit: Ein ungeprüftes automatisches Transkript enthält häufig Fehler, die den Sinn einer zitierten Passage verfälschen können.
• Fügen Sie bei längeren Inhalten eine Zusammenfassung am Anfang des Transkripts hinzu — nützlich sowohl für eilige Besucher als auch, um schnellen Zugang zum Hauptthema zu geben.

Strukturierte Daten für multimodale Inhalte

Über den Begleittext hinaus gibt es spezifische strukturierte Daten für Bilder und Videos (die Typen "ImageObject" und "VideoObject" in schema.org), mit denen sich Metadaten wie die Dauer eines Videos, sein Veröffentlichungsdatum oder seine Beschreibung angeben lassen. Dieses technische Markup ersetzt keine gute Textbeschreibung, verstärkt sie aber, indem es sie für automatisch analysierende Systeme strukturiert lesbar macht.

Eine praktische Methode zum Aufholen

Nur wenige Websites behandeln ihre gesamten multimodalen Inhalte von Anfang an korrekt. Hier eine schrittweise Methode, um bestehende Lücken zu schließen:

1. Erfassen Sie Ihre strategisch wichtigsten nicht-textuellen Inhalte: Produktdemo-Videos, Infografiken mit Schlüsseldaten, hochwertige Podcasts oder Webinare.
2. Prüfen Sie vorrangig den Alt-Text der Bilder auf Ihren meistbesuchten oder geschäftlich wichtigsten Seiten.
3. Fügen Sie Videos und Audioinhalten, die noch keines haben, ein Transkript hinzu, beginnend mit denen, die die nützlichsten Informationen enthalten.
4. Formulieren Sie Schlüsselzahlen und -informationen, die heute nur visuell existieren, in Text um.
5. Verfolgen Sie, ob dieser Inhalt beginnt, in generierten Antworten aufgegriffen zu werden, insbesondere über die Analyse Ihrer Zitierquellen.

Multimodale Inhalte bleiben ein oft vernachlässigter Aspekt von GEO, obwohl sie häufig die reichhaltigsten und differenziertesten Inhalte einer Website darstellen. Sie über ihre visuelle oder akustische Qualität hinaus für Engines lesbar zu machen, ist ein Schritt, den man nicht überspringen sollte.