Was ist Chunking?
Chunking ist das Zerlegen einer Webseite in kleine Sinnabschnitte (Chunks), die KI-Suchsysteme einzeln bewerten und zitieren. Retrieval-Systeme wie ChatGPT Search oder Perplexity wandeln jeden Chunk in einen mathematischen Bedeutungs-Fingerabdruck (Embedding) um und ziehen zur Antwortzeit nur die Abschnitte, die zur Frage passen — der Rest der Seite spielt für diese Antwort keine Rolle. Zitierfähig ist deshalb nicht die Seite, sondern der einzelne, in sich geschlossene Abschnitt.
Im Artikel „Answer-First-Content schreiben“ ging es um das Schreib-Handwerk: wie eine zitierfähige Antwort formuliert wird. Dieser Artikel ist das technische Gegenstück — er erklärt, was die Maschine mit deinem Text macht, nachdem du ihn veröffentlicht hast. Wer die Mechanik versteht, hört auf, Seiten zu optimieren, und fängt an, Abschnitte zu optimieren. Genau dort entscheidet sich, ob du zitiert wirst.
| Chunk | Sinnabschnitt einer Seite, den Retrieval-Systeme einzeln bewerten — nicht identisch mit dem Layout-Absatz |
| Embedding | Mathematische Repräsentation der Bedeutung eines Chunks (Vektor); Grundlage der semantischen Suche |
| Google-Pendant | Passage-Ranking (seit Anfang 2021): einzelne Passagen können ranken — eine Ranking-Änderung, keine Index-Änderung |
| Konsequenz | Zitiert wird der Abschnitt, nicht die Seite: Jeder Abschnitt muss ohne den Rest der Seite verständlich sein |
| Die 4 Struktur-Hebel | Entitäten in Überschriften, Schnitt-Test pro Absatz, eine Seite = ein Thema, Präzision statt Füllwörter |
| Prüf-Methode | Überschriften-Schnitt-Test + Zusammenfassungs-Test + Zitat-Stichprobe |
| Verhältnis zu Answer-First | Chunk-Struktur ist der Rahmen, Answer-First-Passagen sind der Inhalt — beides zusammen ergibt Zitierfähigkeit |
| Anbieter | Deine SEO Agentur, Herten (NRW) — deine-seo-agentur.de |
Wie Maschinen deine Seite lesen: Passagen bei Google, Chunks bei LLMs
Google: Passage-Ranking — richtig eingeordnet
Seit Anfang 2021 kann Google einzelne Passagen einer Seite für eine Suchanfrage ranken, auch wenn die Gesamtseite ein breiteres Thema behandelt. Wichtig für die Einordnung — hier wird in SEO-Artikeln viel Nebel produziert: Google hat ausdrücklich klargestellt, dass es sich um eine Ranking-Änderung handelt, nicht um eine Änderung der Indexierung. Indexiert wird weiterhin die Seite; neu ist, dass eine besonders passende Passage die Seite für eine spezifische Frage nach oben ziehen kann. Der oft verwendete Begriff „Passage Indexing“ ist deshalb irreführend — und wer die Mechanik falsch versteht, zieht falsche Schlüsse für die Optimierung.
KI-Systeme: Chunking und Embeddings
Retrieval-Systeme — die Live-Suche hinter ChatGPT, Perplexity und AI Overviews, deren Gesamtablauf ich im Artikel „Woher nehmen ChatGPT & Perplexity ihre Antworten?“ beschrieben habe — gehen einen Schritt weiter. Sie zerlegen abgerufene Seiten in Chunks und berechnen für jeden Chunk ein Embedding: eine Zahlenreihe, die die Bedeutung des Abschnitts repräsentiert. Die Nutzerfrage wird genauso in einen Vektor übersetzt. Beantwortet wird mit den Chunks, deren Bedeutungs-Fingerabdruck der Frage am nächsten kommt.
Drei Konsequenzen ergeben sich zwingend aus dieser Mechanik:
Erstens: Der Wettbewerb findet auf Abschnitts-Ebene statt. Deine Seite konkurriert nicht als Ganzes — jeder deiner Abschnitte konkurriert einzeln gegen Millionen fremder Abschnitte um dieselbe Frage.
Zweitens: Ein Abschnitt ohne eigenständige Aussage existiert praktisch nicht. Ein Absatz, der nur im Kontext der Seite Sinn ergibt („dieser Prozess“, „wie oben beschrieben“), verliert beim Herausschneiden seine Bedeutung — sein Embedding ist unscharf, er wird nie der beste Treffer sein.
Drittens: Seitenlänge ist kein Kriterium mehr. Ob 800 oder 4.000 Wörter: Bewertet werden die Abschnitte. Ein langer Text mit lauter eigenständigen, präzisen Chunks hat viele Zitier-Chancen; ein kurzer Text mit vagen Absätzen hat keine.
Nicht deine Seite wird zitiert — dein Chunk wird zitiert. Jeder Abschnitt deiner Website ist ein eigener Bewerber im Auswahlverfahren der KI-Suche. Optimiere Bewerber, nicht Bewerbungsmappen.
Die 4 Struktur-Hebel für chunk-fähige Inhalte
Das Schreib-Handwerk — Antwortformate, Faktendichte, die 40–60-Wörter-Passage — steht im Answer-First-Artikel mit vier Kopiervorlagen. Hier geht es um die Ebene darüber: die Struktur, die aus guten Antworten extrahierbare Chunks macht.
Überschriften tragen die Entität — nicht die Kategorie
Retrieval-Systeme ordnen einen Chunk maßgeblich über die direkt darüberstehende Überschrift ein. Eine H2 wie „Überblick“, „Details“ oder „Vorteile“ liefert dem System keinen Anker — Überblick worüber? Die Überschrift muss die zentrale Entität des Abschnitts nennen und allein verständlich sein.
✗ „Wartung & Pflege“
✓ „Rauchmelder-Wartung nach DIN 14676: Intervall und Ablauf“
Der Nebeneffekt: Frage-Überschriften im Nutzer-Wortlaut erfüllen dieses Kriterium automatisch — sie enthalten die Entität, weil die Frage sie enthält.
Jeder Absatz besteht den Schnitt-Test
Der Schnitt-Test — Absatz in ein leeres Dokument kopieren: versteht ihn jemand, der die Seite nie gesehen hat? — ist exakt die Simulation dessen, was ein Retrieval-System tut. Rück-Referenzen („wie oben erwähnt“, „dieses Verfahren“), Pronomen ohne Bezugswort im Absatz und Zahlen, die erst im nächsten Absatz stehen, machen einen Chunk unbrauchbar. Auf Chunk-Ebene heißt das zusätzlich: Die Entität gehört in den Absatz selbst, nicht nur in die Überschrift darüber — manche Systeme verarbeiten Absätze ohne ihre Überschrift.
Eine Seite, ein Thema — thematischer Fokus statt Gemischtwarenladen
Eine Seite, die Rauchmelder-Wartung, Brandschutztüren und Feuerlöscher-Prüfung in einem Beitrag abhandelt, erzeugt Chunks mit verwaschenem semantischem Profil: Jeder Abschnitt trägt Spuren der Nachbarthemen, keiner ist der klarste Treffer für seine Frage. Die bessere Architektur ist die, die du aus dem Themen-Cluster-Prinzip kennst: eine kanonische Seite pro Kernthema, Nachbarthemen als eigene Seiten, verbunden über interne Links. Das ist zugleich die Anti-Kannibalisierungs-Regel aus dem AEO-Artikel — sie gilt auf Chunk-Ebene genauso wie auf Seiten-Ebene.
Präzision schärft das Embedding: konkrete Begriffe statt Allerwelts-Sprache
Das Embedding eines Chunks ist nur so scharf wie seine Sprache. „Wir machen die Behandlung schnell und professionell“ erzeugt einen Fingerabdruck, der zu allem und nichts passt. „Der Zahnarzt entfernt den Weisheitszahn ambulant unter örtlicher Betäubung; der Eingriff dauert 20 bis 45 Minuten“ erzeugt einen Fingerabdruck, der genau auf die Fragen passt, die Patienten stellen. Fachbegriffe, konkrete Verben, Zahlen und Normen sind keine Stilfrage — sie sind die Koordinaten, über die dein Chunk gefunden wird.
Chunk-Fähigkeit prüfen: der 3-Stufen-Test
Stufe 1: Der Überschriften-Schnitt-Test
Die Erweiterung des Schnitt-Tests auf die Struktur-Ebene: Kopiere nur die H2- und H3-Überschriften deiner Seite untereinander in ein leeres Dokument. Versteht jemand, der die Seite nie gesehen hat, aus dieser Gliederung allein, welche Fragen die Seite beantwortet? Jede Überschrift, die dabei durchfällt („Überblick“, „Unsere Leistungen“, „Fazit“), ist ein Chunk ohne Anker.
Stufe 2: Der Zusammenfassungs-Test
Gib die URL der Seite an ChatGPT (mit Websuche) und Perplexity mit der Bitte, die Kernaussagen der Seite wiederzugeben. Decken sich die Antworten mit dem, was die Seite sagen soll — inklusive der wichtigsten Zahlen? Fehlt Zentrales oder wird halluziniert, sind die entscheidenden Aussagen nicht extrahierbar formuliert oder stehen nicht crawlbar im HTML.
Stufe 3: Die Zitat-Stichprobe
Stelle den Systemen die drei wichtigsten Fragen, die die Seite beantworten soll — ohne die URL zu nennen. Wirst du als Quelle zitiert? Wenn stattdessen Wettbewerber erscheinen, vergleiche deren zitierte Passagen mit deinen: Fast immer gewinnt die besser strukturierte, nicht die inhaltlich bessere. Für die systematische Messung über Zeit nutzt du das Frage-Set aus dem Artikel „AI Share of Voice“.
Ehrliche Einordnung: Was belegt ist — und was SEO-Folklore
„Googles GIST-Algorithmus wählt die Quellen für AI Overviews aus.“ GIST (Greedy Independent Set Thresholding) existiert — als Google-Research-Paper zur Auswahl von Trainingsdaten für Machine-Learning-Modelle, vorgestellt auf der NeurIPS 2025 und getestet an Bildklassifizierung. Dass GIST in der Produktion die Quellen für AI Overviews selektiert, steht weder im Paper noch in Googles Ankündigung — das ist eine Extrapolation aus SEO-Foren, ebenso wie der Begriff „Vector Exclusion Zone“. Was sich aus dem Paper seriös ableiten lässt, ist eine Richtung, keine Regel: Auswahlverfahren belohnen zunehmend Diversität — Inhalte, die einer bereits etablierten Top-Quelle nichts Neues hinzufügen, haben geringen Zusatznutzen. Die praktische Konsequenz ist unspektakulär und richtig: eigene Daten, eigene Beispiele, eigener Blickwinkel statt Nacherzählung der Top-Ergebnisse.
„Perplexity nutzt Late Chunking.“ Late Chunking ist eine real dokumentierte Technik (Kontext des Gesamtdokuments fließt in die Chunk-Embeddings ein). Welche Chunking-Verfahren Perplexity intern einsetzt, ist jedoch nicht öffentlich — solche Aussagen über die Interna geschlossener Systeme sind Spekulation. Für deine Optimierung ist das zum Glück egal: Selbsttragende Abschnitte funktionieren bei jedem Chunking-Verfahren.
„Die oberen 20 % der Seite liefern die meisten Zitate.“ Dass Passagen im oberen Seitenbereich überproportional zitiert werden, zeigen mehrere unabhängige Analysen und deckt sich mit meiner Audit-Erfahrung — die Richtung stimmt. Exakte Prozentwerte hängen aber an der jeweiligen Studien-Methodik und taugen nicht als Naturgesetz. Die belastbare Regel dahinter kennst du längst: Kernaussage nach oben, Answer-First.
Warum diese Einordnung wichtig ist: Wer seine Content-Strategie auf unbelegte Algorithmus-Behauptungen baut, optimiert für Phantome — und verliert das Vertrauen seiner Leser, wenn die Behauptung platzt. Die gute Nachricht: Alles, was in diesem Artikel als Maßnahme steht, funktioniert unabhängig davon, welche dieser Thesen sich bestätigt. Selbsttragende Chunks mit klaren Entitäten sind bei jedem denkbaren Retrieval-Verfahren im Vorteil.
Häufige Fragen zum Chunking
Was ist Chunking bei LLMs?
Chunking ist das Zerlegen einer Webseite in kleine Sinnabschnitte, die Retrieval-Systeme einzeln in Bedeutungs-Vektoren (Embeddings) umwandeln und bewerten. Zur Antwortzeit zieht das System nur die Chunks, die semantisch zur Nutzerfrage passen — zitiert wird der Abschnitt, nicht die Seite.
Ist ein Chunk dasselbe wie ein Absatz?
Nicht zwingend. Ein Chunk ist eine technische Einheit, die das jeweilige System aus Struktur, Überschriften und Semantik bildet — er kann einen Absatz, mehrere kurze Absätze oder einen Abschnitt unter einer Überschrift umfassen. Für die Optimierung gilt trotzdem die einfache Faustregel: Wer jeden Absatz selbsttragend schreibt, liefert brauchbare Chunks für jedes Verfahren.
Was ist der Unterschied zwischen Passage-Ranking und Chunking?
Passage-Ranking ist Googles Verfahren (seit Anfang 2021), einzelne Passagen einer Seite für spezifische Suchanfragen ranken zu lassen — eine Ranking-Änderung, keine Index-Änderung. Chunking ist das Pendant der KI-Retrieval-Systeme: Seiten werden in Abschnitte zerlegt und per Embedding-Vergleich zur Frage ausgewählt. Beide belohnen dieselbe Eigenschaft: in sich geschlossene, klar verortete Abschnitte.
Wie lang sollte ein Artikel für die KI-Suche sein?
Es gibt keine Ziel-Wortzahl. Bewertet werden Abschnitte, nicht Seitenlängen: Ein kompakter Artikel aus präzisen, selbsttragenden Chunks schlägt einen langen Text voller vager Absätze. Die richtige Länge ist erreicht, wenn jede relevante Teilfrage des Themas einen eigenen, zitierfähigen Abschnitt hat — nicht früher und nicht später.
Gilt Chunk-Optimierung auch für Shop- und Kategorieseiten?
Ja — dort ist der Effekt besonders groß, weil die meisten Kategorieseiten gar keine extrahierbaren Abschnitte haben, sondern nur Produktgitter. Eine Kategorieseite mit Definition, Kaufkriterien und FAQ liefert Chunks für genau die Kauffragen, die Nutzer KI-Systemen stellen. Die Umsetzung für Shops steht im Guide „GEO für Online-Shops“.
Ist GIST ein Google-Rankingfaktor?
Nein — nach allem, was belegt ist. GIST ist ein Google-Research-Algorithmus zur Auswahl von Trainingsdaten für Machine-Learning-Modelle (NeurIPS 2025). Ein Einsatz als Quellen-Selektor für AI Overviews ist weder im Paper noch von Google bestätigt. Seriös ableiten lässt sich nur die Richtung: Auswahlverfahren belohnen inhaltliche Diversität — Nacherzählungen bestehender Top-Quellen haben geringen Zusatznutzen.
Wie chunk-fähig ist deine Website?
Ich prüfe kostenlos deine wichtigsten Seiten mit dem 3-Stufen-Test: Überschriften, Extraktion, Zitat-Stichprobe — und zeige dir, welche Abschnitte KI-Systeme heute liegen lassen. Trag deine E-Mail ein, ich melde mich persönlich.
Kein Newsletter, kein Spam — eine persönliche Antwort von Andreas Böhm.