Kurz gesagt: RAG steht für Retrieval Augmented Generation. Es ist das Verfahren, mit dem KI-Systeme externe Quellen in ihre Antworten einbauen, statt nur aus dem Trainingswissen zu schöpfen. Für dich hat das eine Konsequenz, die fast alles erklärt: Zitiert wird nicht deine Seite, sondern ein einzelner Abschnitt daraus. Jeder Abschnitt muss deshalb für sich allein verständlich sein, auch wenn niemand den Rest der Seite liest.
Ich bin Andreas Böhm und mache seit 2010 Suchmaschinenoptimierung. RAG klingt nach einem Thema für Entwickler, und das ist es auch. Trotzdem lohnt es sich, den Ablauf einmal verstanden zu haben: Fast jede praktische GEO-Empfehlung ergibt danach plötzlich Sinn, statt wie eine willkürliche Regel zu wirken.
Was bei RAG passiert
Ein Sprachmodell weiß von sich aus nur, was im Training steckte. Alles danach, alles Lokale, alles Spezifische fehlt. RAG schließt diese Lücke, indem vor der Antwort erst nachgeschlagen wird. Vier Schritte, die in Sekunden ablaufen:
- Die Frage wird übersetzt. Aus „Wer repariert in Herten meine Heizung?“ wird eine mathematische Darstellung der Bedeutung, kein Stichwort. Deshalb findet das System auch Texte, in denen deine genaue Formulierung gar nicht vorkommt.
- Passende Textstücke werden gesucht. Das System durchsucht einen Index oder schickt eine Suchanfrage los, holt sich die Treffer und schneidet aus den Seiten die Passagen heraus, die inhaltlich am besten passen. Nicht ganze Seiten, sondern Stücke.
- Die Stücke kommen zur Frage dazu. Das Modell bekommt also die ursprüngliche Frage plus ein paar Absätze aus fremden Quellen als Material.
- Die Antwort wird formuliert. Aus diesem Material baut das Modell einen Text und nennt die Quellen, aus denen es geschöpft hat.
Perplexity arbeitet so, die Google AI Overviews im Kern auch, und ChatGPT ebenso, sobald es im Netz nachschlägt. Wo genau die Unterschiede liegen, steht unter Woher nehmen ChatGPT und Perplexity ihre Antworten?
Die eine Konsequenz, die alles erklärt
Schritt zwei ist der wichtige. Deine Seite wird zerlegt, und einzelne Stücke werden weitergereicht. Das Modell sieht also nicht deine schöne Startseite mit Logo, Navigation und Kontaktbereich. Es sieht drei Absätze, aus dem Zusammenhang gerissen.
Daraus folgt alles Weitere. Steht in deinem Abschnitt „Wir übernehmen das für Sie, zuverlässig und schnell“, ist das als herausgeschnittenes Stück wertlos. Wer ist „wir“? Was ist „das“? Wo? Steht dagegen „Die Heizungswartung übernimmt der Meisterbetrieb Müller aus Herten, im Umkreis von 20 Kilometern, Notdienst auch am Wochenende“, dann kann ein Modell daraus eine Antwort bauen und dich nennen. Derselbe Gedanke, einmal brauchbar und einmal nicht.
Wie Texte für diese Zerlegung aufgebaut sein sollten, steht ausführlich unter Chunking: Texte für LLMs strukturieren.
Was du konkret daraus machst
| Weil RAG so funktioniert | machst du das |
|---|---|
| Abschnitte werden einzeln herausgeschnitten | Jeder Abschnitt nennt Leistung, Ort und Anbieter, statt sich auf den vorherigen zu beziehen |
| Das System sucht nach Bedeutung, nicht nach Stichworten | Schreib in der Sprache deiner Kunden, nicht in Fachbegriffen, und beantworte echte Fragen |
| Überschriften markieren die Schnittkanten | Saubere H2- und H3-Struktur, ein Thema pro Abschnitt, keine Bandwurmkapitel |
| Die ersten Sätze werden am ehesten übernommen | Antwort nach oben, Hinführung nach unten oder ganz weg |
| Frage-Antwort-Paare sind von Natur aus saubere Stücke | FAQ-Bereiche auf den wichtigen Seiten, mit echten Kundenfragen |
| Nur abrufbare Seiten landen im Material | KI-Crawler nicht blockieren, Ladezeit im Griff behalten |
Keine dieser Maßnahmen ist exotisch, und alle helfen dir auch bei Google. Du schreibst also nicht für Maschinen, sondern einfach klarer. Wo du bei diesen Punkten stehst, siehst du in fünf Minuten im KI-Webseiten-Check.
Was RAG nicht leistet
Zwei Missverständnisse begegnen mir regelmäßig. Erstens: RAG sorgt nicht dafür, dass ein Modell deine Firma dauerhaft kennt. Die abgerufenen Stücke werden für diese eine Antwort genutzt und danach wieder vergessen. Jede Anfrage beginnt von vorn.
Zweitens: RAG verhindert keine Fehler. Wenn die abgerufenen Quellen falsch sind oder das Modell sie falsch zusammenfasst, steht trotzdem Unsinn in der Antwort. Für dich heißt das: Wenn über dich irgendwo veraltete Öffnungszeiten oder eine alte Adresse stehen, kann genau das in einer KI-Antwort landen. Deshalb ist es so wichtig, dass deine Angaben überall gleich sind.
Was kostet das bei mir?
Inhalte so aufzubauen, dass sie zerlegt noch funktionieren, ist Teil jeder SEO-Betreuung ab 249 € im Monat, Mindestlaufzeit 3 Monate, danach monatlich kündbar. Wenn du selbst schreibst und nur den Rahmen brauchst, gibt es Beratung und Coaching für 120 € pro Stunde. Endpreise nach §19 UStG. Alle Pakete ansehen →
Häufige Fragen zu RAG
RAG ist ein Verfahren, bei dem ein Sprachmodell vor der Antwort externe Quellen abruft und diese Textstücke als Material verwendet. Dadurch kann es auch über Dinge antworten, die nicht im Training enthalten waren, etwa aktuelle oder lokale Informationen.
Beim Abruf werden nicht ganze Seiten verwendet, sondern einzelne Abschnitte daraus. Jeder Abschnitt muss deshalb für sich verständlich sein und Leistung, Ort und Anbieter nennen, statt sich auf den übrigen Seiteninhalt zu beziehen.
Ja. Perplexity arbeitet durchgehend nach diesem Prinzip, die Google AI Overviews im Kern ebenfalls, und ChatGPT immer dann, wenn es für eine Antwort im Netz nachschlägt. Beantwortet ein Modell eine Frage allein aus dem Trainingswissen, ist kein RAG im Spiel.
Nein. Sind die abgerufenen Quellen falsch oder veraltet, landen diese Fehler in der Antwort. Deshalb sollten deine Angaben wie Adresse, Öffnungszeiten und Leistungen auf allen Quellen einheitlich und aktuell sein.
Für die Sichtbarkeit in KI-Antworten nicht. RAG betreiben die Anbieter der KI-Systeme. Ein eigenes RAG-System ist nur dann ein Thema, wenn du einen internen Assistenten für eigene Dokumente bauen willst.


Schreibe einen Kommentar