von

Seit der Einführung von Google Overviews (SGE) nimmt organische Traffic massiv ab.

Generative künstliche Intelligenz beantwortet komplexe Suchanfragen direkt. Der Nutzer erhält seine Antwort ohne jemals auf einen Link zu klicken.

Zero-Click-Suchen machen laut aktuellen Similarweb-Daten 68% aller Google-Suchen aus.

Was bedeutet vom Keyword zur Entität?

Vom Keyword zur Entität bedeutet der Wechsel von der Optimierung auf reine Suchbegriffe hin zur Optimierung auf semantische Informationseinheiten (Entitäten), die Suchmaschinen als eindeutige Objekte mit spezifischen Attributen und Beziehungen verstehen..

Was ist eine Entität?

Eine Entität ist ein eindeutig identifizierbares Objekt, Lebewesen, Ort oder abstraktes Konzept (Entität im engl. Entity), als Einheit in einer Datenstruktur (hier Google NG) existiert.

Die Enitäten snd als konkrete Dinge „Things“ mit spezifischen Attributen und messbaren Beziehungen zu anderen Entitäten in einem semantischen Netzwerk (Knowledge Graph).

https://schema.org/Person
Entiät Michael jackson Google Suche

Wie optimmert man auf Entitäten – welche passen überhaupt?

Entity-SEO funktioniert durch die Strukturierung von Daten, den Aufbau von thematischen Inhalts-Netzwerken (Topic Clusters) und die eindeutige Verknüpfung von Begriffen im Knowledge Graph von über Schema.org-Auszeichnungen. Semantische Relevanz steigern, Topic Clustering aufbauen, Strukturierte Daten implementieren, Interne Verlinkung zeigt die Relation.

Wie werden bewertet? Entity Metrics?

Site Quality Score (Domain-Qualitätswert)

Bewertet das Vertrauen und das qualitative Level einer gesamten Domain, um die darin liegenden Dokumente im Ranking zu stützen oder abzuwerten.

Relevante Parameter & Werte

  • \(S\): Anzahl der eindeutigen navigations- oder markenbezogenen Suchanfragen („Navigational/Brand Queries“), die gezielt auf die Domain verweisen.
  • \(U\): Anzahl aller Nutzersuchen, die zu einer Auswahl („User Selection“) auf dieser Domain führen.
  • \(T\): Schwellenwert (Threshold), um Rauschen bei kleinen Websites auszufiltern.
  • \(B\): Basiswert (Base Value) zur Glättung.
  • \(n\): Dämpfungsexponent (typischerweise zwischen 0,0 und 1,0, z. B. 0,5 oder 0,8).

Berechnet ein Verhältnis von direkter Marken-Nachfrage zu allgemeinen Klicks: \[\text{Site Quality Score} = \frac{\max(L, S – T)}{B + U^n}\].

Implicit User Feedback

Passt Rankings dynamisch über die tatsächliche Interaktion auf der Suchergebnisseite an. Relevante Parameter & Metriken

  • Dwell Time (Verweildauer): Die Zeitspanne, die ein Nutzer auf dem Dokument verbringt, nachdem er das Ergebnis ausgewählt hat.
  • Long Click Fraction (LCIC): Der mathematische Anteil an „Long Clicks“ (Nutzer verbleibt lange auf der Seite) an der Gesamtzahl der Klicks.
  • Pogo-Sticking: Ein negatives Signal, wenn ein Nutzer eine Landingpage sofort wieder verlässt und zur SERP zurückkehrt (Short Click).

Die LCIC-Fraktion wird über eine kontinuierliche Verteilungsfunktion gewichtet und in einen Boosting-Faktor umgerechnet, der direkt mit dem klassischen Information-Retrieval-Score (IR-Score) multipliziert wird.

Things und Vektorräume

(Ausgereifte Kern-Technologien)

Hier erfolgt der Wechsel von der reinen Zeichenkettenanalyse („Strings“) hin zum Verständnis von Konzepten, Fakten und mathematisch modellierten Worträumen („Things“).

Phrase-Based Indexing & Entity Metrics

Texte werden nicht mehr in isolierte Einzelwörter zerlegt, sondern als Geflecht aus Phrasen und klar definierten Entitäten (Personen, Orte, Dinge, Marken) indexiert.

Relevante Parameter & Metriken:

  • Co-occurrence Statistics: Kookkurrenzstatistiken, um zu bewerten, wie stark Begriffe semantisch miteinander korrelieren.
  • Entity Metrics (Entitäten-Wertung):
    • Related Entity Metric: Wie eng steht eine Entität mit einer anderen in Beziehung?
    • Notable Type Metric: Die Zuordnung der Entität zu einer primären Klasse (z. B. „Informatiker“).
    • Contribution Metric / Prize Metric: Die externe Reputation (Preise, Veröffentlichungen, akademische Beiträge) der Entität im echten Leben.

Word2Vec & Kontextualisierte Embeddings (BERT & Transformers)

Wörter und Sätze werden als dichte, kontinuierliche Vektoren in einem hochdimensionalen mathematischen Vektorraum platziert, um logische und semantische Relationen über Vektorarithmetik berechenbar zu machen.

Relevante Parameter & Werte

  • Self-Attention-Mechanismen: Ein neuronaler Gewichtungsprozess, bei dem jedes Wort in einer Sequenz im exakten Kontext aller umgebenden (linken und rechten) Wörter bewertet wird.
  • Vektorkomponenten:
    • Token Embeddings: Basierend auf dem Vokabular (z. B. WordPiece).
    • Segment Embeddings: Kennzeichnung der Satzzugehörigkeit bei Satzpaaren.
    • Position Embeddings: Mathematische Kodierung der exakten Wortreihenfolge mittels Sinus- und Kosinus-Frequenzen.
  • [CLS]-Token-Vektor: Der finale aggregierte Sequenzvektor am Ausgang tiefer bidirektionaler Transformer-Schichten (z. B. BERT), welcher die semantische Essenz der gesamten Eingabe repräsentiert.

Generative Synthese

Dies sind die Technologien, die Googles aktuellen Übergang zur KI-gestützten Antwortmaschine definieren und die Sucherfahrung in Zukunft maßgeblich dominieren.

Information Gain Score (IGS)

Ein massiver Filter gegen Content-Redundanz und KI-Spam. Google bewertet, ob ein Dokument dem Nutzer tatsächlich neue Fakten oder Entitäten liefert, die in zuvor konsumierten Dokumenten noch nicht enthalten waren.

Relevante Variablen:

  • Set \(d_1\) (Viewed Documents): Dokumente, die der Nutzer in seiner aktuellen Sitzung bereits gesehen oder aufgerufen hat.
  • Set \(d_2\) (Unviewed Documents): Neue, noch ungesehene Dokumente, die als Suchergebnisse infrage kommen.

Berechnung

Ein trainiertes neuronales Modell verarbeitet die semantischen Vektorrepräsentationen (Embeddings) der Dokumentenmengen aus \(d_1\) und \(d_2\). Es ermittelt die Schnitt- und Differenzmengen der enthaltenen Informationen. Dokumente, deren Vektor eine zu hohe Ähnlichkeit (z. B. hohe Kosinus-Ähnlichkeit) zu \(d_1\) aufweisen, erhalten einen Information Gain Score nahe 0,00 und werden abgewertet. Dokumente mit neuen Perspektiven und Entitäten erhalten einen Score nahe 1,00 und steigen im Ranking auf.

Search with Stateful Chat & Generative Companions

Die klassische Suchsitzung wird durch einen generativen Begleiter („generative companion“) mit fortlaufendem Zustandsgedächtnis (Stateful Chat) ersetzt.

Relevante Variablen & Mechanismen

  • Contextual User State (Nutzerzustand \(871\)): Ein dynamischer Vektor im Arbeitsspeicher, der frühere Suchanfragen, präsentierte Ergebnisseiten, Interaktionszeiten, geografische Koordinaten und zeitliche/kalendarische Attribute des Nutzers fortlaufend aggregiert.
  • Synthetic Queries (Synthetische Suchanfragen): Der Chatbot generiert im Hintergrund eigenständig verfeinerte Suchanfragen, um die präzisesten Belegdokumente aus dem Index zu ziehen.
  • Query-Klassifizierung: Suchanfragen werden automatisch kategorisiert (z. B. in „needs creative text“, „ambient generative summarization“, „SRP summarization“ oder „do not interfere“ zur Einsparung von Rechenleistung).
  • Response Linkifying: Ein System, das generierte Fließtext-Zusammenfassungen in Sätze zerlegt, diese in Vektoren codiert, sie mit den Vektoren der Quell-Dokumente abgleicht und bei hoher Übereinstimmung vollautomatisch exakte Beleglinks (Anchor-Links) setzt, um Halluzinationen mathematisch zu unterbinden.

Google Query Fan-out

Query Fan-out bezeichnet den Prozess, bei dem eine einzelne Suchanfrage in viele parallele Teilabfragen zerlegt und an zahlreiche Server im Google-Cluster gesendet wird. Dies ist notwendig, weil der Google-Index aus Milliarden von Webseiten besteht und auf keinem einzelnen Server vollständig gespeichert werden kann.

Klassifikatoren (Intent-Klassifizierung)

Acht definiertes Klassifikations-Framework im Algorithmus

Nutzeranfrage ➔ Intent-Klassifikator ➔ Schwellenwert-Prüfung (Welcher Winkel lohnt sich?) ➔ Parallele Subqueries ➔ Synthese.

Das Definieren von 8 Varianten-Typen (z. B. durch unterschiedliche Abfragestrategien, Routing-Regeln, Feldgewichtungen oder embedding-Modelle) bringt im Wesentlichen höhere Relevanz und Flexibilität, geht aber auf Kosten von Ressourcen und Latenz.

  1. Equivalent Query:
    B edeutungsgleiche Formulierung zur Erhöhung der Treffermenge.
  2. Follow-up Query
    Folgefragen zur Vorbereitung des nächsten logischen Schritts.
  3. Generalization Query
    Abstraktere Formulierung bei zu engen Suchergebnissen.
  4. Specification Query
    Konkretere Eingrenzung (z. B. lokal oder zeitlich).
  5. Canonicalization Query
    Bereinigung von Umgangssprache in standardisierte Fachbegriffe.
  6. Language Translation Query
    uche in fremdsprachigen DokDumenten-Indizes.
  7. Entailment Query:
    Logische Schlussfolgerungen zur Überprüfung von Wahrheitswerten.
  8. Clarification Query
    Dialoggestützte Rückfragen zur Disambiguierung direkt an den Nutzer.

Co-Substantiierung, Die Ergebnisse dieser Varianten werden im Hintergrund kreuzverifiziert (z. B. ob die Fakten konsistent bleiben), um potenziell gefälschte oder falsche Suchtreffer („potentially fake“) zu markieren.

AI-Tailored Content Pages

Die radikalste Zukunftstechnologie. Google leitet Nutzer bei unzureichenden Nutzersignalen der eigentlichen Zielseiten nicht mehr auf die Websites der Publisher weiter, sondern synthetisiert selbstständig die Antwort.

Mechanismus

  • Google ermittelt für eine indexierte Zielseite (z. B. einen Onlineshop) einen Landing Page Score (basierend auf Nutzersignalen wie Conversion-Rate, CTR, Absprungrate sowie Designqualität).
  • Unterschreitet dieser Score einen Schwellenwert (Threshold) – beispielsweise weil der Seite ein wichtiger Produktfilter fehlt –, greift der Algorithmus ein.
  • Google blockiert das Weiterleiten des Nutzers auf die Original-Domain und generiert stattdessen in Echtzeit eine KI-maßgeschneiderte Landingpage aus den strukturierten Indexdaten der Original-Domain. Diese Seite enthält KI-generierte Produkt-Feeds, Call-to-Action-Buttons und integrierte KI-Chatbots.