RAG-fähige Content-Architektur bedeutet, digitale Inhalte nicht nur für menschliche Leser aufzubereiten, sondern als Informationsblöcke, die große Sprachmodelle (LLMs) und Vektordatenbanken verstehen, aufteilen und abrufen können. Das kann klaren Kontext und eine gut lesbare Struktur schaffen. Eine garantierte Sichtbarkeit in einem bestimmten KI-Suchsystem ergibt sich daraus nicht.
Was ist Retrieval-Augmented Generation?
Retrieval-Augmented Generation (RAG) ist eine hybride KI-Architektur. Sie hilft LLMs, Grenzen ihrer Trainingsdaten zu überwinden, indem bei der Antworterstellung Informationen aus externen, verlässlichen Quellen wie Websites oder Datenbanken abgerufen werden. Vereinfacht gesagt antwortet die KI mit Blick in ein vorliegendes Buch, statt sich allein auf ihr Gedächtnis zu verlassen.
Wie lesen LLMs Inhalte?
Zwei Jahrzehnte lang war die digitale Veröffentlichung von Keywords geprägt. Die häufige Wiederholung eines Begriffs wie SEO galt als Möglichkeit, von Google leichter gefunden zu werden. Die Entwicklung generativer KI hat diesen Ansatz grundlegend verändert.
Sprachmodelle zählen Wörter nicht einfach, sondern überführen sie in Vektoren, also numerische Koordinaten.
Wenn SearchGPT oder Google Gemini eine Frage beantwortet, kann RAG aus großen Informationsbeständen passenden Kontext abrufen und dem Modell bereitstellen. Das geht über herkömmliches Crawling allein hinaus.
Die Herausforderung: Passt die Struktur eines Inhalts nicht zur Verarbeitung eines RAG-Systems, kann selbst ein hervorragender Artikel unberücksichtigt bleiben. Dieser Beitrag erklärt, wie sich Inhalte für Embeddings aufbereiten lassen und eine RAG-fähige Architektur entsteht.
Wie arbeitet ein RAG-System? Ein technischer Blick
Bevor Sie optimieren, sollten Sie die Verarbeitung verstehen. Der RAG-Prozess umfasst drei grundlegende Schritte, an denen sich eine Content-Strategie orientieren kann:
- Chunking: Ein Artikel mit 3.000 Wörtern wird nicht als unteilbare Einheit verarbeitet. Das System zerlegt ihn in kleinere sinnvolle Abschnitte, häufig mit 256 oder 512 Token.
- Embedding: Jeder Abschnitt wird in einen numerischen Vektor in einem mehrdimensionalen Raum umgewandelt. Die Vektoren für „Apfel“ und „Birne“ liegen beispielsweise nahe beieinander.
- Retrieval: Bei einer Nutzerfrage sucht das System einen nahen Vektor in der Datenbank. Dieser steht für einen Teil Ihres Inhalts und wird für die Antwort genutzt.
Wichtig: Sehr lange, komplexe oder thematisch uneinheitliche Absätze können beim Aufteilen ihren Sinn verlieren. Ein Fragment ohne verständlichen Kontext lässt sich im Vektorraum schwer sinnvoll zuordnen.
Vier Grundregeln für RAG-fähige Inhalte
Die folgenden Architekturprinzipien sollen die Qualität der Embeddings und die Wahrscheinlichkeit verbessern, dass relevante Informationen abgerufen werden.
1. Eine für Chunking geeignete Absatzstruktur
KI-Modelle haben ein begrenztes Kontextfenster. Gestalten Sie den Text wie ein Puzzle: Jedes Teil sollte auch außerhalb des Ganzen verständlich bleiben.
- Älterer SEO-Ansatz: Lange, voneinander abhängige Absätze nach dem Muster Einleitung, Hauptteil und Schluss.
- RAG-Ansatz: Eigenständig verständliche Blöcke mit 100–150 Wörtern, die jeweils einen Gedanken behandeln.
- Umsetzung: Erklärt ein Absatz RAG-Architektur, wechseln Sie darin nicht unvermittelt zu Google Ads. Bei einem Themenwechsel beginnen Sie einen neuen Absatz oder H3-Abschnitt. Das unterstützt die korrekte Zuordnung.
2. Entitätsdichte und eindeutige Benennung
Pronomen wie „es“, „dies“ oder „sie“ können für LLMs problematisch sein.
Warum? Entnimmt ein RAG-System einen Absatz aus der Mitte eines Artikels, lässt die Formulierung „Dieses System ist hervorragend“ möglicherweise nicht mehr erkennen, welches System gemeint ist. Der Kontext fehlt.
- Unklar: „Sie hat das Marketing verändert. Unternehmen haben mit ihr Kosten gesenkt.“ Geht es um KI oder Blockchain?
- Klar: „Generative KI hat das Marketing verändert. Unternehmen haben mit generativer KI Kosten gesenkt.“
Regel: Wiederholen Sie zentrale Entitätsnamen bei Bedarf innerhalb eines Absatzes. Das ist kontextuelle Verankerung und kein bloßes Keyword-Stuffing.
3. Überschriften als hierarchische Metadaten
H2- und H3-Überschriften geben nicht nur dem Leser Orientierung. Für ein RAG-System können sie wie Beschriftungen wirken.
Beim Aufteilen lassen sich Überschriften als Metadaten speichern. Je aussagekräftiger und fragebezogener sie sind, desto präziser kann eine Zuordnung ausfallen.
- Schwache Überschrift: „Warum ist das wichtig?“ Was ist damit gemeint?
- Klare Überschrift: „Warum ist RAG-Architektur für digitales Marketing wichtig?“ Der Kontext ist vollständig.
4. Strukturierte Daten als Sprache für LLMs
Große Sprachmodelle können strukturierte Informationen eindeutiger verarbeiten als unstrukturierte Prosa. Explizite Beziehungen verringern den Spielraum für erfundene Angaben.
Die folgenden HTML-Strukturen helfen, Informationen geordnet darzustellen. Sie garantieren weder einen bestimmten RAG-Wert noch mehr Sichtbarkeit:
- Definitionslisten (
<dl>,<dt>,<dd>): zur eindeutigen Definition von Begriffen. - Tabellen (
<table>): zum Vergleichen von Daten. - Geordnete Listen (
<ol>): zur schrittweisen Erklärung von Abläufen.
RAG-Architektur und klassische SEO im Vergleich
Ein Vergleich zwischen klassischer SEO und RAG-orientierten Inhalten verdeutlicht den Wandel:
| Merkmal | Klassische SEO: Keyword-Suche | RAG-Architektur: Vektorsuche |
| Schwerpunkt | Keyword-Volumen | Semantische Nähe |
| Textstruktur | Lange, fließende Artikel | Modulare, aufteilbare Informationsblöcke |
| Sprache | Auf längeren Website-Aufenthalt ausgerichtet | Auf schnelle Informationsvermittlung ausgerichtet |
| Erfolgskennzahl | Klickrate (CTR) | Zitate und Quellenverweise |
| Technische Grundlage | Meta-Tags und Backlinks | Embedding-Qualität und Entitätsbeziehungen |
Anwendungsbeispiele aus verschiedenen Branchen
Eine RAG-fähige Content-Strategie lässt sich je nach Branche unterschiedlich umsetzen. Drei konkrete Situationen zeigen das:
1. E-Commerce und Produktbeschreibungen
Bei der Frage „Welcher ist der ergonomischste Bürostuhl?“ kann ein RAG-System Tausende Produktbeschreibungen untersuchen.
Älterer Ansatz: „Dieser Stuhl ist sehr bequem.“
RAG-fähiges Beispiel: „Der Herman Miller Aeron bietet dank Pellicle-Suspension-Technologie eine Lendenwirbelstütze und verbessert die Büroergonomie um 40 %.“ Marke, Technologie und behaupteter Nutzen sind eindeutig benannt.
2. Finanzen und Bankwesen
Nutzerfrage: „Wie werden Kreditkartenzinsen berechnet?“
RAG-fähiger Ansatz: Verwenden Sie statt einer Formel in Fließtext eine geordnete Schrittfolge (<ol>) oder eine Berechnungstabelle. Das System kann diese Struktur bei der Antwortbildung nutzen.
3. Gesundheit und Medizin: YMYL
Bei Gesundheitsinhalten berücksichtigen RAG-Systeme Quellenautorität und E-E-A-T. Eine Quellenangabe neben einer medizinischen Aussage, etwa „Weltgesundheitsorganisation, Bericht 2024“, stärkt ihre Zuordnung und das Vertrauen in die Information.
Die Inhalte der Zukunft
Der Übergang zu RAG-fähigen Inhalten wird als Notwendigkeit für das Content-Marketing verstanden. Wenn KI-Assistenten zu einem zentralen Zugang zum Internet werden, müssen Inhalte für den vektorbasierten Abruf geeignet sein, um auffindbar zu bleiben.
Beginnen Sie mit drei Schritten:
- Teilen Sie Texte in eigenständig verständliche, sinnvolle Abschnitte auf.
- Reduzieren Sie mehrdeutige Pronomen und benennen Sie Entitäten ausdrücklich.
- Nutzen Sie neben Fließtext auch Tabellen und Listen.
Die SEO-Spezialisten der Zukunft werden Informationsarchitekten statt bloßer Keyword-Sammler sein.
Kommentare