KI ist der Kern: RankBrain, Neural Matching, DeepRank und NavBoost arbeiten in einer kaskadierten Pipeline – jedes System hat eine spezifische Aufgabe zwischen Query-Interpretation und finalem Re-Ranking. Seit dem DOJ-Verfahren 2023 wissen wir erstmals, wie diese Architektur wirklich zusammenspielt.
User-Signale sind offiziell bestätigt: NavBoost nutzt 13 Monate Klickdaten mit goodClicks, badClicks und unicornClicks als Ranking-Signale. CTR und Dwell Time sind keine Mythen mehr – das belegen die unter Eid gemachten Aussagen von Pandu Nayak und der API-Leak von 2024.
Gemini 3 verschiebt die Spielregeln: Mit AI Mode, Query Fan-Out und Generative UI wird „Zitierung in der KI-Antwort“ zur neuen SEO-Metrik neben klassischen Rankings. Wer heute E-E-A-T, semantische Tiefe und strukturierte Daten stärkt, positioniert sich für beide Welten.
Google hat in den letzten zehn Jahren mehr künstliche Intelligenz in seinen Suchalgorithmus integriert als in den gesamten Zeitraum davor. Was 2015 mit RankBrain begann, ist heute ein komplexes Zusammenspiel verschiedener Machine-Learning-Systeme, die gemeinsam entscheiden, welche Inhalte du in den Suchergebnissen siehst.
Das Verstehen dieser Systeme ist kein akademisches Interesse – es ist überlebenswichtig für modernes SEO. Wer nicht versteht, wie RankBrain Long-Tail-Anfragen interpretiert, wie DeepRank Dokumente auf semantischer Ebene bewertet oder wie NavBoost Nutzerzufriedenheit in Ranking-Signale übersetzt, optimiert im Blindflug.
Aus meiner Arbeit als Product Developer bei iGaming.com sehe ich täglich, wie radikal sich die Ranking-Landschaft verschoben hat. Seiten, die vor drei Jahren stabil auf Platz 1 standen, verlieren Sichtbarkeit – nicht wegen eines Updates, sondern weil die KI-Systeme gelernt haben, bessere Signale zu lesen. Das DOJ-Antitrust-Verfahren 2023 und der API-Leak von 2024 haben uns erstmals einen echten Blick hinter den Vorhang ermöglicht.
Dieser Cornerstone-Artikel ist Teil meines umfassenden Guides zum Google Suchalgorithmus: Von Crawling bis Ranking. Während der Artikel zur Semantischen Suche & Knowledge Graph erklärt, wie Google Bedeutung und Entitäten versteht, tauchen wir hier tief in die konkreten KI-Systeme ein, die aus diesem Verständnis messbare Rankings machen.
RankBrain: Googles erstes Machine-Learning-System
RankBrain wurde im Oktober 2015 lanciert und war Googles erster Einsatz von Deep Learning im Kern des Suchalgorithmus. Laut Google war es damals bereits das „drittwichtigste Ranking-Signal“ – eine Aussage, die die SEO-Welt elektrisierte.
Was RankBrain tatsächlich tut
RankBrain löst ein spezifisches Problem: Etwa 15 % aller täglichen Suchanfragen sind völlig neu – Kombinationen, die Google noch nie gesehen hat. Vor RankBrain konnte Google bei solchen Anfragen nur raten, basierend auf Keyword-Matching. RankBrain versteht stattdessen die Beziehung zwischen Wörtern und Konzepten.
Ein Beispiel von Google selbst: Bei der Suche „Wie heißt der Konsument an der Spitze einer Nahrungskette?“ erkennt RankBrain, dass es um das Konzept einer Nahrungskette geht (nicht um menschliche Konsumenten), und dass „Spitze der Nahrungskette“ auf einen „Apex-Prädator“ verweist – auch wenn diese Wörter nie in der Anfrage vorkommen.
Die Technik hinter RankBrain
RankBrain basiert auf einem Feed-Forward Neural Network, einer einfacheren Architektur als die späteren Transformer-Modelle. Es nutzt Wort-Embeddings (ähnlich wie Word2Vec), um Wörter in einen mathematischen Vektorraum zu übersetzen. In diesem Raum liegen bedeutungsähnliche Wörter nahe beieinander. Eine detaillierte Erklärung liefert Googles offizieller Blogpost zu KI in der Suche.
Der Clou: RankBrain wurde auf historischen Suchdaten trainiert. Es lernt, welche Dokumente Nutzer bei welchen Anfragen zufriedengestellt haben, und wendet dieses Wissen auf neue, unbekannte Anfragen an.
RankBrain im Jahr 2026: Noch relevant?
Im DOJ-Verfahren 2023 bestätigte Pandu Nayak, dass RankBrain noch aktiv ist, aber zunehmend von DeepRank übernommen wird:
„DeepRank is taking on more and more of that capability now. At the time that this was done, maybe they were more complementary, but over time they are becoming less complementary.“
– Pandu Nayak, Google VP of Search, DOJ-Verfahren Oktober 2023
RankBrain bleibt besonders wertvoll für seine Geschwindigkeit: Es ist „billiger zu trainieren“ als Transformer-Modelle und kann daher für alle Anfragen laufen, während DeepRank nur für die finalen Top-Ergebnisse eingesetzt wird.
Neural Matching & RankEmbed: Semantisches Retrieval
Neural Matching wurde 2018 eingeführt und arbeitet in einer anderen Phase als RankBrain: Es ist Teil des Document Retrieval, also der Vorselektion von potenziell relevanten Dokumenten aus dem Index.
Das Problem, das Neural Matching löst
Stell dir vor, jemand sucht „Tipps zum Binden von Schnürsenkeln“. Klassisches Keyword-Matching würde Seiten finden, die „Schnürsenkel“ und „binden“ enthalten. Aber was ist mit einer exzellenten Seite über „Schuhbänder richtig knoten“? Ohne Neural Matching würde sie möglicherweise nie in die Kandidatenliste für das Ranking kommen.
Neural Matching löst dieses Problem durch Embedding-basiertes Retrieval. Sowohl Suchanfragen als auch Dokumente werden in denselben hochdimensionalen Vektorraum übersetzt. Dokumente, die konzeptionell ähnlich zur Anfrage sind, liegen in diesem Raum nahe beieinander – unabhängig davon, welche Wörter tatsächlich verwendet wurden.
RankEmbed: Der technische Name
Im DOJ-Verfahren wurde enthüllt, dass Neural Matching intern RankEmbed heißt. Pandu Nayak erklärte:
„RankEmbed identifies a few more documents to add to those identified by the traditional retrieval. […] RankEmbed evaluates semantic similarity between query and document.“
– Pandu Nayak, DOJ-Verfahren 2023
RankEmbed ergänzt das klassische Keyword-basierte Retrieval um ein semantisches Retrieval. Es ist ein Dual-Encoder-Modell, das Query und Dokument separat encodiert und dann per Dot-Product oder Cosine-Similarity vergleicht.
Wie Neural Matching SEO beeinflusst
Neural Matching hat weitreichende Konsequenzen für Content-Strategien: Synonyme werden automatisch erkannt, konzeptionelle Tiefe schlägt Keyword-Dichte, und Topical Authority gewinnt an Bedeutung. Wenn deine gesamte Website ein Themenfeld abdeckt, werden einzelne Seiten für breitere Anfragen gefunden.
BERT & DeepRank: Kontextuelles Sprachverständnis für Ranking
BERT (Bidirectional Encoder Representations from Transformers) war 2019 ein Quantensprung im Sprachverständnis. Anders als frühere Systeme, die Wörter isoliert oder nur von links nach rechts analysierten, betrachtet BERT den bidirektionalen Kontext – es schaut gleichzeitig auf alle Wörter vor und nach einem Begriff.
Warum bidirektional so wichtig ist
Ein klassisches Beispiel: „Flüge von Berlin nach München“ vs. „Flüge von München nach Berlin“. Die Keywords sind identisch, nur die Reihenfolge der kleinen Wörter unterscheidet sich. BERT versteht, dass diese Präpositionen die Richtung der Anfrage komplett umkehren – und liefert entsprechend unterschiedliche Ergebnisse.
Noch deutlicher wird es bei Ambiguität: „Jaguar Geschwindigkeit“ – Raubtier oder Auto? BERT analysiert den gesamten Suchkontext bidirektional und entscheidet, welche Interpretation wahrscheinlicher ist.
DeepRank: BERT für Ranking
Im DOJ-Verfahren wurde klar: Wenn BERT für Ranking eingesetzt wird, heißt es intern DeepRank. Das ist nicht nur ein Namensunterschied – DeepRank wurde speziell auf Ranking-Relevanz trainiert, während BERT ein allgemeines Sprachmodell ist. Mehr dazu, wie Google Sprachverständnis und Ranking kombiniert, findest du in meinem Artikel Wie Google KI-Texte bewertet.
„DeepRank is BERT when BERT is used for ranking. […] DeepRank not only gives significant relevance gains, but also ties ranking more tightly to the broader field of language understanding.“
– Aus internem Google-Dokument, zitiert im DOJ-Verfahren
DeepRanks Limitierungen: Nur für die Top-Ergebnisse
DeepRank hat einen entscheidenden Nachteil: Es ist rechenintensiv und langsam. Die Transformer-Architektur erfordert deutlich mehr Ressourcen als einfachere Modelle. Deshalb wird DeepRank nur für die letzten 20-30 Dokumente eingesetzt, die es in die finale Ranking-Phase schaffen.
Sprachverständnis + Weltwissen
Ein faszinierendes Detail aus dem DOJ-Verfahren: DeepRank kombiniert Sprachverständnis mit „Weltwissen“. Das Sprachverständnis kommt aus dem Training auf Textkorpora, das Weltwissen aus dem Index und den abgerufenen Dokumenten selbst.
„You get a lot of world knowledge from the web. In search, you can get the world knowledge because you have an index and you retrieve documents, and those documents that you retrieve gives you world knowledge.“
– Pandu Nayak, DOJ-Verfahren
NavBoost: Wie User-Signale Rankings beeinflussen
Die vielleicht größte Enthüllung des DOJ-Verfahrens war NavBoost – ein System, das seit 2005 läuft und Klickdaten nutzt, um Rankings zu verfeinern. Jahrelang hatte Google bestritten, dass Klickraten das Ranking beeinflussen. NavBoost beweist das Gegenteil. Eine detaillierte Analyse bietet der Artikel How Google Search Ranking Works auf Search Engine Land.
Was NavBoost ist und wie es funktioniert
NavBoost sammelt und analysiert User-Interaktionsdaten der letzten 13 Monate. Das System beobachtet, wie Nutzer mit Suchergebnissen interagieren, und nutzt diese Signale, um Rankings zu optimieren. Pandu Nayak bezeichnete NavBoost als „eines der wichtigsten Signale“ für die Suche.
Im Mai 2024 wurden durch einen versehentlich auf GitHub veröffentlichten Leak der „Google Content Warehouse API“ weitere Details bekannt. SEO-Experten Rand Fishkin (SparkToro) und Mike King (iPullRank) analysierten die Daten und decodierten erstmals die NavBoost-Metriken. Eine detaillierte Aufarbeitung bietet Fishkins Analyse des API-Leaks.
| Signal | Bedeutung | Interpretation |
|---|---|---|
| clicks | Gesamtzahl der Klicks | Grundlegendes Interesse |
| goodClicks | Klicks mit positiven Signalen | Längere Verweildauer, keine Rückkehr zur SERP |
| badClicks | Klicks mit negativen Signalen | Schnelle Rückkehr zur SERP (Pogo-Sticking) |
| lastLongestClicks | Letzte längste Interaktionen | Aktuelle Nutzerzufriedenheit |
| unicornClicks | Außergewöhnlich positive Interaktionen | Starkes Zufriedenheitssignal |
Slicing: Segmentierung nach Kontext
NavBoost wendet keine One-Size-Fits-All-Logik an. Das System segmentiert Daten nach Location (Klickverhalten in München kann anders sein als in Hamburg), Device (Mobile-Nutzer haben andere Erwartungen als Desktop-Nutzer) und Query-Typ (Navigational Queries werden anders behandelt als informational Queries). Das bedeutet: Ein lokales Restaurant kann für „beste Pizza“ in seiner Region stark ranken, auch wenn es national keine Chance hätte.
Glue: NavBoost für SERP-Features
Ein verwandtes System namens Glue analysiert User-Interaktionen mit SERP-Features wie AI Overviews, Video-Karussells und Knowledge Panels. Wenn Nutzer ein Feature ignorieren oder negativ interagieren, blendet Google es für ähnliche Anfragen möglicherweise aus.
Die Implikationen für SEO
NavBoost bestätigt, was viele SEOs vermutet haben: Echte Nutzerzufriedenheit beeinflusst Rankings. CTR optimieren ist legitim – überzeugende Title Tags und Meta Descriptions sind ein echtes Ranking-Signal. Clickbait-Titel mit enttäuschendem Content werden durch badClicks abgestraft. Lange Ladezeiten führen zu Pogo-Sticking. Und wenn dein Content nicht zur Suchintention passt, merkt NavBoost das an den User-Signalen.
Das Zusammenspiel: Wie die KI-Systeme kooperieren
Ein häufiges Missverständnis: Diese Systeme arbeiten nicht isoliert, sondern in einer orchestrierten Pipeline. Jedes System hat seine Stärke und übernimmt eine spezifische Aufgabe. Die technischen Grundlagen, wie Dokumente überhaupt in diese Pipeline gelangen, erklärt mein Artikel zu Crawling & Indexierung.
Die Ranking-Pipeline im Überblick
Wenn du eine Suchanfrage stellst, durchläuft sie mehrere Phasen. Am Anfang steht das Query Understanding: RankBrain interpretiert die Anfrage, erkennt Suchintention und Kontext und übersetzt unbekannte Long-Tail-Queries in verständliche Konzeptmuster. Parallel dazu startet das Retrieval – der Inverted Index liefert Kandidaten über Keyword-Matching, während RankEmbed semantisch passende Dokumente ohne exakte Wort-Übereinstimmung ergänzt. Wie dieses Query Processing und Retrieval im Detail funktioniert – inklusive Tokenization, Query Expansion und der Architektur des Inverted Index – erklärt mein separater Artikel Query Processing in der Google-Suche.
Aus den Zehntausenden Kandidaten des Retrieval werden im groben Ranking (RankBrain + traditionelle Signale wie PageRank) einige Hundert herausgefiltert. Diese bewertet DeepRank im Feinranking mit tiefem Sprachverständnis – hier entscheidet sich, wer auf Platz 1-3 landet. Abschließend justiert NavBoost zusammen mit Twiddlers die finalen Positionen basierend auf User-Signalen, Freshness und Diversity. Bei bestimmten Anfragen generiert Gemini zusätzlich einen AI Overview aus den Top-Quellen.
| Phase | System | Aufgabe |
|---|---|---|
| Query Understanding | RankBrain | Suchintention erkennen, unbekannte Queries interpretieren |
| Retrieval | Inverted Index + RankEmbed | Zehntausende Kandidaten vorselektieren (Keyword + semantisch) |
| Grobes Ranking | RankBrain + PageRank | Reduktion auf einige Hundert |
| Feinranking | DeepRank | Top 20-30 mit tiefem Sprachverständnis bewerten |
| Re-Ranking | NavBoost + Twiddlers | Finalpositionen nach User-Signalen justieren |
| SERP-Generierung | Gemini (bei AI Overviews) | KI-generierte Zusammenfassungen aus Top-Quellen |
Die drei Ranking-Säulen: Topicality, Quality und Popularity
Die DOJ-Prozessakten und die spätere Remedial Opinion enthüllten eine überraschend klare Architektur: Googles Ranking-System lässt sich auf drei fundamentale Variablen reduzieren. Eine hervorragende Aufarbeitung dieser Erkenntnisse bietet Shaun Andersons Analyse der DOJ-Enthüllungen.
Topicality (T*) bildet das Fundament. Dieser Score beantwortet die zentrale Frage: Passt dieses Dokument überhaupt zur Suchanfrage? Google-Ingenieur HJ Kim erklärte unter Eid, dass T* auf den sogenannten „ABC-Signalen“ aufbaut: Anchors (Linktexte), Body (Textinhalt) und Clicks (historische Klickdaten). Ohne einen ausreichenden T*-Score gelangt eine Seite gar nicht erst in die nächsten Bewertungsstufen – T* ist die Eintrittskarte ins Ranking.
Quality (Q*) bewertet die Vertrauenswürdigkeit der Quelle – unabhängig von der konkreten Suchanfrage. Dieser weitgehend statische Score speist sich aus PageRank (dem Abstand zu bekannten, vertrauenswürdigen Seed-Sites), Spam-Scores und den Bewertungen menschlicher Quality Rater. Die Gerichtsakten bestätigen: Der Großteil des Qualitätssignals wird direkt aus der Webseite selbst abgeleitet. Q* erklärt, warum eine brandneue Unterseite auf einer etablierten Domain sofort stark ranken kann.
Popularity (P*) ist das dynamische Korrektiv. Hier fließen die Signale aus NavBoost ein: Chrome-Besuchsdaten, Klickverhalten, Verweildauer und die Anzahl eingehender Links. Während T* und Q* gewissermaßen „theoretische“ Bewertungen sind, misst P* die Realität: Klicken echte Nutzer auf dieses Ergebnis? Bleiben sie dort?
| Phase | Variable | Was passiert |
|---|---|---|
| Retrieval | T* | Aus Milliarden von Dokumenten werden die thematisch passenden vorselektiert |
| Scoring | Q* | Die Kandidaten werden nach Vertrauenswürdigkeit und Autorität gewichtet |
| Re-Ranking | P* | NavBoost sortiert final nach echtem Nutzerverhalten der letzten 13 Monate |
Die Formel für Rankings 2026: Relevanz (dein Content beantwortet die Frage) × Qualität (du bist eine vertrauenswürdige Quelle) × Popularität (Nutzer sind zufrieden) = Rankings. Alle drei Faktoren müssen stimmen.
Gemini 3 & AI Mode: Die neue Ära der Suche
Während RankBrain, BERT und NavBoost das klassische Ranking bestimmen, verändert Gemini 3 die Suche selbst. Seit November 2025 powert Gemini 3 Pro den „AI Mode“ in der Google-Suche, seit Dezember 2025 ist Gemini 3 Flash das Standard-Modell für AI Mode weltweit. Mit dem Gemini 3.1 Pro Update (Februar 2026) und dem neuen Deep Think-Modus hat Google die agentischen Suchfähigkeiten noch tiefer integriert.
AI Mode: Mehr als AI Overviews
AI Overviews waren der Anfang – kurze KI-generierte Zusammenfassungen über den Suchergebnissen. AI Mode geht weiter: Es ist ein vollständig KI-gesteuertes Sucherlebnis, bei dem Gemini die Anfrage analysiert, multiple Recherchen durchführt und eine maßgeschneiderte Antwort generiert. Die genauen Unterschiede zwischen beiden Systemen erklärt mein Artikel Google AI Mode vs. AI Overviews.
Auf der Google I/O 2025 verkündete CEO Sundar Pichai 1,5 Milliarden monatliche Nutzer von AI Overviews und 400 Millionen aktive Gemini-Nutzer. Die Suche verarbeitet 480 Billionen Tokens pro Monat – 50x mehr als im Vorjahr.
Query Fan-Out: Parallele Recherche
Eine Schlüsseltechnik im AI Mode ist Query Fan-Out. Statt eine einzelne Suche durchzuführen, zerlegt Gemini komplexe Anfragen in mehrere Teilsuchen und führt sie parallel aus. Bei „Plane einen Städtetrip nach Barcelona mit Kindern im Sommer“ könnte Gemini gleichzeitig suchen nach: kinderfreundliche Attraktionen, Wetter im Juli/August, Familienhotels und Restaurants mit Kindermenü – und die Ergebnisse zu einer kohärenten Antwort synthetisieren.
Generative UI: Dynamische Interfaces
Der radikalste Wandel ist Generative UI. Gemini 3 generiert nicht nur Text, sondern programmiert in Echtzeit interaktive Interfaces für die Antwort: interaktive Simulationen bei Physik-Fragen, personalisierte Rechner bei Finanzfragen, dynamische Vergleichstabellen bei Reisefragen und visuelle Produktraster bei Shopping-Anfragen.
Was bedeutet Gemini für SEO?
Mit Gemini verschiebt sich die SEO-Metrik von „Position in den SERPs“ zu „Zitierung in der KI-Antwort“. Die gute Nachricht: Gemini nutzt weiterhin Googles klassische Ranking-Systeme als Grundlage. Die Seiten, die als Quellen zitiert werden, ranken typischerweise auch in den traditionellen Top-10. E-E-A-T-Signale sind wichtiger denn je.
SEO-Optimierung für KI-Ranking-Systeme
1. Semantic Content Architecture
Strukturiere deinen Content so, dass KI-Systeme Konzepte und Zusammenhänge erkennen. Das Hub-and-Spoke-Modell bietet eine bewährte Architektur dafür: Themen-Cluster mit Pillar Pages und verlinkten Unterseiten signalisieren topische Autorität. Explizite Definitionen früh im Text und Formulierungen wie „Im Gegensatz zu X…“ oder „Als Weiterentwicklung von Y…“ helfen Systemen, Konzepte in Relation zu setzen.
2. Answer-First Content
KI-Systeme priorisieren Content, der Fragen direkt beantwortet. Front-load Answers – die Kernantwort in den ersten 100 Wörtern. Structured Q&A mit Schema-Markup und präzise Definitionen machen deinen Content für Gemini und AI Overviews attraktiv.
3. E-E-A-T sichtbar machen
Da KI-Systeme auf vertrauenswürdige Quellen zurückgreifen, ist E-E-A-T der Gatekeeper. In meinen Kundenprojekten bei SEO Kreativ setze ich konsequent auf Author Bios mit Expertise-Nachweis, Verlinkungen zu Primärquellen, sichtbare Veröffentlichungs- und Update-Daten sowie konsistente Verknüpfung über Wikipedia, LinkedIn und die eigene Website.
4. Strukturierte Daten implementieren
Schema.org-Markup hilft KI-Systemen, Entitäten und Beziehungen zu verstehen. In meiner Praxis beobachte ich, dass Seiten mit sauberem Article-, FAQ- und Person-Schema deutlich häufiger in AI Overviews zitiert werden. Ein Beispiel:
{
"@context": "https://schema.org",
"@type": "Article",
"headline": "Google KI-Ranking-Systeme erklärt",
"author": {
"@type": "Person",
"name": "Christian Ott",
"url": "https://www.seo-kreativ.de/ueber-mich/"
},
"datePublished": "2026-02-25",
"dateModified": "2026-04-22",
"publisher": {
"@type": "Organization",
"name": "SEO Kreativ",
"url": "https://www.seo-kreativ.de"
}
}User-Signale messen und verbessern
Click-Through-Rate (CTR) aus den SERPs
Wo messen: Google Search Console → Performance → Klicks/Impressionen pro Query.
Wie verbessern: Title Tags emotional, spezifisch und mit Zahlen oder Klammern gestalten. Meta Descriptions mit Call-to-Action und Nutzenversprechen. Rich Snippets per FAQ-, How-To- oder Review-Schema für mehr SERP-Präsenz.
Bounce Rate & Pogo-Sticking
Wo messen: Google Analytics 4 → Engagement Rate (inverse Bounce Rate) + Search Console für Position-Fluktuation.
Wie verbessern: Die wichtigste Information sofort Above-the-Fold sichtbar machen. Core Web Vitals optimieren (LCP < 2.5s). Und das Grundsätzlichste: Liefert die Seite, was der Titel verspricht?
Dwell Time / Time on Page
Wo messen: GA4 → Average Engagement Time per Session.
Wie verbessern: Scannable Content mit Zwischenüberschriften und kurzen Absätzen. Multimedia-Elemente wie Videos und Infografiken erhöhen Engagement. Weiterführende interne Links halten Nutzer auf der Site.
Scroll Depth & Content Engagement
Wo messen: GA4 Events konfigurieren für 25 %, 50 %, 75 %, 100 % Scroll.
Wie verbessern: Progressive Disclosure – Spannungsbogen aufbauen. Visual Breaks mit Bildern und Grafiken als „Scroll-Motivatoren“. Interactive Elements wie Rechner oder Click-to-Expand-Boxen.
Die Zukunft: Agentic Search und Beyond
Agentic Search: Von Antworten zu Aktionen
Mit Project Mariner hat Google den Übergang von der „Suchmaschine“ zur „Handlungsmaschine“ eingeleitet. Seit Februar 2026 ist Mariner über Google Labs als funktionierender Prototyp verfügbar – zunächst für AI Ultra-Abonnenten in den USA. Die Chrome-Erweiterung navigiert Websites selbstständig, füllt Formulare aus und kann Buchungen durchführen.
Mariner folgt dem Schema Observe → Plan → Act → Reflect. Die SEO-Frage wird sich verschieben: Welche Quellen vertraut die KI genug, um Aktionen auf deren Basis auszuführen? Aus meiner Arbeit in technischen SEO-Audits sehe ich schon jetzt, dass Seiten mit sauberem Schema-Markup und klarer Informationsarchitektur für agentische Systeme bevorzugt werden.
Multimodale Suche wird Standard
Mit Circle to Search, Google Lens und Voice Search verschwimmen die Grenzen zwischen Text, Bild und Sprache. Content, der nur in einem Modus funktioniert, wird Nachteile haben. Schema-Markup für Bilder (ImageObject), Videos (VideoObject) und Audio (AudioObject) wird wichtiger.
Was das für SEO bedeutet
Vertrauen wird zur Währung – in einer Welt, in der KI Entscheidungen trifft, wird E-E-A-T zum Gatekeeper. Diversifikation ist Pflicht: Abhängigkeit von Google-Traffic ist riskant, Direct Traffic und Communities werden wichtiger. Und neben Google-SEO entsteht „AI Search Optimization“ für ChatGPT, Perplexity, Claude und andere Plattformen – ein Thema, das ich in SEO in Zeiten von AI-Browsern vertiefe.
Häufig gestellte Fragen (FAQ)
Was ist der Unterschied zwischen RankBrain und BERT?
RankBrain (2015) ist ein Feed-Forward Neural Network, das Suchanfragen mit Konzepten verknüpft – besonders wertvoll für neue, unbekannte Queries. BERT (2019) ist ein Transformer-Modell, das den bidirektionalen Kontext von Wörtern versteht. RankBrain fragt „Was meint der Nutzer?“, BERT fragt „Wie verändert jedes Wort die Bedeutung?“. Beide arbeiten zusammen, wobei DeepRank (BERT für Ranking) zunehmend RankBrains Aufgaben übernimmt.
Beeinflusst Click-Through-Rate wirklich das Ranking?
Ja, das wurde 2023 im DOJ-Verfahren offiziell bestätigt. Das System NavBoost nutzt Klickdaten der letzten 13 Monate als eines der wichtigsten Ranking-Signale. Es unterscheidet zwischen „goodClicks“ (längere Verweildauer) und „badClicks“ (schnelle Rückkehr zur SERP). Allerdings ist NavBoost robust gegen Manipulation – Fake-Klicks werden gefiltert.
Was ist DeepRank und warum ist es wichtig?
DeepRank ist die interne Bezeichnung für BERT, wenn es für Ranking eingesetzt wird. Es kombiniert tiefes Sprachverständnis mit Weltwissen aus dem Index. Wegen seiner Rechenintensität läuft DeepRank nur für die Top 20-30 Ergebnisse – entscheidet also über die Positionen 1-10, die für SEO am wichtigsten sind.
Wie beeinflusst Gemini 3 die Suche?
Gemini 3 powert seit Ende 2025 den AI Mode in Google Search. Es führt parallele Suchen durch (Query Fan-Out), synthetisiert Antworten aus mehreren Quellen und generiert dynamische Interfaces (Generative UI). Für SEO bedeutet das: Neben klassischen Rankings wird „Zitierung in der KI-Antwort“ zur wichtigen Metrik.
Was sind „goodClicks“ und „badClicks“?
Diese Begriffe stammen aus dem Google API-Leak 2024. „GoodClicks“ sind Klicks, nach denen Nutzer nicht zur SERP zurückkehren – sie haben gefunden, was sie suchten. „BadClicks“ sind das Gegenteil: schnelle Rückkehr zur Suche (Pogo-Sticking). Google wertet auch „lastLongestClicks“ und „unicornClicks“ (außergewöhnlich positive Signale) aus.
Ersetzt KI traditionelle SEO?
Nein, KI verstärkt traditionelle SEO-Prinzipien. Die Systeme belohnen hochwertigen, relevanten Content und bestrafen Manipulation effektiver als je zuvor. Technische SEO (Crawling, Indexierung, Core Web Vitals) bleibt die Basis. Was sich ändert: Die Fähigkeit, in KI-generierten Antworten zitiert zu werden, wird zur neuen Kernkompetenz.
Fazit: KI-Ranking verstehen und nutzen
Die wichtigsten Erkenntnisse auf einen Blick: Machine Learning ist kein Zusatz, sondern der Kern des Google-Rankings. User-Signale sind durch NavBoost offiziell als Ranking-Faktor bestätigt. Neural Matching und DeepRank verstehen Konzepte statt Keywords – thematische Tiefe ist der neue Standard. Und mit Gemini wird „Position in den SERPs“ weniger relevant als „Zitierung in der KI-Antwort“.
Ich sehe noch regelmäßig in meinen SEO-Audits, dass Teams isoliert auf einzelne Systeme optimieren – hier NavBoost-CTR, dort BERT-Semantik. Das greift zu kurz. Die Systeme arbeiten als Pipeline, und nur wer alle Stufen bedient, rankt stabil.
Deine nächsten Schritte: User-Signale in GSC und GA4 auswerten, Content auf Search Intent prüfen, strukturierte Daten (Article, FAQ, Person, Organization) implementieren, AI-Sichtbarkeit tracken und E-E-A-T-Signale stärken.
