Ich habe kürzlich mit Jesse Dwyer von Perplexity über SEO und KI-Suche gesprochen, wobei wir uns darauf konzentrierten, worauf SEOs bei der Optimierung für KI-Suche Priorität setzen sollten. Seine Erkenntnisse lieferten wertvolle Orientierungshilfen für Publisher und SEOs heute. ### KI-Suche heute Jesse betonte, dass Personalisierung die KI-Suche grundlegend transformiert. Er stellte fest: „Der größte und simpelste Punkt bei AEO (Answer Engine Optimization) im Vergleich zu SEO ist, dass es kein Nullsummenspiel mehr ist. Zwei Nutzer mit derselben Suchanfrage können unterschiedliche Antworten erhalten, wenn das KI-Tool personalisiertes Gedächtnis im Kontextfenster berücksichtigt (wie bei Perplexity, ChatGPT). “ Dieser Wandel entsteht durch Unterschiede in der Indexierungstechnologie und erklärt die Divergenz zwischen traditionellem geografischem Engine-Optimierung (GEO) und AEO. Dennoch gelten die meisten bewährten SEO-Praktiken weiterhin. Dwyers Kernbotschaft ist, dass Sichtbarkeit in der Suche nicht mehr auf konsistente Ergebnisse für alle Nutzer abzielt. KI-Antworten werden vom persönlichen Kontext beeinflusst, sodass zwei Nutzer bei derselben Anfrage deutlich unterschiedliche Antworten und zugrunde liegende Inhalte erhalten können. Obwohl die Infrastruktur nach wie vor ein klassischer Suchindex ist—Perplexity AI nutzt ein System ähnlich PageRank, das Popularität und Relevanz von Seiten bewertet—sind die abgefragten Inhalte deutlich verschieden von herkömmlicher Suche. Auf meine Frage, ob klassische Suche typischerweise die gleichen Top-Seiten für eine Anfrage anzeigt, während KI-Suche aufgrund des Gesprächskontexts vielfältige Antworten liefert, bestätigte Jesse diesen Unterschied. ### Sub-Dokumenten-Verarbeitung: Der entscheidende Unterschied in der KI-Suche Jesse erläuterte weiter die entscheidende Technologie hinter der KI-Suche: den Unterschied zwischen der Verarbeitung ganzer Dokumente und Teil-Dokumenten. Traditionelle Suchmaschinen indexieren ganze Webseiten, bewerten und ranken sie als einzelne Einheiten. KI-Tools, die dieses Modell verwenden—wie die Websuche bei ChatGPT—holen die Top 10–50 Dokumente und verwenden dann ein großes Sprachmodell (LLM), um die Ergebnisse zusammenzufassen.

Dieser Ansatz, manchmal auch als „4 Bing-Suchen in einem Überzieher“ bezeichnet, basiert nach wie vor auf algorithmischer Suche statt auf echtem KI-basiertem Retrieval. Diese Methode entspricht GEO oder Generative Engine Optimization, das weiterhin auf die Bewertung ganzer Seiten setzt. Der aufkommende KI-orientierte Ansatz—oft als „Sub-Dokumenten-Verarbeitung“ bezeichnet—indexiert und ruft hochspezifische, feingranulare Fragmente ab statt ganzer Dokumente. In KI-Form bedeutet ein Fragment etwa 5–7 Tokens (2–4 Wörter), die durch die Transformator-Architektur, die Modelle wie GPT zugrunde liegt, in numerische Repräsentationen umgewandelt werden. Bei einer Anfrage zieht das System etwa 130. 000 Tokens relevante Fragmente (etwa 26. 000 Fragmente) in das Kontextfenster des Modells—die Gesamtkapazität der meisten aktuellen LLMs—with dem Ziel, dieses mit relevanten Informationen zu füllen. Das Füllen des Kontextfensters minimiert die Neigung des Modells, „Halluzinationen“ zu erzeugen oder falsche Angaben zu machen, und ermöglicht so genauere Antworten. Diese Sub-Dokumenten-Indexierung ist der Weg, den die Branche einschlägt, was den Begriff AEO rechtfertigt. Zudem entsteht Personalisierung, weil das LLM umfangreiche Nutzerdaten in das vollständige Kontextfenster integrieren kann—viel mehr als ein traditionelles Google-Nutzerprofil—und so individuell zugeschnittene Ergebnisse liefert. Ein Unternehmen wie Perplexity unterscheidet sich dadurch, dass es die Pipeline zwischen Index und Fragmente-Retrieval mithilfe von Methoden wie Berechnungsmodulation, Query-Reformulierung und proprietären Modellen optimiert. Damit werden Relevanz der Fragmente und die Qualität der Antworten verbessert. Für SEOs sind diese Fortschritte weniger relevant, doch sie erklären auch, warum Perplexitys Search-API für Entwickler, die die Suche in andere Produkte integrieren, besonders fortschrittlich ist. ### Übersicht der Indexierungsansätze Dwyer hob den Unterschied hervor zwischen: - **Ganze Dokumente indexieren:** Dabei werden vollständige Webseiten gerankt und abgerufen, während das KI-System die endgültigen Resultate zusammenfasst. - **Sub-Dokumente indexieren:** Dabei werden die Inhalte als feingranulare Fragmente gespeichert und abgerufen, wobei das KI-System direkt auf diese Fragmente schließt. Letzteres verbessert die Genauigkeit der Antworten, indem das Modell mit relevanten Daten vollständig geflutet wird, was die Falschdarstellung reduziert und ausführlichere Antworten ermöglicht. Abschließend betonte Jesse, dass „Betrieb der Rechenleistung“, die Neukonzipierung von Anfragen und proprietäre Indexierungsmodelle das „Geheimrezept“ für eine überlegene Fragment-Retrieval-Qualität und KI-Suchleistung darstellen. **Feature-Bild** von Shutterstock/Summit Art Creations