Retrieval Augmented Generation (RAG)

Retrieval Augmented Generation (RAG) ist ein technisches Framework, das die Sprachfähigkeiten großer Sprachmodelle (LLMs) mit dem gezielten Abruf externer, aktueller Datenquellen kombiniert. Statt nur auf Trainingsdaten zurückzugreifen, sucht ein RAG-System bei jeder Anfrage aktiv nach passenden Fakten in Datenbanken, Dokumenten oder dem Web und reichert damit die Antwort an.

Für Online-Marketing und Suchmaschinenoptimierung (SEO) ist das besonders relevant, weil es die technische Grundlage von Google AI Overviews, Perplexity, ChatGPT mit Websuche und ähnlichen Systemen bildet. Wer versteht, wie RAG funktioniert, versteht, warum klassisches SEO für Sichtbarkeit in KI-Antworten nicht mehr ausreicht.

Warum RAG nötig ist

Klassische LLMs haben zwei strukturelle Schwächen:

• Veraltetes Wissen: Training endet zu einem fixen Zeitpunkt. Ein Modell, dessen Training 2023 endete, kann ohne externe Quellen nichts Korrektes über 2024 sagen.
• Halluzinationen: Fehlen Fakten, generieren LLMs plausibel klingende, aber falsche Informationen. RAG reduziert das, indem Antworten direkt aus bereitgestellten Dokumenten abgeleitet werden.

Wie RAG technisch funktioniert

Bei der Retrieval Augmented Generation unterscheidet man vier Schritte, die aufeinander aufbauen:

1. Retrieval: Das System durchsucht eine Vektordatenbank nach Textabschnitten, die semantisch zur Anfrage passen. Moderne Systeme nutzen hybride Suchen: Vektorsuche für Bedeutungszusammenhänge plus klassische Keyword-Suche für exakte Begriffe wie Produktnummern. Häufig wird die Anfrage vorher in mehrere Teilfragen zerlegt, ein Prinzip, das unter Query Fan Out beschrieben ist.
2. Augmentation: Die gefundenen Abschnitte werden mit der ursprünglichen Anfrage kombiniert. Die KI bekommt also nicht nur die Frage, sondern auch den relevanten Faktenhintergrund.
3. Generation: Das Sprachmodell übersetzt die Kombination aus Frage und Kontext in eine natürliche Antwort. Es fungiert hier primär als Formulierungsschicht über dem abgerufenen Inhalt.
4. Output: Die fertige Antwort wird ausgegeben, idealerweise mit direkten Quellenangaben für die Verifizierung.

Woher holen sich die KI-Systeme ihre Quellen?

Hier unterscheiden sich die Systeme stark. Nur rund 11 Prozent der Domains werden sowohl von ChatGPT als auch von Perplexity zitiert. Wer sich nur auf ein System optimiert, verliert in den anderen (The Digital Bloom, 2025, kommerzielle Analyse).

Die folgenden Anteile sind Momentaufnahmen aus Zitations-Analysen von 2024 und 2025. Sie verschieben sich laufend, weil die Anbieter ihre Quellenlogik ändern. Als grobe Größenordnung, welche Plattform welche Quellen bevorzugt, taugen sie trotzdem (Profound, 2025):

ChatGPT (OpenAI)

Wikipedia dominiert mit rund 48 Prozent aller Zitationen. Das System arbeitet mit einer klaren Quellenhierarchie:

• Tier 1: Wikipedia und lizenzierte Medienpartner (Vox Media, Condé Nast)
• Tier 2: Reddit-Inhalte mit mehreren Upvotes
• Tier 3: YouTube-Transkripte und Podcasts

Bei aktiver Websuche stützt sich ChatGPT stark auf die Bing-Ergebnisse.

Perplexity AI

Reddit ist die dominante Quelle mit rund 47 Prozent der Zitationen in den Top-Ergebnissen, gefolgt von YouTube. Perplexity indiziert Webinhalte in Echtzeit und kombiniert Live-Websuche mit Trainingsdaten.

Google AI Overviews (Gemini)

Nach einer Serpstat-Auswertung von 2025 zitierten über 93 Prozent der AI Overviews mindestens ein Ergebnis aus den organischen Top 10, wobei nur ein kleiner Teil direkt von Position 1 stammte (Serpstat, 2025). Der Anteil der Zitationen, der überhaupt aus den Top-10-Seiten kommt, sinkt allerdings: Eine Ahrefs-Analyse von 2026 zeigt einen Rückgang auf rund 38 Prozent (Search Engine Journal, 2026). Die reine Ranking-Position wird als Zitationsgarant also schwächer. Häufig zitierte Domains bleiben Reddit, YouTube, Wikipedia und Quora.

Claude (Anthropic)

Claude nutzt für die Websuche das Backend von Brave Search. Bevorzugt werden Inhalte, die Anthropics Sicherheits- und Hilfreichkeitskriterien entsprechen.

Microsoft Copilot

Bing-basiert, Wikipedia macht einen erheblichen Teil der Zitationen aus (in Analysen 2025 um die 35 Prozent).

Wichtige Sichtbarkeitssignale

Die aktuellen Daten zeigen eine Verschiebung weg von klassischen SEO-Faktoren:

• Markenbezogene Signale schlagen Backlinks. In Ahrefs' Analyse von rund 75.000 Marken korrelieren markenbezogene Erwähnungen am stärksten mit KI-Sichtbarkeit: branded web mentions (Korrelation 0,664) und branded anchor text (0,527) vorneweg. Das Brand Search Volume folgt mit moderaten 0,334, klassische Backlinks korrelieren nur schwach (Ahrefs, 2026). Brand-Aufbau schlägt hier also reine Linkarbeit.
• Dominanz der Top-Domains: Die Top-50-Domains vereinen laut The Digital Bloom rund 29 Prozent aller Zitationen in Google AI Overviews (The Digital Bloom, 2025). Wikipedia wird als Quelle stark gewichtet, ihr Anteil an den offengelegten Trainingsmischungen ist aber klein: Bei Metas Llama liegt er bei etwa 4,5 Prozent, nicht bei den kursierenden 20 Prozent oder mehr (Mozilla Foundation, 2024).
• Strukturierte Daten: Schema.org-Markups (Organization, Person, FAQ) helfen KI-Systemen, Inhalte einzuordnen. Sauber ausgezeichnete Vergleichstabellen werden überdurchschnittlich oft zitiert. Welche Schema-Typen für KI-Sichtbarkeit wirklich etwas bringen, steht unter Schema Markup für KI-SEO.
• Aktualität: Nach der Analyse von The Digital Bloom beziehen sich rund 65 Prozent der Zitationen auf Content aus dem letzten Jahr, nur etwa 6 Prozent auf Inhalte, die älter als sechs Jahre sind (The Digital Bloom, 2025).

RAG und GEO: Was das für deine Content-Strategie bedeutet

RAG verschiebt die Logik von Sichtbarkeit grundlegend. Es geht nicht mehr darum, auf Platz 1 der Ergebnisliste zu stehen, sondern darum, als vertrauenswürdige Quelle in KI-Antworten eingebaut zu werden. Dieses Feld heißt Generative Engine Optimization (GEO), im deutschsprachigen Raum oft KI-SEO genannt.

Wie stark sich das steuern lässt, hat eine Studie von Princeton und dem Allen Institute for AI gezeigt (Aggarwal et al., vorgestellt auf der KDD '24): Gezielte Optimierungsstrategien können die Sichtbarkeit einer Quelle in generativen Antworten um bis zu 40 Prozent steigern (Aggarwal et al., 2024).

Die Fraggle-Strategie

RAG-Systeme extrahieren selten komplette Seiten, sondern spezifische Fragmente. Den Begriff "Fraggle" (aus fragment und handle) hat Cindy Krum von MobileMoxie 2019 geprägt, ursprünglich für die einzeln adressierbaren Antwortbausteine, die Google aus Seiten herauslöst (Cindy Krum / MobileMoxie, 2019). Im GEO-Kontext beschreibt er dasselbe Prinzip für den Retrieval-Abruf: Inhalte sollten in sich geschlossene Abschnitte von etwa 50 bis 150 Wörtern enthalten, die eine spezifische Frage direkt beantworten. Modulare Struktur erleichtert dem Retrieval-Algorithmus die Arbeit. Wie ein solcher Abschnitt konkret aufgebaut sein muss, steht unter Content Chunking für KI-SEO.

Effektive GEO-Hebel

Aus der Studie von Aggarwal et al. lassen sich die wirksamsten Einzelhebel ablesen. Alle Werte beziehen sich auf die messbare Steigerung der Sichtbarkeit in KI-Antworten (Aggarwal et al., 2024):

• Zitate von Autoritäten einbauen: +27,8 Prozent
• Statistiken und Daten integrieren: +25,9 Prozent
• Belegte Quellenangaben ergänzen: +24,9 Prozent
• Lesbarkeit und Sprachfluss verbessern: messbar positiv, gut lesbare Texte werden von Generative Engines stärker herangezogen als viele annehmen
• Auf externe Quellen verweisen: das Zitieren belastbarer externer Quellen erhöht die eigene Zitationswahrscheinlichkeit
• Technische Fachsprache nutzen: präzise Begriffe helfen der KI beim semantischen Einordnen des Themas
• Schema.org-Markups implementieren: funktionieren als Wegweiser für den Retrieval-Prozess. Details unter Entity-SEO für KI-SEO

Die drei Hebel mit belegtem Prozentwert stammen direkt aus der kontrollierten Auswertung. Die übrigen wirken in dieselbe Richtung, sind aber nicht mit einer sauberen Einzelzahl hinterlegt.

Content-Typen mit hoher KI-Sichtbarkeit

Nicht jeder Content-Typ performt gleich gut in KI-Antworten. Die folgenden Anteile am KI-Traffic nach Seitentyp stammen aus einer Analyse von Ahrefs (Makosiewicz, 2025):

• "Best"-Content: 7,06 Prozent des KI-Traffics
• "Contact"-Seiten: 6,80 Prozent
• Produktseiten: 6,43 Prozent
• How-to-Guides: 6,35 Prozent
• "Top"-Listen: 5,50 Prozent
• Vergleichsartikel ("vs"): 4,88 Prozent
• "Services"-Seiten: 4,53 Prozent

Ergänzend dazu Ahrefs' eigene Nutzungsdaten nach Content-Typ:

How-to-Guides und Datenstudien dominieren sowohl bei Aufrufen als auch bei Verweildauer. Definitionen und Produktseiten haben die niedrigste Bounce Rate, was auf qualifizierten Traffic hindeutet. Das Fazit daraus: Ein Content-Mix, der verschiedene Nutzerintentionen abdeckt, erhöht die Wahrscheinlichkeit, über mehrere Zitierkonstellationen sichtbar zu sein.

Messbarkeit in der KI-Suche

Klassische Metriken wie die durchschnittliche Position verlieren an Aussagekraft, weil KI-Antworten oft mehrere Quellen gleichzeitig nutzen. Relevanter sind zwei Kennzahlen:

• Share of Voice: Wie häufig wird deine Marke in KI-Antworten zu relevanten Themen genannt?
• Citation Gap: Welche Wettbewerber werden zitiert, du aber nicht?

Wie sich diese Metriken sauber definieren und gegen das Query-Fan-Out-Verhalten der Systeme messen lassen, steht unter Query Fan Out. Wie du den daraus entstehenden KI-Traffic in der eigenen Analytics erfasst, steht unter KI-Traffic in Google Analytics 4. Tools für das Monitoring: Ahrefs Brand Radar, KI-Traffic-Analyse in der Google Search Console.

Quellen und weiterführende Dokumentation

• https://research.google/blog/deeper-insights-into-retrieval-augmented-generation-the-role-of-sufficient-context/
• https://cloud.google.com/use-cases/retrieval-augmented-generation
• https://www.searchenginejournal.com/google-says-if-seo-is-on-a-dying-path/536543/
• https://www.anthropic.com/news/contextual-retrieval
• https://help.openai.com/en/articles/8868588-retrieval-augmented-generation-rag-and-semantic-search-for-gpts
• https://learn.microsoft.com/en-us/azure/search/retrieval-augmented-generation-overview
• https://aws.amazon.com/bedrock/knowledge-bases/
• https://developer.nvidia.com/blog/rag-101-demystifying-retrieval-augmented-generation-pipelines/
• https://ahrefs.com/blog/geo-generative-engine-optimization/