Reranking und SEO

TL;DR — Reranking ist ein zweiter Blick. Ein Such- oder KI-System ruft zunächst schnell und grob eine große Menge möglicherweise relevanter Seiten ab. Anschließend bewertet ein langsameres, präziseres Modell diese Shortlist und setzt die besten Ergebnisse nach oben – bevor diese für Sie sichtbar werden oder eine KI daraus eine Antwort formuliert. Die Aufnahme in die Shortlist allein reicht nicht; ein Inhalt muss auch die Neusortierung überstehen.

Was Reranking ist

Reranking wendet eine zweite Bewertungsstufe auf Kandidaten an, die von einem anfänglichen Retriever erzeugt wurden. Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT Cross-Encoder sind ein Ansatz, nicht die Definition jedes Rerankers. Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

Stellen Sie sich vor, Sie besetzen eine Stelle und erhalten 500 Lebensläufe. Sie können nicht alle 500 sofort gründlich lesen. Deshalb verschaffen Sie sich zunächst einen schnellen Überblick, wählen die 20 vielversprechendsten aus und prüfen diese anschließend genau, um eine Reihenfolge festzulegen. Nach demselben zweistufigen Prinzip finden moderne Such- und KI-Systeme relevante Inhalte.

• Schritt eins – Retrieval. Das System macht einen schnellen, günstigen Durchlauf über einen riesigen Index und holt eine Kandidatenmenge von Seiten oder Passagen zurück, die relevant aussehen. Es wirft ein weites Netz aus.
• Schritt zwei – Reranking. Ein zweites, langsameres und sorgfältigeres Modell prüft nur diese Shortlist, bewertet für jeden Kandidaten, wie gut er die Anfrage tatsächlich beantwortet, und legt eine neue Reihenfolge fest.

Nur die Spitze dieser neu geordneten Liste wird Ihnen gezeigt oder einer KI übergeben, um eine Antwort daraus zu schreiben. Die Shortlist entscheidet also, wer im Rennen ist, und das Reranking entscheidet, wer gewinnt.

Warum in zwei Schritten?

Weil die sorgfältige Prüfung teuer ist. Das präzise Modell, das beurteilt, „wie gut beantwortet genau diese Seite genau diese Frage?“, ist viel zu langsam, um jede Seite in einem Milliardenindex zu bewerten. Systeme rufen deshalb mit einem kostengünstigen Verfahren eine breite Auswahl ab und setzen das teure Modell nur für die kleine Shortlist ein: schnell und grob zur Eingrenzung, langsam und präzise für die endgültige Reihenfolge.

Warum es für Sie wichtig ist

In die Shortlist aufgenommen zu werden ist notwendig, reicht aber nicht aus. Ihre Seite kann indexiert und Teil der Kandidatenmenge sein und trotzdem aus der endgültigen Auswahl fallen, wenn der Reranker andere Ergebnisse als bessere Antworten bewertet.

Die praktische Konsequenz kennen Sie vermutlich bereits; hier wird der Grund dafür sichtbar: Schreiben Sie Passagen, die eine bestimmte Frage klar und für sich allein beantworten. Der Reranker betrachtet Ihre Passage zusammen mit der Anfrage und bewertet deren Übereinstimmung. Ein Abschnitt, der sich wie eine direkte, in sich geschlossene Antwort liest, schneidet besser ab als einer, der erst nach der Lektüre der drei vorherigen Absätze verständlich wird.

Möchten Sie die eigentliche Mechanik kennenlernen – Bi-Encoder und Cross-Encoder, Googles und Bings Ansätze, die Rolle in der KI-Suche und den Unterschied zu Reciprocal Rank Fusion? Wechseln Sie zum Tab Fortgeschritten.

TL;DR — Reranking ist die zweite Stufe einer zwei- oder mehrstufigen Retrieval-Pipeline: Ein kostengünstiger, breiter Retrieval-Durchlauf (BM25-Schlüsselwortabgleich, Embedding-/Vektorähnlichkeit oder beides) ruft eine Kandidatenmenge ab. Danach bewertet ein langsameres, präziseres Modell diese Shortlist neu und ordnet sie um. Der Kernmechanismus ist Bi-Encoder vs. Cross-Encoder – ein Bi-Encoder kodiert Anfrage und Dokument getrennt in Vektoren und vergleicht sie (schnell, vorberechenbar, weniger präzise); ein Cross-Encoder kodiert beide gemeinsam und gibt einen Relevanzwert pro Paar aus (langsamer, nicht vorberechenbar, genauer). Ein Cross-Encoder ist für den gesamten Korpus zu teuer, weshalb Systeme breit abrufen und nur die Shortlist neu ordnen. Google verwendet das Wort „Reranking“ nicht öffentlich, doch BERT und Passagen-Ranking erfüllen diese Aufgabe; Microsoft dokumentiert in Azure AI Search ausdrücklich einen von Bing abgeleiteten Reranker. Reranking ≠ Reciprocal Rank Fusion (RRF). SEO-Fazit: Weil Reranker Anfrage und Passage gemeinsam bewerten, schneiden eindeutige, in sich geschlossene Passagen besser ab.

Das Muster: erst abrufen, dann neu ordnen

Die zweistufige Suche balanciert einen breiten Kandidatenabruf mit einer teureren, genaueren Bewertung. Evidence for this claim A cross-encoder can score query-document pairs for reranking after an initial retrieval stage. Scope: Sentence-BERT evaluation and related retrieve-then-rerank use; cross-encoders are one reranking approach, not a universal implementation. Confidence: high · Verified: 2026-07-14 Reimers and Gurevych: Sentence-BERT Modellwahl und Abwägungen zwischen Latenz und Qualität hängen von der jeweiligen Implementierung ab. Evidence for this claim A rerank model can reorder an existing candidate list by relevance to a query. Scope: Cohere's Rerank product behavior; inputs, limits, and scoring semantics are vendor-specific. Confidence: high · Verified: 2026-07-14 Cohere: Rerank overview

Jedes groß angelegte Relevanzsystem steht vor demselben Problem: Man kann es sich nicht leisten, das genaueste Relevanzmodell auf dem gesamten Korpus auszuführen. Die Standardlösung besteht also darin, die Arbeit in Phasen aufzuteilen. Die Suchdokumentation von Google Cloud formuliert die Logik klar: “In short, retrieval is finding relevant documents, while ranking is ordering those retrieved documents. Ranking all the available documents can be computationally expensive. Therefore, retrieval and ranking work sequentially.” (Übersetzung) „Kurz gesagt: Retrieval findet relevante Dokumente, während Ranking diese gefundenen Dokumente ordnet. Sämtliche verfügbaren Dokumente zu ranken, kann viel Rechenleistung beanspruchen. Daher arbeiten Retrieval und Ranking nacheinander.“ (Google Cloud, „Über Retrieval und Ranking“)

Stufe eins – Retrieval – wirft kostengünstig ein breites Netz aus. Sie verwendet lexikalischen Abgleich (BM25 über einen invertierten Index), embeddingbasierte Vektorsuche oder eine Kombination aus beidem und liefert eine Kandidatenmenge. Stufe zwei – Reranking – bewertet jeden Kandidaten dieser Shortlist mit einem teureren, präziseren Modell und legt anschließend eine neue Reihenfolge fest. Die Kurzform lautet: kostengünstig und breit abrufen, eine kleine Menge präzise neu bewerten und danach ausliefern oder zur Generierung verwenden.

Bi-Encoder vs. Cross-Encoder: der grundlegende Mechanismus

Das gesamte Thema hängt von einer architektonischen Unterscheidung ab – wann sich Abfrage und Dokument treffen.

• Bi-Encoder (der Retriever der ersten Stufe). Er kodiert die Abfrage und jedes Dokument getrennt, jeweils in einen eigenen Vektor, und vergleicht dann die beiden Vektoren beispielsweise anhand der Kosinus-Ähnlichkeit. Da die Dokumentvektoren nicht von der Abfrage abhängen, lassen sie sich im Voraus berechnen und indizieren. Dadurch ist das Retrieval schnell genug für einen gesamten Korpus. Der Preis: Abfrage und Dokument interagieren nie direkt, sodass das Modell jede mögliche Bedeutung eines Dokuments in einen einzigen Vektor komprimieren muss – und Nuancen verloren gehen. Bi-Encoder sind die Grundlage für Embeddings und Vektorsuche.
• Cross-Encoder (der Reranker der zweiten Stufe). Er kodiert die Abfrage und ein Kandidatendokument zusammen, als eine einzige gemeinsame Eingabe durch einen Transformer, und gibt einen einzigen Relevanzwert für dieses Paar aus. Da das Modell beide gleichzeitig sieht, kann es direkt abwägen, wie die spezifischen Wörter der Abfrage mit den spezifischen Wörtern des Dokuments zusammenhängen – weitaus genauer. Der Preis: Nichts kann vorberechnet werden. Jedes Abfrage-Dokument-Paar muss zur Abfragezeit durch das Modell laufen, daher ist es viel zu langsam, um auf einen gesamten Index angewendet zu werden. Genau deshalb ist es für die Shortlist reserviert.

Google beschreibt diesen genauen Mechanismus bemerkenswerterweise in eigenen Worten. In der Google-Cloud-Dokumentation zu Retrieval/Ranking ist eines der aufgeführten Retrieval-Signale Cross-Attention, definiert als etwas, das “allows a model to consider the relationship between a query and a document to assign a relevance score to the document.” (Übersetzung) „einem Modell ermöglicht, die Beziehung zwischen einer Abfrage und einem Dokument zu berücksichtigen, um dem Dokument einen Relevanzwert zuzuweisen.“ Das ist die Cross-Encoder-Idee unter einem anderen Namen.

Warum nicht einfach das genaue Modell für alles verwenden?

Latenz und Kosten machen das in großem Maßstab undurchführbar; der Unterschied ist enorm. Pinecones Artikel über zweistufiges Retrieval nennt eine konkrete Zahl: Bei 40 Millionen Datensätzen würde ein BERT-artiger Cross-Encoder-Reranker auf einer V100-GPU mehr als 50 Stunden benötigen, die Vektorsuche dagegen weniger als 100 Millisekunden. (Pinecone, „Reranker und zweistufiges Retrieval“) Genau das rechtfertigt das zweistufige Design: Es liefert einen Großteil der Genauigkeit des Cross-Encoders, berechnet dessen teures Modell aber nur für einige Dutzend oder Hundert Kandidaten.

Vectara greift dieselbe Frage direkt auf: Warum nicht einfach alle Dokumente mit dem präzisesten verfügbaren Modell bewerten? Die Antwort bleibt gleich: Das ist nicht praktikabel, also wird zunächst kostengünstig gefiltert. (Vectara, „What is reranking and why does it matter?“)

Wie Google das macht

Google hat nie eine offizielle Stellungnahme veröffentlicht, in der die Begriffe „Reranking“, „Cross-Encoder“ oder „Bi-Encoder“ auf Google Search selbst bezogen werden. Das ist wichtig, um die Belege nicht zu überdehnen. Die Funktion ist jedoch unter anderen Namen dokumentiert.

Googles eigener Leitfaden zu den Google-Suchranking-Systemen nennt zwei Systeme für diese Reranking-Aufgabe:

• BERT – „ein KI-System, das Google verwendet und das es uns ermöglicht zu verstehen, wie Kombinationen von Wörtern unterschiedliche Bedeutungen und Absichten ausdrücken.“ BERT liest die Wörter einer Abfrage gemeinsam im Kontext; ein BERT-basierter Reranker bewertet die Relevanz von Abfrage und Dokument so, wie es ein Cross-Encoder tut.
• Passage-Ranking – „ein KI-System, das wir verwenden, um einzelne Abschnitte oder ‚Passagen‘ einer Webseite zu identifizieren, um besser zu verstehen, wie relevant eine Seite für eine Suche ist.“ Das ist Reranking auf Passagenebene statt auf Seitenebene (siehe Passage-Ranking für die ausführliche Erläuterung).
• RankBrain – Googles früheres System, das „uns hilft zu verstehen, wie Wörter mit Konzepten zusammenhängen“, sodass es relevante Inhalte zurückgeben kann, selbst ohne Wörter mit exakter Übereinstimmung.

Google Research hat den Mechanismus auch direkt veröffentlicht: Das Papier Learning-to-Rank with BERT in TF-Ranking beschreibt die Kodierung von Abfragen und Dokumenten mit BERT und die Anwendung einer Learning-to-Rank-Schicht darüber und stellt es ausdrücklich als Passagen-Re-Ranking dar – mit der besten Leistung bei der MS-MARCO-Passagen-Re-Ranking-Aufgabe zum 30. März 2020. Das ist eine Veröffentlichung von Google Research und keine Produktanleitung von Search Central, also behandeln Sie es als Googles technische Forschung, nicht als Aussage über die Live-Suchpipeline.

Eine Zahl, die man relativieren sollte: Die in SEO-Kreisen verbreitete Darstellung “cut down to the top 1,000 results, then reorder them” (Übersetzung) „auf die obersten 1 000 Ergebnisse reduzieren und sie anschließend neu ordnen“ geht auf meine eigene Interpretation öffentlicher Forschung und Patente in einem Konferenzvortrag zurück – nicht auf eine aktuelle, wörtliche Google-Aussage zur Websuche. Das Enterprise-Suchprodukt von Google Cloud dokumentiert zwar eine konkrete Pipeline: “the model retrieves documents in the order of thousands… The ranking model then orders the retrieved documents and serves the top 400 ranked results” (Übersetzung) „Das Modell ruft Dokumente in einer Größenordnung von Tausenden ab … Anschließend ordnet das Ranking-Modell die gefundenen Dokumente und liefert die 400 höchstplatzierten Ergebnisse aus.“ Das ist jedoch Vertex AI Search und nicht die Google-Websuche. Gehen Sie daher weder für die 1 000 noch für die 400 Ergebnisse davon aus, dass die Zahl auf Google Search selbst zutrifft.

Wie Bing und Microsoft das umsetzen

Microsoft ist deutlich expliziter; seine klarste Dokumentation kommt einer offiziellen Beschreibung eines produktiv eingesetzten Rerankers am nächsten. Der semantische Ranker von Azure AI Search wird so beschrieben: “a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results” (Übersetzung) „eine Funktion zur messbaren Verbesserung der Suchrelevanz, die Microsofts Sprachverständnismodelle zum Neuordnen der Ergebnisse einsetzt“. Entscheidend ist außerdem: “the underlying technology is from Bing and Microsoft Research.” (Übersetzung) „Die zugrunde liegende Technologie stammt von Bing und Microsoft Research.“

Die Mechanik lässt sich sauber auf das zweistufige Muster abbilden:

• Er “always adds secondary ranking over an initial result set that was scored using BM25 or Reciprocal Rank Fusion (RRF).” (Übersetzung) „fügt einer anfänglichen Ergebnismenge, die mit BM25 oder Reciprocal Rank Fusion (RRF) bewertet wurde, stets eine zweite Ranking-Stufe hinzu.“ Stufe eins ist BM25 oder RRF; der semantische Ranker ist Stufe zwei.
• Microsoft nennt diese Stufe L2-Ranking, das “uses the context or semantic meaning of a query to compute a new relevance score over preranked results.” (Übersetzung) „den Kontext oder die semantische Bedeutung einer Abfrage nutzt, um für vorgerankte Ergebnisse einen neuen Relevanzwert zu berechnen.“
• Es ordnet nur die Shortlist neu, nie den gesamten Korpus: “What semantic ranker can’t do is rerun the query over the entire corpus… Semantic ranking reranks the existing result set, consisting of the top 50 results as scored by the default ranking algorithm.” (Übersetzung) „Der semantische Ranker kann die Abfrage nicht erneut über den gesamten Korpus ausführen … Das semantische Ranking ordnet die vorhandene Ergebnismenge neu, die aus den 50 vom Standard-Ranking-Algorithmus am höchsten bewerteten Ergebnissen besteht.“ Selbst wenn mehr als 50 Ergebnisse zurückkommen, gilt: “only the top 50 results progress to semantic ranking.” (Übersetzung) „Nur die obersten 50 Ergebnisse gelangen zum semantischen Ranking.“

Bings eigener Blog vom Mai 2026 über die sich entwickelnde Rolle des Index nennt Reranking nicht direkt, bekräftigt aber, dass die Retrieval-Qualität nun an der Zuverlässigkeit der Antwortunterstützung gemessen wird: “Retrieval systems must therefore optimize not just for one-shot retrieval, but for consistent, repeatable behavior across iterative use.” (Übersetzung) „Retrieval-Systeme müssen daher nicht nur für einen einmaligen Abruf, sondern für konsistentes, wiederholbares Verhalten bei iterativer Nutzung optimiert werden.“

Reranking in RAG und KI-Suche

Hier wirkt sich Reranking am direktesten auf KI-Übersichten, KI-Modus, Copilot, ChatGPT Search und Perplexity aus. In einer RAG-Pipeline ist Reranking eine eigene Stufe zwischen Retrieval und Generierung: Inhalte werden in Chunks aufgeteilt, eingebettet und gespeichert; die Abfrage ruft per Vektorähnlichkeit passende Chunks ab; ein Reranker bewertet diese Kandidaten neu; und nur die am höchsten bewerteten werden dem LLM als Kontext übergeben. Der Reranker bildet damit das Tor zwischen „Ihr Abschnitt wurde abgerufen“ und „Ihr Abschnitt wurde tatsächlich verwendet“.

Dieses Tor kann streng sein. In KI-Suchsystemen übersteht typischerweise nur ein Bruchteil der abgerufenen Quellen die Reranking-Schwelle zur Generierungsstufe. Die Aufnahme in den Kandidatenpool ist daher nur der Eintrittspreis und keine Garantie für eine Zitierung. Ahrefs’ eigene Forschung zur Optimierung für LLM-Suche formuliert das Kernproblem so: “AI companies don’t reveal how LLMs select sources, so it’s hard to know how to influence their outputs.” (Übersetzung) „KI-Unternehmen legen nicht offen, wie LLMs Quellen auswählen; deshalb lässt sich nur schwer bestimmen, wie ihre Ausgaben beeinflusst werden können.“ Reranking ist ein wesentlicher Teil dieses verborgenen Auswahlschritts.

Reranking vs. Reciprocal Rank Fusion (RRF)

Diese Verfahren werden ständig verwechselt – auch in ansonsten guten SEO-Inhalten –, sind aber nicht derselbe Mechanismus.

• Reranking bewertet einen Kandidatenpool neu, indem es jedes Abfrage-Dokument-Paar mit einem einzigen Modell (dem Cross-Encoder) gemeinsam bewertet. Es fragt: wie relevant ist dieses Dokument wirklich für diese Abfrage?
• Reciprocal Rank Fusion (RRF) führt mehrere bereits gerankte Listen zusammen – zum Beispiel die Ergebnisse von BM25 und der Vektorsuche oder die Ergebnisse mehrerer Fan-out-Unterabfragen – und belohnt Dokumente, die in mehreren Listen vorkommen. Ahrefs’ Erklärung zu Query Fan-Out beschreibt, dass Fan-out-Abfragen über Indizes gesucht werden, “using reciprocal rank fusion (RRF) — a method that scores and merges multiple lists of results by rewarding those that appear consistently across them.” (Übersetzung) „Dabei wird Reciprocal Rank Fusion (RRF) verwendet – eine Methode, die mehrere Ergebnislisten bewertet und zusammenführt und Einträge belohnt, die in diesen Listen wiederholt erscheinen.“

Beide können in derselben Pipeline vorkommen – Azures semantischer Ranker ordnet eine bereits mit BM25 oder RRF bewertete Menge neu. RRF ist jedoch ein Schritt zur Zusammenführung von Listen (kein Modell liest Ihren Inhalt), während Reranking ein Schritt zur Inhaltsbewertung ist (ein Modell liest Abfrage und Passage gemeinsam). Merken Sie sich zur Unterscheidung: RRF kombiniert Listen; Reranking liest Inhalte erneut.

Eine kurze Geschichte: BM25 → RankBrain → BERT → LLM-Reranker

Reranking ist nicht neu – es ist der moderne Name für ein Muster, das die Suche seit Jahren verwendet. Der rote Faden, den ich in meinem Ahrefs-Evolve-2025-Vortrag GEO? AEO? LLMO? Was ist mit all diesem KI-Zeug? durchgehe:

• BM25 / lexikalisches Retrieval – die klassische Keyword-Übereinstimmungsbewertung, die immer noch die erste Eingrenzung übernimmt.
• RankBrain (2016) – Googles erstes maschinelles Lernsystem für das Ranking, das Wörter als Konzepte versteht.
• BERT / DeepRank (2019) – kontextuelles, absatzübergreifendes Sprachverständnis; die Ära der Cross-Encoder-ähnlichen Neubewertung beginnt.
• Moderne LLM-basierte Reranker (RankEmbed und Cross-Encoder aus der RAG-Ära) – neuronale Reranker sitzen jetzt zwischen Retrieval und Generierung in der KI-Suche.

Das durchgängige Muster bei allen: zuerst kostengünstiges breites Retrieval, dann teure präzise Neuanordnung einer Shortlist.

Was das für Inhalte und SEO bedeutet

Da ein Cross-Encoder die Anfrage und Ihren Absatz gemeinsam bewertet, bestätigen die praktischen Konsequenzen bewährte Empfehlungen, die Sie bereits kennen – nun mit einem nachvollziehbaren Mechanismus:

• Schreiben Sie in sich geschlossene Absätze. Ein Reranker bewertet einen Absatz weitgehend nach seinem eigenen Wert im Verhältnis zur Anfrage. Ein Abschnitt, der nur im Kontext der drei darüberliegenden Absätze Sinn ergibt, schneidet schlechter ab als einer, der wie eine vollständige Antwort liest. Das steht in direktem Zusammenhang mit Passage Ranking und Chunking.
• Beantworten Sie die konkrete Frage nahe dem Anfang des Abschnitts. Direkte Antworten schneiden besser ab als lange Hinführungen. Nennen Sie zuerst die Antwort und erläutern Sie anschließend die Details.
• Minimieren Sie Mehrdeutigkeit. Pronomen und kontextabhängige Formulierungen („wie oben erwähnt“, „dieser Ansatz“), die sich nur an anderer Stelle auf der Seite auflösen, machen es schwieriger, einen Absatz isoliert zu bewerten. Benennen Sie die Sache.
• Retrieval ist weiterhin die Voraussetzung. Reranking sieht nur, was Retrieval ihm übergibt. Eine Seite, die nicht gecrawlt und indexiert werden kann oder nie abgerufen wird, erreicht den Reranker überhaupt nicht. Beheben Sie zuerst die Auffindbarkeit; optimieren Sie dann die Absätze.

Nichts davon ist eine Einstellung, die Sie Google übermitteln könnten. Es ist derselbe Rat – klar formulieren und auffindbar sein –, zugeschnitten auf die Phase des zweiten Blicks, in der entschieden wird, welche abgerufenen Inhalte tatsächlich Verwendung finden.

KI-Zusammenfassung

Eine komprimierte Darstellung der erweiterten Version:

• Reranking = Stufe zwei einer Retrieval-Pipeline. Stufe eins ruft einen Kandidatensatz kostengünstig und breit ab (BM25, Vektorsuche oder hybrid); Stufe zwei bewertet und ordnet diese Shortlist mit einem langsameren, präziseren Modell neu, bevor Ergebnisse ausgeliefert oder einem LLM zugeführt werden.
• Bi-Encoder vs. Cross-Encoder ist der Kernmechanismus. Ein Bi-Encoder kodiert Anfrage und Dokument getrennt in Vektoren und vergleicht sie – schnell, vorberechenbar, weniger präzise; er ist der Retriever. Ein Cross-Encoder kodiert sie gemeinsam und gibt einen Relevanzwert pro Paar aus – langsamer, nicht vorberechenbar, genauer; er ist der Reranker.
• Warum zwei Stufen: Das genaue Modell ist zu langsam, um über einen gesamten Korpus zu laufen. Pinecone: ein Cross-Encoder über 40 Mio. Datensätze ≈ über 50 Stunden vs. unter 100ms für die Vektorsuche. Kostengünstig abrufen, die Shortlist neu bewerten.
• Google sagt nicht öffentlich „Reranking“, aber BERT und Passage Ranking übernehmen diese Aufgabe, und die Google-Cloud-Dokumentation listet Cross-Attention (die Cross-Encoder-Idee) auf. Die Angabe “top 1,000 then reorder” (Übersetzung) „die obersten 1 000 Ergebnisse anschließend neu ordnen“ geht auf Patricks Präsentation zurück, die Forschung und Patente interpretiert – nicht auf eine wörtliche aktuelle Google-Suchaussage.
• Bing/Microsoft dokumentiert einen expliziten Reranker: Der semantische Ranker von Azure AI Search (L2-Ranking) bewertet eine BM25- oder RRF-gewichtete Menge neu, nur die obersten ~50 Ergebnisse, mit Technologie „von Bing und Microsoft Research“.
• In RAG/KI-Suche ist Reranking das Tor zwischen „abgerufen“ und „tatsächlich verwendet“ – nur einige abgerufene Quellen schaffen es in die Generierung.
• Reranking ≠ RRF. RRF führt mehrere Ranglisten zusammen; Reranking bewertet einen Kandidatenpool neu, indem es Anfrage + Passage gemeinsam liest. Oft verwechselt; nicht dasselbe.
• SEO-Fazit: Da Reranker Anfrage-Passage-Paare gemeinsam bewerten, schneiden in sich geschlossene, eindeutige Passagen, die eine bestimmte Frage direkt beantworten, besser ab. Retrieval (crawlbar + indexiert) bleibt die Voraussetzung.

Offizielle Dokumentation

Primärquellen-Dokumentation zu Retrieval und Re-Ranking von den Such- und Cloud-Anbietern.

Google

• Über Retrieval und Ranking (Google Cloud / Vertex AI Search) — die klarste offizielle Google-Beschreibung der Retrieval→Ranking-Aufteilung, des Cross-Attention-Signals und der Top-400-Auslieferungszahl (für das Enterprise-Produkt, nicht für die Websuche).
• Ein Leitfaden zu Googles Such-Ranking-Systemen — BERT, Passage-Ranking und RankBrain in Googles eigenen Worten (die Systeme, die in der Suche die Aufgabe des Re-Rankings übernehmen).
• Learning-to-Rank mit BERT in TF-Ranking (Google Research) — Googles eigene Cross-Encoder-Passage-Re-Ranking-Forschung auf MS MARCO.

Microsoft / Bing

• Überblick über semantisches Ranking — Azure AI Search — Microsofts detaillierteste öffentliche Re-Ranker-Dokumentation: L2-Ranking über eine BM25/RRF-Menge, nur Top-50, Technologie „von Bing und Microsoft Research“.
• “The science behind semantic search” (Übersetzung) „Die Wissenschaft hinter der semantischen Suche“ — Microsoft Research, die Forschung hinter dem semantischen Ranker (BM25-Basis + Transformer-Re-Ranking).
• Die sich entwickelnde Rolle des Index (Bing Search Blog, Mai 2026) — Retrieval-Zuverlässigkeit für Antwortsysteme.

Anbieter-/RAG-Referenzen

• Reranker und zweistufiges Retrieval (Pinecone) — die Erklärung des Informationsverlusts bei Bi-Encodern und der Latenz-Benchmark von 50 Stunden vs. 100ms.
• Cross-Encoder als Reranker verwenden (Weaviate) — das Framing „schnell, aber weniger genau“ vs. „genau, aber langsam“ und die mehrstufige Pipeline.
• Was sind Reranker? (MongoDB) — Definition, Rolle in der Suche und RAG-Optimierung.
• Was ist Re-Ranking und warum ist es wichtig? (Vectara) — die Frage „Warum nicht einfach das teure Modell für alles verwenden?“.

Zitate aus der Quelle

Öffentliche Aussagen von Google und Microsoft. Jeder Link ist ein Deep Link, der direkt zur zitierten Passage auf der Quellseite springt.

Google Cloud — die Retrieval-dann-Ranking-Aufteilung

• “In short, retrieval is finding relevant documents, while ranking is ordering those retrieved documents. Ranking all the available documents can be computationally expensive. Therefore, retrieval and ranking work sequentially.” (Übersetzung) „Kurz gesagt: Beim Dokumentenabruf werden relevante Dokumente gefunden; die Rangfolge ordnet anschließend diese gefundenen Dokumente. Alle verfügbaren Dokumente zu ordnen, kann rechenintensiv sein. Daher erfolgen Abruf und Rangfolge nacheinander.“ — Google Cloud, „Über Retrieval und Ranking.“ Zum Zitat springen

Google Search Central — die Systeme für die Re-Ranking-Aufgabe

• “Bidirectional Encoder Representations from Transformers (BERT) is an AI system Google uses…” (Übersetzung) „Bidirektionale Encoder-Repräsentationen von Transformatoren (BERT) ist ein KI-System, das Google verwendet…“ — Google Search Central, „A Guide to Google Search Ranking Systems.“ Zum Zitat springen
• “Passage ranking is an AI system we use to identify individual sections or ‘passages’ of a web page…” (Übersetzung) „Passage-Ranking ist ein KI-System, das wir verwenden, um einzelne Abschnitte oder ‚Passagen‘ einer Webseite zu identifizieren…“ — Google Search Central, derselbe Leitfaden. Zum Zitat springen

Microsoft — ein expliziter, von Bing abgeleiteter Re-Ranker

• “In Azure AI Search, semantic ranker is a feature that measurably improves search relevance by using Microsoft’s language understanding models to rerank search results.” (Übersetzung) „In Azure AI Search ist der semantische Ranker eine Funktion zur messbaren Verbesserung der Suchrelevanz. Dafür verwendet er Microsofts Sprachverständnismodelle, um Suchergebnisse neu zu bewerten.“ — Microsoft Learn, „Semantic ranking overview.“ Zum Zitat springen
• “What semantic ranker can’t do is rerun the query over the entire corpus to find semantically relevant results. Semantic ranking reranks the existing result set, consisting of the top 50 results as scored by the default ranking algorithm.” (Übersetzung) „Was der semantische Ranker nicht kann, ist, die Abfrage über den gesamten Korpus erneut auszuführen, um semantisch relevante Ergebnisse zu finden. Das semantische Ranking bewertet die vorhandene Ergebnismenge neu, die aus den Top-50-Ergebnissen besteht, die vom Standard-Ranking-Algorithmus bewertet wurden.“ — Microsoft Learn, dieselbe Seite.

Bing — Abruf für Antwortsysteme

• “Retrieval systems must therefore optimize not just for one-shot retrieval, but for consistent, repeatable behavior across iterative use.” (Übersetzung) „Abrufsysteme müssen daher nicht nur für den einmaligen Abruf optimieren, sondern für konsistentes, wiederholbares Verhalten über die iterative Nutzung hinweg.“ — Krishna Madhavan, Knut Risvik, Meenaz Merchant (Microsoft AI), Bing Search Blog, Mai 2026. Quelle lesen

Die mentalen Modelle

1. Breit abrufen, präzise neu bewerten. Stufe eins wirft ein breites, kostengünstiges Netz aus; Stufe zwei prüft die Shortlist sorgfältig. Wenn Ihre Seite in einer KI-Antwort oder einem Suchergebnis fehlt, fragen Sie, an welcher Stufe sie ausgeschieden ist: Wurde sie nie in die Kandidatenmenge aufgenommen oder wurden Sie abgerufen, aber unterhalb des Cut-offs neu bewertet? Das sind verschiedene Probleme mit verschiedenen Lösungen (Auffindbarkeit vs. Passagenklarheit).

2. Bi-Encoder vs. Cross-Encoder – getrennt vs. gemeinsam. Ein Bi-Encoder kodiert Abfrage und Dokument getrennt und vergleicht Vektoren – schnell, indizierbar, verlustbehaftet. Ein Cross-Encoder kodiert sie gemeinsam und bewertet das Paar – langsam, exakt, nicht vorberechenbar. Beim Abruf kommt Ersteres zum Einsatz, beim Reranking Letzteres. Die Unterscheidung „getrennt vs. gemeinsam“ erklärt den gesamten Geschwindigkeits-/Genauigkeits-Kompromiss.

3. Das teure Modell zahlt sich nur auf einer Shortlist aus. Sie können einen Cross-Encoder nicht über eine Milliarde Seiten laufen lassen (über 50 Stunden bei 40 Millionen Datensätzen). Das zweistufige Design existiert genau deshalb, damit die Kosten des präzisen Modells nur für Dutzende oder Hunderte Kandidaten anfallen und nicht für den gesamten Korpus. Diese Einschränkung ist der Grund, warum das Neubewerten eine separate Stufe ist.

4. Neubewerten ≠ RRF. Reciprocal Rank Fusion führt mehrere Ranglisten zusammen (BM25 + Vektor oder Fan-out-Unterabfragen), indem es die Übereinstimmung zwischen Listen belohnt – kein Modell liest Ihren Inhalt. Neubewerten bewertet einen Pool neu, indem es Abfrage und Passage zusammen liest. RRF kombiniert Listen; Neubewerten liest Inhalte erneut.

5. Gleiche Funktion, verschiedene Namen. „Neubewerten“ ist Vokabular von Anbietern/ML. Google nennt seine Versionen BERT und Passagen-Ranking; Microsoft nennt seine Version den semantischen Ranker / L2-Ranking. Das Fehlen des Wortes in der Search-Central-Dokumentation ist nicht das Fehlen der Funktion.

6. Die Inhaltsentscheidungsregel. Es gibt keinen Neubewertungs-Regler zum Einreichen. Fragen Sie stattdessen: Beantwortet diese Passage eine bestimmte Frage klar und für sich allein, ohne vom Rest der Seite abzuhängen? Wenn ja, hat sie gute Voraussetzungen, wenn ein Cross-Encoder sie zusammen mit der Abfrage bewertet. Benötigt sie zum Verständnis den umgebenden Kontext, sind diese Voraussetzungen schlechter.

Neubewerten – Spickzettel

Was es in einem Satz ist Die zweite Stufe des Abrufs: Eine abgerufene Shortlist wird mit einem langsameren, präziseren Modell neu bewertet und sortiert, bevor das System sie bereitstellt oder für die Generierung verwendet.

Bi-Encoder vs. Cross-Encoder

Wer macht was (namentlich)

Reranking vs. RRF

Kurzfakten

• Das zweistufige Design existiert, weil Cross-Encoder für einen vollständigen Korpus zu langsam sind: ca. 50+ Stunden (40 Mio. Datensätze) vs. unter 100ms für die Vektorsuche (Pinecone).
• Google verwendet für die Websuche selbst nie öffentlich „Reranking“/„Cross-Encoder“/„Bi-Encoder“ – BERT und Passage-Ranking sind die benannten Äquivalente.
• Der Azure-Semantik-Ranker bewertet nur die Top ~50 abgerufenen Ergebnisse neu, nie den gesamten Korpus.
• Die Angabe „Top 1 000, dann neu sortieren“ stammt aus Patricks Lektüre öffentlicher Forschung / Patente – keine wörtliche Aussage von Google Search.

Meine Seite wird nicht angezeigt – liegt es am Retrieval oder am Reranking?

Eine schnelle Methode, um vor einer Änderung festzustellen, welche Stufe fehlschlägt. Reranking und Retrieval sind unterschiedliche Probleme; das falsche zu beheben, verschwendet Mühe.

Beginnen Sie: Ist die Seite überhaupt indexiert?

• Nein → Es ist ein Crawl-/Index-Problem, vorgelagert zu beiden. Beheben Sie zuerst Crawling und Indexierung – nichts erreicht Retrieval oder Reranking, bis die Seite im Index ist.
• Ja → fahren Sie fort.

Wird die Seite für die breite Abfrage überhaupt gerankt / abgerufen (auch niedrig)?

• Nein, sie ist nirgends → Das sieht nach einem Retrieval-Fehler aus: Der First-Stage-Retriever zieht Sie nicht in die Kandidatenmenge. Arbeiten Sie an thematischer Relevanz, daran, ein echtes Match für die Bedeutung der Abfrage zu sein (Embeddings / semantische Suche), sowie an internen Links und Autorität, damit Sie überhaupt ein Kandidat sind.
• Ja, Sie erscheinen, aber niedrig / nicht zitiert → Das sieht nach einem Reranking-Fehler aus: Sie sind in der Shortlist, werden aber unterhalb des Cut-offs bewertet. Fahren Sie fort.

Liest sich der relevante Abschnitt als eigenständige Antwort auf die spezifische Abfrage?

• Nein – er hängt vom umgebenden Kontext ab, verwendet mehrdeutige Pronomen, vergräbt die Antwort → Das ist der Hebel mit der höchsten Wirkung. Schreiben Sie den Abschnitt so um, dass er die spezifische Frage direkt beantwortet, nahe am Anfang des Abschnitts, ohne vom Rest der Seite abzuhängen (siehe Passage-Ranking und Chunking).
• Ja – es ist bereits eine klare, direkte Antwort → Wahrscheinlich liegt es an Autorität oder Konkurrenz und nicht an mangelnder Klarheit. Stärkere, autoritativere Quellen werden höher eingestuft; der Hebel liegt dort bei E-E-A-T und Links, nicht bei weiterem Umschreiben.

Faustregel: überhaupt nicht vorhanden → Retrieval; vorhanden, aber nicht ausgewählt → Reranking. Schreiben Sie keine Passagen um, um eine Seite zu reparieren, die nie abgerufen wurde, und bauen Sie nicht wahllos Links auf, um eine Passage zu reparieren, die für sich allein unverständlich ist.

Reranking-Anti-Patterns

Häufige Arten, wie Menschen das Konzept missverstehen oder falsch anwenden.

„Abgerufen“ mit „fertig“ verwechseln. In die Kandidatenmenge aufgenommen zu werden, ist der Anfang, nicht das Ende. Der Reranker muss den Inhalt weiterhin oberhalb des Schwellenwerts einordnen. Wer nur das Retrieval (gefunden werden) optimiert und die Klarheit der Passagen (das Reranking bestehen) ignoriert, verschenkt Potenzial.

Reranking mit Reciprocal Rank Fusion verwechseln. RRF führt mehrere Ranglisten anhand listenübergreifender Übereinstimmung zusammen; Reranking bewertet einen Pool neu, indem es Abfrage und Passage gemeinsam liest. Inhalte, die bei RRF gut abschneiden (in vielen Listen erscheinen), und Inhalte, die beim Reranking überzeugen (sich als beste Antwort lesen), sind nicht dasselbe. Viele ansonsten gute SEO-Texte verwischen diesen Unterschied – vermeiden Sie das.

Annehmen, dass die Zahl „Top 1 000 → neu sortieren“ für die Google-Websuche gilt. Diese Zahl stammt aus meiner eigenen Interpretation öffentlicher Forschung und Patente. Die dokumentierte Pipeline „Tausende abgerufen, Top 400 ausgeliefert“ gehört zum Enterprise-Suchprodukt von Google Cloud und nicht zur Google-Websuche. Zitieren Sie den Mechanismus, aber relativieren Sie die konkreten Zahlen.

Inhalte „für den Reranker“ in winzige Fragmente zerhacken. Reranking belohnt Passagen, die sich als vollständige, in sich geschlossene Antworten lesen – kein Textkonfetti. Übermäßiges Fragmentieren zerstört den Kontext, der eine Passage bewertbar macht. Eine klare H2/H3-Struktur mit einer direkten Antwort pro Abschnitt lässt sich von selbst sinnvoll in Chunks aufteilen; Sie müssen die Seite nicht zerlegen.

Glauben, „wenn Google nicht ‚Reranking‘ sagt, passiert es nicht“. Das Vokabular unterscheidet sich von der Funktion. Googles BERT und Passage Ranking sowie Microsofts semantischer Ranker erledigen genau diese Aufgabe. Das Fehlen des Wortes ist nicht das Fehlen des Mechanismus.

Denken, ein Cross-Encoder „ersetzt“ die Vektorsuche. Sie sind sequenziell, nicht konkurrierend. Cross-Encoder sind zu langsam, um über einen ganzen Korpus zu laufen, daher ist Bi-Encoder-/Vektor-Retrieval als Stufe eins weiterhin erforderlich. Sie brauchen beides.

Testen Sie sich: Reranking

Fünf kurze Fragen dazu, wie Reranking abgerufene Ergebnisse neu sortiert. Wählen Sie für jede eine Antwort und prüfen Sie dann.

Ressourcen, die Ihre Zeit wert sind

Meine verwandten Artikel & Vorträge

• GEO? AEO? LLMO? Was soll das ganze KI-Zeug? – mein Ahrefs-Evolve-2025-Vortrag über die BM25 → RankBrain → BERT/DeepRank → RankEmbed-Linie, in der Reranking sitzt. (YouTube-Version.)
• So funktioniert die Suche (SlideShare) – meine Erläuterung von Crawling, Rendering, Indexierung und Ranking, einschließlich der Phase “post-retrieval adjustments” (Übersetzung) „Anpassungen nach dem Retrieval“. Mein üblicher Haftungsausschluss gilt: Dies ist mein Verständnis dieser Systeme, keine garantiert vollständige oder perfekt genaue Darstellung, und die genauen Zahlen zu Kandidatenmengen sind meine Lesart öffentlicher Forschung und Patente.

Meine Vorträge (breitere KI-Suche)

• Was wir über die Optimierung für die LLM-Suche tatsächlich wissen – Ahrefs’ Artikel, der meine Forschung nutzt; er zeigt, wie wenig KI-Unternehmen darüber preisgeben, wie Quellen ausgewählt werden (der Schritt, zu dem Reranking gehört).

Aus der Branche

• Reranker und zweistufige Suche (Pinecone) – die Erklärung zum Informationsverlust bei Bi-Encodern und der Latenz-Benchmark von 50 Stunden gegenüber 100ms.
• Cross-Encoder als Reranker in der mehrstufigen Vektorsuche verwenden (Weaviate) – die klare Gegenüberstellung von „schnell, aber weniger genau“ vs. „genau, aber langsam“.
• Was sind Reranker? (MongoDB) – Definition, Rolle in der Suche und wie Reranker in RAG passen.
• Was ist Reranking und warum ist es wichtig? (Vectara) – die Entmystifizierung von „Warum nicht einfach das teure Modell für alles verwenden?“.
• Überblick über semantisches Ranking (Microsoft Learn) – die klarste öffentliche Dokumentation zu produktiven Rerankern, die ausdrücklich auf Bing-Technologie basiert.
• Tiefenanalyse der KI-Sucharchitektur (Mike King, iPullRank) – verbindet Cross-Encoder-Reranking mit der abgeleiteten Pipeline von Bing Copilot (behandeln Sie die Architekturdetails als fundierte Annahme, nicht als offizielle Microsoft-Aussagen).
• Was ist Query Fan-Out? (Despina Gavoyannis, Ahrefs) – behandelt Reciprocal Rank Fusion, das angrenzende, aber unterschiedliche Konzept, mit dem Reranking oft verwechselt wird.
• Query Fan-Out in der KI-Suche: Was ist das und wie funktioniert es? (Search Engine Land) – mehr zu RRF und Fan-Out-Synthese, zur Begriffsklärung.

Änderungsprotokoll