Semantische Suche

TL;DR — Semantische Suche bedeutet, dass Suchmaschinen die Bedeutung dessen abgleichen, wonach Sie suchen, nicht nur die exakten Wörter, die Sie eingegeben haben. Google erkennt, “was will diese Person eigentlich?” und “worum geht es auf dieser Seite wirklich?” — und verbindet dann beides. Deshalb müssen Sie Keywords nicht mehr endlos wiederholen, und warum natürliches Schreiben über ein Thema besser funktioniert, als es mit Phrasen zu überladen.

Was semantische Suche ist

Semantische Suche sucht nach Übereinstimmungen basierend auf Bedeutung und Kontext zusätzlich zu exakten Begriffen. Evidence for this claim BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Scope: BERT research; semantic retrieval systems may use many other models and signals. Confidence: high · Verified: 2026-07-14 Devlin et al.: BERT Moderne Systeme kombinieren möglicherweise Sprachmodelle, lexikalische Abfrage, Entitäten und andere Signale, statt sich auf eine Technik zu verlassen. Evidence for this claim Google reported using BERT to better understand language and context in some Search queries. Scope: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Confidence: high · Verified: 2026-07-14 Google: Understanding searches better than ever before

Lange Zeit zählten Suchmaschinen hauptsächlich Wörter. Wenn Sie nach “günstigen Flügen” suchten, suchten sie nach Seiten mit den Wörtern “günstig” und “Flüge”. Nützlich, aber dumm — sie hatte keine Ahnung, dass “preiswerte Flugtickets” dasselbe bedeutet, oder dass “Jaguar” ein Tier oder ein Auto sein kann.

Semantische Suche behebt das. Statt Buchstaben und Wörter abzugleichen, versucht sie, Bedeutung zu verstehen. Zwei Ideen treiben sie an:

• Verstehen, was Sie meinen. Google liest Ihre gesamte Anfrage als Satz, nicht als eine Ansammlung von Keywords. Es ermittelt Ihre Absicht — möchten Sie etwas kaufen, lernen oder eine bestimmte Website finden?
• Verstehen, worum es auf einer Seite geht. Es erkennt die Themen, die eine Seite abdeckt, und die realen Dinge (Personen, Orte, Produkte), die sie erwähnt — nicht nur, welche Wörter vorkommen.

Ein gutes Beispiel: Die Suche nach “wie repariere ich einen undichten Wasserhahn” und “einen tropfenden Hahn reparieren” sollte dieselben Ergebnisse liefern, obwohl diese Phrasen fast keine Wörter gemeinsam haben. Für eine Keyword-Engine wirken sie unzusammenhängend. Für eine semantische Engine bedeuten sie dasselbe.

Warum es SEO verändert hat

Als Google Bedeutung verstand, funktionierten viele alte Tricks nicht mehr:

• Sie müssen keine Keywords mehr stopfen. Google kennt bereits Synonyme und verwandte Begriffe. “Beste Laufschuhe” zwanzigmal zu wiederholen hilft nicht — es kann schaden.
• Sie brauchen keine separate Seite für jede Formulierung. “Python-Tutorial”, “Python- Anleitung” und “Python lernen” bedeuten ungefähr dasselbe, also wählt Google eine Seite aus, um für alle zu ranken. Sie auf mehrere Seiten zu verteilen, konkurriert nur mit sich selbst.
• Ein Thema gut abzudecken ist besser, als eine Keyword-Anzahl zu erreichen. Eine Seite, die eine Frage wirklich beantwortet — mit den relevanten Details, die ein Leser möchte — übertrifft eine, die das Keyword nur oft erwähnt.

Das, was die meisten falsch verstehen

Semantische Suche bedeutet nicht, dass Keywords tot sind. Keyword-Recherche sagt Ihnen immer noch, wonach Menschen suchen und wie oft. Gestorben ist Keyword-Stuffing und die Idee, dass Sie exakte Phrasen wiederholen müssen. Und um klar zu sein: “LSI-Keywords” sind keine echte Sache. Googles John Mueller hat das direkt gesagt. “Semantisch verwandte Keywords” aus einem Tool zu streuen ist nicht, wie das funktioniert — das Thema natürlich abzudecken schon.

Möchten Sie die vollständige Geschichte (Knowledge Graph, Hummingbird, RankBrain, BERT, MUM) und die technischen Details, wie es funktioniert? Wechseln Sie zum Erweitert-Tab.

TL;DR — Semantische Suche ruft nach Bedeutung ab, nicht nach exakter Keyword-Übereinstimmung. Google hat sie schichtweise aufgebaut — Knowledge Graph (2012), Hummingbird (2013), RankBrain (2015), neuronales Matching (2018), BERT (2019), MUM (2021) — jede Schicht löste ein anderes Problem (Entitäten, Bedeutung der gesamten Anfrage, neuartige Anfragen, konzeptuelle Synonyme, kontextuelle Wortbedeutung, multimodales Denken). Sie ergänzen die Keyword-Abfrage (BM25 läuft im großen Maßstab weiterhin zuerst), sie ersetzen sie nicht. Semantische Suche ist das Ziel; Vektorsuche ist eine Implementierung. “LSI-Keywords” sind ein Mythos. Die Optimierungsantwort hat sich seit einem Jahrzehnt nicht geändert: natürliche Sprache, thematische Tiefe, klare Entitäten, Absichtsabgleich.

Keyword-Suche vs. semantische Suche

Keyword- und semantische Suche ergänzen sich gegenseitig – sie sind keine sich gegenseitig ausschließenden Epochen. Evidence for this claim BERT learns bidirectional contextual language representations that can be fine-tuned for search-relevant language tasks. Scope: BERT research; semantic retrieval systems may use many other models and signals. Confidence: high · Verified: 2026-07-14 Devlin et al.: BERT Googles öffentliche Erklärungen bestätigen Sprachverständnissysteme, ohne die vollständigen Ranking-Gewichte preiszugeben. Evidence for this claim Google reported using BERT to better understand language and context in some Search queries. Scope: Google Search's documented rollout; it does not mean lexical matching was replaced or disclose the full ranking system. Confidence: high · Verified: 2026-07-14 Google: Understanding searches better than ever before

Die klassische Suche ordnet Dokumente nach Termstatistiken. TF-IDF (Termhäufigkeit × inverse Dokumenthäufigkeit) gewichtet ein Wort danach, wie oft es in einem Dokument vorkommt, im Vergleich dazu, wie selten es im gesamten Korpus ist. BM25 („Best Match 25“) verfeinert dies mit Längennormalisierung und einer Sättigungskurve und ist nach wie vor die dominierende Basisstufe in Elasticsearch, Solr und Lucene – und auch bei Google und Bing. Leistungsstark, schnell und vollständig auf Wörter ausgerichtet. Es hat keine Ahnung, dass „leaky faucet“ und „dripping tap“ dasselbe bedeuten.

Die semantische Suche fügt eine Ebene des Verständnisses hinzu:

Der wichtige Rahmen: Die semantische Suche erweitert die Keyword-Suche, anstatt sie zu ersetzen. In Googles Größenordnung erledigt ein invertierter Index im BM25-Stil immer noch den Schnelldurchlauf mit hoher Abdeckung, dann ordnen neuronale Systeme neu und fügen Dokumente hinzu, die Konzepte, aber nicht Wörter gemeinsam haben. Pandu Nayaks Aussage vor dem US-Justizministerium 2023 beschrieb genau dies – ein Einbettungssystem (intern RankEmbed), das „einige weitere Dokumente identifiziert, die zu den durch die traditionelle Suche identifizierten hinzugefügt werden sollen.“ Die Keyword-Suche ist nicht gestorben; sie hat einen bedeutungsbewussten Partner bekommen.

Wie Google die semantische Suche aufgebaut hat – die Meilensteine

Die Entwicklung verlief schrittweise. Kein einzelnes Update hat Google von „Keywords“ auf „Bedeutung“ umgestellt – es war ein Jahrzehnt voller Ebenen, die jeweils ein bestimmtes Problem lösten.

2012 – Knowledge Graph („Dinge, keine Zeichenfolgen“)

Googles Datenbank realer Entitäten und ihrer Beziehungen. Amit Singhal Rahmen bei der Einführung – „things, not strings“ – ist bis heute die beste Ein-Satz- Erklärung der semantischen Wende. Sie startete mit über 500 Millionen Entitäten und über 3,5 Milliarden Fakten; der Rahmen zählt mehr als die Zahlen. Dadurch kann Google „Taj Mahal“ (Denkmal, Musiker oder Casino) disambiguieren und Entitätsfragen direkt beantworten. Der Knowledge Graph ist das Entitätsrückgrat, auf das der Rest des Stapels aufbaut – ich gehe in Entity-SEO näher darauf ein.

2013 – Hummingbird (Bedeutung der gesamten Suchanfrage)

Eine komplette Neufassung von Googles zentraler Suchmaschine – keine Anpassung wie Panda oder Penguin, sondern eine neue Engine. Singhal nannte es die dramatischste Änderung seit 2001. Das Ziel waren konversationelle und Long-Tail-Suchanfragen: Aufmerksamkeit auf die gesamte Suchanfrage – den ganzen Satz, die Bedeutung – statt auf einzelne Wörter. Danny Sullivans zeitgenössische Zusammenfassung trifft es gut: Hummingbird „achtet mehr auf jedes Wort in einer Suchanfrage und stellt sicher, dass die gesamte Suchanfrage … berücksichtigt wird, anstatt auf einzelne Wörter.“ Google sagt, es habe 90 % der Suchen betroffen. (Es ist jetzt als zurückgezogen im Ranking-System-Leitfaden aufgeführt – ersetzt durch die Systeme, die daraus hervorgegangen sind.)

2015 – RankBrain (noch nie gesehene Suchanfragen)

Machine learning applied to query interpretation. RankBrain’s job is the roughly 15% of daily queries Google had never seen before — it converts an unfamiliar query into a mathematical vector and finds conceptually similar queries it does understand. Greg Corrado, the Google scientist who confirmed it (via Bloomberg, not a Google blog post), described it as embedding “vast amounts of written language into mathematical entities — called vectors — that the computer can understand.” By 2016 it processed every query. Note the boundary: RankBrain maps unknown queries to known concepts; it’s not the same as BERT.

2018 — Neural matching (concept-level synonyms)

Where RankBrain related queries to concepts, neural matching extended concept-matching to the document side — connecting a query’s concepts to a page’s concepts even when they share no vocabulary. Danny Sullivan’s plain-language description is the best one out there: “Last few months, Google has been using neural matching, [an] AI method to better connect words to concepts. Super synonyms, in a way, and impacting 30% of queries.” The canonical example: “why does my television look strange” can surface results about the “soap opera effect” — a concept neither phrase names. (Internally, the 2023 DOJ testimony revealed this lineage as RankEmbed / RankEmbedBERT.)

2019 — BERT (contextual word meaning)

The big NLP breakthrough. BERT (Bidirectional Encoder Representations from Transformers) reads a word in context — looking at the words before and after it, rather than left-to-right one at a time. That’s what lets it catch how “to” changes the meaning of “2019 brazil traveler to usa need a visa” (a Brazilian traveling to the US, which older systems got backwards). Pandu Nayak called it the “biggest leap forward in the past five years, and one of the biggest leaps forward in the history of Search,” affecting 1 in 10 US English queries at launch and now nearly all of them. This is also the update SEOs most often misread: Danny Sullivan’s response was blunt — “There’s nothing to optimize for with BERT.”

2021 — MUM (multimodal, multilingual)

Multitask Unified Model — built on the T5 framework, trained across 75 languages, and able to understand information across text and images. Google says it’s 1 000× more powerful than BERT and, unlike BERT, can both understand and generate language. Important caveat: MUM is used for specific high-complexity cases (complex multi-step questions, certain featured snippets, shopping) — it was never Google’s general ranking engine, and it didn’t “replace” BERT.

2023+ — LLMs and AI search

Semantic retrieval now feeds generative answers. AI Overviews and AI Mode use the same meaning-based retrieval to find relevant passages, then an LLM synthesizes an answer — see RAG. The semantic layer determines what gets retrieved and cited; the model just writes it up.

Semantic search vs. vector search

These get blurred constantly, so be precise:

• Semantic search is the goal — retrieve by meaning and intent.
• Vector search is one implementation — represent queries and documents as dense vectors and find nearest neighbors by cosine distance.

Vector search is the most common modern implementation, but it isn’t the only path to semantic search: query expansion, synonym rules, Knowledge Graph lookups, and entity recognition all get you there without computing a single embedding. Think of semantic search as the destination and vector search as one (fast, scalable) vehicle. The mechanics of the vehicle — embeddings, cosine similarity, nearest-neighbor search — are covered in the embeddings and vector search articles; I won’t re-derive them here.

How it actually works under the hood

Four moving parts, roughly in order:

1. Query-Verständnis — Absichts-Klassifizierung (informational, navigational, transactional, commercial), Entitäts-Extraktion und Synonym-/Konzept-Erweiterung. Das ist RankBrain- und BERT-Territorium.
2. Entitätserkennung + der Knowledge Graph — Identifizierung der realen Dinge, um die es in einer Query und einem Dokument geht, und deren Disambiguierung. Etwa 40 % der englischen Wörter haben mehrere Bedeutungen; der Kontext entscheidet, welche gemeint ist.
3. Embeddings und semantische Ähnlichkeit — Kodierung von Bedeutung als Vektoren, sodass „fix a leaky faucet“ und „repairing a dripping tap“ nahe beieinanderliegen (~0,89 Ähnlichkeit, obwohl sie kaum ein Wort teilen). Tiefergehende Erläuterung in Embeddings.
4. Passage-Ranking und neuronales Re-Ranking — seit 2020 können einzelne Passagen einer Seite für eine Query ranken, selbst wenn die gesamte Seite nicht perfekt ausgerichtet ist, und ein neuronaler Re-Ranker ordnet die per Keyword abgerufene Menge nach semantischer Passung neu. Deshalb muss jeder Abschnitt für sich allein stehen können.

Der LSI-Keyword-Mythos

Das ist wichtig, weil es viele schlechte Ratschläge antreibt. „LSI-Keywords“ (Latent Semantic Indexing) ist eine Information-Retrieval-Technik von 1988, die Google nie als Ranking-Eingabe bestätigt hat. John Mueller sagte es deutlich: „There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.“ Was Google tatsächlich verwendet, ist weitaus ausgefeilter — neuronales Matching, BERT, Wort- Embeddings, Entitätserkennung. Wenn Ihnen also ein Tool eine Liste mit „LSI-Keywords“ liefert, ist das Nützliche daran nicht der LSI-Teil, sondern dass diese Begriffe die Vokabular des Themas widerspiegeln. Decken Sie das Thema natürlich ab, und Sie erhalten das kostenlos.

Was semantische Suche für SEO bedeutet

Jedes große semantische Update hat in dieselbe Richtung gedrängt, was das Playbook ungewöhnlich stabil macht:

• Themenabdeckung schlägt Keyword-Dichte. Google bewertet, ob eine Seite ein Thema gründlich abdeckt, nicht ob sie ein Keyword n-mal trifft. Tiefe Abdeckung rankt für Dutzende verwandter Suchanfragen, die Sie nie einzeln angesprochen haben.
• Entitäts-Optimierung. Benennen und beschreiben Sie Ihre Entitäten klar; verwenden Sie strukturierte Daten (sameAs, @id), um sie gegen Wikipedia/Wikidata zu disambiguieren. Das ist die Entity-SEO-Disziplin.
• Intent-Ausrichtung ist nicht verhandelbar. Google klassifiziert die Suchabsicht und filtert danach. Eine Seite, die eine andere Absicht beantwortet als die Suchanfrage, rankt nicht, egal wie gut die Keywords übereinstimmen.
• Schreiben Sie natürlich. Da BERT den Kontext liest, tragen Präpositionen und Satzstruktur Bedeutung. Gary Illyes’ Rat zu RankBrain gilt immer noch: „If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.“
• Synonyme werden für Sie übernommen. Sie brauchen nicht jede Variation; die natürliche Vokabular des Themas abzudecken, signalisiert Tiefe ohne Keyword-Stuffing.
• Passagen-Qualität. Jede H2/Sektion sollte als saubere, in sich geschlossene Antwort allein stehen können — das ist es, was Passage-Ranking und AI Overviews abrufen.

Wann semantisches SEO weniger wichtig ist

Ehrlichkeitscheck: Für ein lokales Einzeldienstleistungsunternehmen oder eine dünne Website kann sich schwere Entitäts- und Topical-Authority-Arbeit möglicherweise nicht auszahlen. Der ROI zeigt sich, wenn Sie bei informationeller Tiefe zu einem Thema konkurrieren. Wie Sally Mills es formulierte: „If you do SEO properly, you’re automatically doing semantic SEO. It’s just that most people aren’t doing it properly.“ Und Google wird nicht so bald rein semantisch werden — vollständiges semantisches Retrieval ist teuer, exakte Übereinstimmung ist immer noch häufiges Nutzerverhalten, und rein semantische Ergebnisse bleiben unzuverlässig. Keyword-Retrieval und semantisches Verständnis koexistieren.

Wie die KI-Suche darauf aufbaut

KI-Übersichten, der KI-Modus und KI-Assistenten sind semantische Suche plus Generierung. Sie rufen Passagen anhand der Bedeutung ab (in der Regel dichte Abfrage – siehe RAG und Vektorsuche), und dann verfasst ein LLM die Antwort. Bings Darstellung des Wandels ist treffend: Grundlagen-Indexierung, so ihre Worte, „wird entwickelt, um KI-Systemen zu helfen, zu entscheiden, was sie sagen sollen.“ Die praktische Konsequenz: Dieselben Dinge, die eine Passage gut ranken lassen – klare Entitäten, in sich geschlossene Abschnitte, inhaltliche Tiefe – sind auch das, was sie wahrscheinlich in einer KI-Antwort zitiert werden lässt. Es gibt keinen separaten Trick.

KI-Zusammenfassung

Eine komprimierte Darstellung der erweiterten Version:

• Semantische Suche = Abruf nach Bedeutung, nicht nach exakter Keyword-Übereinstimmung. Diese Unterscheidung ist der Kernpunkt. „Wasserhahn reparieren“ und „tropfenden Wasserhahn abdichten“ sollten dieselben Ergebnisse liefern, obwohl sie keine Wörter gemeinsam haben.
• Sie ergänzt die Keyword-Suche, ersetzt sie aber nicht. BM25-artiger Abruf läuft weiterhin zuerst in großem Maßstab (Geschwindigkeit + Recall); neuronale Systeme bewerten neu und fügen konzeptabgeglichene Dokumente hinzu. DOJ-Aussagen bestätigten, dass Googles Einbettungsschicht (RankEmbed) zusätzliche Dokumente zum traditionellen Abruf hinzufügt.
• Google hat es in Schichten aufgebaut: Knowledge Graph (2012, „Dinge, keine Zeichenfolgen“) → Hummingbird (2013, Bedeutung der gesamten Abfrage, 90 % der Suchanfragen) → RankBrain (2015, neuartige Abfragen) → neuronales Matching (2018, konzeptebene „Super-Synonyme“, 30 % der Abfragen) → BERT (2019, kontextuelle Wortbedeutung, 1 von 10 Abfragen) → MUM (2021, multimodal, 75 Sprachen, nie die allgemeine Ranking-Engine).
• Semantische Suche ≠ Vektorsuche. Semantische Suche ist das Ziel; Vektorsuche ist eine Implementierung (andere: Query-Expansion, Synonymregeln, Knowledge-Graph-Abfragen).
• „LSI-Keywords“ sind ein Mythos – John Mueller hat das direkt gesagt. Google verwendet stattdessen neuronales Matching, BERT und Einbettungen.
• SEO-Playbook (seit einem Jahrzehnt unverändert): Themenabdeckung statt Keyword-Dichte, klare Entitäten + strukturierte Daten, Absichtsabgleich, natürlichsprachliches Schreiben, Qualität auf Absatzebene. Keyword-Recherche ist weiterhin wichtig; Keyword-Stuffing nicht.
• KI-Suche = semantischer Abruf + Generierung. Was gut rankt (klare Entitäten, in sich geschlossene Passagen, Tiefe), wird zitiert.

Offizielle Dokumentation

Primärquellen-Dokumentation und Ankündigungen von Google und Microsoft.

Google

• Ein Leitfaden zu Googles Such-Ranking-Systemen – offizielle aktuelle Beschreibungen von BERT, neuronalem Matching, RankBrain, MUM und Passage Ranking (sowie die Liste der ausgemusterten Systeme, einschließlich Hummingbird).
• Einführung des Knowledge Graph: Dinge, keine Zeichenfolgen – der Start der Entitäten 2012 und die Rahmung „Dinge, keine Zeichenfolgen“.
• Suchanfragen besser verstehen als je zuvor (BERT) – Pandu Nayaks BERT-Ankündigung von 2019 mit den Beispielen Visum/Ästhetikerin.
• MUM: Ein neuer KI-Meilenstein zum Verstehen von Informationen – das multimodale, mehrsprachige Modell von 2021.
• Wie KI großartige Suchergebnisse ermöglicht – Googles Überblick darüber, wie RankBrain, neuronales Matching, BERT und MUM zusammenwirken.

Microsoft / Bing

• The Science Behind Semantic Search (Azure AI) — „a Transformer-based semantic ranking engine that understands the meaning behind the text.“
• Semantic ranking in Azure AI Search — das BM25/RRF-Retrieval → Transformer-Re-Ranking-Muster, ausführlich beschrieben.
• Towards More Intelligent Search: Deep Learning for Query Semantics — seltene technische Tiefe zu Bings neuronalem Ranking vor BERT (GloVe-Vektoren, CNN + Kosinus-Ähnlichkeit).
• Introducing Deep Search — eine der frühesten öffentlichen Beschreibungen von Query-Fan-out in Produktionsgrößenordnung.

Zitate aus der Quelle

Öffentliche Aussagen von Vertretern von Google und Microsoft. Wo ein Deep Link verfügbar ist, springt er zur zitierten Passage auf der Quellseite.

Google — der semantische Wandel

• “Things, not strings.” — Amit Singhal, Einführung des Knowledge Graph, 2012. (Übersetzung) „Dinge, nicht Zeichenketten.“ Zum Zitat springen

Google — BERT (Pandu Nayak, 2019)

• “BERT models can therefore consider the full context of a word by looking at the words that come before and after it — particularly useful for understanding the intent behind search queries.” (Übersetzung) „BERT-Modelle können daher den vollständigen Kontext eines Wortes berücksichtigen, indem sie die Wörter betrachten, die davor und danach stehen – besonders nützlich, um die Absicht hinter Suchanfragen zu verstehen.“
• “[The] biggest leap forward in the past five years, and one of the biggest leaps forward in the history of Search.” (Übersetzung) „Der größte Fortschritt der letzten fünf Jahre und einer der größten Fortschritte in der Geschichte der Suche.“
• “Language understanding remains an ongoing challenge, and it keeps us motivated to continue to improve Search.” (Übersetzung) „Sprachverständnis bleibt eine ständige Herausforderung, und sie motiviert uns, die Suche weiter zu verbessern.“ Zum Zitat springen

Danny Sullivan, Google Search Liaison

• Zum neuronalen Matching (2018): “Last few months, Google has been using neural matching — AI method to better connect words to concepts. Super synonyms, in a way, and impacting 30% of queries.” (Übersetzung) „In den letzten Monaten hat Google neuronales Matching eingesetzt – eine KI-Methode, um Wörter besser mit Konzepten zu verbinden. Eine Art Super-Synonyme, die 30 % der Suchanfragen betreffen.“
• “RankBrain helps Google better relate pages to concepts. Neural matching helps Google better relate words to searches. It’s like a super synonym system.” (Übersetzung) „RankBrain hilft Google, Seiten besser mit Konzepten zu verknüpfen. Neuronales Matching hilft Google, Wörter besser mit Suchanfragen zu verknüpfen. Es ist wie ein Super-Synonym-System.“
• Zur Optimierung für BERT (2019): “There’s nothing to optimize for with BERT, nor anything for a site owner to be ‘concerned’ about. The fundamentals of us seeking to reward great content remain unchanged.” (Übersetzung) „Es gibt nichts, was man für BERT optimieren könnte, und auch nichts, worüber sich ein Website-Betreiber ‚Sorgen‘ machen müsste. Die Grundlagen unseres Bestrebens, großartige Inhalte zu belohnen, bleiben unverändert.“

Gary Illyes, Google

• Zum Schreiben für RankBrain (Big Digital Adelaide, 2016): “Optimizing for RankBrain is actually super easy… write in natural language. Try to write content that sounds human. If you try to write like a machine then RankBrain will just get confused and probably just pushes you back.” (Übersetzung) „Die Optimierung für RankBrain ist eigentlich super einfach … schreiben Sie in natürlicher Sprache. Versuchen Sie, Inhalte zu schreiben, die menschlich klingen. Wenn Sie versuchen, wie eine Maschine zu schreiben, wird RankBrain nur verwirrt und stößt Sie wahrscheinlich zurück.“

John Mueller, Google

• Zum LSI-Mythos (Twitter, 30. Juli 2019): “There’s no such thing as LSI keywords — anyone who’s telling you otherwise is mistaken, sorry.” (Übersetzung) „Es gibt keine LSI-Keywords – wer Ihnen etwas anderes erzählt, irrt sich, sorry.“

Greg Corrado, Google (über RankBrain, via Bloomberg, 2015)

• “RankBrain uses artificial intelligence to embed vast amounts of written language into mathematical entities — called vectors — that the computer can understand. If RankBrain sees a word or phrase it isn’t familiar with, the machine can make a guess as to what words or phrases might have a similar meaning and filter the result accordingly.” (Übersetzung) „RankBrain nutzt künstliche Intelligenz, um große Mengen geschriebener Sprache in mathematische Entitäten – sogenannte Vektoren – einzubetten, die der Computer verstehen kann. Wenn RankBrain ein Wort oder eine Phrase sieht, die es nicht kennt, kann die Maschine eine Vermutung anstellen, welche Wörter oder Phrasen eine ähnliche Bedeutung haben könnten, und das Ergebnis entsprechend filtern.“

Pandu Nayak, Google (DOJ-Antitrust-Aussage, 2023)

• “RankEmbed identifies a few more documents to add to those identified by the traditional retrieval.” (Bestätigt, dass Googles semantische Einbettungsebene die klassische Keyword-Suche erweitert, statt sie zu ersetzen.) (Übersetzung) „RankEmbed identifiziert einige weitere Dokumente, die zu den durch das traditionelle Retrieval identifizierten hinzugefügt werden.“

Microsoft — Azure AI / Bing

• “Semantic search is moving beyond keyword-based ranking to a Transformer-based semantic ranking engine that understands the meaning behind the text.” — Microsoft Research, 2021. (Übersetzung) „Semantische Suche geht über das keywordbasierte Ranking hinaus zu einer Transformer-basierten semantischen Ranking-Engine, die die Bedeutung hinter dem Text versteht.“

Googles semantische Meilensteine – Spickzettel

Der geschichtete Stapel, in der Reihenfolge. Jeder löste ein anderes Problem; keiner ersetzte den davor.

Schnelle Unterscheidungen, die Sie sich merken sollten

• RankBrain vs. BERT – RankBrain ordnet unbekannte Anfragen bekannten Konzepten zu; BERT versteht die kontextuelle Bedeutung von Wörtern innerhalb eines Anfragesatzes.
• Semantische Suche vs. Vektorsuche – semantische Suche ist das Ziel; Vektorsuche ist eine Implementierung (andere: Query-Expansion, Synonymregeln, Knowledge Graph).
• Semantisches SEO – Themenabdeckung, Entitätsbeziehungen, Intent-Matching. Nicht Synonym-Stuffing und definitiv nicht “LSI-Keywords” (ein Mythos – siehe den Artikel).
• Keyword-Suche ist nicht tot – BM25-artiges Retrieval läuft immer noch zuerst; semantische Systeme re-rankieren und fügen konzeptabgestimmte Dokumente hinzu.

Die mentalen Modelle

1. Ziel vs. Implementierung. Semantische Suche ist das Ziel (nach Bedeutung abrufen). Vektorsuche ist ein Fahrzeug (Embeddings + nächster Nachbar). Sie können auch zu Fuß gehen – Query-Expansion, Synonymregeln, Entitätsabfragen. Verwechseln Sie das Ziel nicht mit einer Route.

2. Der geschichtete Stapel, kein Schalter. Knowledge Graph (Entitäten) + RankBrain (unbekannte Anfragen) + Neural Matching (Konzept-Synonyme) + BERT (Wortkontext) + MUM (multimodal). Sie stapeln sich und kooperieren; kein Update verwarf das vorherige. Wenn Sie darüber nachdenken, “wie Google diese Anfrage versteht”, fragen Sie, welche Schicht die Arbeit macht.

3. Retrieval ist zweistufig. Stufe 1: schnell, keywordbasiert, hoher Recall (BM25 über einen invertierten Index). Stufe 2: neuronales Re-Ranking + konzeptabgestimmte Ergänzungen. Semantische Suche ist meist Stufe 2 – sie erweitert Stufe 1, sie löscht sie nicht.

4. Die Optimierungs-Invariante. Jedes semantische Update zeigt in dieselbe Richtung: natürliche Sprache, thematische Tiefe, klare Entitäten, Intent-Ausrichtung. Wenn eine Taktik nur für eine Keyword-zählende Engine Sinn ergibt (Stuffing, Exakt-Match-Besessenheit, “LSI-Keywords”), optimieren Sie für eine Maschine, die es nicht mehr gibt.

5. Die “Was wird zitiert”-Regel für KI-Suche. KI-Antworten = semantisches Retrieval + Generierung. Was einen Abschnitt rankt (klare Entitäten, in sich geschlossene Abschnitte, Tiefe), ist das, was ihn abruft und zitiert. Es gibt keinen separaten KI-Such-Trick – es ist dieselbe Abschnittsqualität.

Fehler bei der semantischen Suche

Seiten um Listen von “LSI-Keywords” herum aufbauen

LSI-Keyword-Ratschläge beschreiben falsch, wie modernes Retrieval funktioniert. Decken Sie das Thema natürlich ab, nennen Sie echte Entitäten und Beziehungen und beantworten Sie die Absicht des Nutzers, anstatt eine mechanisch generierte Synonymliste hinzuzufügen.

Semantische Suche und Vektorsuche als Synonyme behandeln

Semantische Abfrage ist das Ziel, Bedeutung abzugleichen; Vektoren sind eine Methode, die dies unterstützen kann. Behalten Sie diese Unterscheidung bei, wenn Sie ein System bewerten oder ein Audit auswählen.

Wiederholung des Hauptbegriffs statt Auflösung von Mehrdeutigkeit

Mehr Wiederholung klärt nicht, welche Entität oder Absicht eine Seite bedient. Verwenden Sie explizite Namen, Attribute, Kontext und verbundene Unterthemen, damit die Bedeutung über eine einzelne Keyword-Zeichenfolge hinaus erhalten bleibt.

Testen Sie sich selbst: Semantische Suche

Ressourcen, die Ihre Zeit wert sind

Meine verwandten Rezensionen

• Semantic SEO (Ahrefs) – der fortgeschrittene Praktiker-Leitfaden (ich bin Rezensent bei diesem), der das EAV-Modell abdeckt und warum Google nicht rein semantisch vorgehen wird.

Auf dieser Website

• Entity-SEO – die praktische Disziplin des Benennens, Beschreibens und Disambiguierens von Entitäten (die Knowledge-Graph-Seite der semantischen Suche).
• Embeddings und Vektorsuche – der technische Mechanismus, der bedeutungsbasierte Ähnlichkeit ermöglicht.
• RAG – wie KI-Suche Passagen abruft und generierte Antworten begründet.

Von anderen

• Semantic Search – Mateusz Makosiewiczs Ahrefs-Leitfaden zu bedeutungsbasierter Abfrage, Entitäten und Inhalten.
• Google’s Knowledge Graph – Despina Gavoyannis und Michal Pecáneks Ahrefs-Leitfaden zu Entitätsdaten und SEO.
• RankBrain-Glossar und Hummingbird-Glossar (Ahrefs) – Schnellreferenz-Einträge vom Ahrefs-Redaktionsteam.
• Googles Leitfaden zu Ranking-Systemen – die maßgebliche Liste, was live und was eingestellt ist.
• SEO by the Sea – Hummingbird-Rückblick – detaillierte Geschichte mit Singhal-Kontext.
• Google Hummingbird (Search Engine Land) – Danny Sullivans ursprünglicher Ankündigungsbericht von 2013 mit Singhal-Zitaten; Primärquelle für „90 % der Suchen“ und Bedeutung ganzer Phrasen.
• Meet RankBrain, Google’s Artificial Intelligence Search Algorithm (Search Engine Land) – der ursprüngliche Bericht von 2015, der RankBrain aufdeckt, mit Greg Corrados wörtlichen Zitaten zu Vektoren und unbekannten Abfragen.
• Google Neural Matching (Search Engine Journal) – behandelt den Start des neuronalen Matchings 2018, Danny Sullivans Tweet zu „Super-Synonymen“ und die Abgrenzung zu RankBrain.
• FAQ: All About the BERT Algorithm in Google Search (Search Engine Land) – umfassende Fragen und Antworten, einschließlich Danny Sullivans Hinweis, dass es „nichts zu optimieren gibt“.
• Google Turning Its Lucrative Web Search Over to AI Machines (Bloomberg) – die ursprüngliche Offenlegung von RankBrain; Greg Corrado bestätigt es als „das drittwichtigste Signal“.
• The Science Behind Semantic Search: How AI from Bing Is Powering Azure Cognitive Search (Microsoft Research) – Bings BM25-zu-Transformer-Reranking-Pipeline erklärt; enthält die 2 % / 4,5 % CTR-Steigerungsdaten aus Microsoft-Docs-Tests.

Videos

• Google Search Central (YouTube) – die Serie How Google Search Works, einschließlich der Erklärvideos zur Abfrageverständnis und den dahinterstehenden Systemen. Kanal

Statistiken, die sich zu zitieren lohnen

• ~40 % der englischen Wörter haben mehrere Bedeutungen – weshalb Kontext (Ort, Verlauf, umgebende Wörter) das ist, was semantische Suche verwendet, um „apple“ oder „jaguar“ zu disambiguieren. Quelle
• ~0,89 Vektorähnlichkeit zwischen „how to fix a leaky faucet“ und „repairing a dripping tap“ – obwohl sie fast keine Wörter gemeinsam haben. Die konkrete Seite des bedeutungsbasierten Abgleichs. Quelle
• Neural Matching betrifft ~30 % der Suchanfragen (Danny Sullivan, 2018) – der Umfang des konzeptbasierten „Super-Synonym“-Abgleichs.
• BERT betraf bei der Einführung 1 von 10 US-englischen Suchanfragen (Pandu Nayak, 2019) und spielt heute bei fast jeder englischen Suchanfrage eine Rolle. Quelle
• Der Wissensgraph enthält heute ~1,6 Billionen Fakten über ~54 Milliarden Entitäten (gegenüber 500 Millionen Entitäten beim Start 2012) – das Ausmaß von Googles Entitäts-Backbone. Quelle

Änderungsprotokoll