Sprachen

Wissensstand (Knowledge Cutoff)

Was ein Knowledge Cutoff (Trainingsdaten-Cutoff) ist, warum er nicht das Veröffentlichungsdatum des Modells ist, welche KI-Tools ihn durch Retrieval umgehen und was das für SEO bedeutet.

Erstveröffentlicht: 24. Juni 2026 · Zuletzt aktualisiert: 22. Aug. 2026 · Fortgeschritten
Sprachen
AIVerfasst vonAI v2

Ein Knowledge Cutoff ist das Datum, nach dem ein LLM nicht mehr mit neuen Daten trainiert wurde – nicht das Datum seiner Veröffentlichung (diese unterscheiden sich um Monate, oft 6–12+). Er begrenzt nur das trainierte, parametrische Wissen des Modells. Tools, die Retrieval nutzen (Google AI Overviews, Bing Copilot, Perplexity, ChatGPT mit Suche), stützen Antworten auf einen Live-Index und umgehen den Cutoff effektiv, während Basismodelle ohne Suche bei ihrem Cutoff eingefroren bleiben. Für SEO bedeutet das zwei getrennte Aufgaben: in Trainingsdaten eingebettet werden für das langfristige Spiel, und indexiert und aktuell bleiben, damit man zur Abfragezeit abgerufen wird.

TL;DR — Ein Wissens-Cutoff ist das Datum, an dem die Sammlung von Trainingsdaten aufhörte – nicht das Veröffentlichungsdatum (die Lücke beträgt normalerweise 6–12+ Monate). Es beschränkt nur das parametrische (trainierte) Wissen eines Modells. Retrieval-augmentierte Systeme – Google AI Overviews, Bing Copilot, Perplexity, ChatGPT mit Suche – verankern Antworten in einem Live-Index und umgehen ihn effektiv; Basismodelle ohne Suche bleiben eingefroren. Die Grenze ist unscharf, keine Wand: Effektive Cutoffs weichen oft von den angegebenen ab und die Genauigkeit nimmt ab, je näher man dem Datum kommt. Für SEO teilt sich das in zwei separate Aufgaben – in Trainingsdaten eingebettet werden (langfristiges Spiel) und indexiert + frisch bleiben, damit Sie zur Abfragezeit abgerufen werden (kurzfristig).

Was ein Wissens-Cutoff tatsächlich ist

Cutoffs sind modell- und versionsspezifisch und können sich ändern, wenn Anbieter Modelle aktualisieren. Evidence for this claim Model documentation can specify a knowledge-cutoff date for a particular model or snapshot. Scope: OpenAI model metadata; the date is model- and version-specific and may change with releases. Confidence: high · Verified: OpenAI: Models Leiten Sie die aktuelle Produktfrische niemals nur aus einem erinnerten Cutoff-Datum ab. Evidence for this claim A product can supplement model knowledge with current web search and cited web sources. Scope: ChatGPT search product behavior; browsing or retrieval is separate from the model's training cutoff and is not guaranteed for every answer. Confidence: high · Verified: OpenAI: ChatGPT search

Ein Wissens-Cutoff ist das Datum, nach dem ein Modell nicht mehr mit neuen Daten trainiert wurde. Das Modell hat keinerlei Kenntnis von Ereignissen, die später stattgefunden haben – nicht weil es sie zurückhält, sondern weil es ihnen nie ausgesetzt war. Sein Wissen bleibt zu diesem Zeitpunkt in seinen Gewichten eingefroren, es sei denn, das System ergänzt eine Live-Abfrage.

Der präzise Begriff ist Trainingsdaten-Cutoff – das Datum, an dem die Datenerfassung endete. „Knowledge cutoff“ ist die gängige Kurzform, und beide werden synonym verwendet. Das mentale Modell, das ich mag: Es ist wie ein Lehrbuch, das in den Druck gegangen ist. Sobald das Buch veröffentlicht ist, kann der Drucker kein neues Kapitel hinzufügen – man müsste eine komplett neue Ausgabe drucken. Ein Modell ist genauso. Neue Fakten kommen erst beim nächsten Trainingslauf hinein.

Dies ist rein eine Grenze des parametrischen Wissens – der Dinge, die in den Gewichten verankert sind. Es bedeutet nicht, dass das Modell Ereignisse nach dem Cutoff überhaupt nicht verarbeiten kann. Wenn man ihm die Informationen im Kontext gibt – über eine RAG-Pipeline oder einen System-Prompt – kann ein LLM auch über Ereignisse, mit denen es nie trainiert wurde, problemlos reasoning betreiben. Der Cutoff begrenzt, was das Modell von sich aus weiß, nicht, womit es arbeiten kann, wenn man ihm Quellen gibt.

The cutoff freezes parametric knowledge; retrieval can add current evidence without changing the model's weights. Quelle: /ai-search/how-search-works/knowledge-cutoff/

A current question can follow two paths. On the weights-only path, the model relies on knowledge frozen at the training cutoff. On the grounded path, the system retrieves current sources and places them in the model's context. Retrieval supplies evidence at query time; it does not update or retrain the model weights.

© Patrick Stox LLC · CC BY 4.0 ·

Anthropics zweistufige Unterscheidung: zuverlässiger vs. Trainings-Cutoff

Anthropic ist hier das expliziteste der großen Labore, und die Unterscheidung ist es wert, übernommen zu werden. Sie trennen zwei Daten: einen zuverlässigen Wissens-Cutoff („gibt das Datum an, bis zu dem das Wissen eines Modells am umfangreichsten und zuverlässigsten ist“) und einen breiteren Trainingsdaten-Cutoff („den breiteren Datumsbereich der verwendeten Trainingsdaten“). Das zuverlässige Datum liegt in der Regel einige Monate vor dem Trainingsdatum.

Warum die Lücke? Der neueste Inhalt im Korpus ist spärlich – das Internet hat noch nicht fertig über sehr aktuelle Ereignisse geschrieben. Daher ist das praktische Wissen eines Modells über die Wochen direkt vor seinem Trainings-Cutoff dünn, auch wenn diese Daten technisch „drin“ sind. Der zuverlässige Cutoff ist der Punkt, an dem das Modell wirklich informativ ist. Behalten Sie das im Hinterkopf, wenn Sie ein einzelnes, selbstbewusst angegebenes Cutoff-Datum sehen: Die nützliche Grenze liegt normalerweise früher als das angegebene Datum.

Knowledge Cutoff ist nicht das Veröffentlichungsdatum des Modells

Das ist das häufigste Missverständnis überhaupt, und es ist ein leichtes. Der Cutoff ist, wann die Datenerfassung endete. Das Veröffentlichungsdatum ist, wann das Modell ausgeliefert wird. Dazwischen liegen Datenbereinigung, Sicherheitstests, Evaluierung und Alignment-Arbeit – daher beträgt die Lücke typischerweise 6–12+ Monate:

ModellKnowledge CutoffVerzögerung bis zur Veröffentlichung
GPT-5 (Original, veraltet)30. September 2024~10 Monate
Claude Opus 4,1 (veraltet)März 2025~4 Monate
Gemini 2,5 Pro—~3 Monate

(Verzögerungszahlen laut einem vielzitierten Hacker-News-Thread – bitte mit offiziellen Modellkarten gegenprüfen, da diese locker wiederholt werden. Zum Zeitpunkt dieses Updates markiert OpenAIs eigene Modellseite GPT-5 Chat als „Deprecated“ und verweist auf die aktuelle Modellreihe, und Anthropic hat Claude Opus 4,1 zugunsten neuerer Opus/Sonnet-Versionen zurückgezogen – hier als Geschichte behalten, damit beide Angaben erkennbar bleiben, wenn sie Ihnen anderswo begegnen, nicht als aktuelle Empfehlungen.)

Die praktische Konsequenz: Ein Modell, das „gerade erst herausgekommen“ ist, ist nicht aktuell. Ein brandneues Modell kann immer noch ein Jahr hinter der Welt zurück sein. Nutzer nehmen an, dass frisch veröffentlicht auch frisch informiert bedeutet; das tut es nicht. Und die obige Tabelle macht den Punkt besser als jede Erklärung: Beide „aktuellen“ Beispielmodelle wurden in den wenigen Monaten seit der ersten Erstellung dieses Artikels bereits überholt. Diese Fluktuation ist der Grund, warum diese Seite sich darauf stützt, wie Cutoffs funktionieren, statt auf ein einzelnes Datum – behandeln Sie jede datierte Tabelle, die Sie hier (und anderswo) lesen, als Momentaufnahme, nicht als dauerhafte Tatsache.

Die Grenze ist unscharf, keine Wand

Menschen stellen sich den Cutoff als harte Linie vor – perfektes Wissen bis Datum X, völlige Leere danach. Die Forschung sagt etwas anderes.

Die Studie „Datierte Daten: Wissensgrenzen in großen Sprachmodellen nachverfolgen“ fand heraus, dass effektive Cutoffs oft von den angegebenen abweichen, manchmal drastisch. Modelle, die auf CommonCrawl trainiert wurden, tragen Wikipedia-Versionen aus 2016–2019, selbst wenn der Dump auf 2023 datiert ist; ein Korpus hatte “über 80 % der Wikipedia-Dokumente aus früheren Versionen (vor 2023)”, obwohl ein 2023er-Dump enthalten war. Bei einigen Modellfamilien lag der effektive Cutoff 3–4 Jahre früher als das angegebene Datum, aufgrund von Deduplizierungsfehlern, die alte Inhalte propagieren ließen.

Es wirkt auch an der Grenze in die andere Richtung: Die Genauigkeit verschlechtert sich allmählich, wenn Anfragen sich dem Cutoff nähern, statt an ihm abrupt abzubrechen – es gibt einfach weniger Trainingssignale über sehr aktuelle Ereignisse. Und eine separate Forschungslinie („Können Prompts die Zeit für LLMs zurückdrehen?“) fand heraus, dass man ein Modell auch nicht zuverlässig per Prompt dazu bringen kann, Wissen nach dem Cutoff zu vergessen: Direkt abgefragte Fakten verlernen zu ~82 %, aber kausal zusammenhängendes Wissen leckt in ~81 % der Fälle durch. Die Erkenntnis: Behandeln Sie den Cutoff als unscharfe Zone, nicht als klare Linie – in beide Richtungen.

Welche Tools eingeschränkt sind vs. welche den Cutoff umgehen

Dies ist der Teil, der Ihre SEO-Strategie tatsächlich verändert. Ob der Cutoff überhaupt eine Rolle spielt, hängt davon ab, ob das Tool Live-Inhalte abruft.

Durch den Cutoff eingeschränkt (nur parametrisch)

  • ChatGPT kostenlos / Browsing deaktiviert – Antworten ausschließlich aus Trainingsdaten. OpenAI ist explizit: “When Web search is disabled, ChatGPT and GPTs created in the workspace cannot use web search, even if a user asks ChatGPT to search.” (Übersetzung) „Wenn die Websuche deaktiviert ist, können ChatGPT und im Arbeitsbereich erstellte GPTs die Websuche nicht nutzen, selbst wenn ein Benutzer ChatGPT zur Suche auffordert.“
  • Jedes Basismodell ohne Tools – Claude, Gemini, GPT, verwendet über einen rohen API-Aufruf ohne Retrieval.

Den Cutoff effektiv umgehen (Retrieval / Grounding)

  • Google AI Overviews & AI Mode – diese verwenden RAG, das Google als Grounding bezeichnet, um aus dem *Live-*Suchindex zu ziehen. Das zugrunde liegende Gemini-Modell hat weiterhin einen parametrischen Cutoff (Gemini 3 war Januar 2025; Gemini 3 ist jetzt Legacy hinter Gemini 3,5, verifiziert 2026-07-19 – prüfen Sie die aktuelle Modellkarte für die heutige Zahl), aber Grounding ruft aktuelle Seiten zur Abfragezeit ab, sodass Benutzer es für die meisten Abfragen umgehen. Google sagt Entwicklern wörtlich, sie sollen das Search Grounding Tool “for more recent information” (Übersetzung) „für aktuellere Informationen“ jenseits dieses Cutoffs verwenden.
  • Perplexity – von Natur aus suchorientiert; führt für fast jede Abfrage eine Echtzeit-Websuche durch, sodass es Cutoffs als weitgehend irrelevant behandelt.
  • Microsoft Copilot – standardmäßig Bing-gestützt. Microsofts Rahmung: Copilot “can ground its answers with current information from the web, closing knowledge gaps that every large language model (LLM) inevitably has based on its training data cutoff.” (Übersetzung) „kann seine Antworten mit aktuellen Informationen aus dem Web untermauern und so Wissenslücken schließen, die jedes große Sprachmodell (LLM) unvermeidlich aufgrund seines Trainingsdaten-Cutoffs hat.“
  • ChatGPT mit aktivierter Suche (Plus/Team/Enterprise) – wandelt die Anfrage in Suchabfragen um, ruft über Bing ab und antwortet aus diesen Ergebnissen mit Links.

Parametrisches vs. abgerufenes Wissen verhält sich unterschiedlich

Selbst wenn Retrieval aktiviert ist, fühlen sich die beiden Wissensquellen nicht gleich an – und Duane Forresters Rahmung des „doppelten Gedächtnisses“ erfasst das gut. In den Gewichten verankerte Inhalte kommen flüssig, schnell und ohne Einschränkung daher – das Modell synthetisiert aus internalisiertem Wissen. Inhalte nach dem Cutoff, die aus dem Web gezogen werden, kommen mit Absicherungen wie „laut Berichten“ oder „Quellen zufolge“ daher, was ein unterschiedliches epistemisches Gewicht signalisiert. Retrieval beseitigt auch nicht magisch Fehler – wenn Quellen in Konflikt geraten, können gestützte Antworten weiterhin halluzinieren. Retrieval mildert also den Cutoff; es löscht nicht den Unterschied zwischen trainiertem und abgerufenem Wissen aus.

Welche Inhalte am stärksten (und am wenigsten) betroffen sind

Der Cutoff trifft am härtesten alles, was sich schnell ändert, und berührt kaum, was stabil ist.

Stark betroffen (volatil): aktuelle Preise, Produktspezifikationen, Versionsnummern; Firmennamen, Übernahmen, Umbenennungen; regulatorische und rechtliche Änderungen; aktuelle Ereignisse, Sport, Wahlen; Führungs-/Personaländerungen; frische Forschung und Benchmarks; Marktdaten und Statistiken.

Minimal betroffen (stabil): grundlegende Konzepte und Definitionen; historische Fakten; mathematische und wissenschaftliche Prinzipien; Programmiergrundlagen; Geografie.

Der gefährliche Teil für Marken: Ein KI-Modell wird Ihnen eine selbstbewusste, flüssige falsche Antwort zu einer zeitkritischen Tatsache geben. Es zögert nicht, wenn es mit Trainingsdaten arbeitet – es stellt einfach die veraltete Version als Tatsache dar. Wenn sich Ihre Preise, Ihre Führung oder Ihre Produktpalette nach dem Cutoff eines Modells geändert haben, ist dieses Modell da draußen und stellt Sie mit absoluter Sicherheit falsch dar.

Was das für SEO und GEO bedeutet

Ich betrachte das als zwei getrennte Aufgaben – und sie zu vermischen ist der Punkt, an dem Leute falsch liegen.

Track 1 – in die Trainingsdaten gelangen (das langfristige Spiel)

Um im parametrischen Gedächtnis eines Modells verankert zu sein, muss Ihr Inhalt vor dem Trainings-Cutoff existieren und oft genug erwähnt werden, um einen Eindruck zu hinterlassen. Der Mechanismus ist banal: LLMs sind Next-Word-Prädiktoren. Wie ich es in unserer Ahrefs-Forschung zu AI Overviews formuliert habe, “if you’re mentioned more in the training data such as web pages, you’re going to be mentioned more in the outputs of LLMs.” (Übersetzung) „Wenn Sie in den Trainingsdaten wie Webseiten häufiger erwähnt werden, werden Sie auch in den Ausgaben von LLMs häufiger erwähnt.“ Dieser Track dreht sich also um Markenpräsenz und thematische Autorität, die über die Zeit aufgebaut werden – und darum, die Trainings-Crawler (GPTBot, ClaudeBot) hereinzulassen. Trainingsläufe finden selten und unvorhersehbar statt, sodass Inhalte, die nach einem Cutoff veröffentlicht werden, für dieses Modell unsichtbar sind, bis zum nächsten Lauf, der über ein Jahr entfernt sein kann.

Track 2 – auffindbar und aktuell bleiben (das kurzfristige Spiel)

Für jedes retrieval-basierte Tool ist der Cutoff irrelevant, wenn Sie im Index sind. Hier leisten Aktualität und Indexierung die Arbeit:

  • Werden Sie in Google und Bing indexiert. ChatGPT-Suche und Copilot rufen beide von Bing ab – wenn Sie nicht im Bing-Index sind, sind Sie für die Retrieval-Systeme von OpenAI und Microsoft unsichtbar. AI Overviews beziehen aus dem Google-Index. Indexierung ist die Grundvoraussetzung, Punkt.
  • Achten Sie auf die richtigen Crawler. Trainings-Bots (GPTBot, ClaudeBot) und KI-Such- Retrieval-Bots (OAI-SearchBot, PerplexityBot) sind getrennt. Das Blockieren von GPTBot hält Sie nur aus dem Training heraus – OAI-SearchBot übernimmt weiterhin die Echtzeit-Retrieval. Sie können den einen erlauben und den anderen blockieren. (Vollständige Aufschlüsselung in AI-Crawler.)
  • Signalisieren Sie Aktualität ehrlich. Akkurates dateModified/datePublished-Schema und wahrheitsgemäßes <lastmod> in Sitemaps helfen zeitkritischen Inhalten, erneut abgerufen zu werden.

Die Nuance der Aktualität ist es wert, festgehalten zu werden. Unsere 17-Millionen-Zitations-Studie bei Ahrefs fand heraus, dass KI-zitierte Inhalte 25,7 % frischer sind als organisch zitierte Inhalte – aber das durchschnittliche Alter zitierter Inhalte liegt immer noch bei 2,9 Jahren. Wie meine Kollegen es formulierten: „like traditional search, AI assistants still prefer citing long-lived content.“ (Übersetzung) „Wie die traditionelle Suche bevorzugen KI-Assistenten weiterhin die Zitierung langlebiger Inhalte.“ Also jagen Sie Aktualität für volatile Seiten, aber verwechseln Sie Aktualität nicht mit einem Ersatz für dauerhafte, autoritative Inhalte. ChatGPT ist die am stärksten auf Aktualität ausgerichtete Plattform (ordnet In-Text-Zitate vom neuesten zum ältesten); Google AI Overviews zitieren die ältesten Inhalte, ungefähr passend zu organischen.

Die Mythen, die es wert sind, gekillt zu werden

  • „Das Abschneidedatum ist eine harte Grenze.“ Es ist eine unscharfe Zone – die Genauigkeit nimmt dorthin ab und effektive Abschneidedaten weichen von den angegebenen ab.
  • „Angegebenes Abschneidedatum = was das Modell tatsächlich weiß.“ Effektive Abschneidedaten liegen oft früher; kürzlich veröffentlichte, aber vor dem Abschneidedatum liegende Inhalte sind unterrepräsentiert.
  • „KI-Übersichten sind durch dasselbe Abschneidedatum begrenzt wie das Basismodell von ChatGPT.“ Nein – sie stützen sich auf den Live-Index von Google und können heute veröffentlichte Seiten anzeigen.
  • „Sobald ChatGPT browsen kann, ist das Abschneidedatum irrelevant.“ Das Browsen wird nur bei einigen Anfragen ausgelöst; viele Antworten stammen weiterhin aus Trainingsdaten, und abgerufenes Wissen verhält sich anders als trainiertes Wissen.
  • „Meine neuen Inhalte erreichen das Training von ChatGPT sofort.“ Nein – erst beim nächsten Trainingslauf, der ein Jahr oder mehr entfernt sein kann. Abruf ist Ihr kurzfristiger Weg.
  • „Das Blockieren von GPTBot verbirgt mich vor der KI-Suche.“ Es betrifft nur die Trainings-Aufnahme; OAI-SearchBot ruft Sie weiterhin in Echtzeit ab.
  • „Wissensstand = Veröffentlichungsdatum.“ Er liegt typischerweise 6–12+ Monate früher.

Diese Seite befindet sich im Cluster So funktioniert die Suche – siehe LLM, RAG, Grounding und KI-Halluzinationen für die angrenzenden Beiträge.

Add an expert note

Pin an expert quote

New person? Create their unclaimed profile at /admin/experts/ → Pin a quote first.