Unter Retrieval-Augmented Generation (RAG) versteht und bezeichnet man ein Verfahren, bei dem ein Large Language Model (LLM bzw. klassisch die „KI“) Informationen abruft und zur Beantwortung einer konkreten Anfrage verwendet, auch externe. Das können generell Webseiten, Datenbanken, Dokumentationen oder unternehmensinterne Wissensquellen sein.
Zusammengefasst bedeutet das, dass ChatGPT, Gemini, Claude, Mistral, und wie sie alle heißen, auf Suchmaschinen zurückgreifen, um initial erst einmal eine Übersicht an möglichen Quellen für die aktuelle Frage des Benutzers zu finden. Um es direkt auszudrücken: „Der Chatbot googelt!“
Wie funktioniert RAG?
Anders als eine klassische Suchmaschine wie Google, Bing oder Yahoo! verfügt ein LLM nicht automatisch über einen aktuellen Index aller verfügbaren Webseiten zu einem Thema. Das antrainierte Wissen des Chat-Bots ist zeitlich begrenzt und wird nicht durch das bloße Auffinden neuer Webseiten aktualisiert oder angereichert.
Bei einer RAG-Anfrage werden zunächst passende Informationen über ein angeschlossenes Such- oder Retrieval-System gefunden. Das kann eine klassische Suchmaschine, aber auch eine interne Datenbank oder weitere Quellen wie Wikipedia & Co. sein. Die relevanten Inhalte werden anschließend dem genutzten Sprachmodell als Wissens-Kontext zur Verarbeitung übergeben. Daraus generiert es dann seine Antwort, gegebenenfalls mit Verweisen auf die dazu verwendeten Quellen. Das ist dann das Ergebnis das wir als User kennen, wenn die KI uns Antworten mit Quellbezug liefert.
Beispiel Screenshot von Google Gemini: Aktive externe Quellangaben bei der Sucheingabe
Typische externe und interne Wissensquellen bei RAG abfragen
Typische weitere Wissensquellen bei RAG-Abfragen sind freigegebene und für das LLM zugängliche Informationen aus verschiedenen Unternehmens- und Informationssystemen, die zur Beantwortung von Anfragen durchsucht und als Kontext bereitgestellt werden.
|
|
|
|
|
|
|
|
Welche Bedeutung hat RAG für SEO?
KI-gestützte Suchsysteme setzen RAG aktiv ein, um aktuelle und externe Informationen aus dem Internet in ihre Antworten einzubeziehen. Dabei greifen sie häufig und nachweislich auf bestehende Suchindizes und Ranking-Systeme zurück.
Für Unternehmen, die zitiert und gefunden werden wollen, bleibt deshalb die klassische Suchmaschinenoptimierung (SEO) weiterhin entscheidend, auch auf dem Weg zu GEO. Nur Inhalte, die technisch zugänglich und über die verwendeten Suchmaschinen grundsätzlich überhaupt auffindbar sind, können auf diesem Weg durch den Chat-Bot für die Ergebnisse berücksichtigt werden.
Eine klare Seitenstruktur, fachlich fundierte Inhalte, eindeutige Überschriften und nachvollziehbare Quellen erleichtern die Einordnung und Weiterverarbeitung.
RAG ersetzt SEO nicht! Bei der KI-gestützten Websuche baut es häufig auf den Grundlagen klassischer Suchmaschinenoptimierung auf, um themenrelevante Informationen aufzufinden. Es erweitert die Möglichkeiten von Sprachmodellen, externe Daten gezielt abzurufen und für die Generierung von Antworten zu nutzen.
Hintergrund:
Google hat bestätigt, dass Webseiten für die Berücksichtigung als unterstützender Link in AI Overviews und AI Mode indexiert und für die Darstellung mit einem Snippet geeignet sein müssen. Eine bestimmte klassische Rankingposition ist hingegen keine festgelegte Voraussetzung.
RAG ist aber nicht nur in öffentlichen Bereichen und Suchmaschinen funktional
Diese Technik ist nicht auf das öffentliche Web beschränkt, ganz im Gegenteil. Für Unternehmen entfaltet das Verfahren seine größte Wirkung zusätzlich im geschützten Raum: Durch die Anbindung von lokalen ERP-Systemen, CRM-Datenbanken oder internen Dokumenten (Wissensmanagement) greifen Sprachmodelle auf exaktes Firmenwissen zu. Bei entsprechender Konfiguration ist das ganze zudem datenschutzkonform und mit reduziertem Halluzinationsrisiko für die Ergebnisse. Es können also externe Informationen und Impulse zusammen mit internen Daten verarbeitet werden.
RAG im SEO-/KI-Visibility-Kontext
Für Unternehmen wie NEW.EGO oder unsere B2B-Kunden bedeutet RAG:
- KI-Systeme können Inhalte abrufen und zitieren.
- Gut strukturierte Fachartikel erhöhen die Chance, als Quelle verwendet zu werden und machen die Expertise sichtbar (Teil von E-E-A-T).
- Klare Entitäten, präzise Überschriften und eindeutig beantwortete Fragen verbessern die Retrieval-Qualität.
- Viele moderne KI-Suchen (Copilot, Gemini, ChatGPT, Perplexity, Enterprise Search, interne Chatbots) basieren ganz oder teilweise auf RAG.
RAG = „KI + Suche“.
Die KI beantwortet nicht nur aus ihrem Training heraus, sondern nutzt zusätzlich aktuell gefundene und zusätzliche Informationen aus externen Wissensquellen.