Chunking für GEO: Wie du deine Inhalte für KI-Systeme optimierst

Die Zukunft der Suche ist da – und die funktioniert anders als bisher. Während klassische Suchmaschinen wie Google weiterhin Webseiten crawlen und indexieren, analysieren KI-Systeme wie ChatGPT, Perplexity & Co. deine Inhalte auf neue Art. Eine Methode, mit der du deinen Content so aufbereiten kannst, dass auch KI-Systeme ihn gerne nutzen, heißt Chunking.

Was ist Chunking in der Generative Engine Optimization?

Chunking im Kontext von GEO (Generative Engine Optimization) beschreibt, wie KI-Systeme deine Inhalte begreifen: als thematisch zusammenhängende Informationseinheiten. Anders als bei der klassischen SEO (Suchmaschinenoptimierung), wo vorwiegend ganze Seiten und Domains bewertet werden, arbeiten KI-Suchmaschinen mit einzelnen Chunks – den Bausteinen deiner Inhalte.

Was sind Chunks?

Ein Chunk (auf Deutsch könnte man statt Baustein auch „Brocken“ oder „Block“ sagen) ist zunächst mal ein Stück Text, z. B. ein Absatz. Bestenfalls liefert ein Chunk als kohärenter Informationsblock eine vollständige Antwort auf eine spezifische Frage. Funktioniert er gut, ist ein Chunk also eine in sich geschlossene Sinneinheit, die KI-Systeme aus deinen Texten extrahieren können.

Diese inhaltliche Einteilung eines Texts in Chunks sollte sich auch in der Struktur widerspiegeln, wie im Beispiel in Abbildung 1: Sinnvolle Über- und Zwischenüberschriften, kurze Sätze und Absätze und weitere Gliederungselemente wie hier die Liste präsentieren den Inhalt so, dass er für KI-Crawler – und für das menschliche Auge – leicht zu erfassen ist.

Abb. 1: Ein in Chunks eingeteilter Text wie auf der Abbildung rechts ist nicht nur für KI-Systeme, sondern auch für Menschen leichter zu begreifen.

Viele Elemente des Chunkings sind natürlich schon lange Bestandteil des guten Schreibens fürs Internet – darunter der klare, logische Textaufbau und eine verständliche, leicht lesbare Sprache.

Welche Bedeutung hat Chunking für die Content-Erstellung und -Optimierung?

Warum ist es wichtig, dass du beim Erstellen oder Optimieren deines Contents das Chunking – das Schreiben in gut strukturierten, kompakten Sinneinheiten – berücksichtigst? Wenn KI-Systeme deine Inhalte gut erfassen können, steigt deine Chance auf Sichtbarkeit in KI-Antworten. Genauer: Du könntest als Marke genannt werden (eine „Mention“ erhalten) oder deine Inhalte werden zitierfähig – das bedeutet, du könntest als Quelle in KI-generierten Antworten genannt werden („Citations“ erhalten). Du erreichst dadurch:

• neue Sichtbarkeitskanäle auch ohne Top-Rankings in Google
• wertvollen Traffic von Nutzenden, die gezielt nach deiner Expertise suchen – sieh dir an, wie du den Traffic von ChatGPT, Perplexity und Co. tracken kannst
• Autoritätsaufbau, wenn KI-Systeme dich als vertrauenswürdige Quelle erwähnen oder zitieren

Wie läuft der Chunking-Prozess in KI-Systemen ab?

KI-Systeme funktionieren anders als traditionelle Suchmaschinen. Sie lesen Texte nicht von Anfang bis Ende, sondern erfassen einzelne Informationsbrocken – die Chunks. Bildlich gesprochen: Sie nehmen nicht das ganze Puzzle, sondern die einzelnen Puzzlestücke und setzen sie für verschiedene Anfragen neu zusammen.

Der Chunking-Prozess im Überblick

Wenn eine KI Webseiten oder externe Dokumente analysiert, um die Antwort auf einen Prompt oder eine Frage zu generieren, zerlegt sie den Inhalt systematisch:

1. Analyse: Die KI scannt deine Inhalte.
2. Chunk-Extraktion: Sie identifiziert kohärente Informationseinheiten.
3. Relevanz-Bewertung: Sie bewertet die identifizierten Chunks nach Relevanz für die Anfrage.
4. Antwort-Generierung: Die besten Chunks werden zur Antwort zusammengefügt.

Chunking-Beispiel: Wanderrouten

Stell dir vor, du hast einen Blogartikel über „Die 10 besten Wanderrouten in den Alpen“ geschrieben. Eine KI würde diesen Artikel etwa so in Chunks aufteilen:

• Chunk 1: allgemeine Wandertipps für die Alpen
• Chunk 2: detaillierte Beschreibung des Adlerwegs
• Chunk 3: detaillierte Beschreibung des Alpe-Adria-Trails
• weitere Chunks: weitere Wegbeschreibungen
• weiterer möglicher Chunk: Ausrüstungsempfehlungen für die Alpen

Jeder dieser Chunks könnte eigenständig als Antwort auf spezifische Fragen dienen. Ein Nutzer könnte etwa auf den Prompt „Beschreibe mir kurz den Alpe-Adria-Trail“ den entsprechenden Inhalt aus deinem Artikel angezeigt bekommen – bestenfalls mit Link (deine Seite würde also eine direkte Citation erhalten). Genauso könnte deine Seite aber auch für den Prompt „Was sind die 10 besten Wanderrouten in den Alpen?“ zitiert werden (siehe Abbildung 2).

Abb. 2: KI-Systeme wie hier Googles „Übersicht mit KI“ greifen gerne auf Top-10-Listen zurück, und auch fürs Chunking eignen sich Listen gut. Rechts siehst du außerdem die direkten Citations, die der Prompt „Die 10 besten Wanderrouten in den Alpen“ generiert hat.

Chunking-Methoden für GEO-optimierte Inhalte

Du kannst je nach Art deines Contents auf unterschiedliche Chunking-Methoden zurückgreifen. Allen gemein ist der Aufbau als kompakte, kohärente Informations- und Sinneinheit.

1. Frage-Antwort-Chunking

Jeder Chunk beantwortet eine spezifische Frage vollständig. Die Frage stellt jeweils die Überschrift dar, darunter folgt die Antwort. Die Struktur ist perfekt für KI-Systeme, da die meisten Nutzenden ihre Prompts in Form von natürlichen Fragen formulieren. Statt wie früher einfach „Reisetipps Winter Ostsee“ in den Suchschlitz der Suchmaschine einzugeben, stellen wir heute auf KI-Plattformen oft eine komplette Frage und geben Kontext mit, etwa: „Wo könnte man als Familie (2 Erwachsene und 2 Kinder im Alter von 4 und 6 Jahren) im Winter gut Urlaub an der Ostsee machen? Bitte schlage Ziele vor, die familientauglich sind, aber wo es auch Wellnessangebote für Erwachsene gibt.“ In Abbildung 3 siehst du, wie ChatGPT diese Frage beantwortet.

Führst du beispielsweise ein Hotel an der Ostsee, das sowohl Kinderbetreuung als auch Wellness anbietet, solltest du diese Vorteile entsprechend auf deiner Webpräsenz hervorheben. Die Frage-Antwort-Struktur eignet sich beispielsweise hervorragend für FAQ-Bereiche („Ist das Hotel familienfreundlich?“, „Hat das Hotel Angebote für Kinder?“, „Hat das Hotel einen Wellnessbereich?“ usw.), aber je nach Veröffentlichungsmedium auch für ganz andere Textformen, z. B. Ratgeberartikel.

Abb. 3: ChatGPT listet auf den obigen Beispiel-Prompt hin insgesamt neun geeignete Hotels auf. Ein Klick auf den Hotelnamen liefert weiterführende Informationen.

2. Themen-Chunking

Beim Themen-Chunking gliederst du Inhalte nach thematischen Schwerpunkten – jeder Chunk behandelt einen klar abgegrenzten Aspekt eines übergeordneten Themas. Der Vorteil ist eine hohe semantische Kohärenz, da alle Informationen innerhalb eines Chunks eng zusammengehören und sich gegenseitig stützen.

Du betreibst beispielsweise einen Online-Shop für Outdoor-Ausrüstung und möchtest einen umfassenden Leitfaden zum Thema „Wanderschuhe“ erstellen. Statt alle Informationen in einem langen Fließtext zu vermischen, strukturierst du den Content in thematische Absätze: Du schreibst einen Chunk zu „Materialien und Eigenschaften“, einen zu „Die richtige Passform finden“, einen zu „Pflege und Langlebigkeit“ und einen zu „Wanderschuhe für verschiedene Terrains“. Jeder dieser Chunks ist in sich vollständig, und die KI kann ihn eigenständig als Antwort auf eine entsprechende Anfrage heranziehen.

Fragt jemand beispielsweise „Wie pflege ich meine Wanderschuhe richtig?“, kann die KI gezielt den Pflege-Chunk extrahieren und zitieren – ohne irrelevante Informationen über Passform oder Materialien mitzuliefern. Themen-Chunking eignet sich besonders gut für umfassende Leitfäden, Produktbeschreibungen mit mehreren Aspekten oder Wissensseiten, die ein Thema aus verschiedenen Blickwinkeln beleuchten.

3. Problem-Lösung-Chunking

Beim Problem-Lösung-Chunking präsentiert jeder Chunk ein konkretes Problem und liefert direkt im Anschluss die passende Lösung. Diese Struktur ist besonders wirkungsvoll, weil sie exakt der Art entspricht, wie Menschen KI-Systeme um Hilfe bitten: Sie haben ein Problem und suchen eine Lösung.

Angenommen, du bietest als Agentur technische SEO an und erstellst einen Troubleshooting-Guide für häufige Website-Probleme. Du strukturierst deinen Content in Problem-Lösung-Chunks: „Deine Seite wird nicht indexiert – so behebst du das Problem“, „Lange Ladezeiten trotz Bildoptimierung – diese Ursachen übersehen die meisten“ oder „Crawling-Budget wird verschwendet – diese Einstellungen helfen“. Jeder Chunk benennt zunächst das Problem klar und verständlich, bevor er Schritt für Schritt zur Lösung führt.

Gibt jemand in eine KI-Suchmaschine ein „Meine Website taucht nicht in Google auf, obwohl sie schon seit Wochen online ist – woran kann das liegen?“, findet die KI deinen Indexierungs-Chunk und kann ihn als relevante, vollständige Antwort heranziehen. Problem-Lösung-Chunking eignet sich ideal für How-to-Artikel, Troubleshooting-Guides, Support-Dokumentationen oder Ratgeber, die auf konkrete Schmerzpunkte deiner Zielgruppe eingehen.

4. Definition-Erklärung-Beispiel-Chunking

Beim Definition-Erklärung-Beispiel-Chunking folgt jeder Chunk einem dreiteiligen Aufbau: Zuerst definierst du einen Begriff oder ein Konzept präzise, dann folgt eine vertiefende Erklärung, und schließlich veranschaulicht ein konkretes Beispiel das Ganze. Diese Struktur liefert vollständige Informationsvermittlung in einem einzigen Chunk – ideal für KI-Systeme, die nach umfassenden, aber kompakten Antworten suchen.

Du erstellst beispielsweise ein Glossar für digitales Marketing oder einen Wissensbereich auf deiner Website. Für den Begriff „Conversion Rate“ würdest du zunächst definieren: „Die Conversion Rate gibt den prozentualen Anteil der Website-Besucher:innen an, die eine gewünschte Aktion ausführen.“ Dann erklärst du vertiefend, welche Faktoren die Conversion Rate beeinflussen und warum sie eine zentrale Kennzahl im Online-Marketing ist. Abschließend lieferst du ein greifbares Beispiel: „Hat dein Online-Shop 1.000 Besucher:innen pro Tag und 30 davon kaufen etwas, liegt deine Conversion Rate bei 3 %.“

Fragt jemand eine KI „Was ist die Conversion Rate und wie berechne ich sie?“, enthält dein Chunk alles, was für eine vollständige Antwort nötig ist – Definition, Kontext und praktische Anwendung. Diese Chunking-Methode eignet sich hervorragend für Glossare, Lexikon-Einträge, Bildungsinhalte oder Fachbegriffserklärungen in Ratgeberartikeln.

Praktische Chunking-Beispiele für bessere KI-Performance

Je nach Textsorte und Veröffentlichungsmedium können sich unterschiedliche Chunking-Konzepte eignen. Es spricht auch nichts dagegen, mehrere Konzepte in einem Text zu verwenden, solange dieses Vorgehen zum Text passt und ihn nicht zu „unrund“ macht. Denk dran, dass du immer auch für Menschen schreibst und nicht nur für Maschinen.

Chunking-Beispiel 1: E-Commerce-Produktseite

Eine Produktseite soll kompakt und übersichtlich informieren. Eine lange Produktbeschreibung mit vermischten Angaben zu Features, Anwendung, technischen Daten und Bewertungen hilft weder der KI noch den Lesenden.

Mit GEO-Chunking:

• Chunk „Produktübersicht“: Was ist das Produkt und wofür wird es verwendet?
• Chunk „Hauptfeatures“: die 3–5 wichtigsten Eigenschaften mit Nutzen
• Chunk „Technische Spezifikationen“: vollständige technische Daten
• Chunk „Anwendungsgebiete“: konkrete Einsatzszenarien mit Beispielen
• Chunk „Kund:innenerfahrungen“: Zusammenfassung der wichtigsten Bewertungen

Chunking-Beispiel 2: SEO-Ratgeberartikel

Ratgeber sind informativ, hilfreich und oft umfangreich. Eine klare, übersichtliche Struktur und eindeutige Sprache sind auch hier von größter Bedeutung.

Chunk-Struktur für einen Artikel über „Technisches SEO“:

Chunk 1: Was ist technisches SEO?

Technisches SEO umfasst alle Maßnahmen, mit denen du die Technik deiner Website für Suchmaschinen optimierst. Dazu gehören Crawling, Indexierung, Ladezeiten und die technische Struktur der Website.

Chunk 2: Core Web Vitals optimieren

Core Web Vitals sind Googles wichtigste Metriken für die Nutzungserfahrung: Largest Contentful Paint (LCP), First Input Delay (FID) und Cumulative Layout Shift (CLS). Optimiere diese durch…

Chunk 3: Crawling-Optimierung

Stelle sicher, dass Suchmaschinen deine Website effizient crawlen können durch: robots.txt-Optimierung, XML-Sitemaps und interne Verlinkungsstruktur.

etc.

Die 8 goldenen Chunking-Regeln

Halte dir diese Chunking-Regeln vor Augen, wenn du das nächste Content-Piece schreibst oder beauftragst:

1. Ein Gedanke pro Chunk: Jeder Abschnitt behandelt genau eine Kernaussage oder beantwortet eine spezifische Frage. Vermeide Themenwechsel innerhalb eines Chunks.
2. Essenz zuerst: Liefere die wichtigste Information im ersten Satz, begründe und belege anschließend.

3. Optimale Länge: Es gibt keine feste Regel für die Chunk-Größe, da verschiedene KI-Systeme unterschiedlich bewerten. Als Faustregel: 150–300 Wörter pro Chunk für komplexe Themen, 50–150 Wörter für einfache Antworten.
4. Semantisches Rauschen reduzieren: Keine sinnfremden oder leeren Aussagen, die die Kernaussage verwässern.

5. Standalone-Prinzip: Jeder Chunk sollte ohne andere Textpassagen vollständig verständlich sein.
6. Strukturelle Klarheit: Nutze Zwischenüberschriften, Listen und kurze Absätze zur besseren Abgrenzung.
7. Fragen als Überschriften: Formuliere Überschriften als natürliche Fragen, wie Menschen sie stellen würden.
8. Logische Übergänge: Schaffe Verbindungen zwischen Chunks durch Ankerlinks und Verweise.

Zur Erinnerung: Du musst nicht alles in jedem Text anwenden. Verstehe die Regeln als grundsätzlichen Leitfaden und passe sie individuell an. Texte leben u. a. von Lebendigkeit – einen langen Ratgeber, der stur nach dem Frage-Antwort-Prinzip aufgebaut ist, möchte niemand lesen.

Warum du nicht nur Chunking brauchst: Page- und Passage-Level-Retrieval

Chunking ist nur ein Element der Content-Gestaltung im Sinne von GEO. Ein guter Text sollte nicht nur in einzelnen Bausteinen, sondern auch als Ganzes funktionieren. In der Fachsprache unterscheidet man zwischen Page- und Passage-Level-Retrieval: Die Begriffe bezeichnen zwei unterschiedliche Stufen der Granularität, mit der Suchsysteme Daten verarbeiten – einmal auf Ebene einer ganzen Seite (Page) und einmal auf Ebene einzelner Abschnitte (Passage).

Das Page-Level-Retrieval betrachtet ein gesamtes Dokument oder eine Webseite als kleinste Einheit und bewertet die Relevanz basierend auf dem Gesamtkontext. Das eignet sich ideal für die klassische Websuche, führt bei langen Dokumenten jedoch oft zu unpräzisen Suchergebnissen. Im Gegensatz dazu zerlegt das Passage-Level-Retrieval Dokumente in kleine, semantische Einheiten (Chunks). Diese Methode wenden die meisten KI-Systeme an.

Erfolgreiche GEO-Inhalte kombinieren beide Ansätze. Sie verbinden die thematische Kohärenz einer starken Page-Level-Struktur mit der präzisen Gestaltung von klar abgegrenzten Abschnitten, die für Passage-Level-Retrieval (Chunking) optimiert sind. So erhöhst du die Chance, dass deine Inhalte sowohl als Quelle als auch als direkt zitierbarer Abschnitt in generativen Suchergebnissen erscheinen.

Fazit: Chunking als Baustein deiner GEO-Strategie

Chunking ist eine Technik der Content-Gliederung, die zum Erfolg deiner GEO-Maßnahmen beiträgt. Je besser die KI deine Chunks erfassen kann, umso höher ist die Chance, dass deine Inhalte in KI-Antworten angezeigt werden.

Deine nächsten Schritte für besseres Chunking:

1. Analysiere deine bestehenden Inhalte auf Chunk-Tauglichkeit.
2. Implementiere die goldenen Regeln fürs GEO-Chunking, wo sinnvoll.
3. Teste verschiedene Chunking-Methoden für deine Inhaltstypen.
4. Überwache deine Performance in KI-Suchmaschinen.
5. Optimiere kontinuierlich basierend auf den Ergebnissen.

FAQ zu Chunking

Wie teste ich, ob meine Chunks für GEO geeignet sind?

Wende den Standalone-Test an: Lies jeden Chunk isoliert und frage dich, ob er ohne den restlichen Text vollständig verständlich ist und eine spezifische Frage beantwortet. Zusätzlich kannst du Prompts zu deinen Inhalten direkt in KI-Suchmaschinen wie Perplexity oder ChatGPT mit Websuche eingeben und prüfen, ob und wie deine Chunks zitiert werden.

Welche Rolle spielen Überschriften beim Chunking?

Überschriften signalisieren KI-Systemen, wo Chunk-Grenzen sind. Formuliere sie möglichst als natürliche Fragen oder präzise Themenbenennungen – so entsprechen sie der Art, wie Menschen Prompts formulieren. Eine Überschrift wie „Wie pflege ich Wanderschuhe richtig?“ ist für GEO wertvoller als eine generische Überschrift wie „Pflegetipps“.

Was ist Semantic Chunking?

Semantic Chunking ist eine spezifische Methode des Chunkings. Sie impliziert, dass Chunking nicht einfach im optischen Aufteilen deiner Texte in kurze Absätze besteht, sondern verweist auf die inhaltliche Bedeutung deiner Texte. Für GEO ist diese Methode entscheidend, da KI-Systeme semantische Zusammenhänge auslesen und bewerten. Die Regeln der hochwertigen Content-Erstellung, egal für welches System oder welche Plattform, sehen natürlich seit jeher inhaltlich kohärente Sinnabschnitte vor – in dieser Hinsicht ist das Chunking, welches du als Element für deine mehrwertigen Texte einsetzt, immer Semantic Chunking.

Was bedeutet Chunking im Zusammenhang mit RAG?

RAG (Retrieval-Augmented Generation) ist die Technologie, die hinter den meisten modernen KI-Systemen mit Websuche steht. Es handelt sich um eine Form des Groundings, bei der das KI-System neben seinen Trainingsdaten auch externe Datenquellen und Webinhalte nach relevanten Informationen durchsucht und diese dann in die Antwort integriert. Je besser deine Inhalte strukturiert sind, desto wahrscheinlicher ist es, dass sie im RAG- bzw. Grounding-Prozess gefunden und aufgegriffen werden.

Was ist der Unterschied zwischen der Content-Gestaltung für SEO und dem Chunking für GEO?

Bei klassischer Suchmaschinenoptimierung (SEO) geht es primär darum, Inhalte für menschliche Lesende scanbar und für Suchmaschinen-Crawler verständlich zu machen. Das Chunking für GEO basiert auch auf einer guten und logischen Textstruktur, die beim Schreiben fürs Internet schon immer von Bedeutung war. Man könnte aber sagen, dass Chunking noch einen Schritt weitergeht: Du strukturierst Inhalte gezielt so, dass KI-Systeme sie als eigenständige, zitierfähige Informationseinheiten erkennen und in ihren generierten Antworten verwenden können. Der Fokus liegt noch stärker auf semantischer Vollständigkeit und Eigenständigkeit jedes einzelnen Chunks.