KI-Technik
Embedding
Kurz gesagt: Ein Embedding ist die Umwandlung von Text, Bild oder anderen Daten in einen Zahlenvektor, in dem inhaltlich ähnliche Inhalte nahe beieinander liegen – die Grundlage der semantischen Suche.
Embedding: die Kurzfassung
Beim Embedding überführt ein Modell ein Textstück in einen Vektor mit Hunderten bis Tausenden Dimensionen. Die Position im Vektorraum bildet die Bedeutung ab: Texte mit ähnlichem Inhalt liegen nah beieinander, auch ohne gemeinsames Wort. OpenAIs text-embedding-3-small liefert standardmäßig 1.536 Dimensionen, text-embedding-3-large und Googles Gemini-Embedding-Modelle 3.072 (Stand September 2026). Ein wichtiger Meilenstein war word2vec (Mikolov et al., 2013). Abzugrenzen ist der Token: Er ist die Eingabeeinheit, das Embedding die Bedeutungsdarstellung.
Einordnung und Hintergrund
Suchsysteme nutzen Embeddings, um Dokumente zu finden, die zur Bedeutung einer Anfrage passen statt zu ihren Wörtern. Anfrage und Textabschnitte werden in Vektoren übersetzt, die Nähe misst meist die Kosinus-Ähnlichkeit. Die OpenAI-Dokumentation beschreibt genau dieses Vorgehen für die Textsuche: Die Abschnitte mit der höchsten Ähnlichkeit zur Frage werden zurückgegeben. Diese Suche heißt Vektorsuche, und sie ist ein Baustein fast jeder RAG-Architektur.
Für die Inhaltsarbeit folgen zwei Dinge. Erstens verliert exakte Keyword-Wiederholung an Gewicht: Ein Text, der ein Thema in natürlicher Sprache vollständig behandelt, wird auch ohne die exakte Suchphrase gefunden. Zweitens gewinnt thematische Geschlossenheit. Ein Abschnitt, der ein Thema behandelt, ergibt einen klaren Vektor. Ein Abschnitt, der Preise, Ablauf und Rechtsfragen mischt, landet zwischen den Bedeutungen und passt zu keiner Frage wirklich gut.
Hier liegt ein verbreitetes Missverständnis. Aus der Embedding-Logik wird oft abgeleitet, man müsse Inhalte in winzige Stücke zerlegen. Google widerspricht dem für die eigene Suche: Laut Leitfaden vom Mai 2026 ist Chunking für Google nicht nötig, weil die Systeme mehrere Themen auf einer Seite auseinanderhalten können. Andere Systeme zerlegen Dokumente beim Indexieren selbst in Abschnitte. Die robuste Regel lautet deshalb: klare Überschriften, ein Gedanke pro Absatz, aber keine künstliche Zerstückelung, die Lesern schadet.
Prüfen lässt sich das mit wenig Aufwand. Mit einem öffentlich verfügbaren Embedding-Modell kannst du berechnen, wie ähnlich ein Absatz deiner Seite einer typischen Kundenfrage ist, und zwei Fassungen vergleichen. Das zeigt nicht, wie Google oder ChatGPT intern rechnen, denn deren Modelle sind nicht einsehbar. Es macht aber sichtbar, ob ein Absatz thematisch bei der Sache bleibt. Für die semantische Suche ist das der entscheidende Punkt.
Ein Beispiel aus der Praxis
Ein Umzugsunternehmen behandelt auf seiner Leistungsseite Preise, Ablauf und Versicherungsfragen in einem einzigen langen Absatz. Ein Vergleich mit einem Embedding-Modell zeigt, dass der Absatz zu keiner der drei typischen Kundenfragen besonders ähnlich ist. Nach der Aufteilung in drei Abschnitte mit eigenen Überschriften liegt jeder Abschnitt deutlich näher an seiner jeweiligen Frage.
Wie wir das bei Kunden umsetzen, steht hier: Technik für KI-Sichtbarkeit: Crawler, Schema, llms.txt →
Embedding: typische Fragen
Muss ich Embeddings verstehen, um Inhalte zu schreiben?
Nein, aber die Konsequenz ist praktisch nützlich: ein Thema pro Abschnitt, klare Überschriften und natürliche Sprache statt Keyword-Häufung. Wer so schreibt, bedient Embedding-basierte Suche und menschliche Leser gleichermaßen.
Ersetzt die semantische Suche die Keyword-Suche?
Nein, die meisten Systeme kombinieren beides zu einer hybriden Suche. Exakte Begriffe wie Produktnamen oder Normen findet die Stichwortsuche zuverlässiger. Die Bedeutung einer umschriebenen Frage erfasst die Embedding-Suche besser.
Kann ich prüfen, wie nah mein Text an einer Frage liegt?
Ja, näherungsweise. Mit einem öffentlichen Embedding-Modell berechnest du die Kosinus-Ähnlichkeit zwischen Absatz und Frage. Das Ergebnis ist ein Vergleichswert zwischen Textfassungen, keine Vorhersage, wie ein bestimmtes KI-System rankt.
Was ist der Unterschied zwischen Embedding und Token?
Ein Token ist ein Wort oder Wortteil, in den ein Modell Text zerlegt. Ein Embedding ist die numerische Darstellung der Bedeutung eines Tokens, Satzes oder Absatzes. Tokens sind die Eingabe, Embeddings die Repräsentation, mit der gerechnet wird.
Das hängt damit zusammen
Quellen: OpenAI API Docs: Vector embeddings (Stand September 2026) · Google AI for Developers: Embeddings (Gemini API) (Stand September 2026) · Mikolov et al.: Efficient Estimation of Word Representations in Vector Space (2013) (Stand September 2026)
Wo Anbieter einen Begriff unterschiedlich verwenden, nennen wir beide Lesarten. Einen Fehler gefunden? Schreib uns, wir korrigieren ihn. Zurück zum Glossar
Wirst du in KI-Antworten genannt?30 Minuten, kostenlos, mit ehrlicher Einschätzung.
Reden wir 30 Minuten darüber
Kostenlos, unverbindlich und mit einer ehrlichen Einschätzung, ob sich GEO bei dir gerade lohnt.