Keywords: Von Strings zu Entities und semantischem Verständnis

Warum Semantisches SEO heute über Sichtbarkeit entscheidet

Suchmaschinen lesen seit Jahren keine Zeichenketten mehr, sondern Bedeutung. Wer 2026 Inhalte nach Keyword-Dichte optimiert, optimiert für ein Modell, das Google bereits 2013 abgelöst hat. Den Wendepunkt markierte der Knowledge Graph: Google beschrieb ihn als ein intelligentes Modell, das reale Entitäten und ihre Beziehungen versteht, also "things, not strings". Schon zum Start umfasste er mehr als 500 Millionen Objekte und mehr als 3,5 Milliarden Fakten und Beziehungen zwischen diesen Objekten. Seitdem verarbeitet die Suche Begriffe als verknüpfte Konzepte, nicht als isolierte Wortfolgen.

Der zweite Schritt war das maschinelle Sprachverständnis. Mit RankBrain führte Google 2015 ein Lernsystem ein, das Anfragen interpretiert, die es nie zuvor gesehen hat, und das betrifft laut Search Engine Journal etwa 15 Prozent aller Suchanfragen. Genau hier setzt Semantisches SEO an: Es geht nicht mehr darum, ein Wort möglichst oft zu platzieren, sondern darum, ein Thema vollständig und als erkennbare Entität abzudecken.

Für den B2B-Markt im DACH-Raum ist das doppelt relevant. In Österreich läuft der mit Abstand größte Teil der Suche über Google: Der Suchmaschinen-Marktanteil liegt bei 81,87 Prozent für Google, 9,01 Prozent für Bing und 2,75 Prozent für DuckDuckGo (Stand Mai 2026). Gleichzeitig sind praktisch alle Entscheider erreichbar: Österreich zählte im Januar 2025 8,69 Millionen Internetnutzer bei einer Online-Penetration von 95,3 Prozent. Wer in diesem Markt von Google semantisch verstanden wird, erreicht nahezu die gesamte Zielgruppe.

Wie Bedeutung entsteht: Vom String zum Entity und die Rolle von BM25

Eine Entität ist ein eindeutig identifizierbares Konzept: ein Unternehmen, ein Produkt, eine Person, ein Fachbegriff. Der Knowledge Graph weist solchen Entitäten eine ID zu und verknüpft sie mit Attributen und anderen Entitäten. "Jaguar" ist für Google nicht ein Wort, sondern entweder das Tier, der Automobilhersteller oder das Betriebssystem, abhängig vom Kontext. Diese Disambiguierung ist der Kern semantischer Suche.

Die Retrieval-Pipeline arbeitet zweistufig. Zuerst grenzt ein lexikalisches Verfahren wie BM25 aus dem Index schnell die relevanten Dokumente ein. Erst danach ordnet ein semantisches Re-Ranking mit Transformer-Embeddings die Treffer nach Bedeutung. BM25 bleibt also die Basis, das Sprachmodell verfeinert.

Entscheidend ist, wie BM25 funktioniert, denn daran zerbricht der Mythos Keyword-Dichte:

• Termfrequenz-Sättigung: BM25 belohnt zusätzliche Wiederholungen eines Begriffs immer schwächer. Ab einem gewissen Punkt bringt das zehnte Vorkommen kaum mehr Relevanz als das fünfte. Gesteuert wird das über den Parameter k1.
• Dokumentlängen-Normalisierung: Längere Texte enthalten Begriffe häufiger, ohne deshalb relevanter zu sein. Der Parameter b gleicht das aus. Die Standardwerte sind k1 = 1,2 und b = 0,75 und funktionieren laut Elastic für die meisten Korpora gut.

Aus beiden Mechanismen folgt: Eine höhere Keyword-Dichte verbessert das Ranking nicht linear, sondern flacht ab und kann durch Längen-Normalisierung sogar abgewertet werden. Wer ein Keyword künstlich häuft, optimiert gegen die Mathematik des Systems. Sinnvoller ist es, das Thema durch verwandte Begriffe und Entitäten breit abzudecken.

Entity SEO in der Praxis: Identifizieren, verknüpfen, verankern

Semantisches SEO übersetzt sich in konkrete On-Page-Arbeit. Der Ablauf folgt drei Schritten.

Erstens, Entitäten identifizieren. Pro URL gehört eine dominante Entität, das thematische Zentrum der Seite. Dazu kommen unterstützende Entitäten, die das Thema rahmen. Eine Seite über "Auftragsverarbeitungsvertrag" sollte Entitäten wie DSGVO, Auftragsverarbeiter und Datenschutzbehörde mitführen, weil diese in jedem fachlich vollständigen Text gemeinsam auftreten.

Zweitens, Entitäten maschinenlesbar verknüpfen. Mit strukturierten Daten nach Schema.org lässt sich einer Seite mitteilen, über welche Entität sie handelt. Das Attribut sameAs verlinkt auf autoritative Referenzen wie Wikipedia, Wikidata oder offizielle Unternehmensprofile und verankert die eigene Entität im Knowledge Graph. Strukturierte Daten sind im Web inzwischen Standard: JSON-LD findet sich laut Web Almanac 2024 auf 41 Prozent der mobilen Seiten, ein Anstieg von 34 Prozent im Jahr 2022. Am häufigsten ausgezeichnet werden dabei WebSite mit 12,73 Prozent, Organization mit 7,16 Prozent und LocalBusiness mit 3,97 Prozent der mobilen Seiten. Wer hier präzise auszeichnet, liefert Suchmaschinen und KI-Systemen eine eindeutige, gegenprüfbare Datenquelle zur Entitätserkennung.

Drittens, im Knowledge Graph verankern. Eine Entität wird durch konsistente Nennung über Quellen hinweg stabilisiert. Identische Schreibweise, identische Verknüpfungen und ein klarer Bezug zwischen Marke, Autor und Thema erhöhen die Wahrscheinlichkeit, dass Google die Entität als eigenständiges Objekt führt.

Entity Salience messen und steuern

Nicht jede genannte Entität ist für einen Text gleich wichtig. Die Salience beschreibt, wie zentral eine Entität für das gesamte Dokument ist. Googles Natural Language API gibt dafür einen Salience-Score im Bereich 0 bis 1,0 aus: Werte nahe 1,0 stehen für hohe Zentralität, Werte nahe 0 für Randthemen. Der Score misst laut Dokumentation die Wichtigkeit oder Zentralität einer Entität für den gesamten Dokumenttext.

Salience lässt sich gezielt erhöhen:

• Position: Die dominante Entität gehört früh in den Text, idealerweise in den ersten Satz und in die H1. Früh genannte Entitäten gewichtet die NLP-Analyse stärker.
• Frequenz mit Augenmass: Die Hauptentität sollte erkennbar wiederkehren, aber im Rahmen der oben beschriebenen Sättigung, nicht durch Stuffing.
• Grammatische Abhängigkeit: Entitäten als Subjekt oder Objekt von Kernaussagen wiegen schwerer als Nennungen in Nebensätzen.

Praktisch heisst das: Eine URL, eine dominante Entität, konsequent in Title, H1, Einleitung und Zwischenüberschriften platziert. Streut man dagegen mehrere konkurrierende Entitäten gleichgewichtig über den Text, sinkt die Salience jeder einzelnen und das thematische Signal verwässert.

Best Practices: Semantische Content-Architektur und On-Page-Hebel

Aus den Mechanismen ergibt sich eine klare Arbeitsweise für thematische Vollständigkeit statt Keyword-Stuffing.

• Topic Cluster bilden: Eine Pillar-Seite deckt das Kernthema ab, spezialisierte Cluster-Seiten behandeln Teilaspekte und verlinken zurück. So entsteht ein zusammenhängender Themenraum, in dem jede Seite eine eigene dominante Entität besetzt.
• Co-Occurrence nutzen: Verwandte Entitäten, die in fachlich vollständigen Texten regelmäßig gemeinsam vorkommen, gehören in den Content. Sie sind das Signal für thematische Tiefe.
• Umfang folgt dem Thema, nicht der Wortzahl: Umfassende Inhalte korrelieren mit besseren Rankings. Die durchschnittliche Wortzahl eines Google-Top-10-Ergebnisses liegt bei 1.447 Wörtern, ermittelt aus einer Analyse von 11,8 Millionen Suchergebnissen. Aufschlussreich ist die zweite Beobachtung derselben Analyse: keyword-überladene Title- und H1-Tags zeigten keine Korrelation mit besseren Rankings. Vollständigkeit schlägt Dichte.
• On-Page-Signale konsistent setzen: Title Tag, H1 und Einleitung tragen die Hauptentität. Die Heading-Hierarchie von H1 bis H3 strukturiert Teilentitäten logisch. Interne Verlinkung mit beschreibendem Anchor-Text, der die Zielentität benennt, stärkt deren Bezug. "Auftragsverarbeitungsvertrag prüfen" ist als Anker wertvoller als "hier klicken".

Beim Übergang von Keywords zu Suchintention verschiebt sich auch die Recherche. Statt Match-Types zählt das Mapping auf Intent: Will der Nutzer etwas wissen, vergleichen, kaufen oder eine Aufgabe erledigen? Im DACH-B2B-Kontext sind die Intents oft fachlich und transaktionsfern, dafür entscheidungsrelevant. Eine Seite, die die Intention exakt bedient, schlägt eine, die nur das Keyword trifft.

GEO und E-E-A-T on-page: Sichtbarkeit in KI-Antworten

Generative Suchsysteme und AI Overviews verändern, wie Inhalte gefunden werden. Deren Präsenz ist volatil, aber substanziell: Laut einer Semrush-Analyse von mehr als 10 Millionen Keywords erreichten AI Overviews im Juli 2025 einen Höchstwert von knapp unter 25 Prozent der Anfragen und fielen bis November 2025 auf unter 16 Prozent zurück. Wer in diesen Antworten zitiert werden will, optimiert für Generative Engine Optimization (GEO).

Die wirksamsten GEO-Hebel sind belegt. Eine kontrollierte Studie über 10.000 Anfragen zeigt, dass GEO die Sichtbarkeit in generativen Antworten um bis zu 40 Prozent steigern kann. Die stärksten Einzelmethoden sind dabei das Hinzufügen von Zitaten mit rund 27,8 Prozent, von Statistiken mit rund 25,9 Prozent und das Belegen von Quellen mit rund 24,9 Prozent relativer Verbesserung auf der Position-Adjusted-Word-Count-Metrik. Konkret bedeutet das: vertrauenswürdige Quellen verlinken, Aussagen mit Zahlen belegen und Statistiken nennen, genau wie in diesem Artikel.

Parallel operationalisiert E-E-A-T on-page das Vertrauenssignal. Google führt Experience, Expertise, Authoritativeness und Trustworthiness als Qualitätsdimensionen und stellt klar, dass Trust die wichtigste Komponente ist. On-Page heisst das: Autoren als eigene Entität auszeichnen, Author-Schema einsetzen, Quellen belegen und nachvollziehbare Trust-Signale wie Aktualisierungsdatum, Impressum und fachliche Belege setzen. Eine Autoren-Entität, die mit dem Thema und der Marke konsistent verknüpft ist, stärkt die Glaubwürdigkeit der gesamten Seite.

Featured Snippets und Position Zero strukturieren

Strukturierte Antwortformate erhöhen die Chance auf das hervorgehobene Snippet. Laut einer Ahrefs-Analyse von zwei Millionen Featured Snippets zeigen etwa 12,29 Prozent der Suchanfragen ein Featured Snippet. Die Klickverteilung ist allerdings differenziert zu lesen: Steht das Snippet über Position 1, erhält es im Schnitt nur etwa 8,6 Prozent der Klicks, während das direkt darunter rankende Ergebnis etwa 19,6 Prozent bekommt. Das Snippet bringt also Sichtbarkeit und Markenpräsenz, ist aber kein Garant für den Löwenanteil der Klicks.

Für die Snippet-Eignung gilt:

• Direkte Antwort zuerst: Eine prägnante Definition oder Antwort in 40 bis 60 Wörtern direkt nach der Frage-Überschrift erleichtert die Extraktion. Dieses Format dient zugleich der Zitierfähigkeit in KI-Antworten.
• Listen und Tabellen einsetzen: Aufzählungen und strukturierte Tabellen werden bevorzugt als Snippet gezogen, besonders bei Vergleichen und Schritt-für-Schritt-Inhalten.
• Fragen als Überschriften: H2- oder H3-Überschriften in Frageform treffen die tatsächliche Suchformulierung und liefern den Antwortkontext direkt mit.

Metriken und Messung: Entity-Coverage und Wettbewerbs-Gap

Semantisches SEO lässt sich messen, nicht nur behaupten. Die relevanten Größen:

• Salience-Score: Den eigenen Text durch Googles Natural Language API laufen lassen und prüfen, ob die beabsichtigte Hauptentität tatsächlich den höchsten Salience-Wert erreicht. Liegt eine unbeabsichtigte Entität vorne, ist das Thema nicht klar genug fokussiert.
• Entity-Coverage: Abgleichen, welche verwandten Entitäten fachlich vollständige Texte zum Thema enthalten und welche im eigenen Content fehlen. Diese Lücke ist die konkrete Content-Aufgabe.
• Wettbewerbs-Entity-Gap: Eine semantische SERP-Analyse der Top-Ergebnisse zeigt, welche Entitäten die rankenden Seiten gemeinsam abdecken. Im DACH-Markt ist diese Lücke oft leichter zu schliessen als im englischsprachigen Wettbewerb, weil weniger fachlich tiefe deutschsprachige Quellen konkurrieren.
• Strukturierte-Daten-Validierung: Mit dem Schema-Markup-Validator und der Rich-Results-Prüfung sicherstellen, dass Entitäts-Auszeichnung und sameAs-Verknüpfungen fehlerfrei ausgelesen werden.
• Sichtbarkeit in Rich Results und AI Overviews: Tracking, ob Seiten als Rich Result erscheinen und ob sie in generativen Antworten zitiert werden. Letzteres ist der direkte Indikator für erfolgreiche GEO-Arbeit.

Weiterführendes

Semantisches SEO ist kein Zusatz zur On-Page-Optimierung, sondern deren Rahmen. Wer eine dominante Entität pro URL definiert, sie mit Schema.org und sameAs verankert, Salience über Position und Struktur steuert und das Thema durch verwandte Entitäten vollständig abdeckt, optimiert gleichzeitig für klassische Rankings, Featured Snippets und KI-Antworten. Sinnvolle nächste Schritte sind die Vertiefung in Schema-Markup on-page, die Operationalisierung von E-E-A-T über Autoren-Entitäten sowie die Verzahnung der internen Verlinkung zu einer konsistenten Topic-Cluster-Architektur. Der gemeinsame Nenner bleibt: Bedeutung schlägt Zeichenkette.