Passage Retrieval

Wie funktioniert Passage Retrieval technisch?

Passage Retrieval funktioniert, indem ein KI-System Texte nicht als Ganzes, sondern in einzelnen Abschnitten bewertet und den für eine Suchanfrage relevantesten Textabschnitt identifiziert. Anders als bei klassischen Suchsystemen, die ein Dokument anhand von Schlüsselwörtern und eingehenden Links als Einheit einordnen, bewertet Passage Retrieval jede Passage eigenständig – auf Basis ihrer semantischen Relevanz zur gestellten Frage.

Technisch basiert Passage Retrieval auf dem sogenannten Dense Retrieval: Texte und Anfragen werden in hochdimensionale Vektoren überführt, die als Embeddings bezeichnet werden. Das System berechnet, welche Passage dem semantischen Bedeutungsraum der Anfrage am nächsten liegt – und findet so passende Textabschnitte, selbst wenn die exakten Wörter der Anfrage im Text nicht vorkommen.

Ein weiterer Schritt ist das Reranking: Nachdem das System mehrere Kandidatenpassagen identifiziert hat, bewertet ein zweites Modell deren Relevanz und Qualität neu. So gelangt die informativste und präziseste Passage an die Spitze – nicht zwangsläufig diejenige, die am häufigsten mit Begriffen aus der Anfrage übereinstimmt. Dieser zweistufige Prozess erhöht die Wahrscheinlichkeit erheblich, dass die zitierte Passage tatsächlich eine nützliche Antwort liefert.

Was ist der Unterschied zwischen Passage Retrieval und klassischer Dokumentensuche?

Klassische Dokumentensuche bewertet Webseiten als geschlossene Einheiten: Ein Dokument erhält einen Relevanz-Score auf Basis von Schlüsselwörtern, eingehenden Links und technischen Signalen, und das am höchsten bewertete Dokument wird als Ergebnis ausgespielt. Passage Retrieval bricht diese Logik auf – ein einzelner Paragraph kann zitiert werden, auch wenn die restliche Seite thematisch weniger stark aufgestellt ist.

Für Nutzende bedeutet das eine grundlegend andere Sucherfahrung: Answer Engines geben keine Liste von Links zurück, die aktiv durchsucht werden müssten. Sie liefern direkte Antworten, die aus spezifischen Passagen zusammengestellt werden. Die Quellenangabe bleibt sichtbar, aber der Klick auf die Ursprungsseite ist optional geworden – was den Wert jeder einzelnen Passage als eigenständige Informationseinheit erheblich steigert.

Für Publisher hat der Wandel von Dokumentensuche zu Passage Retrieval eine wichtige strategische Konsequenz: Eine starke Domain-Authority allein reicht nicht mehr aus. Eine Domain mit geringerer Reichweite kann eine Citation erhalten, wenn ihre Inhalte auf Passagen-Ebene präziser und eigenständiger formuliert sind als die eines etablierten Wettbewerbers. Passage Retrieval demokratisiert damit den Zugang zur Sichtbarkeit in Answer Engines und verschiebt den Wettbewerb hin zur inhaltlichen Qualität einzelner Abschnitte.

Ressourcen:

• AEO Page Structure: So bauen Sie Seiten für Answer Engines auf

Wie hängen Passage Retrieval und RAG zusammen?

Retrieval-Augmented Generation (RAG) ist das Architekturprinzip, das viele aktuelle Answer Engines antreibt: Statt ausschließlich auf im Training gespeichertes Wissen zu verweisen, holt ein RAG-System zur Laufzeit relevante Informationen aus externen Quellen – und Passage Retrieval ist die Methode, mit der diese Informationen identifiziert werden. Passage Retrieval ist damit die Retrievalkomponente innerhalb der RAG-Architektur.

Der Ablauf in einem RAG-System folgt drei Phasen: Zuerst wird die Nutzeranfrage in einen Vektor überführt. Dann durchsucht das System einen Index aus segmentierten Textpassagen und wählt die semantisch am stärksten übereinstimmenden Abschnitte aus. Schließlich übergibt das System diese Passagen als Kontext an das Sprachmodell, das auf dieser Grundlage eine Antwort generiert – ein Vorgang, der als Grounding bezeichnet wird.

Passage Retrieval bestimmt damit unmittelbar, welche Informationen das Sprachmodell überhaupt zu sehen bekommt. Eine Passage, die nicht gefunden wird, kann nicht als Grundlage für eine Antwort dienen – und wird entsprechend nie zitiert. Für AEO-Praktizierende bedeutet das: Wer in RAG-basierten Answer Engines sichtbar sein will, muss primär auf Passagen-Ebene optimieren, nicht auf Seitenebene.

Ressourcen:

• AI Search Guide: So werden Ihre Inhalte in KI-Suchen gefunden

Welche Anforderungen stellt Passage Retrieval an die Content-Struktur?

Passage Retrieval funktioniert am besten mit Inhalten, die in eigenständig verständliche Abschnitte gegliedert sind. Jeder Paragraph sollte eine vollständige Antwort auf eine spezifische Frage oder Aussage enthalten – ohne dass die lesende Person den umgebenden Text kennen muss. Inhalte, die sich über mehrere Absätze aufbauen, bevor sie zum Kern der Aussage gelangen, werden von Passage-Retrieval-Systemen systematisch schlechter bewertet.

Eine klare Hierarchie aus H2- und H3-Überschriften hilft Answer Engines, die semantische Zugehörigkeit einer Passage schnell zu erfassen. Die Überschrift funktioniert dabei als Kontext-Signal: Sie teilt dem Retrievalsystem mit, welche Frage der folgende Abschnitt beantwortet. Passagen ohne Überschrift oder mit vagen Formulierungen wie „Weitere Informationen" erhalten schwächere Retrieval-Scores.

Optimal strukturierte Passagen für Passage Retrieval sind in der Regel 40 bis 120 Wörter lang. Kürzeren Abschnitten fehlt häufig der semantische Kontext; längere Passagen verwässern die Relevanz durch zu viele Themen. Diese Längenvorgabe deckt sich mit dem Ansatz des Answer-First Formatting, bei dem die direkte Antwort an den Anfang jedes Abschnitts gestellt wird – ein Prinzip, das sowohl für klassische Suchmaschinenoptimierung (SEO) als auch für AEO gilt.

Wie beeinflusst Passage Retrieval die AEO-Strategie?

Passage Retrieval verschiebt den strategischen Fokus vom Seitenrang zur Passagen-Qualität. Eine AEO-Strategie, die Passage Retrieval berücksichtigt, fragt nicht mehr nur, für welche Keywords eine Seite ranken soll – sondern welche konkreten Fragen jede einzelne Passage beantwortet und ob diese Antwort vollständig genug ist, um ohne Kontext zu funktionieren.

Die Konsequenz für die Content-Planung ist eine engere Verzahnung von Query-Clustern und Abschnittsplanung. Jede Seite sollte nicht als monolithischer Text konzipiert werden, sondern als Sammlung eigenständiger Passagen, von denen jede eine spezifische Nutzerintention adressiert. Das erhöht die Wahrscheinlichkeit, dass mindestens eine Passage für eine Retrieval-Anfrage als relevant eingestuft wird – selbst wenn die Seite insgesamt auf ein breiteres Thema ausgerichtet ist.

Passage Retrieval begünstigt außerdem thematische Tiefe gegenüber thematischer Breite. Ein Abschnitt, der eine Frage mit fachlicher Präzision und klarer Sprache beantwortet, erzielt höhere Retrieval-Scores als ein allgemeiner Überblick, der dasselbe Thema nur oberflächlich streift. Marketingteams, die ihre Inhalte bisher primär an Suchvolumen-Metriken ausgerichtet haben, müssen Passage Retrieval als neuen Qualitätsmaßstab für redaktionelle Entscheidungen einbeziehen.

Ressourcen:

• AEO-Strategie: So optimieren Sie Inhalte für Answer Engines

Wie lässt sich messen, ob eigene Inhalte per Passage Retrieval zitiert werden?

Die direkte Messung von Passage Retrieval ist methodisch herausfordernd, da Answer Engines keine standardisierten Reporting-Schnittstellen für Zitierungsdaten anbieten. Dennoch lassen sich relevante Indikatoren heranziehen: Die Zitierungsrate misst, wie häufig eigene Inhalte in den Antworten von Answer Engines als Quelle erscheinen. AI Referral Traffic erfasst, wie viele Websitebesuche direkt aus Klicks in Answer-Engine-Oberflächen resultieren.

Ein systematischer Ansatz zur Messung kombiniert manuelle Stichproben – bei denen Nutzende testweise Fragen zu eigenen Themen in Answer Engines stellen – mit Monitoring-Tools, die Zitierungen automatisiert verfolgen. Dabei sollte die Qualität der zitierten Passage ebenso bewertet werden wie die bloße Tatsache der Zitierung: Eine fehlerhaft extrahierte Passage oder ein aus dem Kontext gerissenes Zitat kann dem Markenimage schaden, auch wenn sie technisch als Citation gilt.

Nicht minder relevant sind negative Signale: Wenn Inhalte zu einem Thema konsequent nicht zitiert werden, obwohl die Seite für dieses Thema organischen Traffic erzeugt, deutet das auf strukturelle Schwächen auf Passagen-Ebene hin – etwa zu lange Absätze, fehlende Direktantworten oder unklare semantische Zuordnung. Solche Muster geben konkrete Hinweise darauf, welche Abschnitte überarbeitet werden sollten. HubSpot teilt im State of AEO Report aktuelle Erkenntnisse dazu, wie Unternehmen ihre KI-Sichtbarkeit und Zitierungsraten entwickeln.

Ressourcen:

• Tracking KI-Suche: So messen Sie Ihre Sichtbarkeit in Answer Engines
• State of AEO Report von HubSpot