RAG (Retrieval-Augmented Generation)

RAG (Retrieval-Augmented Generation) ist eine Methode, bei der ein Sprachmodell vor dem Generieren einer Antwort relevante Dokumente aus einer externen Datenquelle abruft und als Grundlage verwendet. Dadurch kann das Modell aktuelle, faktisch belegbare Antworten geben, anstatt sich ausschliesslich auf sein Trainingswissen zu verlassen.

Warum RAG wichtig ist

Sprachmodelle wie ChatGPT und Claude haben ein grundlegendes Problem: Ihr Wissen ist auf den Zeitpunkt des Trainings begrenzt. Ein Modell, das im Januar trainiert wurde, weiss nichts über Ereignisse im März. RAG löst dieses Problem, indem es dem Modell Zugriff auf aktuelle Informationen gibt, bevor es antwortet.

Die grossen KI-Assistenten nutzen RAG bereits systematisch. ChatGPT mit Web-Suche greift auf den Bing-Index zu. Google AI Overviews ziehen aus dem Google-Index. Perplexity durchsucht mehrere Suchindizes gleichzeitig. In allen Fällen ist der Ablauf derselbe: Die Nutzerfrage wird in eine Suchanfrage übersetzt, relevante Dokumente werden abgerufen, und das Modell formuliert eine Antwort auf Basis dieser Dokumente.

Für Unternehmen, die online sichtbar sein wollen, hat das eine direkte Konsequenz: Der Suchindex, aus dem die KI schöpft, ist derselbe, für den man bereits SEO macht. Wer bei Google nicht sichtbar ist, wird auch von KI-Systemen kaum als Quelle verwendet. 76 Prozent aller Quellen, die in Google AI Overviews zitiert werden, stammen von Seiten, die bereits in den Top 10 der organischen Suchergebnisse ranken.

RAG in der Praxis

RAG kommt in zwei Kontexten vor, die für designtakt relevant sind.

Der erste ist die öffentliche KI-Suche. Wenn jemand ChatGPT fragt "Welche Webflow-Agenturen gibt es in der Schweiz?", durchsucht das System den Bing-Index, findet relevante Seiten und formuliert eine Antwort. Ob designtakt in dieser Antwort erscheint, hängt davon ab, ob die Website im Suchindex gut positioniert ist und ob die Inhalte die Frage klar beantworten. Deshalb sind SEO und AEO keine getrennten Disziplinen, sondern zwei Seiten derselben Medaille.

Der zweite Kontext ist die interne Nutzung. Unternehmen können RAG einsetzen, um KI-Assistenten Zugriff auf eigene Daten zu geben: Produktdokumentation, interne Wissensdatenbanken, CRM-Daten. Sanity bietet dafür Embeddings-Indizes an, über die sich strukturierte Inhalte semantisch durchsuchen lassen. In Kombination mit dem MCP Server entsteht ein System, in dem ein AI-Assistent auf aktuelle, unternehmensspezifische Inhalte zugreifen kann.

Verwandte Begriffe

Answer Engine Optimization: AEO optimiert Inhalte dafür, von RAG-basierten KI-Systemen als Quelle gefunden und zitiert zu werden.

Topical Authority: Seiten mit hoher thematischer Autorität werden von RAG-Systemen bevorzugt als Quellen ausgewählt, weil sie thematische Tiefe und Vertrauenswürdigkeit signalisieren.

MCP Server: MCP Server können als Datenquellen in RAG-Architekturen dienen, indem sie AI-Modellen standardisierten Zugriff auf strukturierte Inhalte geben.

SEO: Der Suchindex, den RAG-Systeme durchsuchen, ist derselbe, für den SEO optimiert. Gutes SEO ist damit die Grundlage für KI-Sichtbarkeit.

Häufige Fragen zu RAG

Wie unterscheidet sich RAG von normalem ChatGPT?

ChatGPT ohne Web-Suche antwortet ausschliesslich aus seinem Trainingswissen, das zu einem bestimmten Zeitpunkt eingefroren ist. ChatGPT mit aktivierter Web-Suche nutzt RAG: Es durchsucht den Bing-Index nach aktuellen Informationen und bezieht diese in die Antwort ein. Das macht die Antworten aktueller und belegbarer, hängt aber davon ab, welche Quellen im Suchindex verfügbar sind.

Warum ist RAG für meine Website relevant?

Wenn KI-Systeme Fragen zu deinem Fachgebiet beantworten, durchsuchen sie Suchindizes nach relevanten Quellen. Deine Website kann eine dieser Quellen sein, vorausgesetzt sie rankt gut und beantwortet die gestellte Frage klar und direkt. RAG ist der technische Mechanismus hinter der KI-Sichtbarkeit, und SEO kombiniert mit AEO ist der Weg, diese Sichtbarkeit aufzubauen.