Chunking

Was bedeutet Chunking?

Chunking leitet sich vom englischen Wort chunk ab, das Stück oder Klumpen bedeutet. Ein Chunk ist eine Informationseinheit, die als Ganzes verarbeitet wird. Chunking bezeichnet den Vorgang, solche Einheiten zu bilden. Im Deutschen wird meist der englische Begriff verwendet, also das Chunking und der Chunk, im Plural die Chunks. In der Psychologie wird Chunking manchmal frei mit „Bündelung“ übersetzt.

Der Begriff wird in zwei Richtungen gebraucht. In der Psychologie werden viele einzelne Elemente zu wenigen größeren Einheiten gebündelt, etwa Ziffern zu Zahlengruppen. In der Informatik wird ein großes Dokument in viele kleinere Abschnitte zerlegt. In beiden Fällen wird Information in Einheiten gebracht, die ein begrenztes System gut verarbeiten kann. Beim Menschen ist das Kurzzeitgedächtnis begrenzt, bei KI-Systemen die Textmenge, die ein Modell auf einmal aufnimmt.

Weitere Bedeutungen von Chunk und Chunking

Im UX-Design bezeichnet Chunking das Gliedern von Inhalten in kleine, klar getrennte Einheiten, etwa durch kurze Absätze, Listen und Zwischenüberschriften. Die Gliederung einer ganzen Website in Bereiche und Kategorien beschreibt die Informationsarchitektur. In der Computerlinguistik meint Chunking das Zerlegen von Sätzen in zusammengehörige Wortgruppen, etwa Nominalgruppen. In der Datenübertragung heißen Teilstücke einer Datei Chunks, im Videospiel Minecraft die Abschnitte, in die die Spielwelt aufgeteilt ist.

Chunking in der Psychologie

Den Begriff Chunk führte der US-Psychologe George A. Miller 1956 ein. In seinem Aufsatz „The Magical Number Seven, Plus or Minus Two“ in der Fachzeitschrift Psychological Review fasste er unter anderem Experimente zum unmittelbaren Gedächtnis zusammen. Heute heißt dieser Speicher meist Kurzzeit- oder Arbeitsgedächtnis. Er hält Informationen für kurze Zeit bereit, etwa eine Telefonnummer bis zum Wählen. Nach Miller umfasste seine Spanne bei vielen Arten von Material etwa sieben Einheiten.

Für das Chunking ist eine andere Beobachtung wichtiger als die Zahl Sieben. Die Spanne hängt von der Zahl der Einheiten ab und kaum davon, wie viel Information eine Einheit enthält. Diese Einheiten nannte Miller Chunks. Wer Einzelteile zu größeren Chunks bündelt, behält deshalb mehr Information. Diesen Vorgang nannte Miller Recoding, also Umkodieren. Als Beispiel nannte Miller das Morsealphabet. Wer es neu lernt, hört jeden Punkt und jeden Strich als eigenen Chunk. Mit Übung fasst er die Signale zu Buchstaben zusammen, später zu Wörtern und ganzen Wendungen. Im Alltag zeigt sich das an Telefonnummern. Wer die Ziffern einer elfstelligen Mobilfunknummer einzeln behalten will, braucht elf Einheiten. In drei Gruppen gemerkt, sind es im günstigsten Fall nur drei.

Spätere Forschung schätzt die Kapazität niedriger ein. Der Psychologe Nelson Cowan kam 2001 in einer Übersichtsarbeit auf durchschnittlich etwa vier Chunks. Der Wert gilt für Bedingungen, unter denen sich Einheiten nicht durch Vorwissen oder Wiederholen zu größeren Chunks verbinden lassen. Laut Cowan war Millers Sieben eher als grobe Schätzung und rhetorisches Mittel gemeint, nicht als echte Kapazitätsgrenze.

Was als Chunk zählt, unterscheidet sich von Person zu Person. Ein Beispiel der Helmut-Schmidt-Universität Hamburg zeigt das an der Ziffernfolge 1, 5, 0, 2. Sie besteht aus vier Einheiten. Wer am 15. Februar Geburtstag hat, kann sie als eine einzige Einheit speichern, als das eigene Geburtsdatum. Dasselbe Prinzip zeigt sich bei Fachwissen. In einer Studie von William Chase und Herbert Simon (1973) rekonstruierte ein Schachmeister Mittelspielstellungen aus echten Partien nach fünf Sekunden Betrachtung deutlich besser als zwei schwächere Spieler, im ersten Versuch rund 16 Figuren gegenüber rund 8 und 4. Die Autoren führen das darauf zurück, dass er typische Figurengruppen als Chunks erkannte. Bei zufällig aufgestellten Figuren hatte er keinen Vorsprung.

Chunking als Lernmethode

Als Lernmethode nutzt Chunking dieses Prinzip gezielt. Lernstoff wird in kleine, zusammenhängende Einheiten gegliedert, die sich einzeln einprägen und später zu größeren verbinden lassen. Dafür lassen sich vier Schritte unterscheiden.

• Gliedern. Den Stoff in überschaubare Teile zerlegen, etwa Vokabeln nach Themen oder ein Kapitel nach Unterpunkten.
• Bedeutung geben. Einzelteile mit Bekanntem verknüpfen, etwa Ziffern mit einem Datum oder Buchstaben mit einer Abkürzung.
• Verbinden. Gelernte Einheiten schrittweise zu größeren zusammenfassen, so wie beim Morsealphabet aus Zeichen Wörter werden.
• Wiederholen. Die Einheiten so oft abrufen, bis sie als Ganzes verfügbar sind.

Chunking vergrößert das Kurzzeitgedächtnis nicht. Es sorgt dafür, dass mehr Information in dieselbe Zahl von Einheiten passt. Am leichtesten gelingt das mit Vorwissen, an das neue Einheiten anknüpfen können.

Aus Millers Zahl wird oft abgeleitet, Menüs dürften höchstens sieben Punkte haben. Laut Nielsen Norman Group ist das ein Fehlschluss, weil Menüpunkte sichtbar bleiben und nur wiedererkannt, nicht erinnert werden müssen.

Chunking in der Informatik und bei RAG

In der Informatik bezeichnet Chunking das Zerlegen eines Dokuments in kleinere Abschnitte, die ein System einzeln speichert, durchsucht und weitergibt. Ein typischer Einsatz ist Retrieval Augmented Generation, kurz RAG. Dabei sucht ein System vor dem Antworten passende Textstellen heraus und gibt sie einem Sprachmodell als Grundlage mit. Durchsucht werden nicht ganze Dokumente, sondern ihre Chunks.

Damit Dokumente durchsuchbar werden, durchlaufen sie mehrere Schritte. Der Text wird aus der Datei ausgelesen und in Chunks zerlegt. Jeder Chunk wird in ein Embedding umgerechnet, eine Liste von Zahlen, die seine Bedeutung abbildet. Je ähnlicher sich zwei Texte inhaltlich sind, desto näher liegen ihre Embeddings beieinander. Die Embeddings werden in einem Index gespeichert, oft in einer Vektordatenbank. Bei einer Anfrage wird auch die Frage in ein Embedding umgerechnet, und das System sucht die Chunks mit den ähnlichsten Werten heraus. Dieser Abruf heißt Retrieval.

Zerlegt wird vor allem aus zwei Gründen. Erstens verarbeiten Embedding-Modelle nur eine begrenzte Textmenge auf einmal, bei OpenAIs Modellen der Reihe text-embedding-3 rund 8.000 Tokens. Tokens sind die kurzen Textbausteine aus Wörtern oder Wortteilen, mit denen Sprachmodelle rechnen. Zweitens bildet ein einzelnes Embedding eine lange Seite mit vielen Unterthemen nur ungenau ab. Microsoft nennt als Beispiel eine Wiki-Seite zu vielen Unterthemen. Sie kann von feineren Chunks profitieren, auch wenn sie unter der Grenze des Modells bleibt.

Chunk-Größe und Überlappung

Die Größe eines Chunks wird in Tokens, Zeichen oder Wörtern angegeben. Sie ist ein Kompromiss. Kleine Chunks passen genauer zu einer bestimmten Frage, verlieren aber leicht den Zusammenhang, etwa wenn ein Satz ohne den vorherigen unverständlich ist. Große Chunks behalten den Zusammenhang, können aber mehrere Themen mischen und belegen mehr Platz im Kontextfenster des Modells, also in der Textmenge, die es auf einmal verarbeitet.

Damit an den Übergängen zwischen zwei Chunks kein Zusammenhang verloren geht, überlappen sich benachbarte Chunks oft. Das Ende eines Chunks steht dann am Anfang des nächsten noch einmal. OpenAI zerlegt Dateien für seine Dateisuche standardmäßig in Chunks von 800 Tokens mit 400 Tokens Überlappung. Microsoft empfiehlt für Azure AI Search als Startwert 512 Tokens, rund 2.000 Zeichen, mit 25 % Überlappung. Beide Werte lassen sich anpassen. Die passende Überlappung hängt laut Microsoft vom Inhalt und vom Einsatzzweck ab.

Chunking-Strategien

Wo ein Dokument geschnitten wird, legt die Chunking-Strategie fest. Vier Ansätze sind verbreitet.

• Feste Länge. Der Text wird nach einer festen Zahl von Zeichen oder Tokens geteilt, notfalls mitten im Satz.
• Satz- oder absatzbasiert. Die Grenzen liegen an Satzenden, Zeilenumbrüchen oder Absätzen, sodass Sätze vollständig bleiben.
• Strukturbasiert. Das Dokument wird entlang seiner Überschriften geteilt, in HTML etwa an den Elementen h2 und h3.
• Semantisch. Die Grenzen folgen dem Inhalt, sodass ein Chunk ein Thema zusammenhält. Eine verbreitete Umsetzung vergleicht dazu die Embeddings aufeinanderfolgender Sätze und schneidet, wo sich die Bedeutung deutlich ändert.

Die Ansätze lassen sich kombinieren. Microsoft nennt als Beispiel, Chunks aus der Mitte eines langen Dokuments den Dokumenttitel hinzuzufügen, damit ihr Zusammenhang erhalten bleibt.

Chunking in der KI-Suche

KI-Suchsysteme stützen ihre Antworten oft auf Seiten, die sie passend zur Frage abrufen. Für mehrere Systeme ist belegt, dass sie dabei neben der ganzen Seite einzelne Abschnitte bewerten und dem Modell nur ausgewählte Abschnitte mitgeben. Die Antwort wird in diesen Abschnitten verankert. Dieses Verankern heißt Grounding. Welche Abschnitte ausgewählt werden, entscheidet mit darüber, ob eine Seite als Quelle in der Antwort erscheint, also eine Citation erhält.

Wie ChatGPT Textblöcke bewertet

Wie ChatGPT abgerufene Seiten zerlegt, zeigt eine Auswertung von Peec AI, einem Anbieter von AI-Visibility-Tracking. Das Team las im September 2026 eine Debug-Ansicht im Datenstrom der ChatGPT-Weboberfläche aus. Danach wandelt ChatGPT eine abgerufene Seite in Text um und zerlegt ihn in Blöcke, laut Peec AI in der Größenordnung von rund 170 Wörtern. Jeder Block wird einzeln bewertet. Das Modell sieht je Quelle nur ein bis drei dieser Blöcke. Bei einem Beispiel-Prompt rief ChatGPT 223 von 228 Suchergebnissen ab und zitierte 16 davon. Die Daten sind eine Momentaufnahme aus der Oberfläche, die Zahlen zum Abruf stammen aus einem einzigen Prompt. Was die Auswertung zeigt und wo ihre Grenzen liegen, beschreibt der KKP-Artikel ChatGPT Chunking.

Passage Ranking in der Google-Suche

Auch die klassische Google-Suche bewertet einzelne Abschnitte einer Seite seit Jahren mit. Im Oktober 2020 kündigte Google an, die Relevanz einzelner Passagen zusätzlich zur Relevanz der ganzen Seite zu erfassen. Nach der weltweiten Einführung sollte das 7 % der Suchanfragen in allen Sprachen verbessern. In der Übersicht seiner Ranking-Systeme beschreibt Google Passage Ranking als KI-System, das einzelne Abschnitte einer Seite erkennt, um besser einzuschätzen, wie relevant die Seite für eine Suche ist. Gerankt wird also weiterhin die Seite, die Passagen fließen in ihre Bewertung ein.

Was bedeutet Chunking für Content?

Wenn Systeme Abschnitte einzeln abrufen und bewerten, sollte jeder Abschnitt für sich verständlich sein. Microsoft beschreibt, dass sein Grounding-System Web IQ dem Modell neben ganzen Dokumenten auch einzelne Passagen geben kann, versehen mit Herkunft, Strukturangaben und so viel Kontext, dass sie losgelöst von der Ursprungsseite verständlich bleiben.

Strukturbasierte Verfahren schneiden an den Überschriften. Eine Überschrift markiert dann den Anfang eines Chunks und benennt sein Thema. Bei ChatGPT wird eine Überschrift laut Peec AI mitbewertet, wenn ein Block mit ihr beginnt. Blockgrenzen liegen aber nicht immer an Überschriften. Auch der erste Satz eines Absatzes sollte deshalb ohne die Sätze davor verständlich sein.

Googles Position zum Chunking

Für die Google-Suche hält Google es für unnötig, Inhalte eigens in Chunks zu zerlegen. Im Leitfaden zu generativen KI-Funktionen der Google-Suche (Stand 10.07.2026) führt Google das unter den Punkten, die Website-Betreiber ignorieren können, und schreibt, Inhalte müssten nicht in kleine Stücke zerlegt werden, damit KI sie besser versteht. Googles Systeme könnten mehrere Themen auf einer Seite erfassen und Nutzern den passenden Teil zeigen. Eine ideale Seitenlänge gebe es nicht. Semantisches HTML zeichnet mit Elementen wie Überschriften und Listen aus, welche Rolle ein Inhalt hat. Perfektes semantisches HTML hält Google für nicht zwingend, rät aber dazu, es zu nutzen, wo es möglich ist, weil es etwa Screenreadern die Navigation erleichtert.

Gut gegliederten Abschnitten widerspricht das nicht. Abschnitte mit klarer Überschrift, die für sich verständlich sind, setzen kein Zerlegen in kleine Stücke voraus. Sie entsprechen Googles Empfehlung zu semantischem HTML und helfen Lesern ebenso wie Systemen, die Textblöcke einzeln bewerten. Für ChatGPT zeigt die Auswertung von Peec AI, dass Textblöcke einzeln bewertet werden.

Gratis Download

AI Search Guide: Sichtbar in ChatGPT & Co.

Der Praxis-Guide zeigt auf 164 Seiten, wie eine Brand in ChatGPT, Google AI Overviews, Gemini und Perplexity sichtbar wird, von den Grundlagen über Messung und KPIs bis zu konkreten Maßnahmen.

Kostenlos herunterladen →