Retrieval

Was bedeutet Retrieval?

Retrieval ist ein englisches Substantiv und kommt vom Verb „to retrieve“, also zurückholen oder wiederfinden. Auf Deutsch heißt es Abruf, Wiederauffinden oder Wiedergewinnung. Gemeint ist immer derselbe Vorgang. Etwas, das bereits gespeichert ist, wird bei Bedarf wieder hervorgeholt.

Der Begriff kommt in mehreren Fachgebieten vor. In der Psychologie beschreibt er den Abruf von Inhalten aus dem Gedächtnis. In der Informatik steht er für das Wiederfinden von Dokumenten in großen Datenbeständen. Das Fachgebiet dazu heißt Information Retrieval, und Suchmaschinen sind seine bekanntesten Anwendungen.

Im Search-Marketing hat das Wort mit der KI-Suche eine konkrete Bedeutung bekommen. Es bezeichnet den Moment, in dem ein KI-System zu einer Frage Quellen aus dem Web oder aus einem eigenen Index holt. Dieser Schritt entscheidet, welche Seiten überhaupt eine Chance haben, in einer Antwort aufzutauchen.

Welche Rolle spielt Retrieval in der KI-Suche?

Ein Large Language Model (LLM) kennt zunächst nur das, was beim Training in seine Gewichte eingeflossen ist. Dieses Wissen hat einen Stichtag und keine Quellenangabe. Für aktuelle Fragen oder belegte Aussagen braucht das Modell Material von außen. Retrieval liefert dieses Material zur Laufzeit. Das System sucht passende Dokumente, gibt ausgewählte Passagen an das Modell weiter, und das Modell formuliert daraus die Antwort.

Die Kombination aus Abruf und Textgenerierung heißt Retrieval Augmented Generation. Wie diese Pipeline aufgebaut ist, erklärt der Artikel zu Retrieval Augmented Generation (RAG). Retrieval ist der Teil von RAG, der Quellen findet. Generation ist der Teil, der schreibt.

Nicht jede Frage löst einen Abruf aus. ChatGPT entscheidet vor der Antwort, ob überhaupt gesucht wird. In einer Auswertung des Netzwerkverkehrs von ChatGPT, die Snippet Digital im Juni 2026 veröffentlicht hat, lösten 3 von 10 bewusst aktuell formulierten Fragen keine Websuche aus. Die Details stehen im Artikel zur Quellenauswahl von ChatGPT. Ohne Retrieval antwortet das Modell aus dem Training, und die Antwort bleibt dann in der Regel ohne Quellenangabe.

Wie läuft Retrieval in der KI-Suche ab?

Retrieval ist ein Glied in einer Kette. Davor liegen Crawling und Indexierung, danach folgen Auswahl und Citation. An jeder Stufe fallen Quellen heraus.

Woher kommen die Suchanfragen?

KI-Systeme suchen selten mit dem Prompt im Wortlaut. Sie zerlegen eine Frage in mehrere Teilsuchen. Dieses Verfahren heißt Query Fan-Out. Jede Teilsuche liefert eine eigene Ergebnisliste. Eine Seite kann deshalb für eine Teilsuche weit oben stehen und für eine andere gar nicht auftauchen.

Aus welchem Index wird abgerufen?

Das hängt vom System ab. Google AI Overviews und AI Mode greifen auf die Suchsysteme von Google zurück. ChatGPT betreibt mit Labrador einen eigenen Suchindex und nutzt je nach Modus zusätzlich Ergebnisse, die aus der Google-Suche gescrapt werden. Die Hintergründe stehen im Artikel zum ChatGPT-Suchindex Labrador. Ein guter Rang bei Google ist deshalb kein verlässlicher Stellvertreter für den Retrieval-Rang in ChatGPT.

Werden ganze Seiten abgerufen oder einzelne Abschnitte?

Beim Modell kommen Passagen an, nicht ganze Seiten. Laut dem Retrieval-Leak von Peec AI wandelt ChatGPT eine Seite in Text um, schneidet ihn in Blöcke von rund 170 Wörtern und bewertet jeden Block einzeln. Das Modell sieht davon ein bis drei Blöcke je Quelle. Was in diesen Blöcken nicht steht, kann in die Antwort kaum einfließen. Mehr dazu im Artikel zum Chunk-Scoring in ChatGPT.

Was ist der Retrieval-Rang?

Der Retrieval-Rang ist die Position, auf der eine Quelle in der Ergebnisliste steht, die ein KI-System für eine Suchanfrage abruft. Er funktioniert ähnlich wie die Position auf einer Suchergebnisseite. Der Unterschied ist, dass kein Nutzer ihn sieht. Die Liste geht direkt an das Modell.

Der Rang hängt eng mit der Zitierwahrscheinlichkeit zusammen. AirOps hat dafür 16.851 Queries und 353.799 Seiten in ChatGPT ausgewertet. Steht eine Seite in den Websuchergebnissen auf Rang 1, wird sie in 58,4 % der Fälle zitiert. Auf Rang 10 sind es nur noch 14,2 %.

Inhaltliche Passung wirkt zusätzlich, ersetzt den Rang aber nicht. Seiten, deren Überschriften sehr eng zur Frage passen, wurden laut derselben Studie auf Rang 1 in 79,6 % der Fälle zitiert, ab Rang 11 nur noch in 21,5 %. Gute Inhalte verstärken also einen guten Rang, gleichen einen schlechten aber kaum aus. Die Ausnahme ist Wikipedia. Wikipedia-Seiten stehen im Median auf Rang 24 und erreichen trotzdem die höchste Zitierquote aller Seitentypen im Datensatz (59,2 %).

Was ist Reranking?

Reranking ist ein zweiter Bewertungsdurchgang nach dem Abruf. Die erste Stufe muss schnell sein. Sie durchsucht riesige Datenmengen mit einfachen Verfahren und liefert eine grobe Kandidatenliste. Ein Reranker bewertet danach nur noch diese Kandidaten, dafür gründlicher. Er vergleicht Frage und Passage direkt miteinander und ordnet die Liste neu.

In ChatGPT ist dieser Schritt in dem Datenstrom sichtbar, den Peec AI im September 2026 ausgelesen hat. Er enthielt einen Score je Textblock, vergeben von einem neuronalen Ranker. Der beste Block einer Seite wird auf den Höchstwert gesetzt, die übrigen werden im Verhältnis dazu skaliert. Vor dem Schreiben sortiert das Modell die Domains noch einmal neu. Die Daten stammen aus der Oberfläche von ChatGPT, nicht aus einer offiziellen Dokumentation, und das System wird laufend umgebaut. Die Richtung gilt als belastbar, einzelne Werte nicht.

Ein Laborversuch von Peec AI mit 12 offenen Reranker-Modellen zeigt an einem einzelnen Beispiel aus zwei Passagen, in welche Richtung solche Modelle tendieren. Jedes Modell bewertete die Passage mit direkter Antwort höher als die allgemeine Produktbeschreibung oder setzte beide nahe an den Höchstwert. Ein Beispiel belegt keine Regel. Es spricht aber dafür, dass jeder Abschnitt die Frage, zu der er gehört, selbst beantworten sollte.

Was ist der Unterschied zwischen Retrieval und Citation?

Retrieval heißt, eine Seite wurde als Quelle in die Antwortgenerierung gezogen. Citation heißt, die Antwort nennt sie auch sichtbar als Beleg. Beides fällt oft auseinander. Eine Seite kann eine Antwort inhaltlich prägen, ohne je verlinkt zu werden.

Eine zweite Stichprobe zeigt dasselbe Muster. In 57 ChatGPT-Gesprächen aus einem einzelnen Konto wurden im Juli 2026 3.554 Seiten gelesen und 110 davon zitiert, das sind 3,1 % (Snippet Digital, 08/2026, eingeordnet im Artikel zur Quellenauswahl von ChatGPT). Beide Stichproben sind klein.

Wie groß der Anteil ist, hängt davon ab, was als Abruf zählt und welcher Abrufweg gemessen wird. Im Datenstrom von ChatGPT gelesene Seiten werden selten zitiert. Ahrefs hat 1,4 Mio. ChatGPT-Prompts ausgewertet. Dort wurden 49,98 % aller abgerufenen URLs zitiert, über die Websuche abgerufene Seiten zu 88,5 % (04/2026). Die Einordnung steht im Artikel zu den AI-Search-Studien von Ahrefs. In allen drei Messungen bleibt ein Teil der abgerufenen Quellen ungenannt. Wer nur Zitate zählt, sieht deshalb nicht alles, was ein System liest.

Wie lässt sich Retrieval messen?

Von außen ist Retrieval unsichtbar. Messbar wird es über zwei Datenquellen, die unterschiedliche Fragen beantworten.

• Prompt-Tracking zeigt, welche URLs bei einem festgelegten Promptset als Quelle in KI-Antworten landen. Tools wie Peec AI weisen dafür je URL Retrievals (wie oft eine URL als Quelle auftauchte) und die Citation Rate aus, je Domain zusätzlich die Retrieval Rate (durchschnittliche Abrufe je Chat).
• Server-Logs zeigen, welcher KI-Bot welche URL abgerufen hat. Am User-Agent lässt sich der Zweck ablesen. Ein Abruf durch ChatGPT-User ist ein Live-Abruf für eine konkrete Nutzerfrage, ein Besuch von GPTBot dient dem Training.

Die Citation Rate ist dabei keine Prozentzahl. Sie gibt an, wie oft eine Quelle im Mittel je Abruf zitiert wird (Zitate ÷ Abrufe), und kann über 1 liegen, weil eine Quelle innerhalb einer Antwort mehrfach zitiert werden kann.

Erst nebeneinander ergeben beide Datenquellen ein Bild. KKP hat das für die eigene Domain kkp.agency ausgewertet, mit Bot-Daten und URL-Report aus Peec AI.

Drei Muster werden sichtbar. /insights wird viel gecrawlt (152 Besuche, davon 61 zu Trainingszwecken) und kaum als Quelle genutzt. /leistungen wird selten besucht und ist trotzdem die ergiebigste Seite, mit einer Citation Rate von 1,5. Mehr Retrievals als Bot-Besuche sind möglich. Die Retrievals stammen aus einem längeren Zeitraum als die Bot-Besuche, und KI-Systeme wie ChatGPT lesen oft aus dem eigenen Index, ohne die Seite neu aufzurufen. Die Wiki-Seite /wiki/noindex wird überwiegend live für Nutzerfragen abgerufen, taucht im Prompt-Tracking aber gar nicht auf. Der Grund ist das Promptset. Es zielt auf Agentur-Themen, nicht auf SEO-Definitionen.

Was ist Information Retrieval?

Information Retrieval (IR) ist das Fachgebiet der Informatik, das sich mit dem Finden relevanter Informationen in großen, meist unstrukturierten Datenbeständen befasst. Ein IR-System nimmt eine Anfrage entgegen, sucht passende Dokumente und ordnet sie nach Relevanz. Websuchmaschinen, Bibliothekskataloge und die Suche im Intranet eines Unternehmens sind IR-Systeme.

Klassische Verfahren arbeiten mit Wörtern. Sie zählen, wie oft ein Begriff in einem Dokument vorkommt und wie selten er im gesamten Bestand ist. Darauf beruhen Formeln wie TF-IDF (Term Frequency mal Inverse Document Frequency), im SEO meist in der Variante WDF*IDF genutzt, und BM25, eine Weiterentwicklung desselben Prinzips. Neuere Verfahren übersetzen Texte in Zahlenvektoren, sogenannte Embeddings. Damit finden sie auch Treffer, die dasselbe meinen, aber andere Wörter verwenden. Viele KI-Suchsysteme kombinieren beide Ansätze.

Die Qualität eines IR-Systems wird vor allem mit zwei Größen gemessen. Precision gibt an, welcher Anteil der gefundenen Dokumente relevant ist. Recall gibt an, welcher Anteil der relevanten Dokumente gefunden wurde. Das Retrieval in der KI-Suche ist angewandtes Information Retrieval, nur dass am Ende der Kette kein Mensch die Treffer liest, sondern ein Sprachmodell.

Welche Missverständnisse gibt es beim Retrieval?

Abgerufen heißt nicht sichtbar

Ein Abruf ist eine Vorstufe. Ob eine Quelle in der Antwort erscheint, entscheiden Reranking und Auswahl. Selbst von den Seiten auf Rang 1 der Websuchergebnisse wird laut AirOps nur gut jede zweite zitiert (58,4 %).

Crawling ist noch kein Retrieval

Trainings-Crawler sammeln Daten für künftige Modellversionen. Das wirkt frühestens mit dem nächsten Release. Retrieval findet zur Laufzeit statt, für eine konkrete Frage. Von 1.202 KI-Bot-Besuchen auf den Content-Seiten von kkp.agency (22.07. bis 08.08.2026) waren 465 Live-Abrufe für eine Nutzerfrage (38,7 %), 331 Suchindex-Crawls (27,5 %), 253 Trainingsbesuche (21,0 %) und 153 sonstige (12,7 %). Die Zahl der Bot-Besuche allein zeigt deshalb nicht, ob eine Seite in Antworten genutzt wird.

Ein Google-Ranking garantiert kein Retrieval

Ohne Indexierung gibt es kein Retrieval. Der Umkehrschluss gilt aber nicht. Jedes System nutzt eigene Indizes und eigene Teilsuchen, und ChatGPT verarbeitet Seiten aus dem eigenen Index anders als frisch abgerufene. Ein gutes Google-Ranking hilft, ist aber weder Bedingung noch Ersatz für eine Messung in den jeweiligen KI-Systemen.

Strukturierte Daten sind kein belegter Citation-Hebel

Laut Search Engine Land entfernt ChatGPT beim Umwandeln einer Seite für seinen Zwischenspeicher (Reading-Cache) Skripte und damit auch JSON-LD. Die strukturierten Daten erreichen das Modell auf diesem Weg nicht. Zusammengefasst ist die Analyse im Artikel zum ChatGPT-Suchindex Labrador. Für die Annahme, dass Schema-Markup die Chance auf ein Zitat erhöht, gibt es bisher keinen belastbaren Beleg. Auch Ahrefs fand keinen Citation-Zuwachs. Dort wurden 1.885 Seiten, die JSON-LD ergänzt hatten, mit 4.000 vergleichbaren Seiten ohne Umstellung verglichen (05/2026). In AI Mode (+2,4 %) und ChatGPT (+2,2 %) lag der Effekt im Rauschen, in AI Overviews sanken die Citations um 4,6 %, ein kleiner, aber statistisch signifikanter Rückgang.

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 →