Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation (RAG) ist eine Technik, bei der ein Large Language Model (LLM) bei der Beantwortung einer Anfrage zunächst externe Quellen abruft — Webseiten, Datenbanken oder Dokumente — und diese als zusätzlichen Kontext in die Antwortgenerierung einbezieht. RAG erklärt, warum Systeme wie Perplexity auf aktuelle Webinhalte reagieren können, ohne ständig neu trainiert zu werden.

Das Problem, das RAG löst

Klassische LLMs haben einen festen Wissensstand (Knowledge Cutoff): Was nach dem Trainingsdatum des Modells geschehen ist oder veröffentlicht wurde, ist dem Modell unbekannt. Für viele Anwendungen — Nachrichtensuche, aktuelle Preisvergleiche, neue Unternehmensprofile — ist das ein erhebliches Problem.

RAG umgeht dieses Problem, indem der Prozess der Antwortgenerierung zweigeteilt wird: Zuerst sucht ein Retrieval-System (häufig eine Suchmaschine oder ein Vektorindex) nach relevanten Dokumenten zur gestellten Anfrage. Diese Dokumente werden dann zusammen mit der ursprünglichen Anfrage als Kontext an das LLM übergeben. Das Modell generiert seine Antwort auf Basis beider Informationsquellen und kann dabei auch Dokumente zitieren, die nach seinem Trainingsstand veröffentlicht wurden.

RAG in der Praxis: relevante Systeme

System	RAG-Nutzung
Perplexity	Kern der Architektur; jede Anfrage löst einen Websuche-Abruf aus
ChatGPT (mit Search)	Optionale Search-Funktion; ruft aktuelle Webseiten ab und zitiert sie
Google AI Overviews	RAG-ähnliches Prinzip auf Basis des Google-Index
Claude, GPT-4 (Basismodell)	Kein Retrieval; ausschließlich Trainingsdaten

Was RAG für die GEO-Strategie bedeutet

RAG-basierte Systeme sind für die Generative Engine Optimization besonders relevant, weil sie auf neue Inhalte reagieren können. Ein Unternehmen, das gestern einen substanziellen Fachbeitrag veröffentlicht hat, kann in Perplexity-Antworten bereits morgen als Quelle auftauchen — sofern die Seite technisch crawlbar ist und der Inhalt zitierfähig genug ist, um vom Retrieval-System ausgewählt zu werden.

Für die Optimierungsstrategie ergibt sich daraus eine wichtige Differenzierung:

• Für Modelle ohne Retrieval: Langfristige Webpräsenz, breite Erwähnung in Drittquellen und Konsistenz der Entitätsdaten über Jahre hinweg erhöhen die Wahrscheinlichkeit, im Trainings-Corpus vertreten zu sein.
• Für RAG-Systeme: Aktualität, technische Auffindbarkeit und inhaltliche Zitierfähigkeit der eigenen Website sind entscheidend — unabhängig davon, wie alt das Unternehmen ist.

RAG und die Quellenauswahl

Die Quellenauswahl in RAG-Systemen ist nicht vollständig transparent, aber einige Faktoren sind bekannt. Relevanzabgleich zwischen Suchanfrage und Seiteninhalt ist der primäre Filter. Seiten mit hoher organischer Sichtbarkeit in klassischen Suchmaschinen werden bevorzugt — das zeigt, dass die Grundlagen guter SEO und gutes KI-SEO sich überschneiden. Darüber hinaus spielen Bekanntheitsgrad der Domain, Aktualität der Inhalte und inhaltliche Tiefe eine Rolle.

Was Unternehmen konkret tun können, um in RAG-Systemen als Quelle zu erscheinen, erklärt die GEO-Beratung — von der inhaltlichen Aufbereitung bis zur technischen Absicherung der Crawlbarkeit.

Häufige Fragen zu Retrieval-Augmented Generation (RAG)

Was ist Retrieval-Augmented Generation?

RAG ist eine Technik, bei der ein KI-System bei der Beantwortung einer Anfrage zunächst relevante Dokumente oder Webseiten abruft und diese als zusätzlichen Kontext an das Large Language Model übergibt. Das Modell generiert seine Antwort dann auf Basis sowohl seiner Trainingsdaten als auch der abgerufenen Quellen.

Welche KI-Systeme nutzen RAG?

Perplexity nutzt RAG als Kerntechnologie. ChatGPT verwendet es in der Search-Funktion. Google AI Overviews basiert auf einem ähnlichen Prinzip. Systeme ohne Retrieval-Funktion, wie das Basis-Modell von Claude oder GPT-4 ohne Search, antworten ausschließlich auf Basis ihrer Trainingsdaten.

Was bedeutet RAG für die GEO-Optimierung?

RAG-basierte Systeme reagieren schneller auf neue Inhalte als Modelle mit festem Trainingsstand. Wer seine Website aktuell, technisch crawlbar und inhaltlich zitierfähig hält, erhöht die Wahrscheinlichkeit, bei RAG-Abfragen als Quelle ausgewählt zu werden — unabhängig vom Alter des Unternehmens.

Kann man beeinflussen, welche Quellen RAG-Systeme auswählen?

Nicht direkt. Die Quellenauswahl geschieht algorithmisch. Indirekte Einflussfaktoren sind: inhaltliche Tiefe und Relevanz, technische Crawlbarkeit, Bekanntheitsgrad der Seite im Index, strukturierte Daten und konsistente Entitätsdaten.