GEO-Handbuch, Teil 3: LLM, Prompts, Tokens, Chunks und Embeddings verständlich erklärt

GEO wird verständlich, sobald Sie den Weg von der Frage zur Antwort kennen. Teil 3 erklärt LLM, Prompt, Token, Kontextfenster, Chunk, Embedding, Grounding und RAG ohne Techniknebel. Danach wissen Sie, was Ihre Website leisten muss.

Von Kacper Ruta · GlasBox Studio, Malters/Luzern · Fachlicher Stand: 13. Oktober 2026.

Teil 3 des GlasBox GEO-Handbuchs baut auf der nachhaltigen Strategie aus Teil 2 auf. Jetzt öffnen wir die Maschine nur so weit, wie es Ihrem Unternehmen nützt. Teil 4 trennt danach Erwähnungen von Quellenverweisen und zeigt, wie Sie beide messen.

01 — Welche Begriffe brauchen Sie wirklich für GEO?#

Für GEO brauchen Sie acht Kernbegriffe und eine klare Prozesssicht. Die Mathematik dahinter darf im Maschinenraum bleiben. Sie müssen jedoch erkennen, wo Information entsteht, verloren geht oder ohne Beleg ergänzt wird.

Stellen Sie sich vor: Ein Anbieter erklärt Ihren Betrieb mit zwölf Fachwörtern, aber ohne eine einzige Entscheidungsfolge. Bitten Sie ihn, jeden Begriff an einer realen Kundenfrage zu zeigen. Bleibt die Antwort neblig, hilft auch das schönste Dashboard nicht.

Google definiert diese Begriffe in seinem aktuellen ML-Glossar ähnlich, doch Produktdetails unterscheiden sich. [1] Für die Geschäftsleitung zählt daher der Ablauf mehr als ein Markenname.

02 — Ein LLM ist der Motor, nicht das ganze Fahrzeug#

Ein Large Language Model ist ein trainiertes Modell, das wahrscheinliche Tokenfolgen verarbeitet und erzeugt. Das Produkt ergänzt Oberfläche, Suche, Dateizugriff, Werkzeuge, Regeln und Quellenanzeige. Beides gleichzusetzen führt zu falschen GEO-Schlüssen. [1][2]

Angenommen, dieselbe Modellfamilie läuft einmal ohne Websuche und einmal mit aktuellen Quellen. Die Antworten können verschieden ausfallen, obwohl der technische Motor verwandt ist. Ihre Marke begegnet deshalb einem Gesamtsystem, nicht nur einem Modell.

Modellnamen und Produktfunktionen wechseln schneller als Ihre Unternehmensdaten. Verankern Sie Ihre Strategie deshalb in korrekten Quellen, nicht in einer Versionsnummer.

03 — Wie entsteht eine KI-Antwort vereinfacht?#

Eine KI-Antwort entsteht als Kette aus Eingabe, Kontext, möglicher Suche, Auswahl und Generierung. Kein Anbieter legt jeden internen Schritt offen. Das folgende Modell erklärt deshalb die prüfbaren Stellen, nicht einen geheimen Algorithmus.

Ein System zerlegt Eingaben in Tokens und verarbeitet sie im verfügbaren Kontext. Falls das Produkt externe Informationen abruft, sucht es passende Ausschnitte und fügt sie dem Arbeitskontext hinzu. Danach erzeugt das Modell die Antwort schrittweise. [3][5][6]

Nicht jeder Antwortlauf nutzt das Web, dieselbe Suche oder dieselben Quellen. Ein wiederholter Test kann deshalb ein anderes Ergebnis liefern. GEO-Monitoring muss Prompt, Produkt, Datum, Sprache, Standort und sichtbare Quellen protokollieren.

Warum Transformer und Self-Attention genügen als Kurzfassung

Ein Transformer ist eine neuronale Architektur, die Beziehungen innerhalb einer Tokenfolge über Aufmerksamkeitsmechanismen verarbeitet. Self-Attention bewertet dabei, welche Teile des vorhandenen Kontexts für andere Teile wichtig sind. [1][10]

Für Ihre GEO-Arbeit folgt daraus eine praktische Regel: Ein Begriff braucht den richtigen Nachbarschaftskontext. «Lohn» allein ist offen. «Lohnadministration für eine GmbH in Luzern» setzt Aufgabe, Rechtsform und Region zusammen.

04 — Was unterscheidet Training, Kontext und aktuellen Abruf?#

Training prägt das Modell, Kontext versorgt den einzelnen Antwortlauf und Abruf bringt gezielt externe Informationen hinein. Diese drei Ebenen haben andere Zeitpunkte, Zwecke und Fehlerquellen. Wer sie trennt, plant Inhalte realistischer.

Trainingsdaten sind Text-, Code-, Bild- oder andere Daten, mit denen ein Modell Muster lernt. Training erstellt keine sauber durchsuchbare Bibliografie im Modell. Ein späterer Antwortlauf kann daher nicht automatisch zeigen, aus welchem Trainingsdokument eine Formulierung stammt.

Was Parameter und selbstüberwachtes Lernen bedeuten

Ein Parameter ist ein gelernter Zahlenwert, der das Verhalten des Modells mitprägt, aber keinen gespeicherten Absatz darstellt. Beim selbstüberwachten Lernen gewinnt das System Lernsignale aus den Daten selbst. Weder Parameterzahl noch Trainingsmethode zeigen, ob ein Produkt Ihre aktuelle Seite abruft. [1]

Inference bezeichnet den laufenden Einsatz eines trainierten Modells für eine konkrete Ausgabe. Für Ihr KMU ist diese Phase entscheidend, denn hier treffen Frage, Produktregeln, aktuelle Quellen und Modellverhalten zusammen.

05 — Warum kann eine überzeugende Antwort trotzdem falsch sein?#

Eine Halluzination ist eine plausibel formulierte, aber sachlich falsche oder unbelegte Ausgabe. Sprachliche Sicherheit ist kein Wahrheitsbeweis. Gerade Namen, Zahlen, Daten, Zitate und URLs verdienen eine unabhängige Prüfung. [1][2]

Stellen Sie sich eine Antwort zur Gründung einer GmbH in Luzern vor. Ablauf und Ton wirken professionell, doch eine Frist oder Behördenadresse ist erfunden. Der Fehler fällt spät auf, weil die Sprache keinen Alarm auslöst.

Tokenisierung verursacht nicht automatisch falsche URLs. Ein erfundener Pfad entsteht, wenn das Modell eine passend wirkende Zeichenfolge generiert, ohne einen verlässlichen Abruf zu nutzen. Der Slash ist unschuldig; die fehlende Prüfung nicht. [2][7]

• Öffnen Sie jede genannte URL.

• Vergleichen Sie Zahlen mit der Originalquelle.

• Prüfen Sie Region, Datum und Geltungsbereich.

• Lassen Sie Rechts-, Finanz- und Gesundheitsaussagen fachlich abnehmen.

• Erlauben Sie dem System, fehlende Information offen zu benennen.

• Speichern Sie Prompt, Antwort, Quellen und Prüfdatum.

06 — Grounding und RAG senken Risiken, beseitigen sie aber nicht#

Grounding bindet eine Antwort an bereitgestelltes oder abgerufenes Quellenmaterial. Retrieval-Augmented Generation, kurz RAG, sucht zuerst relevante Informationen, ergänzt damit den Prompt und lässt danach eine Antwort erzeugen. [1][6]

Angenommen, ein System soll Ihre aktuelle Onboarding-Liste erklären. RAG kann die passende Seite abrufen, statt sich nur auf Trainingsmuster zu stützen. Die Antwort kann dadurch aktueller und prüfbarer werden.

OpenAI beschreibt semantische Suche über Vektorspeicher, während Google RAG als häufige Grounding-Technik erklärt. Beide Quellen zeigen denselben Kern: Das System ruft zuerst ab und erzeugt danach Text. [5][6]

Warum eine abgerufene Quelle noch kein Beweis ist

Grounding kann falsche Ausgaben reduzieren, aber nicht vollständig verhindern. Die Quelle kann veraltet sein, der Ausschnitt kann Kontext verlieren oder die Antwort kann ihn falsch zusammenfassen. Anthropic rät deshalb: Lassen Sie Unsicherheit zu, verlangen Sie Belegstellen und prüfen Sie anschliessend. [7]

Eine Quellenanzeige beweist zunächst nur, dass ein Bezug sichtbar ist. Ob der Link die konkrete Aussage trägt, prüfen wir in Teil 4 zu Erwähnungen und Quellenverweisen.

07 — Ein guter Prompt ist ein Briefing, keine Wahrheitsmaschine#

Ein Prompt ist die Eingabe, die Aufgabe, Kontext und gewünschte Form einer Antwort festlegt. Ein genauer Prompt verbessert die Passung. Er kann jedoch fehlende Fakten oder schwache Quellen nicht reparieren. [1]

Der schwache Prompt «Was braucht eine Firma für Lohn?» lässt Region, Rechtsform und Ziel offen. Ein besserer Prompt nennt die Luzerner GmbH, zwölf Mitarbeitende, den Wechseltermin und das gewünschte Ergebnis.

Anthropic empfiehlt bei komplexen Aufgaben klare Struktur, relevante Beispiele und erkennbare Quellenteile. [7] Der Rat gilt auch intern: Geben Sie Mitarbeitenden ein sauberes Briefing, bevor Sie den Prompt polieren.

• Nennen Sie Zielgruppe, Aufgabe und erwarteten Entscheid.

• Geben Sie Region, Datum und relevante Ausgangslage an.

• Trennen Sie Anweisung, Quelle und Beispiel sichtbar.

• Fordern Sie Belege für überprüfbare Aussagen an.

• Erlauben Sie ein ehrliches «nicht genügend Information».

• Definieren Sie Form, Länge und nächsten Schritt.

Für GEO ist nicht Ihr interner Musterprompt das eigentliche Ziel. Entscheidend sind die vielen Fragen echter Menschen. Ihre Inhalte müssen auch dann verständlich bleiben, wenn niemand Ihr perfektes Briefing verwendet.

08 — Tokens und Kontextfenster bestimmen Platz, Kosten und Fokus#

Ein Token ist eine Einheit, in die ein Modell Eingaben und Ausgaben zerlegt. Das Kontextfenster ist der gesamte Arbeitsbereich, den das Modell für einen Antwortlauf berücksichtigen kann. Beide Grössen unterscheiden sich nach Modell und Produkt. [3][4]

Ein Token kann ein Zeichen, Wortteil, Wort oder Satzzeichen darstellen. Wortzahl und Tokenzahl sind deshalb nicht identisch. Sprache, Schreibweise, Modellkodierung, Bilder und Werkzeugdaten verändern den Verbrauch. [3]

Das Kontextfenster funktioniert wie ein Arbeitstisch, nicht wie ein endloses Firmenarchiv. Systemanweisung, Gesprächsverlauf, Dateien, Suchtreffer, Werkzeugergebnisse und neue Antwort teilen sich den verfügbaren Platz. [4]

API-Kosten können Eingabe-, Ausgabe-, Cache- und Denk-Tokens getrennt berechnen. Die aktuellen Preise ändern sich und gehören deshalb nicht in eine dauerhafte GEO-Regel. Messen Sie für reale Aufgaben den Gesamtverbrauch statt nur den Listenpreis. [3]

Warum mehr Kontext nicht automatisch mehr Qualität bringt

Ein grösseres Fenster erlaubt längere Unterlagen, doch irrelevanter Kontext kann wichtige Hinweise verdecken. Anthropic beschreibt diesen Qualitätsverlust bei wachsendem Kontext als «context rot». Auswahl bleibt daher wichtiger als blosse Menge. [4]

Stellen Sie für eine Offerte nicht das gesamte Laufwerk bereit. Geben Sie die aktuelle Leistungsbeschreibung, gültige Preise, Ausschlüsse und zwei passende Beispiele. Die KI braucht einen sauberen Tisch, keinen digitalen Estrich.

09 — Ein guter Chunk trägt Sinn und Grenze gemeinsam#

Ein Chunk ist ein zusammenhängender Inhaltsausschnitt, den ein Abrufsystem speichern oder auswählen kann. Gute Chunks enthalten genug Kontext für eine korrekte Einordnung. Die genaue Aufteilung bestimmt jedoch das jeweilige System.

Angenommen, ein Ausschnitt lautet nur «Die Frist beträgt 30 Tage». Ohne Ereignis, Region und Datum ist die Zahl nutzlos. Ein tragfähiger Abschnitt nennt, wofür die Frist gilt und wo die verbindliche Quelle liegt.

Anthropic zeigte in eigenen Retrieval-Tests, dass fehlender Dokumentkontext Chunks schwächen kann. Die folgende Tabelle übernimmt die publizierten Fehlerraten beim Abruf unter die besten 20 Treffer. [8]

Die Werte stammen aus den von Anthropic getesteten Wissensgebieten und Konfigurationen. Sie belegen den dortigen Abrufversuch, aber keine allgemeine GEO-Wirkung und keinen erwartbaren Wert für Ihre Website.

Warum Sie Ihre Website nicht künstlich in Mini-Chunks zerlegen sollten

Google verlangt für seine generativen Suchfunktionen keine künstliche Aufteilung in winzige Textstücke. Die Systeme können mehrere Themen einer Seite unterscheiden. Seitenlänge und Abschnittsgrösse sollen deshalb dem Publikum und Thema folgen. [9]

Gute Struktur bleibt trotzdem wichtig, weil Menschen Überschriften, Absätze und Tabellen brauchen. Schreiben Sie einen Gedanken pro Abschnitt, doch lassen Sie Definition, Geltungsbereich und Einschränkung zusammen.

• Beginnen Sie jeden Abschnitt mit einer vollständigen Kernaussage.

• Nennen Sie Subjekt, Region und Zeitraum, wenn sie den Sinn verändern.

• Halten Sie Überschrift und zugehörige Antwort zusammen.

• Erklären Sie Abkürzungen beim ersten Auftreten.

• Geben Sie Tabellen eine Einleitung, Einheit und Schlussfolgerung.

• Vermeiden Sie pronomenreiche Absätze ohne klaren Bezug.

• Schreiben Sie für Leser, nicht für eine vermutete Chunk-Länge.

10 — Embeddings finden Bedeutung, nicht automatisch Wahrheit#

Ein Embedding ist eine Zahlenrepräsentation, die Inhalte für Ähnlichkeitsvergleiche abbildet. Semantisch verwandte Inhalte können dadurch nahe liegen, obwohl sie kaum gleiche Wörter verwenden. Nähe zeigt, was passen könnte. Sie beweist weder, dass der Inhalt stimmt, noch dass er gut ist. [1][5]

Eine Suchfrage nach «Lohnübergabe für eine kleine Luzerner GmbH» kann Inhalte zu Payroll-Onboarding finden. Der genaue Ausdruck muss nicht vorkommen. Fachlicher Kontext, Rechtsform, Region und Arbeitsschritt bilden gemeinsam die Bedeutung.

Multimodale Systeme können auch Bilder, Audio oder Video in verarbeitbare Repräsentationen überführen. [1] Für GEO folgt daraus keine Sonderregel: Bild, Beschriftung und umgebender Text sollen dieselbe reale Aussage tragen.

OpenAI beschreibt semantische Suche als Verfahren, das passende Inhalte trotz weniger gemeinsamer Keywords finden kann. Suchergebnisse enthalten dabei relevante Chunks, Ähnlichkeitswerte und die Ursprungsdatei. [5]

Warum Keywords weiterhin nützlich bleiben

Semantische Suche ersetzt klare Wörter nicht. Eigennamen, Produktcodes, Orte, Normen und Fachbegriffe tragen oft entscheidende Präzision. Ein System kann Bedeutung erweitern, aber es sollte Ihren Firmennamen nicht erraten müssen.

Schreiben Sie deshalb natürlich und genau. Nennen Sie Leistung, Zielgruppe, Luzern, Sprache und Grenzen dort, wo sie sachlich gehören. Wiederholen Sie Begriffe nicht mechanisch; ergänzen Sie die Information.

11 — Konversationen machen aus einem Keyword einen Entscheidungsweg#

Konversationelle Systeme behalten Teile des bisherigen Gesprächs als Kontext und beantworten Folgefragen darauf aufbauend. Eine Kundin kann im selben Chat zuerst verstehen, dann vergleichen und schliesslich handeln. [1][4]

Stellen Sie sich eine Geschäftsführerin vor, die zuerst nach Lohnadministration fragt. Danach ergänzt sie zwölf Mitarbeitende, zwei Grenzgänger und einen Wechsel zum Jahresbeginn. Jede Folgefrage verändert die passende Antwort und mögliche Quellenauswahl.

Klassische Keyword-Listen erfassen diesen Verlauf nur teilweise. Bauen Sie deshalb ein Prompt-Panel mit Ausgangsfragen, Folgefragen und Einwänden. Das Panel dient dem Testen, nicht dem massenhaften Bau ähnlicher Seiten.

Warum lokale Angaben in Luzern früh sichtbar sein müssen

Ob ein Angebot lokal passt, hängt oft an kleinen Fakten: Region, Sprache, Terminart, Anfahrt und zuständige Person. Verstecken Sie diese Angaben nicht im Footer. Ordnen Sie jede Angabe der passenden Leistung und dem nächsten Schritt zu.

Google nennt gepflegte Unternehmensdetails und das Google-Unternehmensprofil als relevante Grundlage für lokale Sichtbarkeit. [9] Ein Profil ersetzt jedoch keine verständliche Leistungsseite; beide müssen dieselbe reale Firma beschreiben.

12 — Praxisbeispiel Luzern: Vom dünnen Text zur belastbaren Antwortquelle#

Ein fiktives Beispiel setzt das Luzerner Treuhandbüro aus Teil 1 und 2 fort. Beispielwerte sind keine Benchmarks. Das Team überarbeitet die Seite «Lohnadministration», ohne eine KI-Empfehlung zu versprechen.

Die Ausgangslage

Die bestehende Seite umfasst einen Werbeabsatz und ein Kontaktformular. Sie nennt weder Zielgruppe noch Übergabeprozess, benötigte Unterlagen, Ausschlüsse, Fachverantwortung oder Prüfdatum. Menschen müssen nachfragen, und ein Abrufsystem findet kaum eigenständige Aussagen.

Die Ausgangsmessung bewertet nur zwölf vorab definierte Aussagen und drei Handlungswege. Sie misst keine GEO-Rangposition. Das Team kann nach der Überarbeitung trotzdem sauber vergleichen.

Der neue Seitenaufbau

Die neue Seite beginnt mit einer Antwort: Für wen ist die Leistung gedacht, was umfasst sie und wo gilt das Angebot? Danach folgen Übergabe, Unterlagen, Grenzen, Fachkontakt, Quellen und ein Terminweg. Jede Sektion löst eine konkrete Kundenfrage.

Der Aufbau ist kein geheimer Rankingfaktor. Er senkt Informationsverlust für Menschen und schafft vollständige Abschnitte für unterschiedliche Abrufwege.

Der Test in drei Ebenen

Das fiktive Team testet zehn dokumentierte Gesprächswege mit identischen Startbedingungen. Die Zahl ist eine GlasBox-Beispielgrösse, kein Branchenstandard. Jeder Lauf speichert Prompt, Produkt, Sprache, Datum, Antwort und sichtbare Quellen.

Niemand kann garantieren, dass ein Produkt die Seite verwendet. Das Team kann jedoch garantieren, dass die eigene Quelle korrekt, verständlich und überprüfbar ist. Genau dort beginnt verantwortbare GEO.

Die Ergebnistabelle verhindert eine bequeme Ausrede: Eine richtige Antwort macht keinen kaputten Kontaktweg gut. GEO endet nicht beim Text, sondern beim überprüfbaren Kundennutzen.

13 — Was tun Sie am Montagmorgen?#

Am Montag wählen Sie eine wichtige Leistung und verfolgen eine Kundenfrage bis zum nächsten Schritt. Ein Vormittag reicht für eine erste Diagnose. Produzieren Sie noch keine zwanzig neuen Seiten.

• Wählen Sie eine umsatznahe Leistung mit klarer Verantwortung.

• Notieren Sie fünf echte Ausgangsfragen und fünf Folgefragen.

• Markieren Sie auf der Seite Antwort, Region, Datum, Grenze und Kontaktweg.

• Öffnen Sie jede zitierte Originalquelle und jeden Link.

• Formulieren Sie den ersten Absatz als eigenständige Antwort.

• Prüfen Sie jeden Abschnitt auf vollständigen Kontext.

• Testen Sie drei dokumentierte Gesprächswege in einem festgelegten Produkt.

• Speichern Sie Fehler als Aufgaben mit verantwortlicher Person und Frist.

Planen Sie danach eine Woche für fachliche Freigabe, technische Prüfung und EN-Adaption. Erst wenn die Kernquelle stimmt, lohnt sich ein breiteres Prompt-Panel.

14 — Häufige Fragen#

Die häufigsten Fragen betreffen weniger Mathematik als praktische Grenzen. Die folgenden Antworten halten Technik, Quelle und Geschäftswirkung bewusst getrennt.

Muss ich verstehen, wie ein neuronales Netz trainiert wird?

Nein. Für GEO müssen Sie den Weg von Eingabe, Kontext, Abruf und Antwort verstehen. Modelltraining wird erst wichtig, wenn Sie selbst Systeme bauen oder bewerten.

Ist ChatGPT dasselbe wie GPT?

Nein. ChatGPT ist ein Produkt, während GPT eine Modellfamilie bezeichnet. Das Produkt kann zusätzliche Suche, Werkzeuge, Regeln und Oberflächen verwenden.

Verhindert RAG jede Halluzination?

Nein. RAG kann aktuelle und prüfbare Informationen bereitstellen, doch Abruf und Zusammenfassung können weiterhin scheitern. Kritische Aussagen brauchen eine Prüfung am Original.

Braucht jede Seite kurze Chunks?

Nein. Google verlangt keine künstlichen Mini-Abschnitte für seine generative Suche. Schreiben Sie vollständige, klar gegliederte Antworten in der Länge, die Menschen brauchen. [9]

Sind Embeddings ein neuer Rankingfaktor?

Nein. Embeddings sind eine Technik zur Darstellung und Ähnlichkeitssuche. Der technische Einsatz bestätigt weder einen Rankingfaktor noch eine spätere Nennung.

Wie lang soll ein guter Prompt sein?

So lang wie nötig und so kurz wie möglich. Ziel, Kontext, Grenzen, Quellen und Format müssen klar sein. Wiederholen Sie Angaben nur, wenn sie neue Information liefern. Sonst verbrauchen sie Tokens und lenken ab.

Kann ein langes Kontextfenster meine gesamte Wissensbasis ersetzen?

Nein. Ein grosses Fenster fasst mehr Material, doch es prüft nicht, ob Inhalte gelten oder jemand dafür einsteht. Ihre Wissensbasis braucht weiterhin Versionen, Quellen, Zugriffsregeln und Prüfzyklen.

Warum unterscheiden sich Antworten bei gleichem Prompt?

Mehrere Faktoren können sich ändern: Modell, Produkt, Gesprächsverlauf, Suchergebnisse, Auswahl, Systemregeln und Generierung. Dokumentieren Sie deshalb jeden Testlauf vollständig.

15 — Fazit: GEO beginnt mit dem Weg zur Antwort#

GEO wird steuerbar, wenn Sie Modell, Produkt, Kontext, Abruf und Quelle auseinanderhalten. Ein LLM erzeugt Sprache, Grounding liefert Material, Chunks tragen Ausschnitte und Embeddings helfen beim Finden. Kein einzelner Baustein beweist Wahrheit.

Sie können die Plattform nicht öffnen, doch Ihre Quelle bleibt prüfbar. Prüfen Sie Aussagen, Grenzen und Daten und dokumentieren Sie jeden Testlauf. Teil 4 zeigt als Nächstes, wann eine Marke nur erwähnt und wann eine Quelle wirklich verwiesen wird.

Quellen und redaktionelle Grundlage#

Technische Definitionen und Produktaussagen stammen aus den folgenden Primärquellen, geprüft am 13. Oktober 2026. Das Ablaufbild, die Montag-Checkliste und das Luzerner Beispiel sind GlasBox-Modelle. Zwei Diagramme sind Konzeptmodelle ohne Messdaten; die einzige Ergebnistabelle übernimmt klar begrenzte Anthropic-Testwerte.