Was ist Retrieval-Augmented Generation (RAG)?
Retrieval-Augmented Generation (RAG) ist ein Verfahren, bei dem ein Sprachmodell zuerst passende Dokumente abruft und dann seine Antwort mit ihnen vor Augen schreibt. Jede KI-Engine, die Quellen zitiert, nutzt eine Form von RAG: erst nachschlagen, dann mit den Ergebnissen im Blick schreiben. Für eine Marke ist der Abrufschritt das Tor. Eine Seite, die nie abgerufen wird, kann die Antwort nicht prägen, wie gut sie auch ist.
Woher kommt Retrieval-Augmented Generation?
Der Name stammt aus Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks von Patrick Lewis und Kollegen, eingereicht am 22. Mai 2020 und veröffentlicht auf der NeurIPS 2020. Es verband das parametrische Gedächtnis eines Modells, also das im Training Gelernte, mit einem nicht parametrischen Gedächtnis: einem dichten Vektorindex der Wikipedia, den ein Retriever für jede Frage durchsuchte.
KI-Suchmaschinen nutzen dieselbe Idee im Maßstab des Webs, mit einem Suchindex anstelle des Wikipedia-Index und Live-Ergebnissen anstelle eines festen Schnappschusses.
Wie funktioniert RAG in der KI-Suche?
In der KI-Suche läuft RAG in wenigen Schritten ab:
- Die Engine schreibt die Frage in eine oder mehrere Suchen um.
- Sie ruft Ergebnisse aus einem Webindex ab, einem eigenen oder dem eines Partners.
- Sie wählt aus, welche Ergebnisse sie an das Modell weitergibt.
- Das Modell schreibt die Antwort mit diesen Ergebnissen im Kontext.
- Die Engine hängt an einige der genutzten Quellen Zitierungen an.
Wird jede abgerufene Seite zitiert?
Nein. OpenAI dokumentiert, dass das Feld sources einer Websuche jede URL liefert, die das Modell konsultiert hat, und dass die Zahl der Quellen oft größer ist als die Zahl der Zitierungen (OpenAI-API-Doku, gelesen am 15. Okt. 2026).
Eine Zahl von Zitierungen unterschätzt also, was eine Engine gelesen hat, und eine Seite kann eine Antwort prägen, ohne verlinkt zu werden (der Beitrag). Abgerufen zu werden lohnt sich trotzdem: In unseren Daten nannten 94 von 97 Antworten, die eine Seite der eigenen Website der Marke zitierten, auch die Marke (der Beitrag).
Wie sieht der Abruf in einem echten Beispiel aus?
Im öffentlichen Tesla-Beispiel (4. Okt. 2026) unterschied sich je nach Engine, was abgerufen und zitiert wurde. ChatGPT zitierte tesla.com 12-mal in 93 Zitierungen über 25 Käuferfragen, etwa 13 %. Perplexity, Claude und Google AI Overviews zitierten es zusammen 5-mal in 915.
Der Rest des abgerufenen Satzes waren Seiten anderer: Über Käufer- und Markenfragen hinweg wurde youtube.com 29-mal zitiert, en.wikipedia.org 24-mal und reddit.com 20-mal. Aus diesen Seiten hat das Modell geschrieben.
Häufige Fragen: Retrieval-Augmented Generation (RAG)
Heißt RAG, dass die KI nur nutzt, was sie abgerufen hat?
Nein. Das Modell bringt weiterhin mit, was es im Training gelernt hat, und die Antwort vermischt beides. Der Abruf lenkt die Antwort; er ersetzt nicht das Gedächtnis des Modells.
Wie werden meine Seiten abgerufen?
Lassen Sie KI-Such-Crawler sie lesen, sorgen Sie dafür, dass der Text ohne JavaScript da ist, halten Sie sie indexiert und snippet-fähig, und beantworten Sie die konkreten Teilfragen, die Käufer stellen.
Ist RAG dasselbe wie Grounding?
Sie überschneiden sich. RAG ist die Methode, vor dem Schreiben Dokumente abzurufen; Grounding ist das Ziel, die Aussagen der Antwort an diese Quellen zu binden.
Warum wurde meine Seite zitiert, meine Marke aber nicht genannt?
Ihre Seite hat die Antwort geprägt, aber die Shortlist ging anderswohin. Meist heißt das, dass die Seite eine Teilfrage gut beantwortet, aber nicht für Sie argumentiert.
Verwandte Begriffe
- Grounding
Grounding heißt, die Antwort eines KI-Modells an externe Quellen wie Live-Suchergebnisse zu binden, damit seine Aussagen auf abgerufenen Inhalten beruhen statt nur auf dem Gedächtnis.
- Trainingsdaten vs. Live-Suche
Trainingsdaten sind das, was ein Modell vor seinem Wissensstichtag gelernt hat; Live-Suche ist das, was es während der Antwort im Web nachschlägt, und eine KI-Antwort kann auf eines oder beides zurückgreifen.
- Query Fan-out
Query Fan-out bedeutet, dass eine KI-Engine eine Frage in mehrere verwandte Suchen aufteilt und ihre Antwort aus allen Ergebnissen zusammensetzt.
- KI-Zitierung
Eine Zitierung ist eine Webseite, die eine KI-Engine verlinkt oder als Quelle ihrer Antwort aufführt.
Durchgerechnetes Beispiel: Tesla, öffentliche KI-Antworten, 4. Okt. 2026: der erste Scan von Tesla durch Proofsource, 25 Käuferfragen und 5 Markenfragen, eine Antwort pro Frage auf jeder von vier Engines. Eine kleine Stichprobe einer einzigen Marke, gezeigt als Beispiel, nicht als Benchmark.
Sehen Sie, wo KI Sie auslässt, und was Sie korrigieren sollten.
Sehen Sie, bei welchen Käuferfragen Ihre Marke genannt wird, wer stattdessen genannt wird und was Sie ändern sollten. 200 Antworten. 25 Prompts/Frage. Top-KI-Engines. 2 Tage. Kostenlos. Keine Kreditkarte.
Google AI OverviewsGoogle AI Mode
