Google-LLM-Patent: SEO für Entitätsverständnis

Ein Google-Patent aus dem Jahr 2023 beschreibt, wie KI-Systeme aus Websites und öffentlichen Daten ein Verständnis von Unternehmen, Marken, Produkten und anderen Entitäten aufbauen können. Die Anmeldung skizziert einen Prozess zum Extrahieren von Informationen, zum Erkennen von Beziehungen und zur Synthese dessen, was Google eine „tiefe, ganzheitliche Charakterisierung“ einer Entität nennt. Werden derartige Systeme in der Suche einflussreicher, könnte SEO zunehmend darin bestehen, Google die Entität hinter dem Content zu vermitteln – nicht nur den Inhalt selbst.

Google hat über zwei Jahrzehnte damit verbracht, Nutzerinnen und Nutzern Informationen von Webseiten zu liefern. Ob klassische Suchergebnisse, Featured Snippets oder KI-generierte Antworten: Der Ausgangspunkt war meist das Verständnis einzelner Dokumente. Mit konversationelleren und empfehlungsorientierten Suchprodukten reicht das möglicherweise nicht mehr aus.

Vom Dokument zur Entität

Bevor ein KI-System ein Unternehmen empfiehlt, Produkte vergleicht oder eine Marke erklärt, muss es die Entität hinter dem Content verstehen. Genau hier setzt Googles Patent „Data extraction using LLMs“ (WO2025063948A1) an. Auf den ersten Blick wirkt es wie ein weiteres Content-Extraktionssystem – Google beschreibt jedoch ein breiteres Ziel: Künstliche Intelligenz soll eine tiefe, ganzheitliche Charakterisierung einer Entität erzeugen und verbessern.

Google definiert Entitäten weit: Personen, Unternehmen, Orte, Objekte und Konzepte. Statt nur Fakten zu indexieren, interpretiert das System Informationen, erkennt Beziehungen, erzeugt Zusammenfassungen und entwickelt ein Verständnis der dargestellten Entität.

Vier Schritte zum Entitätsverständnis

Auf hoher Ebene sammelt das Patent Informationen aus mehreren Quellen, interpretiert sie und synthetisiert ein Entitätsverständnis. Schritt eins identifiziert Domain und zugehörige Entität; Webseiten werden per LLM verarbeitet. Schritt zwei erzeugt eine Charakterisierung – eine Interpretation, keine wörtliche Wiedergabe extrahierter Inhalte.

Attribute, Beziehungen und Drittdaten

Im dritten Schritt extrahiert die KI Präsenz, Alter, Prinzipien, Services, Reputation, Social-Media-Sentiment und Beziehungen zwischen Organisationselementen. Schritt vier ergänzt Website-Daten durch Karten-, Stellenanzeigen-, Unternehmens- und weitere Drittanbieter-Informationen. Ziel ist ein vollständigeres Bild als von einer einzelnen Seite möglich.

Zusammenfassungen, Graphen und Modelle

Das System erzeugt Entitäts-Zusammenfassungen, die eher Markenidentität, Positionierung und Werte beschreiben als einzelne Seiten. Hierarchische Graphen ordnen Attribute in Parent- und Leaf-Nodes: Services verbinden sich mit Zielgruppen, Standorten und Differenzierungsmerkmalen. Produkte verknüpfen sich mit Features, Kategorien und Anwendungsfällen.

Damit verschiebt sich die Frage von „Welche Information steht auf dieser Website?“ zu „Was verstehen wir über dieses Unternehmen?“ Das Patent kann Präsenz, Reputation und externe Signale wie Bewertungen und Joblisten einbeziehen – nicht nur Website-Attribute.

Formatunabhängige Interpretation

Ein wiederkehrendes Motiv: Die KI extrahiert auch Inhalte, die nicht für maschinelle Verarbeitung strukturiert wurden. Klassische Extractors sind oft auf vordefinierte Formate beschränkt; das LLM-Verfahren interpretiert Informationen unabhängig vom Format und synthetisiert neue, zweckgerichtete Inhalte statt Text zu kopieren.

Die Website bleibt zentral, ist aber nicht mehr alleinige Wahrheitsquelle. Sie wird zu einem von mehreren Inputs für das Entitätsmodell – entscheidend für AI Overviews, AI Mode und empfehlungsbasierte Oberflächen.

Webseiten als Evidenz für SEO

Patente sind keine Produktankündigungen, zeigen aber Denkrichtungen. Entity Understanding ist bei Google nicht neu – Knowledge Graph, E-E-A-T und Reputationssignale zielten schon länger darauf ab, Quellen und Akteure zu verstehen. LLMs erweitern diese Fähigkeit: Websites und öffentliche Informationen werden interpretiert, ohne festes Format zu verlangen.

Für SEO bedeutet das einen Perspektivwechsel. Service-Seiten etablieren nicht nur Keyword-Rankings, sondern belegen angebotene Leistungen. Case Studies demonstrieren Expertise, Team-Seiten identifizieren Personen, Reviews liefern Reputationssignale. Sichtbarkeit hängt zunehmend davon ab, wie gut Google die Entität zu einem Keyword versteht – besonders wenn KI Optionen zusammenfasst statt zehn Links auszuspielen.

Enterprise, E-Commerce und Local SEO

Enterprise-Organisationen verteilen Informationen oft über Produktseiten, Investor Relations, Pressemitteilungen und Recruiting – unterschiedliche Kanäle, unterschiedliche Formulierungen. E-Commerce-Marken müssen Produktattribute, Kategoriebeziehungen und Reviews so aufbereiten, dass KI Empfehlungen für konkrete Anwendungsfälle ableiten kann. Lokale Betriebe profitieren besonders, wenn Services, Servicegebiete und Reputationssignale zwischen Website, Google Business Profile und Drittplattformen übereinstimmen.

Strukturierte Daten, konsistente NAP-Angaben und verlinkte Autorenprofile unterstützen dieses Entitätsmodell zusätzlich. Sie ersetzen keine inhaltliche Klarheit, erleichtern aber Systemen die Zuordnung von Beziehungen zwischen Marken, Personen und Angeboten.

Marken gezielt steuern

Entitätsverständnis entsteht aus der Summe vieler Quellen. Unternehmen sollten prüfen, ob Website, Business Profile, Social Media, Presse und Stellenanzeigen dasselbe Bild vermitteln – nicht wortgleich, aber inhaltlich stimmig. Welche Attribute sollen mit der Marke verbunden werden: Vertrauen, Innovation, Nachhaltigkeit, lokale Expertise?

• Behauptungen mit Reviews, Case Studies, Zertifikaten und Fachprofilen belegen.
• Beziehungen zwischen Produkten, Standorten, Zielgruppen und Marken klar verlinken.
• Entity-Footprint auditieren: Was würde eine KI über das Unternehmen berichten?
• Enterprise, E-Commerce und Local SEO jeweils auf konsistente Entitätsidentität prüfen.

Historisch optimierte SEO vor allem einzelne URLs. Patente wie dieses deuten darauf hin, dass künftig entscheidend sein könnte, wer hinter den Seiten steht – und ob KI-Systeme diese Entität zuverlässig erkennen, zitieren und empfehlen.