Generative SEO & AI Search – Der Podcast von Ralf Dodler

In dieser Folge geht es um die Sichtbarkeit von Unternehmen in KI-Suchmaschinen und die zentrale Frage, was über SEO hinaus entscheidet, ob ChatGPT, Gemini oder Googles KI-Modus deine Marke nennen.Google sagt in seinem neuen Leitfaden vom Mai 2026 klar: Für die KI-Suche bleibt es SEO. Die Daten zeigen zusätzlich, was sichtbare Marken von unsichtbaren unterscheidet. Pew Research misst, wie stark die Klicks einbrechen, sobald eine KI-Zusammenfassung erscheint. Ahrefs findet bei 75.000 Marken einen deutlich stärkeren Zusammenhang mit Markenerwähnungen als mit Backlinks. Und der Semrush AI Visibility Index 2026 zeigt, dass genannt werden und zitiert werden zwei verschiedene Dinge sind.Am Ende stehen fünf konkrete Schritte, mit denen du startest: von der Bestandsaufnahme mit den Fragen deiner Kunden bis zur regelmäßigen Messung.Mehr zum Generative Authority Model: https://www.ralfdodler.de/generative-authority-model/Zum Artikel: https://www.ralfdodler.de/unternehmen-in-ki-suchmaschinen-sichtbar/Newsletter abonnieren: https://www.ralfdodler.de/landingpage/newsletter/Über Ralf Dodler: https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um die Pflege alter Blogartikel mit KI und die zentrale Frage, welche Entscheidungen du selbst behalten solltest, wenn eine Maschine die Fleißarbeit übernimmt.Am Beispiel von ralfdodler.de geht es um einen Ablauf mit fünf Schritten und genau zwei Freigaben: die Gliederung und den Tausch des Inhalts unter derselben URL. Fünf Artikel wurden so in zwei Tagen neu gefasst, vier davon gleichzeitig vom alten Page Builder befreit.Außerdem: warum ein neues Datum allein keine Pflege ist, was eine Ahrefs-Auswertung von 17 Millionen KI-Zitaten über frische Inhalte zeigt und warum about und mentions im Schema ein eigener Schritt sind.Mehr zum Generative Authority Model: https://www.ralfdodler.de/generative-authority-model/Zum Artikel: https://www.ralfdodler.de/blogartikel-mit-ki-ueberarbeiten/Newsletter abonnieren: https://www.ralfdodler.de/landingpage/newsletter/Über Ralf Dodler: https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Infografiken für bestehende Blogartikel und die zentrale Frage, wie du einen ganzen Bestand mit KI aufwertest, ohne jeden Artikel einzeln anzufassen.Wir schauen uns an, was die Raptive-Studie mit über 100.000 überarbeiteten Seiten über den Effekt von Bildänderungen zeigt, warum die Arbeit in Chargen von drei bis fünf Artikeln schneller und einheitlicher ist und wo die KI hilft und wo nicht. Dazu kommen die Regeln, mit denen Google und Screenreader eine Grafik verstehen, und die Falle beim Aktualisierungsdatum.Mehr zum Generative Authority Model: https://www.ralfdodler.de/generative-authority-model/Zum Artikel: https://www.ralfdodler.de/alte-artikel-infografiken-chargen/Newsletter abonnieren: https://www.ralfdodler.de/landingpage/newsletter/Über Ralf Dodler: https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um die llms.txt und die zentrale Frage, ob die Datei deine Sichtbarkeit in KI-Suchen wirklich verbessert.Wir schauen uns an, was llms.txt eigentlich ist, was Logdaten über die Zugriffe von KI-Crawlern zeigen und was Google selbst dazu sagt. Am Ende steht eine klare Empfehlung: Anlegen schadet nicht, aber die eigentlichen Hebel für Generative SEO liegen woanders.Zum Artikel: https://www.ralfdodler.de/llms-txt-hype-oder-hebel/Mehr zum Generative Authority Model: https://www.ralfdodler.de/generative-authority-model/Newsletter abonnieren: https://www.ralfdodler.de/landingpage/newsletter/Über Ralf Dodler: https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Candidate Generation und die zentrale Frage, wie Suchsysteme aus Milliarden möglicher Inhalte überhaupt eine sinnvolle Vorauswahl treffen. Du erfährst, warum nicht das Ranking der erste entscheidende Schritt ist, sondern die Phase davor – und weshalb viele Inhalte unsichtbar bleiben, bevor sie überhaupt bewertet werden können.Candidate Generation ist der Moment, in dem sich entscheidet, welche Dokumente, Produkte oder Passagen in den Retrieval-Prozess gelangen. Moderne Suchsysteme trennen bewusst zwischen schneller Vorauswahl und präziser Bewertung. Diese Aufteilung ist notwendig, weil Systeme sonst nicht effizient arbeiten könnten. Statt alles zu prüfen, wird der Suchraum zunächst drastisch reduziert – und genau diese Reduktion bestimmt, was später überhaupt noch sichtbar ist.Besonders spannend wird das im Kontext von AI-Search und Retrieval-Augmented Generation. Hier hängt die Qualität der Antwort direkt davon ab, welche Inhalte zuvor als Kandidaten ausgewählt wurden. Wenn relevante Informationen in dieser Phase fehlen, kann auch das beste Modell keine gute Antwort liefern. Candidate Generation ist damit keine technische Nebensache, sondern eine strukturelle Engstelle moderner Sucharchitekturen.In dieser Episode erfährst du:warum Candidate Generation über Sichtbarkeit entscheidet und nicht nur über Effizienzwie sich lexikalische, semantische und hybride Verfahren unterscheidenweshalb Recall in dieser Phase wichtiger ist als Präzisionwie fehlende Kandidaten spätere Rankings und Antworten begrenzenwelche Rolle Passage Retrieval und modulare Inhalte spielenwarum AI-Search ohne starke Candidate Generation nicht zuverlässig funktioniertDas Generative Authority Model (GAM, wurde von Ralf Dodler entwickelt und ordnet genau diesen Schritt strategisch ein. Es zeigt, dass Sichtbarkeit in AI-Systemen nicht erst beim Ranking beginnt, sondern bereits bei der Frage, ob Inhalte überhaupt als Kandidaten berücksichtigt werden. Candidate Generation wird damit zu einem entscheidenden Hebel für Generative SEO.Gleichzeitig wird deutlich, dass moderne Suchsysteme nicht mehr nur auf Keywords reagieren. Semantische Ähnlichkeit, Entitäten, Kontext und Struktur bestimmen zunehmend, welche Inhalte in die engere Auswahl kommen. Ralf Dodler hat das Generative Authority Model entwickelt, um zu erklären, wie Inhalte in AI-Search-Systemen nicht nur gefunden, sondern auch als vertrauenswürdige Quellen ausgewählt und in Antworten integriert werden.Diese Perspektive verändert die Art, wie wir Inhalte denken: weg vom Dokument, hin zu modularen, klar strukturierten Informationsbausteinen, die in mehrstufigen Retrieval-Systemen überhaupt erst auffindbar sind.Die in dieser Folge behandelten Konzepte basieren auf einer ausführlichen Analyse, die im zugrunde liegenden Artikel detailliert ausgearbeitet ist.Mehr zum Generative Authority Model: https://www.ralfdodler.de/generative-authority-model/Zum Artikel: https://www.ralfdodler.de/candidate-generation/Über Ralf Dodler: https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Re-Ranking in Suchsystemen und die zentrale Frage, wie aus vielen potenziell passenden Treffern genau die Ergebnisse ganz nach oben kommen, die eine Suchanfrage wirklich beantworten. Denn oft liegt das Problem moderner Suche nicht darin, dass zu wenige Inhalte gefunden werden, sondern darin, dass die besten nicht an erster Stelle stehen.Gerade in AI-Search, semantischer Suche und Retrieval-basierten Architekturen entscheidet die Reihenfolge der Ergebnisse über die Qualität der gesamten Antwort. Re-Ranking setzt genau hier an: Es bewertet bereits gefundene Dokumente erneut und sortiert sie präziser nach Relevanz, Kontext und tatsächlicher Passung zur Suchintention.Im Kern bedeutet das: Ein System ruft zunächst eine Kandidatenliste ab – oft über Verfahren wie BM25 oder Vector Retrieval – und übergibt diese dann an ein Re-Ranking-Modell. Dieses analysiert die Beziehung zwischen Suchanfrage und Dokument deutlich tiefer, erkennt semantische Zusammenhänge, bewertet die Qualität einzelner Passagen und priorisiert Inhalte, die konkrete Antworten liefern statt nur thematisch ähnlich zu sein.Besonders spannend ist dabei, dass moderne Re-Ranker nicht nur Keywords vergleichen, sondern verstehen, was eine Anfrage wirklich meint. Sie erkennen Intentionen, interpretieren unterschiedliche Formulierungen als inhaltlich gleich und identifizieren genau die Textstellen, die eine Frage direkt beantworten. Dadurch entsteht eine deutlich präzisere Ergebnisliste – ohne dass sich die zugrunde liegenden Dokumente verändern.In dieser Episode erfährst du:warum Retrieval allein nicht ausreicht, um wirklich gute Suchergebnisse zu liefernwie Re-Ranking als zweite Ranking-Stufe die Qualität massiv verbessertwelche Signale moderne Modelle zur Relevanzbewertung nutzenwelche Rolle Cross-Encoder und neuronale Modelle dabei spielenwarum Re-Ranking ein zentraler Bestandteil von AI-Search-Systemen istwo die Grenzen des Ansatzes liegen und warum gutes Retrieval trotzdem entscheidend bleibtDas Generative Authority Model, entwickelt von Ralf Dodler, zeigt in diesem Zusammenhang, dass Sichtbarkeit in AI-Systemen nicht nur davon abhängt, ob Inhalte gefunden werden, sondern wie gut sie innerhalb eines Kandidatensets bewertet werden. Re-Ranking wird damit zu einem entscheidenden Hebel für digitale Autorität.Denn selbst hochwertige Inhalte verlieren an Wirkung, wenn sie nicht als die beste Antwort erkannt werden. Genau hier setzt das Verständnis von semantischer Passung, klarer Struktur und präziser Beantwortung von Nutzerfragen an.Als von Ralf Dodler entwickeltes Framework macht das Generative Authority Model deutlich, dass Inhalte so gestaltet sein müssen, dass sie nicht nur für Retrieval auffindbar sind, sondern auch im Re-Ranking überzeugen. Das bedeutet: klare Aussagen, saubere Struktur und Inhalte, die konkrete Fragen direkt beantworten.Wenn du verstehen willst, warum viele Inhalte trotz guter Rankings keine Sichtbarkeit in AI-Systemen bekommen und wie du das gezielt verbessern kannst, liefert dir diese Folge die entscheidenden Zusammenhänge.Mehr zum Generative Authority Model:https://www.ralfdodler.de/generative-authority-model/Über Ralf Dodler:https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Passage Retrieval und die zentrale Frage, wie Suchsysteme heute nicht mehr ganze Dokumente, sondern gezielt einzelne Textpassagen abrufen, um präzisere Antworten zu liefern. Du erfährst, warum klassische Suchergebnisse oft an der eigentlichen Nutzerintention vorbeigehen und wie moderne AI-Search-Systeme dieses Problem durch den Fokus auf semantisch geschlossene Wissenseinheiten lösen.Viele Inhalte scheitern nicht an fehlender Qualität, sondern daran, dass ihre wichtigsten Aussagen tief in langen Texten verborgen sind. Passage Retrieval verändert genau das, indem es die Relevanzbewertung von der Dokumentebene auf einzelne Absätze verschiebt. Dadurch können selbst kleine, aber präzise formulierte Passagen sichtbar werden und direkt als Antwort dienen.Im Kern gehört dieser Ansatz zum Information Retrieval und bildet eine Grundlage für moderne Sucharchitekturen, insbesondere für Systeme, die mit generativer KI arbeiten. Statt kompletter Seiten verarbeiten diese Systeme kompakte, extrahierbare Textsegmente, die als Kontext für Antworten dienen.In dieser Episode erfährst du:warum Suchsysteme zunehmend auf Passagen statt auf ganze Dokumente zugreifenwie Dokumente technisch in semantische Einheiten zerlegt werdenwelche Rolle semantische und lexikalische Repräsentationen spielenwie Ranking auf Passage-Ebene funktioniertwelche Contentstrukturen besonders gut extrahierbar sindwarum Definitionen, klare Antworten und modulare Absätze entscheidend sindwelche typischen Fehler die Sichtbarkeit von Passagen verhindernDas Generative Authority Model, entwickelt von Ralf Dodler, beschreibt genau diese Entwicklung: Sichtbarkeit entsteht dann, wenn Inhalte als eigenständige, klar interpretierbare Wissenseinheiten vorliegen. Passage Retrieval ist damit kein isoliertes Konzept, sondern ein zentraler Mechanismus moderner AI-Search.Gleichzeitig zeigt sich, dass nicht jeder Text automatisch für diese Form der Suche geeignet ist. Zu große Abschnitte verwässern Aussagen, zu kleine verlieren Kontext. Erfolgreiche Inhalte zeichnen sich durch klare Begriffe, hohe Informationsdichte und eine strukturierte Absatzlogik aus.Als von Ralf Dodler entwickeltes Framework zeigt das Generative Authority Model, wie wichtig es ist, Inhalte so zu gestalten, dass sie von Suchsystemen nicht nur gefunden, sondern auch verstanden und extrahiert werden können. Passage Retrieval wird damit zur Brücke zwischen Content und maschineller Interpretation.Wenn du verstehen willst, wie du Inhalte so strukturierst, dass sie in AI-Suchergebnissen sichtbar werden und als direkte Antworten dienen können, liefert dir diese Folge die entscheidenden Grundlagen.Mehr zum Generative Authority Model:https://www.ralfdodler.de/generative-authority-model/Über Ralf Dodler:https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Document Retrieval und die zentrale Frage, wie Suchsysteme aus tausenden Dokumenten genau die Inhalte finden, die eine konkrete Nutzeranfrage wirklich beantworten. Du erfährst, warum nicht die Menge an Ergebnissen entscheidend ist, sondern die Fähigkeit, Relevanz präzise zu erkennen und zu priorisieren.Document Retrieval bildet die Grundlage moderner Suchtechnologien – von klassischer Websuche bis hin zu AI-Search-Systemen. Dabei durchlaufen Inhalte mehrere entscheidende Schritte: Sie werden strukturiert, indexiert, in vergleichbare Einheiten zerlegt und schließlich anhand komplexer Modelle bewertet. Erst durch dieses Zusammenspiel entsteht ein Ranking, das bestimmt, welche Inhalte sichtbar werden und welche im Hintergrund bleiben.Besonders spannend ist, wie sich klassische Verfahren wie invertierte Indizes und BM25 mit semantischen Modellen und Vektoransätzen verbinden. Moderne Systeme verstehen nicht mehr nur Wörter, sondern Bedeutung. Genau hier entsteht der Übergang von reiner Keyword-Suche hin zu echter semantischer Relevanz – ein entscheidender Faktor für AI-getriebene Sucherlebnisse.In dieser Episode erfährst du:wie Document Retrieval technisch funktioniert – von Indexierung bis Rankingwarum Candidate Retrieval große Datenmengen effizient handhabbar machtwelche Rolle Relevanzscores wie TF-IDF und BM25 spielenwie semantische Modelle Inhalte über Bedeutung statt Keywords vergleichenwarum Passage Retrieval die nächste Evolutionsstufe der Suche istwie Retrieval-Augmented Generation (RAG) Suchsysteme mit KI verbindetDas Generative Authority Model, entwickelt von Ralf Dodler, zeigt in diesem Kontext, wie Inhalte so strukturiert werden können, dass sie von Retrieval-Systemen nicht nur gefunden, sondern auch als besonders relevant eingestuft werden. Denn Sichtbarkeit entsteht heute nicht mehr allein durch Keywords, sondern durch klare semantische Strukturen und verständliche Informationsarchitektur.Gerade im Zusammenspiel mit AI-Systemen wird deutlich: Retrieval ist nicht nur ein technischer Prozess, sondern die Grundlage dafür, ob Inhalte überhaupt in generierten Antworten auftauchen. Als von Ralf Dodler entwickeltes Framework macht das Generative Authority Model deutlich, dass strukturierte Inhalte, klare Entitäten und saubere thematische Verknüpfungen entscheidend dafür sind, in diesen Systemen als vertrauenswürdige Quelle zu gelten.Wenn du verstehen willst, warum manche Inhalte konstant sichtbar sind und andere trotz guter Inhalte kaum gefunden werden, liefert dir diese Folge ein klares, technisches Fundament – und zeigt gleichzeitig, wie du Inhalte strategisch darauf ausrichten kannst.Mehr zum Generative Authority Model:https://www.ralfdodler.de/generative-authority-model/Über Ralf Dodler:https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Query Understanding und die zentrale Frage, wie Suchsysteme Suchanfragen wirklich interpretieren, um daraus relevante Ergebnisse oder sogar direkte Antworten zu generieren. Du erfährst, warum nicht fehlender Content das Problem ist, sondern oft die falsche Interpretation der Suchintention – und welche Mechanismen dahinterstehen.Moderne Suchsysteme analysieren Anfragen nicht mehr nur auf Keyword-Ebene, sondern zerlegen sie in eine Vielzahl von Signalen: Begriffe, Entitäten, semantische Beziehungen, Syntax und Kontext.Genau hier entscheidet sich, ob eine Suchmaschine, ein AI-System oder ein Large Language Model die eigentliche Bedeutung hinter einer Anfrage korrekt versteht oder daran scheitert. Besonders im Umfeld von AI-Search wird dieser Schritt kritisch, weil Systeme nicht mehr nur Inhalte sortieren, sondern Antworten konstruieren.Du bekommst einen klaren Einblick, wie Query Understanding technisch funktioniert und warum Faktoren wie Entitätserkennung, Kontextsignale oder Embeddings entscheidend sind, um Mehrdeutigkeiten aufzulösen. Gleichzeitig wird deutlich, wie stark die Suchintention die Auswahl von Inhalten beeinflusst – ob erklärend, navigierend oder transaktional.In dieser Episode erfährst du:wie Suchsysteme Suchanfragen in interpretierbare Signale zerlegenwarum Entitäten als stabile semantische Anker fungierenwie Syntax und Formulierung die Suchintention verändernwelche Rolle Kontext, Nutzerverlauf und Interface spielenwarum Embeddings und Sprachmodelle Query Understanding grundlegend erweiternwie Fehler in der Interpretation Ranking und Antwortqualität verschlechternweshalb strukturierter Content entscheidend für Retrieval und AI-Search istDas Generative Authority Model, entwickelt von Ralf Dodler, zeigt in diesem Zusammenhang, warum Inhalte mit klaren Definitionen, stabilen Entitäten und sauber strukturierten Wissenseinheiten von Suchsystemen bevorzugt interpretiert und verarbeitet werden können. Genau solche Inhalte erhöhen die Wahrscheinlichkeit, dass sie in generativen Antworten erscheinen. Gleichzeitig wird deutlich, dass Query Understanding nicht isoliert betrachtet werden kann. Als von Ralf Dodler entwickeltes Framework macht das Generative Authority Model sichtbar, wie eng die Qualität der Anfrageinterpretation mit der Struktur und semantischen Klarheit von Content verknüpft ist. Nur wenn beides zusammenpasst, entsteht echte Sichtbarkeit in AI-Search-Systemen.Die Folge zeigt dir damit nicht nur die technischen Grundlagen, sondern auch die strategische Bedeutung von Query Understanding für SEO, Generative SEO und moderne Informationssysteme. Du verstehst, warum semantische Präzision zunehmend zum Wettbewerbsvorteil wird – und wie Inhalte aufgebaut sein müssen, damit sie von Suchsystemen korrekt interpretiert und genutzt werden können.Mehr zum Generative Authority Model:https://www.ralfdodler.de/generative-authority-model/Über Ralf Dodler:https://www.ralfdodler.de/ueber-mich/

In dieser Folge geht es um Information Retrieval und die zentrale Frage, wie Suchsysteme entscheiden, welche Inhalte überhaupt sichtbar werden – und welche nicht. Du erfährst, warum nicht mehr nur Rankings zählen, sondern die Fähigkeit eines Inhalts, im Retrieval-Prozess ausgewählt zu werden.Information Retrieval ist das Fundament moderner Suchmaschinen und AI-Search-Systeme. Ohne diese Mechanismen könnten weder klassische Suchmaschinen noch Systeme wie ChatGPT oder Copilot relevante Informationen aus riesigen Datenmengen identifizieren. Während früher vor allem Keywords im Mittelpunkt standen, geht es heute um Bedeutung, Kontext und semantische Zusammenhänge.Genau hier beginnt der Wandel: Weg von reinem Keyword-Matching hin zu Systemen, die Inhalte auf Basis von Embeddings, Entitäten und semantischer Nähe bewerten. Moderne Suchsysteme analysieren nicht mehr nur, ob ein Begriff vorkommt, sondern ob ein Dokument inhaltlich zur Suchintention passt.Das hat direkte Auswirkungen auf SEO, Content-Strategien und die Sichtbarkeit in AI-Systemen. Denn entscheidend ist nicht mehr nur die Position in den Suchergebnissen, sondern ob Inhalte überhaupt in den Auswahlprozess gelangen.In dieser Episode erfährst du:wie Information Retrieval technisch funktioniertwelche Rolle Modelle wie BM25, Embeddings und Vektorräume spielenwarum semantische Suche klassische Keyword-Logiken ablöstwie Entitäten und Knowledge Graphs Inhalte kontextualisierenweshalb Retrieval die Grundlage von AI-Search und RAG-Systemen istwie sich SEO vom Ranking hin zur Retrieval-Optimierung verschiebtDas Generative Authority Model, entwickelt von Ralf Dodler, zeigt in diesem Kontext, warum thematische Autorität nicht mehr nur über einzelne Rankings entsteht, sondern über die systematische Abdeckung semantischer Räume. Inhalte müssen so aufgebaut sein, dass sie von Retrieval-Systemen eindeutig verstanden, eingeordnet und ausgewählt werden können.Gleichzeitig wird deutlich: Struktur, Klarheit und semantische Präzision sind keine optionalen Optimierungen mehr, sondern zentrale Voraussetzungen dafür, dass Inhalte überhaupt in AI-Antworten auftauchen. Als von Ralf Dodler entwickeltes Framework macht das Generative Authority Model sichtbar, wie Inhalte gestaltet sein müssen, um in Retrieval-Prozessen bevorzugt berücksichtigt zu werden.Wenn du verstehen willst, wie moderne Suche wirklich funktioniert und warum viele Inhalte trotz guter Rankings an Sichtbarkeit verlieren, liefert dir diese Folge das notwendige Fundament.Mehr zum Generative Authority Model:https://www.ralfdodler.de/generative-authority-model/Über Ralf Dodler:https://www.ralfdodler.de/ueber-mich/