Was ist Google AI Mode?
Google AI Mode ist ein eigener Suchmodus in der Google-Suche, der Fragen im Dialog beantwortet und Folgefragen im Kontext der vorherigen Antwort verarbeitet. Google startete AI Mode am 5. März 2025 als Experiment in Search Labs, gab ihn am 20. Mai 2025 zur Google I/O für alle Nutzer in den USA frei und bringt ihn seit dem 8. Oktober 2025 auf Deutsch nach Deutschland, Österreich und in die Schweiz. Technisch zerlegt AI Mode eine Frage per „query fan-out“ in Unterthemen und stellt dazu viele Suchanfragen gleichzeitig. Das Modell wechselt regelmäßig: Im November 2025 kam Gemini 3 in den AI Mode, seit dem 19. Mai 2026 ist laut Google Gemini 3.5 Flash weltweit das Standardmodell. Nach Googles Angaben nutzen mehr als eine Milliarde Menschen AI Mode pro Monat. Zusätzliche technische Anforderungen für AI Mode nennt Google nicht.
Während AI Overviews als Box innerhalb der klassischen Trefferliste sitzt, ist AI Mode eine eigene Oberfläche mit eigener Antwortlogik. Wer AI-Overviews-optimierten Content unverändert in die AI-Mode-Tests schickt, beobachtet regelmäßig: andere Quellen, andere Reihenfolge, andere Tonalität und oft eine andere Marke an Position eins.
Warum AI Mode strukturell anders rankt
Drei mechanische Unterschiede machen AI Mode zu einer eigenständigen Engine. Erstens: Multi-Turn-Konversation. Während AI Overviews jede Query als isolierten One-Shot behandelt, baut AI Mode pro Session einen Kontext auf — in unseren Test-Sessions (DACH, Mai-Juli 2026, eigene Daten) blieb er über 20-30 Folge-Turns nutzbar; Google bestätigt solche Werte nicht. Eine Marke, die im ersten Turn zitiert wird, kann in Turn 4 verschwinden, wenn der Folge-Prompt einen Aspekt adressiert, den die Marken-Quelle nicht abdeckt. Persistenz wird zur eigenen Optimierungsdimension.
Zweitens: tieferer Query-Fan-Out. Dass AI Overviews und AI Mode Fragen in mehrere verwandte Suchanfragen über Unterthemen aufteilen können, dokumentiert Google selbst in „AI features and your website“. Eine Anzahl nennt Google nicht; die Fan-Out-Tiefe schätzen wir aus beobachteten Sub-Antwort-Mustern: bei AI Overviews typischerweise 2-6 Sub-Queries, bei AI Mode für komplexe Prompts 8-20, teilweise mit rekursiven Sub-Fan-Outs, wenn ein Aspekt unterspezifiziert ist. Das Resultat: Inhalte, die nur die offensichtlichen drei Sub-Aspekte abdecken, sehen im AI Mode nur einen Teil ihrer eigenen Domäne wieder, der Rest geht an Spezialisten.
Drittens: eigene Quellenpräferenzen. AI Mode bezieht in unseren Tests (Evidenzstufe C) häufiger originäre Studien, strukturierte Vergleichsseiten und Author-getragene Expertenartikel ein. Klassische Marketing-Texte, Listicles und Top-of-Funnel-SEO-Artikel werden im AI Mode nach unserer Beobachtung deutlich seltener zitiert, selbst wenn sie in AI Overviews regelmäßig erscheinen. Die Engine bevorzugt Inhalte, deren Substruktur ein erkennbares Reasoning-Skelett hat.
Folge-Turns Kontext-Persistenz in unseren Test-Sessions (eigene Daten), länger als jede klassische Session
Sub-Queries pro komplexem Prompt (eigene Schätzung), tieferer Fan-Out
Substruktur statt Listicle als Quellenpräferenz (eigene Beobachtung)
AI Mode vs. AI Overviews: Die Engine-Differenz
| Dimension | AI Overviews | AI Mode |
|---|---|---|
| Surface | Box im klassischen SERP | Eigenes Tab + AI-First-Layer |
| Query-Modell | One-Shot | Multi-Turn (in unseren Tests 20-30 Turns) |
| Fan-Out-Tiefe (eigene Schätzung) | 2-6 Sub-Queries | 8-20 Sub-Queries, rekursiv |
| Bevorzugte Inhalte | Prägnante Lead-Antworten | Reasoning-Skelett, Long-Form |
| Citation-Format | Inline + 3-5 Source-Links | Inline + Endnotes + persistente Refs |
| Schema-Nutzung (unsere Hypothese; semantische Deklaration, kein bestätigtes Citation-Signal — Google benötigt kein spezielles AI-Markup) | FAQ, HowTo, Article | + Dataset, ClaimReview, ScholarlyArticle |
| Hauptrisiko | Zero-Click (Antwort ohne Klick) | Marken-Drift in Folge-Turns |
| Primärer KPI | Citation Share je Query | Turn-Persistence über Session |
Wo verlieren Sie in Multi-Turn-Sessions die Sichtbarkeit?
Wir spielen 30 brandkritische AI-Mode-Konversationen mit je 4-6 Folge-Turns durch und mappen, ab welchem Turn Ihre Marke aus dem Kontext fällt und welche Wettbewerber Sie verdrängen.
Optimierung 1: Passage-Engineering für Reasoning-Skelette
AI Mode bevorzugt Inhalte mit erkennbarem Argumentationspfad. Eine gute AI-Mode-Passage folgt der Struktur: These → Mechanismus → Beleg → Trade-Off → Konklusion. Diese Sequenz spiegelt nach unserer Arbeitshypothese das Reasoning-Muster, das Gemini im AI Mode anwendet — in unseren Citation-Tests werden so gebaute Passagen deutlich häufiger synthetisiert. Klassische SEO-Absätze („H2 + drei Sätze + Keyword-Verteilung") schnitten in diesen Tests schwächer ab.
Praktisch heißt das: Jede H2-Sektion wird als geschlossene Reasoning-Einheit aufgebaut, nicht als Absatz-Sammlung. Statt „Was ist X? Hier sind 5 Aspekte" lieber „X funktioniert mechanisch so [Mechanismus]. Empirisch zeigt sich [Beleg]. Die Grenze liegt bei [Trade-Off]. Daraus folgt für die Praxis [Konklusion]." Diese Form ist direkt zitierbar als geschlossene Antwort und überlebt Folge-Turns, weil sie Sub-Aspekte impliziert statt sie zu fragmentieren.
Optimierung 2: Multi-Turn-Coverage planen
Eine AI-Mode-Konversation besteht selten aus einer Frage. Typische Sequenz: Anfangs-Frage → Vergleichs-Folge („und im Vergleich zu Y?") → Limitierungs-Folge („wo passt das nicht?") → Anwendungs-Folge („wie setze ich das konkret um?") → Validierungs-Folge („gibt es Studien?"). Wer nur die Anfangs-Frage beantwortet, wird ab Turn 2 systematisch durch besser abdeckende Quellen ersetzt.
Content-Strategie: Pro Hub-Thema die fünf typischen Folge-Turns explizit antizipieren und entweder (a) auf der Hub-Seite in eigenen H2-Sektionen abdecken oder (b) auf dedizierten Sub-Pages mit klarer interner Verlinkung beantworten. Tools wie Fan-Out-Mapping und LLM-Selbstanalyse („Welche Folge-Fragen wird ein Nutzer stellen?") liefern die Turn-Kataloge — methodisch vertieft im Beitrag Prompt-Reverse-Engineering.
Optimierung 3: Entity-Konsolidierung gegen Marken-Drift
Im AI Mode beobachten wir ein neues Phänomen: Marken-Drift. Eine Marke wird in Turn 1 zitiert, weil sie inhaltlich passt, aber in Turn 3 ersetzt, weil ein Wettbewerber als Knowledge-Graph-Entität verfügbar ist und die Marke nicht. Unsere Arbeitshypothese (Evidenzstufe D): Multi-Turn-Sessions verstärken Entity-Trust, weil jeder Folge-Turn eine neue Gelegenheit ist, die als Entität eindeutig zuordenbare Quelle zu bevorzugen.
Konsequenz: Wer in AI Mode persistent zitiert werden will, sollte die eigene Marke als Entität eindeutig machen, etwa über ein Knowledge Panel, konsistente sameAs-Verweise und, wo die Relevanzkriterien erfüllt sind, einen Wikidata-Eintrag. Author-Entities (Personen) waren in unseren Tests bei „expertise-seeking" Folge-Turns oft wichtiger als Brand-Entities; ob die Engine gezielt nach verifizierten Autoren filtert, dokumentiert Google nicht.
Die vier neuen KPIs für AI Mode
AI Overviews wird mit Citation Share gemessen. AI Mode braucht ein erweitertes Set. Die Richtwerte in der dritten Spalte stammen aus unseren eigenen Prompt-Tests (Evidenzstufe C, Methodik im LLM Citation Benchmark), nicht aus einer Branchenstudie:
| KPI | Definition | Richtwert 2026 (eigene Tests) |
|---|---|---|
| AI Mode Citation Share | % Sessions mit Marken-Citation in Turn 1 | Top-Marken: 18-32% |
| Turn-Persistence | Anteil Sessions, in denen die Marke bis Turn 3 zitiert bleibt | Healthy: >55% des Citation-Shares |
| Source-Stickiness | Click-Through von der Citation auf die URL | Realistisch: 8-14% |
| Conversation-Surface | Position der Marke (Lead, Inline, Endnote) | Lead-Position: ROI-relevant |
Basis-Layer ist der GSC Generative-AI-Performance-Report: Google hat ihn am 3. Juni 2026 angekündigt und seit dem 31. August 2026 für alle Websites ausgerollt. Er zeigt Impressionen in AI Overviews, AI Mode und generativen Discover-Funktionen nach Seiten, Ländern, Geräten und Datum, aber keine Klicks oder Suchanfragen. Für Citation-Share und Turn-Persistence braucht es weiterhin Prompt-Tracking via spezialisierte LLM-Citation-Tools (Profound, Peec.ai, Otterly) oder per eigenem Headless-Browser-Setup, das wöchentlich die kritischen Conversation-Pfade automatisiert abruft. Das LLM Citation Monitoring deckt AI Mode bereits ab.
Das technische Setup für AI-Mode-Readiness
Vorab: Google nennt für AI Mode keine zusätzlichen Anforderungen und kein spezielles Schema. Die folgenden vier Punkte sind Empfehlungen aus unserer Praxis; Punkt 1 bis 3 beruhen auf eigenen Tests und Hypothesen (Evidenzstufe C/D), Punkt 4 ist von Google dokumentiert:
1. JSON-LD-Graph mit @id-Verkettung. Article, Person, Organization, Service, alle als verbundener Graph mit konsistenten @id-URIs. Nach unserer Hypothese erleichtert ein konsistenter Graph die Entity-Zuordnung in Folge-Turns; Google bestätigt das nicht. Siehe auch Schema Implementation.
2. ClaimReview und Dataset, wenn anwendbar. Originäre Studien, Benchmarks oder Erhebungen mit Dataset-Schema versehen — als semantische Deklaration, nicht als bestätigtes Citation-Signal. In unseren Tests werden Original-Daten in Folge-Turns überproportional als Authority-Anker ausgegeben.
3. Verifizierbare Author-Entity. Jeder Beitrag mit einer eindeutig zuordenbaren Autoren-Entität: Autorenseite, Person-Schema mit konsistenten sameAs-Verlinkungen und, wo möglich, Knowledge-Graph-Präsenz. Anonyme Brand-Texte verloren in unseren Tests in expertise-seeking Folge-Turns.
4. Crawler-Zugänglichkeit sicherstellen. AI-Mode-Sichtbarkeit folgt der normalen Googlebot-Indexierung — es gibt keinen separaten AI-Mode-Index-Opt-in. Laut Google-Crawler-Dokumentation steuert Google-Extended nur Gemini-Training und Grounding in Gemini-Apps und Vertex AI und hat keinen Einfluss auf die Aufnahme in die Google-Suche; wer es blockiert, bleibt in AI Mode dennoch sichtbar. Mehr in Technical SEO für KI-Crawler.
Fazit: AI Mode ist eine eigenständige Disziplin
Wer AI Mode mit derselben Optimierung wie AI Overviews bedient, optimiert für eine Surface und verliert in der anderen. Die mechanischen Unterschiede (Multi-Turn-Persistenz, tieferer Fan-Out, Reasoning-Präferenz) erfordern eine eigene Content-Architektur, eigene KPIs und eigene technische Anforderungen. Die Marken, die 2026 systematisch in AI-Mode-Sessions persistieren, haben bereits begonnen, Reasoning-Skelette, Author-Entities und Multi-Turn-Coverage zu bauen. Messbar wird die Differenz über den Generative-AI-Bericht der Search Console und eigenes Prompt-Tracking.
Quellen
- Google Search Central: Search updates, Eintrag zu AI Mode in Search Labs (5. März 2025)
- Google Blog: AI Mode in Google Search: Updates from Google I/O 2025 (20. Mai 2025)
- Google Blog Deutschland: Der KI-Modus startet in Deutschland, Österreich und der Schweiz (8. Oktober 2025)
- Google Blog: Google Search with Gemini 3: Our most intelligent search yet (18. November 2025)
- Google Blog: A new era for AI Search (19. Mai 2026)
- Google Search Central: AI features and your website (laufend aktualisiert)
- Google Search Central Blog: Introducing Search Generative AI performance reports in Search Console (3. Juni 2026, Rollout an alle Websites am 31. August 2026)
- Google Search Central: Google's common crawlers, Abschnitt Google-Extended (laufend aktualisiert)