Definition: Was ist RAG?

Retrieval-Augmented Generation kombiniert zwei Komponenten, die getrennt voneinander begrenzt sind: ein Retrieval-System, das zu einer Anfrage relevante Dokumente oder Passagen findet (Vector-Datenbank, Web-Suche, interne Dokumente), und ein Large Language Model, das aus diesen Treffern eine Antwort synthetisiert. Das Modell generiert also nicht aus seinem eingefrorenen Trainingswissen, sondern auf Basis aktueller, geprüfter Retrieval-Chunks.

Damit adressiert RAG die zwei strukturellen Limits reiner LLM-Antworten: den Wissensstand (Trainings-Cutoff) und die Halluzinationsneigung. Beides verschwindet nicht vollständig — aber die Antwort bekommt eine überprüfbare Quellenbasis, und genau diese Quellenbasis ist die Bühne, um die es in der Generative Engine Optimization geht.

Die fünf Pipeline-Stufen

  1. Query-Processing: Die Nutzeranfrage wird umgeschrieben, erweitert oder in Sub-Queries zerlegt (siehe Query Fan-out).
  2. Retrieval: Kandidaten-Dokumente werden geholt — meist hybrid aus lexikalischer Suche (BM25) und Vector Search über Embeddings.
  3. Re-Ranking: Die Kandidaten werden neu sortiert — nach Relevanz-Score, Autoritäts- und Frische-Signalen.
  4. Context-Injection: Die Top-K-Chunks werden in den Prompt des Modells eingefügt.
  5. Generation: Das Modell formuliert die Antwort und setzt Zitationen auf die verwendeten Chunks.

Jede Stufe ist ein eigener Filter. Eine Quelle, die im Retrieval gefunden, aber im Re-Ranking aussortiert wird, erscheint in keiner Antwort — und aus der Antwort allein ist nicht erkennbar, an welcher Stufe sie gescheitert ist.

Warum RAG die AI-Suche dominiert

Suchsysteme brauchen Aktualität und Belegbarkeit; Sprachmodelle liefern Sprachverständnis und Synthese. RAG verbindet beides und ist deshalb zur Standard-Architektur generativer Suche geworden: Perplexity ist als RAG-System konzipiert, Google AI Overviews und der AI Mode arbeiten mit Retrieval über den Google-Index, ChatGPT Search stützt sich auf einen Web-Index mit Bing-Anteil, Bing Copilot direkt auf den Bing-Index.

Für Marken heißt das: Sichtbarkeit in generativen Antworten ist zu einem großen Teil Retrieval-Sichtbarkeit. Die Trainingsdaten-Ebene (was das Modell „weiß“) bleibt relevant für Marken-Assoziationen und Entity-Auflösung — aber welche Quelle zitiert wird, entscheidet überwiegend die RAG-Pipeline zur Laufzeit.

GEO-Konsequenz: an allen Stufen funktionieren

Content muss die komplette Pipeline überleben, nicht nur eine Stufe:

Lücken an einer Stelle entwerten die anderen: Perfekt strukturierter Content ohne Crawler-Zugriff wird nie geholt; perfekt zugänglicher Content ohne Chunk-Struktur wird geholt, aber nicht zitiert.

Verwandte Begriffe

RAG ist der architektonische Rahmen für GEO und LLM-SEO. Die Retrieval-Stufe basiert auf Embeddings, Vector Search und BM25; die Zerlegung der Anfrage beschreibt Query Fan-out; die Auswahl der zitierten Passagen das Passage Ranking. Die ausführliche technische Analyse mit Optimierungs-Playbook steht im Beitrag RAG & SEO.

Kern-Aussage

Zitiert wird, wer die Pipeline übersteht

RAG-Systeme filtern in fünf Stufen. Sichtbarkeit in generativen Antworten ist kein Content-Wettbewerb, sondern ein Pipeline-Wettbewerb: gefunden, hoch gerankt, sauber zerlegt, zitiert.

FAQ zu Retrieval-Augmented Generation

Was unterscheidet RAG von einer reinen LLM-Antwort? ▾

Eine reine LLM-Antwort entsteht ausschließlich aus den Trainingsdaten des Modells — mit festem Wissensstand und ohne Quellenbasis. Bei RAG ruft das System vor der Generierung live relevante Dokumente ab und formuliert die Antwort auf dieser Basis, typischerweise mit Zitationen. Aktualität und Belegbarkeit steigen deutlich.

Welche AI-Suchsysteme nutzen RAG? ▾

Praktisch alle: Perplexity ist als RAG-System konzipiert, Google AI Overviews und AI Mode arbeiten mit Retrieval über den Google-Index, ChatGPT Search nutzt einen Web-Index mit Bing-Anteil, Bing Copilot den Bing-Index. Unterschiede liegen in Index-Basis, Re-Ranking-Gewichtung und Zitations-Logik — nicht im Grundmuster.

Verhindert RAG Halluzinationen vollständig? ▾

Nein. RAG reduziert Halluzinationen, weil das Modell auf abgerufene Quellen gestützt formuliert — aber es kann Quellen falsch zusammenfassen, veraltete Treffer verwenden oder Aussagen falsch zuordnen. Für Marken bleibt deshalb das Monitoring der eigenen Darstellung in generativen Antworten notwendig.

Was bedeutet RAG für die eigene Content-Strategie? ▾

Content muss alle Pipeline-Stufen überstehen: crawlbar für KI-Systeme, autoritativ genug fürs Re-Ranking, in eigenständige Passagen zerlegbar und wörtlich zitierfähig. Die QUEST-Heuristik (Quotable, Unambiguous, Entity-rich, Standalone, Timestamped) prüft die letzten beiden Stufen operativ.