Google nutzt zum Pretraining seines Modells 'Gemini' auch Rankingfaktoren aus der Suche. Weil Gemini die Grundlage für die Google AI Overviews und den AI Mode bildet, werden diese dadurch zusätzlich von klassischen Rankingfaktoren der Suche beeinflusst. Interessant dabei ist, dass wohl vor allem Rankingfaktoren zum Einsatz kommen, die sich auf die Qualität der Seiten und ganzer Websites beziehen.
Es besteht ein recht enger Zusammenhang zwischen der Auswahl der Quellen in den Google AI Overviews bzw. im Google AI Mode (der neuen KI-Suche von Google) und den Rankings in der klassischen Suche. Schon bisher war bekannt, dass Google beim sogenannten Grounding der KI-Suche auch Ergebnisse des klassischen Suche-Index zurückgreift. Beim sogenannten Query Fan-Out wird die Eingabe des Nutzers in mehrere Suchanfragen aufgeteilt. Die Antworten auf diese Fragen werden dann verwendet, um die zusammenfassende Antwort zu erzeugen.
Sie benötigen SEO-Beratung für Ihre Website?
Wie jetzt bekannt wurde, spielen die klassischen Rankingfaktoren aus der Suche aber auch auf eine weitere Weise eine Rolle für die Antworten in den AI Overviews und im AI Mode: Google nutzt nämlich zum Pretraining des Modells "Gemini" einige solcher Suche-Signale. Das lässt sich aus einer internen Mail entnehmen, die zwischen verschiedenen Google Mitarbeitern kursierte. Empfänger waren unter anderem Paul Haahr (Software Engineer) und Claire Cui (Vice President & Engineering Fellow), Jeff Dean (Chief Scientist) und Pandu Nayak (Vice President Search). Die Mail wurde im Zusammenhang mit dem Kartellverfahren gegen Google veröffentlicht, das derzeit in den USA läuft.
In der Mail heißt es, man habe die Freigabe erhalten, verschiedene Suche-Signale zum Pretraining von Gemini zu verwenden. Dazu gehören der QScore (Quality Score), NSR (Normalized Site Reliability, ein Maß für die Zuverlässigkeit von Websites) und verschiedene Signale, mit denen sich eine geringe Qualität von Seiten und ganzen Websites erkennen lässt.
Weil es sich dabei um sensible Signale handele, werde es nur für wenige Mitarbeiter Zugriff auf den Raw Score geben. Man werde verschiede Möglichkeiten zum Anwenden der Signale testen. Ziel sei es, die Werte genauer zu machen als die klassischen Ebenen der Suche-Indexierung.
Bild: Danke an Ann Smarty
Bemerkenswert ist vor allem, dass hier ausschließlich von Qualitätssignalen die Rede ist, nicht aber von Faktoren, die sich auf die Relevanz beziehen. Das deutet darauf hin, dass EEAT (Experience, Expertise, Authority, Trustworthiness) - ein Ansatz aus der klassischen Suche bzw. aus den Google Search Quality Rater Guidelines - auch für die AI Overviews und den AI Mode eine wichtige Rolle spielen. Daraus lässt sich ableiten, dass man auch für Googles KI-Suche an den EEAT-Kriterien arbeiten und zum Beispiel auf Transparenz, hochwertige und gut recherchierte Inhalte sowie auf Autoren mit passendem fachlichen Hintergrund achten sollte.
