--- title: "Content Chunking: Ein Leitfaden für jedes Level" date: 2026-09-09 author: "Warren Laine-Naida" featured_image: "https://warrenlainenaida.de/wp-content/uploads/2024/03/Grundlagen-Digitales-Marketing.jpg" categories: - name: "Content Chunking" url: "/category/content-chunking.md" - name: "KI" url: "/category/ki.md" - name: "SEO Lernen" url: "/category/seo-lernen.md" --- # Content Chunking: Ein Leitfaden für jedes Level Content Chunking bedeutet im Grunde, längere Inhalte in kleinere, sinnvoll abgegrenzte Abschnitte zu teilen. Statt einer langen Textfläche entstehen einzelne Absätze, Listen und Themenblöcke, die jeweils eine bestimmte Frage oder Idee behandeln. Das macht Inhalte leichter lesbar und hilft gleichzeitig Maschinen dabei, einzelne Informationen zu finden und weiterzuverarbeiten. - [Einsteiger: Was Chunking ist – und warum es wichtig ist](#Chunking-Einsteiger) - [Fortgeschrittene: Chunking für Webinhalte, SEO und GEO](#Chunking-Fortgeschrittene) - [Profis: Chunking in RAG- und KI-Such-Systemen](#Chunking-Profis) Heute wird „Chunking“ für mehrere unterschiedliche Dinge verwendet: 1. **Content-Chunking im SEO** – Webseiten in kurze, gut überfliegbare, eigenständige Abschnitte schreiben. 2. **Chunking bei RAG und KI** – Dokumente in Stücke aufteilen, bevor sie in eine Vektordatenbank eingespeist werden. So kann ein KI-System das passende Stück finden, um eine Frage zu beantworten. 3. **Content-Defined Chunking (CDC)** – eine ganz andere Technik aus der Datenspeicherung. Dateien werden aufgeteilt, damit Backup-Programme doppelte Daten sparen können. Das hat nichts mit Lesen oder Suchen zu tun. Darauf gehen wir hier nicht weiter ein. Im Folgenden geht es deshalb nicht nur darum, was Chunking ist. Wir schauen uns auch an, wie es bei Webinhalten und SEO eingesetzt wird und was Chunking technisch bei RAG-Systemen bedeutet. ### Das Wichtigste auf einen Blick Für den Anfang reicht eine einfache Regel: **Eine Überschrift, eine Idee.** - Kurze, klar abgegrenzte Abschnitte machen Inhalte leichter erfassbar. - Die eigentliche Antwort sollte möglichst früh kommen. - Listen und Zwischenüberschriften helfen beim Überfliegen. - Nicht jede Information sollte künstlich in einen eigenen Abschnitt gepresst werden. - Bei RAG-Systemen entscheidet die Wahl der Chunk-Grenzen mit darüber, welche Informationen später überhaupt gefunden werden. - Es gibt keine optimale Chunk-Größe für alle Inhalte. Was funktioniert, hängt vom Dokument und vom Einsatzzweck ab. - Deshalb sollte man verschiedene Ansätze mit echten Suchanfragen und Testdaten vergleichen. ## Einsteiger: Was Chunking ist – und warum es wichtig ist > „Beim Content Chunking geht es nicht darum, das System auszutricksen“ > > Warren Laine-Naida [Content Chunking für die KI-Suche: Sichtbar für Menschen UND Maschinen](https://warrenlainenaida.de/content-chunking-fuer-die-ki-suche-sichtbar-fuer-menschen-und-maschinen/) Ein Grund, warum Chunking funktioniert, liegt in der begrenzten Kapazität unseres Arbeitsgedächtnisses. [George Miller hat sich damit bereits in den 1950er-Jahren beschäftigt](https://archive.org/details/miller1956_202204). Für die Praxis ist die Idee einfach: Wenn Informationen klar gruppiert und voneinander getrennt sind, lässt sich das Gesuchte leichter finden und verarbeiten. In der Praxis zeigt sich das zum Beispiel in klaren Überschriften, kurzen Absätzen, Listen und Hervorhebungen. Zusammengehörige Informationen werden gruppiert, statt sie in einer langen Textfläche unterzubringen. ### Ein einfaches Vorher-Nachher-Beispiel Ohne Chunking: > Managed WordPress Hosting ist eine Hosting-Art, bei der der Anbieter verschiedene technische Aufgaben übernimmt, etwa Updates, Sicherheit, Backups, Performance und manchmal CDN-Integration, was für Website-Betreiber nützlich sein kann, die ihre Server nicht selbst verwalten wollen … Mit Chunking: > **Was ist Managed WordPress Hosting?** Der Anbieter übernimmt einen Großteil der technischen Wartung Ihrer WordPress-Seite. > > **Was übernimmt der Anbieter meistens?** > > - Updates > - Backups > - Sicherheit > - Performance > - Support speziell für WordPress Die einzelnen Abschnitte funktionieren auch dann, wenn man den restlichen Text nicht gelesen hat. Für den Einstieg reicht eine einfache Regel: **eine Überschrift, eine Idee.** Beantworten Sie die Frage zuerst. Halten Sie Absätze kurz. Nutzen Sie Listen, wo sie beim Überfliegen helfen. ## Fortgeschrittene: Chunking für Webinhalte, SEO und GEO Bei Webinhalten kommt noch ein zweiter Aspekt hinzu: **GEO, also Generative Engine Optimization**. Der Begriff wird häufig zusammen mit **AEO (Answer Engine Optimization)** verwendet. Gemeint sind Strategien für KI-gestützte Suchsysteme wie Google AI Overviews, ChatGPT Search und Perplexity. ### So kann das in der Praxis aussehen - Verwenden Sie eine klare Hauptüberschrift und sinnvolle Zwischenüberschriften. Fragen funktionieren oft gut, wenn sie tatsächlich die Fragen der Leser aufgreifen. - Geben Sie die Antwort möglichst früh im Abschnitt. - Halten Sie Absätze überschaubar und trennen Sie unterschiedliche Gedanken. - Vermeiden Sie Verweise wie „wie oben erwähnt“, wenn ein Abschnitt auch allein verständlich sein soll. - Belegen Sie wichtige Aussagen mit konkreten Daten und Quellen. - Achten Sie darauf, dass wichtige Inhalte auch im HTML vorhanden und für Crawler zugänglich sind. ### Für Leser und Suchsysteme Der Vorteil liegt nicht nur bei KI-Systemen. Ein gut abgegrenzter Abschnitt ist auch für Menschen einfacher zu erfassen. Wer nur eine bestimmte Frage beantworten möchte, muss sich nicht erst durch mehrere Absätze arbeiten. Für Suchsysteme kann eine solche Struktur ebenfalls hilfreich sein. Ein klar abgegrenzter Abschnitt kann es Suchsystemen erleichtern, eine bestimmte Information einer konkreten Frage zuzuordnen. Das bedeutet allerdings nicht, dass jeder Text in möglichst viele kleine Stücke zerlegt werden sollte. Ganz so einfach ist es allerdings nicht. [Googles Search Liaison Danny Sullivan](https://searchengineland.com/google-doesnt-want-you-to-create-bite-sized-chunks-of-your-content-467269) hat ausdrücklich davor gewarnt, Inhalte nur deshalb in kleine Abschnitte zu zerlegen, um sie für KI-Systeme besser verwertbar zu machen. Damit entsteht ein wichtiger Unterschied: Eine klare Struktur ist sinnvoll. Eine künstlich erzeugte Struktur allein für die KI ist etwas anderes. Praktisch lässt sich daraus eine recht einfache Schlussfolgerung ziehen: Sie können nicht steuern, wie ein externes KI-System Ihre Seite zerlegt. Sie können aber dafür sorgen, dass einzelne Abschnitte klar strukturiert und eigenständig verständlich sind. Das ist zunächst gutes Schreiben – und kann gleichzeitig der Auffindbarkeit helfen. Feste Vorgaben wie „alle 200 Wörter ein Chunk“ sind dagegen mit Vorsicht zu betrachten. Die richtige Länge hängt vom Inhalt ab. **Das Problem mit zu viel Optimierung** Es gibt dabei ein interessantes Problem: Je besser ein Abschnitt eine Frage vollständig beantwortet, desto weniger Grund hat der Nutzer möglicherweise, die ursprüngliche Seite aufzurufen. Das unterscheidet GEO zumindest teilweise vom klassischen SEO. Beim klassischen SEO war ein gutes Ranking normalerweise ein Mittel zum Klick. Bei KI-Suchergebnissen kann eine Seite dagegen sichtbar und zitiert werden, ohne dass daraus ein Besuch entsteht. ## Profis: Chunking in RAG- und KI-Such-Systemen Für Entwicklerinnen und Entwickler, die KI-Anwendungen bauen, bedeutet „Chunking“ etwas Technischeres: den Schritt, bei dem Dokumente in Stücke geteilt werden, bevor sie als Vektoren in eine Datenbank eingespeist werden – für **Retrieval-Augmented Generation (RAG)**. ### So funktioniert es Nehmen wir ein PDF als Beispiel. Das Dokument wird zunächst in kleinere Abschnitte geteilt. Diese Abschnitte werden anschließend eingebettet und in einer Vektordatenbank gespeichert. Stellt später jemand eine Frage, sucht das System nach den Abschnitten, die inhaltlich am besten dazu passen. Diese Informationen werden an das Sprachmodell weitergegeben, das daraus die Antwort erstellt. Beim RAG-System beeinflusst Chunking, welche Informationen das Modell überhaupt zu sehen bekommt. ### Gängige Chunking-Strategien StrategieVorgehenTypischer EinsatzFeste Größe + ÜberlappungSchnitt alle N Token/Zeichen, mit rund 10–20 % ÜberlappungSchneller, einfacher StandardRekursiv / strukturbewusstTrennung an Überschriften, dann Absätzen, dann SätzenDokumente, Blogs, MarkdownSemantischSchnitt dort, wo sich die Bedeutung deutlich ändertTexte mit mehreren ThemenSeiten- / abschnittsbasiertOriginal-PDF-Seiten oder Autoren-Abschnitte bleiben erhaltenBerichte, HandbücherAgentisch (KI-gesteuert)Ein Sprachmodell legt die Chunk-Grenzen selbst fest – erkennt Tabellen, Code, ThemenwechselKomplexe Fachdokumente und Verträge; aufwendiger und teurer, wenn für die Aufteilung zusätzliche Modellaufrufe nötig sindLate ChunkingErst das ganze Dokument einbetten, danach die Chunks daraus ableitenWenn der große Zusammenhang erhalten bleiben sollEin oft genannter Startwert für einfaches Chunking liegt bei etwa 256 bis 512 Token pro Stück, mit etwas Überlappung – das ist aber nur ein Ausgangspunkt, keine feste Regel. ### Was gutes Chunking bringt Gutes Chunking kann die Trefferqualität verbessern, weil bei einer Suche weniger irrelevanter Text an das Modell weitergegeben wird. Es kann außerdem die Quellenzuordnung erleichtern und die benötigte Rechenleistung reduzieren, wenn nicht jedes Mal ganze Dokumente verarbeitet werden müssen. ### Wer sich damit beschäftigt Anbieter von Vektordatenbanken und RAG-Infrastruktur (Pinecone, Weaviate, Cloudflares AI Search mit dokumentiertem rekursivem Chunking an Absatz- und Satzgrenzen), Frameworks wie LangChain, Werkzeuge zur Dokumentenverarbeitung wie Unstructured und offene Chunking-Bibliotheken wie Hugging Faces semchunk. ### Was man beim Testen beachten sollte Es gibt keine Chunking-Strategie, die für jedes Dokument funktioniert. Deshalb lohnt es sich, verschiedene Ansätze mit echten Testdaten zu vergleichen. Komplexere Verfahren liefern dabei nicht automatisch bessere Ergebnisse. [Eine Studie aus 2026](https://arxiv.org/abs/2607.01852) kam bei den untersuchten akademischen Texten beispielsweise zu dem Ergebnis, dass semantisches Chunking nicht durchgehend besser abschnitt als einfachere Verfahren. Interessanter wird die Frage, ob Dokumente künftig überhaupt noch nach einer festen Methode vorab geteilt werden müssen. Mit größeren Kontextfenstern und günstigeren Modellen wird es einfacher, bei einer konkreten Anfrage mehr vom ursprünglichen Dokument zu berücksichtigen. Statt ein Dokument einmalig in feste Chunks zu zerlegen, könnte ein System die für eine bestimmte Frage relevanten Abschnitte dynamischer bestimmen. **Late Chunking** geht bereits in diese Richtung: Das Dokument wird zunächst als Ganzes verarbeitet; die eigentliche Aufteilung erfolgt erst danach. Ob solche Verfahren feste Chunking-Strategien tatsächlich ersetzen werden, ist allerdings noch offen. Für die Praxis bleibt deshalb vorerst die wichtigere Frage: Welche Aufteilung funktioniert für die eigenen Dokumente und Suchanfragen am besten? ## Chunking in der Praxis Chunking kann zwei sehr unterschiedliche Dinge bedeuten. Bei Webinhalten geht es vor allem darum, Informationen sinnvoll zu strukturieren. Ein Abschnitt sollte eine klare Aufgabe haben und auch dann verständlich bleiben, wenn jemand ihn nicht zusammen mit dem gesamten Artikel liest. Bei RAG-Systemen geht es dagegen um die technische Aufteilung von Dokumenten. Hier beeinflussen die Chunk-Grenzen, welche Informationen ein Suchsystem später findet und an das Sprachmodell weitergibt. In beiden Fällen gilt: Nicht die Länge eines Abschnitts ist entscheidend, sondern sein Inhalt. Ein guter Chunk endet dort, wo ein Gedanke sinnvoll abgeschlossen ist – nicht automatisch nach 200 Wörtern oder 512 Tokens.