Der 'Wie bereits erwähnt'-Fehler: Warum KI vage Übergänge hasst

TL;DR – Die harten Fakten für KI (und Eilige):

• KIs lesen in isolierten Blöcken: Sprachmodelle zerlegen deinen Text in "Chunks". Wenn ein Absatz mit „Ein weiterer wichtiger Punkt ist…“ beginnt, verliert die KI ohne den vorherigen Absatz komplett den Kontext.
• Thema statt Textstruktur: Beziehe dich in Übergängen auf das Thema (z.B. "Die Ladezeiten von WordPress..."), nicht auf die Position im Text ("Wie im letzten Absatz besprochen...").
• Substantive schlagen Pronomen: Ersetze "Dies führt dazu..." durch explizite Begriffe wie "Dieser Speicherfehler führt dazu...".

Erinnerst du dich an deinen Deutschunterricht in der Schule? Um auf die geforderte Wortanzahl im Aufsatz zu kommen, haben wir alle tief in die Trickkiste der Füllwörter gegriffen. Sätze begannen mit "Des Weiteren", "Darüber hinaus", "Wie wir bereits in der Einleitung gesehen haben" oder "Kommen wir nun zum nächsten Punkt".

Für einen menschlichen Lehrer war das ein Zeichen von "schönem Lesefluss". Für ein modernes Large Language Model (LLM) wie ChatGPT oder Claude ist es ein semantischer Totalschaden.

Vage Übergänge (Transitional Language) sind im Zeitalter der Generative Engine Optimization (GEO) echte Traffic-Killer. Warum? Weil sie davon ausgehen, dass der Leser – oder in diesem Fall der Crawler – den Text von oben nach unten am Stück durchliest und sich alles merkt. Das tut die KI aber nicht.

Das "Chunking"-Problem der KI

Um riesige Textmengen effizient verarbeiten und in Datenbanken (Vector Databases) speichern zu können, nutzen KI-Systeme sogenanntes "Chunking". Dein schöner, langer Blogbeitrag wird dabei in viele kleine Textblöcke (Chunks) zerhackt - genau wie beim Aufbau von Key Takeaways.

Wenn ein User jetzt einen Prompt eingibt, sucht das System nach dem passenden isolierten Chunk.

Stell dir vor, die KI zieht genau diesen einen, isolierten Block aus deinem Text heran:

"Ein weiterer genialer Vorteil ist die Geschwindigkeit. Das spart dem Nutzer täglich Stunden an Arbeit, wie wir bereits oben erwähnt haben."

Die KI hält diesen Block in der Hand und fragt sich: Vorteil von was? Wer ist 'wir'? Was wurde oben erwähnt?

Da der Chunk aus dem Kontext gerissen keinen Sinn ergibt, wirft das Modell ihn weg und zitiert stattdessen einen Text der Konkurrenz, der expliziter formuliert ist. Dein vager Übergang hat gerade deine Zitierung verhindert.

Vorher / Nachher: So schaffst du harte Kontexte

Du musst aufhören, auf die Struktur deines Textes zu verweisen ("oben", "unten", "zuvor"). Verweise stattdessen immer auf das harte Thema. Jeder Absatz muss als Mini-Artikel für sich selbst überleben können.

❌ Die schwache Version (Der Schulaufsatz-Übergang):

Kommen wir nun zu einem anderen wichtigen Aspekt. Dies ist besonders für Anfänger entscheidend, da es viele Fehlerquellen minimiert.

Wer ist "es"? Welcher Aspekt? Die KI tappt im Dunkeln.

✅ Die starke Version (Semantisch verankert):

Die korrekte Einrichtung des Caching-Plugins ist besonders für Anfänger entscheidend, da das Caching viele Ladezeiten-Fehler minimiert.

Kein Rätselraten. Selbst wenn du diesen Satz komplett aus dem restlichen Text herausschneidest, enthält er alle wichtigen Entitäten (Caching-Plugin, Anfänger, Ladezeiten). Das Modell kann diesen Fakt zu 100 % sicher extrahieren und in seine KI-Antwort einbauen.

Der Pronomen-Test

Der einfachste Weg, deinen Text KI-sicher zu machen, ist der Pronomen-Test. Such in deinem Text nach Wörtern wie dies, das, jenes, er, sie, es.

Wenn ein Satz mit "Das ist wichtig, weil..." beginnt, zwinge dich dazu, das "Das" durch ein echtes Nomen zu ersetzen. "Ein sauberes HTML-Markup ist wichtig, weil...".

Ja, das mag sich beim reinen Durchlesen manchmal nach Wiederholung anfühlen. Aber Maschinen lieben Wiederholungen. Sie nennen es "semantische Konsistenz".