KI teilt die Web-Suche in drei verschiedene Realitäten auf

Neue Forschungsergebnisse zeigen, dass Google nun drei verschiedene Informationssysteme innerhalb seines eigenen Suchimperiums verwendet, wobei die reguläre Suche, AI-Überblicke und Gemini jeweils unterschiedliche Quellen, Rankings und Inhalte bevorzugen.

Reduktionismus regiert. In den letzten zwölf Monaten wurde das ‘Lass mich das für dich bei Google suchen’ Meme von einem neuen ‘Lass mich die Google-Suche für dich zusammenfassen’ Trend abgelöst, bei dem AI-Überblick in den Suchergebnissen den Lesern zunehmend die Mühe erspart, auf Suchlinks zu klicken (was die Quellseiten möglicherweise entfinanziert), indem sie die gesamten Suchergebnisse in wenige generierte Absätze kondensieren.

Man könnte annehmen, dass das aufgedeckte Kernwissen und die Auswahl der Quellen, aus denen dieses Wissen gewonnen wird, relativ ähnlich über alle drei der beliebtesten Methoden der Internetsuche nach Informationen wären: bei der traditionellen Web-Suche; bei den AI-Überblicken (AIOs), die jetzt die meisten Web-Suchergebnisse überschreiben; und durch die zunehmende Verwendung von LLMs wie ChatGPT als Web-Orakel (mit oder ohne externe RAG-Anrufe).

Jedoch zeigen aktuelle Forschungsergebnisse aus den USA, dass dies überraschenderweise weit von der Realität entfernt ist; und dass sogar innerhalb von Googles eigener Dreifaltigkeit von Orakeln – SERPS*, AI-Zusammenfassungen und direkter Interaktion mit der Gemini-LLM-Serie – es anscheinend signifikante und interessante Diskrepanzen gibt, für jeden Weg.

Dreiteilung

In einer klaren und umfassenden neuen Studie, mit dem Titel Wie generative KI die Suche stört: Eine empirische Studie von Google-Suche, Gemini und AI-Überblicken, erläutern sechs Forscher vom New Jersey Institute of Technology die Wege, auf denen die drei Suchmethoden divergieren, und bieten einige mögliche Theorien für diese Brüche in der Herangehensweise an.

Die Studie besagt:

‘[Zuerst] finden wir, dass für 51,5% der repräsentativen, realen Benutzeranfragen AIOs generiert und über den organischen Suchergebnissen angezeigt werden. Umstrittene Fragen führen häufig zu einem AIO.

‘Zweitens zeigen wir, dass die abgerufenen Quellen für jeden Suchdienst wesentlich unterschiedlich sind (<0,2 durchschnittliche Jaccard-Ähnlichkeit). Die traditionelle Google-Suche ist wesentlich wahrscheinlicher, Informationen von beliebten oder institutionellen Websites in Regierung oder Bildung abzurufen, während generative Suchmaschinen wesentlich wahrscheinlicher sind, Google-eigenen Inhalt abzurufen.

‘Drittens beobachten wir, dass Websites, die Googles AI-Crawler blockieren, wesentlich weniger wahrscheinlich von AIOs abgerufen werden, obwohl sie Zugang zum Inhalt haben.’

Da die Studie ein breites Spektrum an faszinierenden Erkenntnissen bietet, anstatt sich an die übliche lineare und methodengetriebene Arbeitsweise zu halten, werden wir uns diesen und einige andere ihrer überraschendsten und aufschlussreichsten Erkenntnisse näher ansehen.

Das alte “Zwei-Eins”

Eine der vielen interessanten Erkenntnisse in der Studie zeigt, dass Googles AI-Überblicke tendenziell unterdrückt werden, wenn es um plötzliche Nachrichtenereignisse geht, da die frühesten und verfügbaren Quellen möglicherweise nicht die genauesten sind.

Dieses System funktioniert nicht immer: Im Beispiel, das von den Forschern angeführt wird, ordnete ein Google-AI-Überblick über das Ergebnis eines Boxkampfes den Sieg dem falschen Boxer zu, obwohl die einzige Quelle, die dieses (falsche) Ergebnis angab, ein satirischer Sportfeed auf Facebook war:

Einer der Gründe, warum Googles AI-Überblicken Zeit-kritische Zusammenfassungen vermeiden, ist, dass frühe Informationen unvollständig oder völlig ungenau sein können. In diesem Fall verlor der Boxer Jake Paul tatsächlich den Kampf. Quelle

Die Autoren bemerken, dass AIOs tendenziell dann erscheinen, wenn ein Ereignis mindestens fünf Tage alt ist, was dies als eine Anomalie qualifiziert – aber dennoch eine, die die Forscher leicht heraufbeschwören konnten.

AIOs wurden als wahrscheinlicher befunden, wenn die Anfrage mit einem Fragezeichen abgeschlossen wurde, und dass Abfrageabsicht ein Faktor war, der bestimmt, ob ein AIO präsentiert wird:

Prozentsatz der Vorfälle, bei denen eine AI-Suchzusammenfassung in einem der Tests der Forscher produziert wurde. Hier bedeutet “informational” direkte Fragen, die tendenziell mehr AIOs produzieren als jede andere Art von Interaktion.

Zusätzlich behauptet die Studie, dass längere Anfragen tendenziell eher eine AI-Zusammenfassung produzieren, anstatt nur einfache Suchergebnisse, obwohl die Autoren noch keine Theorie anbieten, um dies zu erklären.

Ein geteiltes Königreich

Vielleicht das überraschendste Ergebnis der neuen Studie ist die relativ geringe Überschneidung in den Ergebnisqualitäten/Typen zwischen Googles (oben genannten) drei Suchplattformen.

Die Studie zeigt wiederholt, dass die reguläre Google-Suche, AI-Überblicke und Gemini (LLM) auffallend unterschiedliche Quellen für dieselbe Anfrage abrufen, mit einer Überschneidung, die so gering ist, dass sie drei konkurrierende Abruflogiken innerhalb eines Unternehmens impliziert, während Benutzer annehmen könnten, dass Google einen autoritativen Index und eine Ranking-Philosophie hat:

Auch innerhalb von Googles eigenem Ökosystem erwies sich die Überschneidung zwischen traditioneller Suche, AI-Überblicken und Gemini als überraschend gering, wobei dieselbe Anfrage oft wesentlich unterschiedliche Quelllisten produzierte, je nachdem, welches Google-System die Anfrage bearbeitete.

In Bezug auf diesen Teil ihrer Analyse bemerken die Autoren:

‘[Die Tabelle oben] zeigt die durchschnittliche Ähnlichkeit zwischen der Liste der Quellen, die von AIO, Gemini und traditioneller SERP für jede Anfrage im Benchmark-Datensatz abgerufen werden.

‘Die wichtigste Erkenntnis ist, dass unabhängig von der Anfrage-Untermenge und dem Vergleich von zwei Suchmaschinen die abgerufenen Listen unähnlich sind, obwohl alle drei von Google entwickelt wurden.’

Die Forscher bemerken weiter, dass keine der getesteten Suchmethoden einen Rang-biased-Überschneidung (RBO) über 0,27 aufwies, was ein sehr niedriger Wert ist. Sie bemerken weiter, dass Amazon-Retail und lokalisierte Anfragen (d. h. ‘Geschäfte in der Nähe’) die geringste Ähnlichkeit zwischen den Suchmethoden aufwiesen.

Sie führen die geringe Übereinstimmung auf grundlegende ‘Inkonsistenzen zwischen Suchmaschinen’ zurück, indem sie bemerken, dass weder Zufall noch ein anderer offensichtlicher Faktor diese Desynchronisation erklären kann.

Eine intuitive Erklärung ist möglicherweise, dass Trainingsdatenpunkte auf eine sehr unterschiedliche Weise bewertet werden als die Methoden, die Google für PageRank und seine Nachfolger in den letzten zwei Jahrzehnten entwickelt hat. Darüber hinaus ist es, wenn Googles Suchalgorithmus eine geheime Agenda hat, sehr viel schwieriger, Gemini konsistent zu handhaben, selbst durch Filterung, Systemanweisungen und die verschiedenen anderen Methoden, die auf kommerzielle Modelle aufgezwungen werden.

Selbstbedienung..?

Bestimmte Websites oder Kategorien von Websites scheinen von der Einführung von AI-Zusammenfassungen und dem Eindringen von LLM-basierten Suchen in den traditionellen Suchraum betroffen zu sein – sowohl positiv als auch negativ, je nach Fall:

Im Vergleich zur traditionellen Google-Suche reduzierten AI-Überblicke und Gemini die Zitate von vielen großen Websites, während sie die Sichtbarkeit für eine kleine Anzahl bevorzugter Domänen erhöhten.

Die Autoren bemerken, dass einige unerwartete Vorlieben unter den drei Methoden auftreten, während des Testens:

‘Wir haben drei Haupterkenntnisse aus [den Grafiken oben]. Erstens sind große und bekannte Websites am stärksten betroffen (sowohl positiv als auch negativ). Dies ist intuitiv, da große Websites den Ruf und die Vielfalt an Inhalten haben, um für viele verschiedene Anfragen relevant zu sein.

‘Zweitens erhalten die meisten dieser Websites weniger Gesamtzitate und weniger Top-3-Zitate durch generative Suchmaschinen (angezeigt durch rote Balken und negative Zahlen in [den Grafiken oben]). Dies deutet darauf hin, dass generative Suche tendenziell Informationen aus mehr Nischenquellen bezieht als traditionelle Suchmaschinen.

‘Drittens bevorzugen Googles AIOs Google-Websites (d. h. google.com- und youtube.com-Domänen).

‘Gemini bevorzugt YouTube im Vergleich zur traditionellen Google-Suche, aber der absolute Unterschied ist geringer.’

Gibt es “Blockierer”?

Die Studie fand auch heraus, dass Verleger, die Googles AI-Web-Crawler blockieren – den automatischen Web-Bot, der Daten von Ihrer Website sammelt, es sei denn, Sie sagen ihm, dass er dies nicht tun soll, mit einer robots.txt-Datei – tendenziell nicht in AI-Zusammenfassungen erscheinen.

Dies mag wie ein offensichtlicher Selbstschuss erscheinen, aber tatsächlich hat Google öffentlich erklärt, dass Inhalt von Plattformen, die AI-Crawler blockieren, nicht daran gehindert wird, in AI-Zusammenfassungen zu erscheinen; stattdessen werden die Verleger einfach nicht ihre Daten gesammelt, kuratiert und in die nächste Runde des AI-Trainings für Gemini und andere Google-AI-Projekte einbezogen.

Die Forscher fanden jedoch, dass beliebte AI-Veröffentlichungen, die Google-Extended-Bot in ihren robots.txt-Dateien blockieren, sehr selten von Gemini zitiert wurden, entweder in der LLM- oder in der gestrippten und agileren Suchergebnis-Inkarnation. Die “effektiv blockierten” Verleger wurden in der Studie als NYTimes, CNN, BBC, ScienceDirect, Reuters, Wiley, Nature, ESPN, Business Insider, CNBC, NPR, WIRED, USA Today, NBC News, Genius, National Geographic, The Conversation, U.S. News & World Report, Scientific American, Consumer Reports und STAT identifiziert.

Einige der durch die oben genannten Verleger vorgenommenen robots.txt-AI-Scraping-Sperren. Hat dies zu einer weiteren Zensur durch Google geführt?

Die Autoren bemerken:

‘In unseren Analysen der am stärksten betroffenen Domänen fanden wir, dass 21 beliebte [Verleger] (die für mindestens 20 eindeutige Anfragen von Google-Suche und AIOs abgerufen werden) nie von Gemini zitiert wurden.

‘Verschiedene beliebte soziale Medien (Facebook, Instagram, Tiktok) und Bewertungs-Websites (IMDb, Yelp, Tripadvisor) erhielten auch keine Zitate von Gemini. Bei weiterer Untersuchung fanden wir heraus, dass alle diese Websites den Google-Extended-Bot in ihren robots.txt-Dateien blockieren.’

Wenn diese Erkenntnis sich als verifiziert und beständig herausstellt, könnte man spekulieren, dass diese Unternehmen möglicherweise von Google unter Druck gesetzt werden, um mit ihren AI-Operationen zusammenzuarbeiten, indem sie teilweise von der Liste entfernt werden. Auf den ersten Blick scheinen die Ergebnisse bestrafend zu sein, aber die Erkenntnisse der neuen Studie deuten eher auf Chaos als auf Vorsatz hin; daher ist der einzige vernünftige Kommentar, den man machen kann, dass diese Ergebnisse oberflächlich “rachsüchtig” erscheinen, egal was wirklich dahinter steckt.

Schlussfolgerung

Meinung Dies ist eine klare und umfassende Zip-Bombe einer Studie, deren zehn Hauptseiten sich zu einem fast überwältigenden Schwall an zusätzlichen Erkenntnissen entfalten. Da wir nur einen kleinen Teil davon abdecken konnten, empfehle ich das Quell-PDF sogar dem interessierten Leser (ein seltenes Ereignis).

Obwohl eine “gelbe” Disposition viele negative Interpretationen der Autorenentdeckungen hervorrufen könnte, ist die Arbeit vielleicht am besten als Hinweis darauf zu betrachten, dass ein globaler Technologieführer versucht, eine globale Führung in der AI-basierten Suche zu erlangen und beizubehalten, indem er sehr unterschiedliche Plattformen verwendet, die unter sehr unterschiedlichen Umständen und in verschiedenen Epochen entwickelt wurden.

Während in der Studie drei Suchmethoden untersucht werden, besteht die eigentliche Auseinandersetzung zwischen traditionellen Suchmaschinen-Ergebnissen, die nach proprietären Methoden sortiert werden, und den scharf kontrastierenden verteilungsbasierten Auswahlmethoden, die die Datenkuratierung und AI-Schulung dominieren.

AI wie es 1999 war

Bevor Google auftrat, war es möglich, Suchergebnisse durch reine Menge zu “manipulieren” und so oft mit minimalem (häufig automatisiertem) Aufwand eine Platzierung auf der ersten SERP-Seite zu erreichen. Dieses “Zahlen-Spiel” wurde effektiv um 2002 durch Googles komplexeres und geheimes Such-Ranking-Algorithmus beendet. Aber da die Einsätze hoch waren, verschwand der Low-Content-Hochvolumen-Inhalt nie wirklich;

Als hyperskalige Sammlungen wie Common Crawl die Grundlagen der modernen KI-Revolution legten, war es vorherbestimmt, dass die Datenprominenz von dem Grad abhängen würde, in dem automatisierte Prozesse Filtern und Rangordnen von Datenqualität könnten, und (viel unwahrscheinlicher) von dem Grad, in dem Geld verfügbar war, um Menschen zu bezahlen, um diese Daten zu ordnen.

Es gab viele schlechte oder minderwertige Daten in diesen riesigen und undiskriminierenden Sammlungen; Daten, die möglicherweise keine Obszönitäten, Flüche, rassistischen Klischees oder andere Dinge enthielten, die relativ einfach aus Trainingsdatensätzen zu filtern sind – aber die dennoch selbstsüchtig und umfangreich waren, genau wie die Ergebnisse einer Internetsuche um 1999-2001.

Weil diese Dateninduktionsprozesse nach wie vor nicht großartig sind, ist es sogar für Google sehr schwierig, AI so zu handhaben, dass sie geschäftsmäßig agiert, da Geminis PageRank-ähnliche Entscheidungen nicht von Googles Politik-Ingenieuren diktiert werden, sondern von einem unvollkommenen Verständnis davon, wie hyperskalige Daten in Datenverteilungen und latente Einbettungen während des Trainings eines AI-Modells umgewandelt werden.

* Suchmaschinen-Ergebnisseiten.

^† Autoren-Betonung, nicht meine. Ich habe jedoch fett für kursiv ersetzt, da kursiv-Betonung in Anführungszeichen, die bereits hauptsächlich kursiv sind, nicht gut funktioniert.

Erstveröffentlicht am Mittwoch, dem 13. Mai 2026