Information Gain für SEO und GEO

Was ist Information Gain?

Information Gain beschreibt den zusätzlichen Erkenntniswert einer Beobachtung oder Information. In der Informationstheorie ist er präzise definiert. Im SEO-Kontext wird der Begriff sinnvollerweise als Heuristik verwendet: Wie viel neue, relevante und verifizierte Information liefert eine Seite gegenüber dem, was Nutzer und Suchsysteme bereits vorfinden?

🔔 Die wichtigste Unterscheidung lautet: Information Gain ist nicht dasselbe wie Einzigartigkeit. Ein Text kann sprachlich völlig anders sein und trotzdem keine neue Erkenntnis liefern. Umgekehrt kann ein kurzer Absatz mit einem neuen Messwert, einer belastbaren Einschränkung, einem eigenen Test oder einer Primärquelle sehr hohen Zusatznutzen besitzen.

Information Gain ist relational

Die falsche Frage lautet: „Hat dieser Text viel Information?“

Die bessere Frage lautet: „Welche Unsicherheit oder offene Entscheidung reduziert dieser Inhalt für genau diesen Nutzer, bei genau dieser Suchintention, nachdem die vorhandenen Quellen bereits berücksichtigt wurden?“

Das erklärt auch, warum Wortzahl kein brauchbarer Ersatz ist. Ein 8.000-Wörter-Artikel kann fast vollständig redundant sein. Eine einzige Tabelle mit bisher fehlenden Vergleichswerten kann dagegen den entscheidenden Informationszuwachs liefern.

Woher stammt das Konzept Information Gain?

Kurzantwort: Die Grundlage stammt aus Claude Shannons Informationstheorie von 1948. Entropie beschreibt Unsicherheit. Information Gain beschreibt, wie stark diese Unsicherheit durch zusätzliche Information sinkt.

Die mathematische Grundidee – ohne unnötige Mathematik

Für eine Zielvariable Y und eine beobachtete Variable X gilt vereinfacht:

H(Y) steht für die Unsicherheit vor der zusätzlichen Information. H(Y | X) steht für die verbleibende Unsicherheit, nachdem X bekannt ist. Je stärker die Unsicherheit sinkt, desto größer der Informationsgewinn.

Für Content lässt sich die Idee nicht mathematisch eins zu eins übertragen. Als Arbeitsmodell ist sie dennoch sehr nützlich:

Wie unterscheidet sich Information Gain von ähnlichen Konzepten?

Im SEO-Diskurs werden Information Gain, Einzigartigkeit, semantische Distanz, TF-IDF, Relevanz und Originalität häufig vermischt. Das führt schnell zu falschen Schlussfolgerungen.

Ist Information Gain ein Google-Rankingfaktor?

🔔Ein universeller, öffentlich bestätigter Google-„Information-Gain-Score“ für Webseiten ist nicht belegt. Belegt sind jedoch zwei Dinge: Google fordert in seinen Qualitätsrichtlinien originelle Informationen und deutlichen Mehrwert; außerdem besitzt Google Patente, in denen Information Gain als zusätzlicher Informationswert gegenüber bereits präsentierten Dokumenten modelliert wird.

Google fragt in seiner Dokumentation ausdrücklich, ob Inhalte neuartige Informationen, Forschungsergebnisse oder Analysen enthalten, über offensichtliche Fakten hinausgehen und einen deutlichen Mehrwert gegenüber anderen Suchergebnissen liefern. Gleichzeitig warnt Google davor, hauptsächlich zusammenzufassen, was andere bereits sagen.

Das Google-Patent beschreibt dagegen eine konkrete technische Idee: Neue Dokumente können danach bewertet werden, wie viel zusätzliche Information sie gegenüber bereits präsentierten Dokumenten liefern. Das ist konzeptionell sehr nah am redaktionellen Information-Gain-Gedanken. Ein Patent beweist jedoch nicht, dass genau dieser Mechanismus im aktuellen Webranking eingesetzt wird.

Warum ist Information Gain für SEO wichtig?

Viele SEO-Texte lösen noch immer die falsche Aufgabe. Sie versuchen, möglichst viele Keywords, Entitäten, Unterüberschriften und Konkurrenzthemen abzudecken. Das ist für Relevanz und Topic Coverage sinnvoll – aber nicht automatisch für zusätzlichen Nutzen.

Eine Seite muss zuerst die Suchintention erfüllen. Danach stellt sich die zweite Frage: Warum sollte ein Nutzer gerade diese Seite noch lesen, wenn die grundlegenden Antworten bereits in mehreren anderen Ergebnissen stehen?

Von Keywords zu offenen Unsicherheiten

Die klassische Keyword-Frage lautet: „Welche Begriffe müssen im Text vorkommen?“

Die Information-Gain-Frage lautet: „Welche für die Entscheidung des Nutzers relevanten Fragen bleiben nach den vorhandenen Ergebnissen offen?“

Das verändert die Recherche. Gute Redaktionen suchen nicht nur nach dem gemeinsamen Nenner der Top-10-Ergebnisse. Sie suchen nach Lücken, Grenzfällen, widersprüchlichen Aussagen, fehlenden Belegen, fehlenden Messwerten und nicht beantworteten Folgefragen.

Topic Coverage bleibt notwendig

Information Gain ersetzt keine Relevanz. Eine Seite, die die Kernfrage nicht beantwortet, wird nicht dadurch gut, dass sie originelle Nebenaspekte enthält. Der sinnvolle Ablauf ist:

1. Suchintention verstehen und vollständig abdecken.
2. Bestehende Quellen als Baseline analysieren.
3. Offene, wichtige Informationslücken bestimmen.
4. Neue Evidenz erzeugen oder erschließen.
5. Redundanz reduzieren und Kernaussagen extrahierbar machen.

Welche Qualitätskriterien muss Information Gain erfüllen?

Neuheit allein ist zu schwach. Eine erfundene Behauptung wäre maximal neu, aber für Nutzer und Suchsysteme wertlos oder sogar schädlich. Sinnvoll ist daher ein Qualitätsmodell aus mehreren Dimensionen.

E-E-A-T: Neuheit ohne Vertrauen ist wertlos

Google bezeichnet Trustworthiness als den wichtigsten Aspekt innerhalb von E-E-A-T. Für Information Gain ist das entscheidend: Ein neuer Claim, der weder belegt noch nachvollziehbar ist, sollte nicht als positiver Informationsgewinn behandelt werden.

Besonders wertvoll sind deshalb Inhalte, die Neuheit und Trust verbinden: eigene Messungen mit Methodik, transparente Berechnungen, Primärquellen, dokumentierte Erfahrungen, Vergleichsdaten mit Datum und sauber abgegrenzte Schlussfolgerungen.

Wie optimiert man Content auf Information Gain?

Kurzantwort: Nicht nach dem Schreiben einen „Novelty Score“ erzeugen, sondern schon vor der Texterstellung systematisch nach offenen Nutzerfragen und fehlender Evidenz suchen.

1. Suchintention als Entscheidung formulieren

Definiere nicht nur das Keyword, sondern die Aufgabe hinter der Query. Beispiel: Bei „Wärmepumpe Altbau sinnvoll“ ist die eigentliche Frage häufig keine Definition, sondern eine Investitionsentscheidung unter bestimmten technischen Bedingungen.

2. Baseline-Korpus aufbauen

Analysiere die wichtigsten rankenden, zitierbaren und fachlich relevanten Quellen. Ziel ist nicht, deren Gliederung zu kopieren. Du brauchst eine Baseline dessen, was bereits bekannt und mehrfach belegt ist.

3. Intent-Atome und Subfragen bilden

Zerlege die Hauptfrage in konkrete Entscheidungsbausteine, zum Beispiel:

• Definition und Voraussetzungen
• Kosten und Wirtschaftlichkeit
• Risiken und Grenzen
• Alternativen
• Messwerte und Benchmarks
• Fehlerszenarien
• Ausnahmen und Grenzfälle
• rechtliche oder technische Bedingungen

4. Coverage Gaps statt Überschriften kopieren

Markiere, welche wichtigen Subfragen in vorhandenen Quellen gut, mittel oder schlecht beantwortet werden. Der höchste redaktionelle Wert liegt häufig dort, wo hohe Nutzerrelevanz auf geringe vorhandene Abdeckung trifft.

5. Neue Evidenz erzeugen

Information Gain entsteht besonders zuverlässig durch:

• eigene Daten: Messungen, Auswertungen, Tests, Umfragen, Logdaten oder Search-Console-Daten;
• Primärquellen: Studien, Gesetzestexte, technische Dokumentationen, Herstellerunterlagen, offizielle Datenbanken;
• eigene Berechnungen: Kostenmodelle, Break-even-Rechnungen, Szenarien, Vergleiche;
• Erfahrung: dokumentierte Beobachtungen aus Projekten, Tests oder realer Nutzung;
• neue Synthese: bekannte Einzelinformationen werden so kombiniert, dass eine neue belastbare Schlussfolgerung entsteht;
• Gegenbeispiele und Grenzen: Situationen, in denen die verbreitete Standardempfehlung nicht funktioniert;
• Aktualisierung: veraltete Annahmen werden mit neueren Daten überprüft.

6. Aussagen atomar und überprüfbar schreiben

Wichtige Aussagen sollten möglichst klar erkennbar sein: Behauptung → Beleg → Einordnung → Einschränkung. Das hilft Nutzern, Suchmaschinen und Retrieval-Systemen gleichermaßen.

7. Tabellen für echte Vergleiche nutzen

Tabellen erzeugen keinen Information Gain allein durch ihre Form. Sie sind stark, wenn sie Informationen vergleichbar machen, die vorher über mehrere Quellen verteilt oder schwer zu beurteilen waren.

8. Redundanz löschen

Mehr Text ist nicht automatisch mehr Information. Prüfe nach dem Schreiben, ob mehrere Abschnitte dieselbe Aussage nur anders formulieren. Gerade für KI-Suche ist hohe Informationsdichte oft wertvoller als Fülltext.

Was sollte man bei Information Gain vermeiden?

Warum ist Information Gain für GEO und KI-Suche relevant?

Kurzantwort: Generative Suchsysteme und RAG-Systeme brauchen nicht nur relevante Informationen. Sie profitieren von Quellen und Passagen, die zusätzliche, nicht redundante und verlässliche Evidenz liefern.

Ein Retrieval-System kann zehn hochrelevante Passagen finden, die alle dieselbe Aussage enthalten. Relevanz ist dann hoch, aber der marginale Informationswert jeder weiteren Passage gering.

Für KI-Suche lässt sich deshalb ein nützliches Denkmodell formulieren:

Das ist für GEO wichtiger als die Behauptung, ein Text müsse eine geheime „KI-Formel“ erfüllen. Google selbst sagt ausdrücklich, dass für AI Overviews und AI Mode keine zusätzlichen speziellen SEO-Anforderungen gelten. Wichtige Inhalte sollten indexierbar, snippet-fähig, intern auffindbar und in Textform verfügbar sein.

Was bedeutet Query Fan-out für Information Gain?

Google beschreibt für AI Overviews und AI Mode ein Abfrage-Fan-out-Verfahren. Dabei können mehrere verwandte Suchanfragen zu Unterthemen und Datenquellen gestellt werden. Dadurch werden mehr unterstützende Webseiten für eine komplexe Antwort identifiziert.

Das hat eine praktische Konsequenz: Eine Seite muss nicht zwingend der umfassendste universelle Artikel zum Head Term sein. Sie kann sehr wertvoll werden, wenn sie für eine bestimmte Subquery die beste oder klarste Evidenz liefert.

Beispiel

Aus der Hauptfrage „Welche Wärmepumpe ist für meinen Altbau sinnvoll?“ können unter anderem entstehen:

• Welche Vorlauftemperatur ist kritisch?
• Wie verändert sich die Effizienz bei 55 °C?
• Welche Rolle spielt der Sanierungszustand?
• Wie hoch sind reale Verbrauchskosten?
• Wann ist eine Hybridlösung sinnvoll?
• Welche Gebäudetypen sind problematisch?

Ein Beitrag, der eine dieser Fragen mit eigenen Messwerten und sauberer Methodik beantwortet, kann für eine generative Antwort relevanter sein als ein allgemeiner Ratgeber, der alles nur oberflächlich zusammenfasst.

Wie schreibt man Passagen, die für SEO und KI-Suche gut nutzbar sind?

Wichtige Erkenntnisse sollten lokal verständlich sein. Eine Passage sollte möglichst nicht erst drei vorherige Absätze benötigen, damit ihre Kernaussage verstanden werden kann.

Eine robuste Struktur ist:

1. Teilfrage benennen.
2. Direkte Antwort geben.
3. Beleg, Zahl, Quelle oder Beispiel nennen.
4. Einschränkung oder Kontext ergänzen.

Chunk-Größe: keine magische Zahl

Für Retrieval-Systeme gilt ein sinnvoller Test: Ein Abschnitt sollte klein genug sein, dass relevante Information nicht im Rauschen verschwindet – aber groß genug, dass Definitionen, Bedingungen und Quellenkontext erhalten bleiben. Zu kleine Chunks können Aussage und Einschränkung auseinanderreißen. Zu große Chunks verdünnen die relevante Evidenz.

Kann man Information Gain für Content messen?

Kurzantwort: Nicht als objektiven Google-Score. Für Redaktionen lässt sich der Zusatznutzen aber über mehrere Proxys sinnvoll messen.

Warum semantische Neuheit allein nicht reicht

Embedding-Distanzen können Redundanz anzeigen. Sie können aber leicht fehlinterpretiert werden. Ein Autor könnte denselben Inhalt mit ungewöhnlichen Formulierungen ausdrücken und einen hohen „Novelty“-Wert erzeugen, ohne eine einzige neue Tatsache zu liefern.

Stärker ist eine claimbasierte Analyse: Zerlege einen Text in atomare Aussagen und prüfe für jede Aussage:

• Ist sie für die Query relevant?
• Ist sie im Referenzkorpus bereits vorhanden?
• Ist sie durch belastbare Evidenz gestützt?
• Wie wichtig ist sie für die Nutzerentscheidung?

Ablation: der härteste Praxistest

Für KI-Suche lässt sich marginaler Nutzen experimentell prüfen:

1. Eine Query ohne den neuen Content beantworten.
2. Dieselbe Query mit dem neuen Content beantworten.
3. Beide Antworten blind vergleichen.
4. Faktentreue, Vollständigkeit, Quellenabdeckung und verbleibende Unsicherheit bewerten.

Verbessert der neue Inhalt die Antwort messbar, besitzt er nachweisbaren marginalen Retrievalnutzen. Das kommt der eigentlichen Information-Gain-Idee näher als ein statischer SEO-Score.

Redaktioneller Workflow: Information Gain systematisch erzeugen

Ein sinnvoller Recherche-Prompt

Diese Formulierung koppelt Neuheit an Evidenz. Genau das ist wichtiger als die Anweisung „liefere möglichst neue Informationen“, die generative Modelle zu plausibel klingenden, aber unbelegten Aussagen verleiten kann.

Checkliste: Hat mein Content echten Information Gain?

Beispiele: niedriger und hoher Information Gain

Information Gain muss nicht spektakulär sein

Der Zusatznutzen kann klein und trotzdem wertvoll sein. Ein präziser Hinweis wie „Diese Empfehlung gilt nur bis Version 4.2“, ein fehlender Grenzwert oder eine sauber dokumentierte Ausnahme kann für einen Nutzer mehr wert sein als eine weitere lange Grundlagenerklärung.

Information Gain und bestehende SEO-Signale zusammendenken

Information Gain ersetzt klassische SEO nicht. Er ergänzt sie. Eine Seite mit einzigartigen Daten bringt wenig, wenn sie nicht crawlbar, indexierbar, intern verlinkt oder für die Suchintention relevant ist.

• Technisches SEO: sorgt dafür, dass Inhalte gefunden, gecrawlt und indexiert werden können.
• Onpage-SEO: macht Thema, Suchintention, Struktur und Entitäten klar.
• E-E-A-T/Trust: macht neue Aussagen glaubwürdig und überprüfbar.
• Information Gain: beantwortet die Frage, welchen zusätzlichen Erkenntniswert der Inhalt liefert.
• GEO/AEO: erhöht die Chance, dass klare, belegte Passagen in generativen Antworten als Evidenz nutzbar sind.

Mehr zur technischen und redaktionellen Optimierung für generative Suche: AEO & GEO im Zeitalter von LLMs.

Quellen und weiterführende Literatur

• Claude E. Shannon: A Mathematical Theory of Communication
• Google Search Central: Hilfreiche, vertrauenswürdige, nutzerorientierte Inhalte erstellen
• Google Search Central: KI-Funktionen und deine Website
• Google Patent US11354342B2: Contextual estimation of link information gain
• Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection
• Corrective Retrieval Augmented Generation (CRAG)
• Lost in the Middle: How Language Models Use Long Contexts

Fazit: Information Gain ist kein SEO-Trick

Information Gain ist dann nützlich, wenn man den Begriff nicht zur nächsten magischen Rankingmetrik macht. Der Kern ist simpel: Eine gute Seite reduziert relevante Unsicherheit. Sie beantwortet nicht nur dieselben Fragen mit anderen Worten, sondern liefert zusätzliche belastbare Evidenz.

Für SEO bedeutet das: zuerst Suchintention und Topic Coverage, danach marginaler Zusatznutzen. Für GEO und KI-Suche kommt hinzu, dass Aussagen klar extrahierbar, textuell verfügbar, überprüfbar und als einzelne Evidenzpassagen nutzbar sein sollten.